基于EEMD和機(jī)器學(xué)習(xí)的燒結(jié)礦FeO成分長(zhǎng)短期綜合預(yù)報(bào)
張振1，唐玨1，儲(chǔ)滿生1，柳政根1，李福民2，呂慶2
(1.東北大學(xué)冶金學(xué)院， 遼寧 沈陽(yáng) 110819；2.華北理工大學(xué)冶金與能源學(xué)院， 河北 唐山 063210)
01
摘 要
煉鐵講“七分原料，三分操作”，燒結(jié)礦是高爐煉鐵的主要原料，F(xiàn)eO成分是影響燒結(jié)礦還原性、強(qiáng)度和粒度的重要指標(biāo)，也是影響高爐鐵水產(chǎn)量和燃料比的重要因素。因此，及時(shí)精確地掌握燒結(jié)礦FeO含量對(duì)于指導(dǎo)高爐煉鐵的順利生產(chǎn)具有顯著作用。針對(duì)燒結(jié)礦FeO成分檢測(cè)結(jié)果延時(shí)、精度差的問(wèn)題，提出并建立一種集合經(jīng)驗(yàn)?zāi)Ｊ椒纸釫EMD和機(jī)器學(xué)習(xí)的FeO成分長(zhǎng)短期綜合預(yù)報(bào)模型。針對(duì)燒結(jié)數(shù)據(jù)進(jìn)行探索性分析，挖掘了燒結(jié)數(shù)據(jù)存在的特性，有根據(jù)地采用箱線圖和滑動(dòng)窗口處理數(shù)據(jù)，保證了數(shù)據(jù)價(jià)值，為建模夯實(shí)了數(shù)據(jù)基礎(chǔ)。綜合模型包含2個(gè)模塊。長(zhǎng)期預(yù)報(bào)模型應(yīng)用EEMD分解波動(dòng)型FeO成分?jǐn)?shù)據(jù)，降低輸入數(shù)據(jù)的復(fù)雜性，以雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)Bi-LSTM進(jìn)行3 h內(nèi)FeO成分的提前預(yù)報(bào)；短期預(yù)報(bào)模塊融合EEMD、特征選擇和提取方法構(gòu)造衍生特征，增強(qiáng)模型對(duì)于輸入和目標(biāo)數(shù)據(jù)的學(xué)習(xí)能力，以極限樹(shù)ET對(duì)下1 h的FeO成分進(jìn)行預(yù)報(bào)。在未知燒結(jié)數(shù)據(jù)測(cè)試集的驗(yàn)證下發(fā)現(xiàn)，EEMD輔助機(jī)器學(xué)習(xí)建模能夠大幅提升FeO成分預(yù)報(bào)精度和穩(wěn)定性，EEMD-Bi-LSTM和EEMD-ET模型的平均絕對(duì)百分比誤差MAPE為1%左右、均方誤差MSE為0.027左右，誤差接近零值。預(yù)測(cè)區(qū)間命中率最高能達(dá)到94%以上，F(xiàn)eO成分預(yù)測(cè)趨勢(shì)與真實(shí)情況一致。此結(jié)果有助于現(xiàn)場(chǎng)實(shí)現(xiàn)FeO成分趨勢(shì)和數(shù)值的精準(zhǔn)提前把控。
02
關(guān) 鍵 詞
燒結(jié)礦FeO成分； 長(zhǎng)短期綜合預(yù)報(bào)； EEMD； 機(jī)器學(xué)習(xí)； 數(shù)據(jù)分解； 特征構(gòu)造
03
引 言
現(xiàn)代煉鐵工序中，高爐對(duì)入爐原料的質(zhì)量要求逐漸升高。燒結(jié)礦是高爐原料的主要組成部分，而FeO成分是影響燒結(jié)礦質(zhì)量的重要內(nèi)容。FeO成分過(guò)低會(huì)導(dǎo)致燒結(jié)礦強(qiáng)度不達(dá)標(biāo)，惡化燒結(jié)礦的低溫還原粉化性，造成粒度組成偏小和成品率的降低。過(guò)高會(huì)影響燒結(jié)礦的還原性，不利于提高高爐產(chǎn)量和降低燃料比。目前FeO成分存在化驗(yàn)結(jié)果滯后性大、燒結(jié)機(jī)理復(fù)雜和特征非線性強(qiáng)的影響，傳統(tǒng)的機(jī)理和線性預(yù)報(bào)模型精度難以達(dá)到要求。因此建立一種能夠精準(zhǔn)預(yù)報(bào)FeO成分的模型具有重要意義。
