10.12068/j.issn.1005-3026.2020.09.008
基于机器学习和遗传算法的高炉参数预测与优化
针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.
高炉、机器学习、集成学习、遗传算法、参数预测
41
TF531(炼铁)
国家自然科学基金联合基金资助项目U1808212
2020-09-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
1262-1267