基于MIV-GA-BP模型预测烧结矿FeO含量

摘要：

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标.作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标.针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型.以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型.在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测.上线测试结果表明,误差允许范围内模型命中率达到87.9％,对现场烧结生产具有更好的指导性.

关键词：大数据、烧结、预测模型、FeO、特征工程

所属期刊栏目：32

分类号：TD352;TP391;TF046.4

资助基金：国家自然科学基金;河北省自然科学基金资助项目

在线出版日期：2022-10-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：75-81