基于EEMD和機器學習的燒結礦FeO成分長短期綜合預報
張振1，唐玨1，儲滿生1，柳政根1，李福民2，呂慶2
(1.東北大學冶金學院， 遼寧 沈陽 110819；2.華北理工大學冶金與能源學院， 河北 唐山 063210)
01
摘 要
煉鐵講“七分原料，三分操作”，燒結礦是高爐煉鐵的主要原料，F(xiàn)eO成分是影響燒結礦還原性、強度和粒度的重要指標，也是影響高爐鐵水產(chǎn)量和燃料比的重要因素。因此，及時精確地掌握燒結礦FeO含量對于指導高爐煉鐵的順利生產(chǎn)具有顯著作用。針對燒結礦FeO成分檢測結果延時、精度差的問題，提出并建立一種集合經(jīng)驗模式分解EEMD和機器學習的FeO成分長短期綜合預報模型。針對燒結數(shù)據(jù)進行探索性分析，挖掘了燒結數(shù)據(jù)存在的特性，有根據(jù)地采用箱線圖和滑動窗口處理數(shù)據(jù)，保證了數(shù)據(jù)價值，為建模夯實了數(shù)據(jù)基礎。綜合模型包含2個模塊。長期預報模型應用EEMD分解波動型FeO成分數(shù)據(jù)，降低輸入數(shù)據(jù)的復雜性，以雙向長短期記憶神經(jīng)網(wǎng)絡Bi-LSTM進行3 h內(nèi)FeO成分的提前預報；短期預報模塊融合EEMD、特征選擇和提取方法構造衍生特征，增強模型對于輸入和目標數(shù)據(jù)的學習能力，以極限樹ET對下1 h的FeO成分進行預報。在未知燒結數(shù)據(jù)測試集的驗證下發(fā)現(xiàn)，EEMD輔助機器學習建模能夠大幅提升FeO成分預報精度和穩(wěn)定性，EEMD-Bi-LSTM和EEMD-ET模型的平均絕對百分比誤差MAPE為1%左右、均方誤差MSE為0.027左右，誤差接近零值。預測區(qū)間命中率最高能達到94%以上，F(xiàn)eO成分預測趨勢與真實情況一致。此結果有助于現(xiàn)場實現(xiàn)FeO成分趨勢和數(shù)值的精準提前把控。
02
關 鍵 詞
燒結礦FeO成分； 長短期綜合預報； EEMD； 機器學習； 數(shù)據(jù)分解； 特征構造
03
引 言
現(xiàn)代煉鐵工序中，高爐對入爐原料的質(zhì)量要求逐漸升高。燒結礦是高爐原料的主要組成部分，而FeO成分是影響燒結礦質(zhì)量的重要內(nèi)容。FeO成分過低會導致燒結礦強度不達標，惡化燒結礦的低溫還原粉化性，造成粒度組成偏小和成品率的降低。過高會影響燒結礦的還原性，不利于提高高爐產(chǎn)量和降低燃料比。目前FeO成分存在化驗結果滯后性大、燒結機理復雜和特征非線性強的影響，傳統(tǒng)的機理和線性預報模型精度難以達到要求。因此建立一種能夠精準預報FeO成分的模型具有重要意義。
機器學習作為人工智能的核心，通過分析和學習大量系統(tǒng)儲存數(shù)據(jù)，以前沿的算法為工具尋找并學習數(shù)據(jù)中存在的隱含規(guī)律，形成預判思想。目前它已經(jīng)被應用于煉鐵領域，但這種單純的機器學習建模方法比較單一，精度和魯棒性還具有進一步提升的空間。集合經(jīng)驗模式分解(EEMD，ensemble empirical mode decomposition)能夠自適應地將復雜數(shù)據(jù)拆分為多個較平穩(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和機器學習的燒結礦FeO成分長短期綜合預報模型。以EEMD改善數(shù)據(jù)質(zhì)量，輔助機器學習增強學習能力的方法，進一步提高了綜合模型的預報性能。利用EEMD拆分FeO成分數(shù)據(jù)，以單變量形式輸入雙向長短期記憶神經(jīng)網(wǎng)絡(Bi-LSTM，bi-directional long short-term memory)中，針對FeO成分進行一段時間的長期預報。應用EEMD及特征工程方法處理燒結過程特征，構造衍生特征，以多變量形式輸入極限森林(ET，extra-trees)中，針對FeO成分進行下一時刻的短期預報。綜合模型有助于現(xiàn)場實現(xiàn)FeO成分趨勢和數(shù)值精準地提前把控，從而改善燒結礦質(zhì)量。
04
精 選 圖 表
05
結 論
1)在燒結數(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、時間序列上的連續(xù)性和復雜波動性特點，異常值檢測和缺失值填補有針對性地分別選擇了箱線圖和滑動窗口的方法進行數(shù)據(jù)處理。
2)應用EEMD將波動型FeO成分數(shù)據(jù)分解為13個平穩(wěn)分量，利用Bi-LSTM進行3 h內(nèi)FeO成分的提前預報。對比結果表明，EEMD-Bi-LSTM預報性能最優(yōu)，模型MAPE和MSE僅為1.1%和0.027 1，長期預報區(qū)間命中率為90%以上。
3)應用EEMD處理燒結過程特征，融合REF和重要度提取方法，成功構造一組衍生特征，利用ET模型進行下一時刻提前預報。對比結果表明，EEMD-ET的學習能力大幅提升，模型誤差接近零值，短期預報區(qū)間真實值命中率為95%左右。
4)相較于機器學習和EMD輔助機器學習建模，EEMD輔助機器學習進行長短期綜合預報FeO成分時，誤差達到最低值，PICP提高10%以上。綜合模型魯棒性強，模型準確率較高，實現(xiàn)了FeO成分長期趨勢和短期數(shù)值的精準預報。