機(jī)器學(xué)習(xí)作為人工智能的核心，通過(guò)分析和學(xué)習(xí)大量系統(tǒng)儲(chǔ)存數(shù)據(jù)，以前沿的算法為工具尋找并學(xué)習(xí)數(shù)據(jù)中存在的隱含規(guī)律，形成預(yù)判思想。目前它已經(jīng)被應(yīng)用于煉鐵領(lǐng)域，但這種單純的機(jī)器學(xué)習(xí)建模方法比較單一，精度和魯棒性還具有進(jìn)一步提升的空間。集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD，ensemble empirical mode decomposition)能夠自適應(yīng)地將復(fù)雜數(shù)據(jù)拆分為多個(gè)較平穩(wěn)數(shù)組的特性，有助于降低數(shù)據(jù)噪聲影響，是一種輔助建模的重要手段。
在上述背景下，建立了一種基于EEMD和機(jī)器學(xué)習(xí)的燒結(jié)礦FeO成分長(zhǎng)短期綜合預(yù)報(bào)模型。以EEMD改善數(shù)據(jù)質(zhì)量，輔助機(jī)器學(xué)習(xí)增強(qiáng)學(xué)習(xí)能力的方法，進(jìn)一步提高了綜合模型的預(yù)報(bào)性能。利用EEMD拆分FeO成分?jǐn)?shù)據(jù)，以單變量形式輸入雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Bi-LSTM，bi-directional long short-term memory)中，針對(duì)FeO成分進(jìn)行一段時(shí)間的長(zhǎng)期預(yù)報(bào)。應(yīng)用EEMD及特征工程方法處理燒結(jié)過(guò)程特征，構(gòu)造衍生特征，以多變量形式輸入極限森林(ET，extra-trees)中，針對(duì)FeO成分進(jìn)行下一時(shí)刻的短期預(yù)報(bào)。綜合模型有助于現(xiàn)場(chǎng)實(shí)現(xiàn)FeO成分趨勢(shì)和數(shù)值精準(zhǔn)地提前把控，從而改善燒結(jié)礦質(zhì)量。
04
精 選 圖 表
05
結(jié) 論
1)在燒結(jié)數(shù)據(jù)探索性分析中發(fā)現(xiàn)其存在偏態(tài)分布、異常值極端分布、時(shí)間序列上的連續(xù)性和復(fù)雜波動(dòng)性特點(diǎn)，異常值檢測(cè)和缺失值填補(bǔ)有針對(duì)性地分別選擇了箱線圖和滑動(dòng)窗口的方法進(jìn)行數(shù)據(jù)處理。
2)應(yīng)用EEMD將波動(dòng)型FeO成分?jǐn)?shù)據(jù)分解為13個(gè)平穩(wěn)分量，利用Bi-LSTM進(jìn)行3 h內(nèi)FeO成分的提前預(yù)報(bào)。對(duì)比結(jié)果表明，EEMD-Bi-LSTM預(yù)報(bào)性能最優(yōu)，模型MAPE和MSE僅為1.1%和0.027 1，長(zhǎng)期預(yù)報(bào)區(qū)間命中率為90%以上。
3)應(yīng)用EEMD處理燒結(jié)過(guò)程特征，融合REF和重要度提取方法，成功構(gòu)造一組衍生特征，利用ET模型進(jìn)行下一時(shí)刻提前預(yù)報(bào)。對(duì)比結(jié)果表明，EEMD-ET的學(xué)習(xí)能力大幅提升，模型誤差接近零值，短期預(yù)報(bào)區(qū)間真實(shí)值命中率為95%左右。
4)相較于機(jī)器學(xué)習(xí)和EMD輔助機(jī)器學(xué)習(xí)建模，EEMD輔助機(jī)器學(xué)習(xí)進(jìn)行長(zhǎng)短期綜合預(yù)報(bào)FeO成分時(shí)，誤差達(dá)到最低值，PICP提高10%以上。綜合模型魯棒性強(qiáng)，模型準(zhǔn)確率較高，實(shí)現(xiàn)了FeO成分長(zhǎng)期趨勢(shì)和短期數(shù)值的精準(zhǔn)預(yù)報(bào)。
