基于集成学习的高炉压差预报模型研究

来源：电子测量技术杂志2022年第2期北京时间：

作者：刘颂，赵亚迪，张振，刘小杰，刘然，吕庆

单位：1. 唐山学院 人工智能学院 唐山 063000;2.华北理工大学 冶金与能源学院 唐山 063009

摘要：为了提升高炉生产的智能化水平，提出了基于集成学习算法的高炉下部压差预报模型，解决了基于在线数据精准预报下部压差的难题。通过对高炉内部机理进行系统分析，全面选取了高炉原料参数、操作参数、状态参数和指标参数作为模型的输入。并采用实际现场数据得到了变量间的相关系数，确定了高炉下部压差相关的重要特征变量。采用极限树集成算法建立了压差预报模型，并结合模型的预报精度，采用向前选择法优化了模型的输入。通过对模型算法超参数的选择，获得了最优超参数集合，该参数集合建立的下部压差预报模型精度R2达到了0.8264，且MSE接近零值。测试结果证明，该模型具有良好的预报精度和泛化能力，对现场操作者提前预判高炉运行状况和调整炉况具有重要的指导意义。

关键词：预测模型;极限树算法;非线性相关性分析;参数优化;高炉压差

基金资助：河北省教育厅科学技术研究资助项目（BJ2021099）；河北省自然科学基金高端钢铁冶金联合基金项目（E2019209314, E2020209208）资助