钢铁研究学报

作者：施有恒，张淑会，刘小杰，张玉洁，李欣，吕庆

单位：华北理工大学冶金与能源学院，河北唐山063210

关键词：关键词：高炉压差；SSA；XGBoost；BP神经网络；预测模型

摘要：高炉压差对高炉的正常运行和冶炼效率有着重要的影响。压差过高会导致悬料，破坏高炉顺行；压差过低会引发炉内气流过吹甚至管道气流现象。因此，将高炉压差维持在一定范围内是保证高炉炉况稳定的前提，对高炉压差提前预测可以帮助操作人员了解高炉的工作状态，及时调整操作参数，进而保证炉况稳定。为了提高高炉压差预测精度，首先，以国内某钢铁企业监测的高炉冶炼数据为基础，建立了基于麻雀搜索算法（Sparrow Search Algorithm，SSA）优化的梯度提升决策树（eXtreme Gradient Boosting，XGBoost）和BP神经网络（Back Propagation Neural Network，BPNN）融合预测模型。该模型以SSA算法对单一模型的优化为核心，并通过误差倒数法加权预测值来降低模型的预测误差。结果表明，基于SSA优化的XGBoost?BP融合模型预测效果明显高于其他模型，该模型拟合优度达到0.842，具有较高的拟合能力，对比结果显示，融合模型较SSA?BP、SSA?XGBoost模型预测误差更小，收敛速度更快，并且在±0.025×105Pa的误差范围下，其预测准确率达到了96.13%。最后，基于所提的融合模型建立高炉压差预测系统，该系统不仅起到了指导高炉生产的作用，而且对炼铁工业的转型升级具有一定的现实意义。

来源：2024年第8期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2024年第8期