钢铁研究学报

作者：张学锋，闻亦昕，熊大林，龙红明

单位：1.安徽工业大学计算机科学与技术学院，安徽马鞍山243032；2.首钢自动化信息研究院，河北唐山063000；3.安徽工业大学冶金工程学院，安徽马鞍山243032

关键词：关键词：智能烧结；预测模型；烧结矿FeO含量；大数据；神经网络

摘要：针对烧结工艺FeO预测准度问题，提出一种基于机器学习的预测模型。通过对机尾断面温度数据的采集和处理，建立包含多个特征的数据集。采用基于MIV(平均影响值)的特征选择方法，筛选出对预测模型权重占比较高的特征。使用Bi-LSTM(双向长短时记忆神经网络)算法对生产工艺数据进行训练和测试，得到高精度的预测模型。通过实验验证了该模型的预测效果，并与其他神经网络模型方法进行了比较，比较结果表明该模型具有较高的预测精度和实用性。在企业误差允许的范围内，准确率达90.2%，因此可以为智能烧结技术的应用和烧结质量的控制和优化提供重要的参考。

来源：2024年第5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5期