基于GMM-KNN-LSTM的烧结矿化学指标预测

doi:10.12068/j.issn.1005-3026.2024.03.002

摘要/Abstract

摘要：

针对烧结矿化学指标检测频率低导致无标签样本无法被机器学习利用的问题，提出了一种充分利用样本中有用信息的烧结矿化学指标预测模型.首先，结合高斯混合模型（GMM）和K-近邻（KNN）算法，将无标签样本转化为有标签样本，然后与长短期记忆（LSTM）单元相结合，用于预测烧结矿的总铁质量分数、FeO质量分数和碱度3个化学指标.通过与反向传播神经网络（BPNN）、循环神经网络（RNN）和LSTM三种模型对比，结果表明所建模型具有较低的预测误差.总铁质量分数和FeO质量分数的预测命中率在允许误差±0.5%内时分别达到98.73%和95.33%，碱度的预测命中率在允许误差±0.05内为98.13%，展现了较高的预测精度.

关键词: 烧结矿化学指标, 预测模型, 无标签样本处理算法, LSTM, 数据预处理

Abstract:

Aiming at the problem that unlabeled samples cannot be utilized by machine learning due to the low detection frequency of sinter chemical indexes，a prediction model for sinter chemical indexes that makes full use of the useful information in the samples is proposed. Firstly，the unlabeled samples are transformed into labeled samples by combining Gaussian mixture model （GMM） and K-nearest neighbor （KNN） algorithm，and then combined with long short-term memory （LSTM） unit for predicting three chemical indexes，namely，total Fe mass fraction，FeO mass fraction，and alkalinity of sinter. By comparing with the three models of back propagation neural network （BPNN），recurrent neural network （RNN）， and LSTM，the results show that the proposed model has a low prediction error. The prediction hit rates of total Fe mass fraction and FeO mass fraction reach 98.73% and 95.33%，respectively within the allowable error of ±0.5%，and the prediction hit rate of alkalinity is 98.13% within the allowable error of ±0.05，demonstrating high prediction accuracy.

Key words: chemical indexes of sinter, prediction model, unlabeled samples processing algorithm, LSTM（long short?term memory）, data preprocessing

中图分类号:

TF 046

閤光磊, 吴朝霞, 刘梦园, 姜玉山. 基于GMM-KNN-LSTM的烧结矿化学指标预测[J]. 东北大学学报（自然科学版）, 2024, 45(3): 314-322.

Guang-lei XIA, Zhao-xia WU, Meng-yuan LIU, Yu-shan JIANG. Prediction of Sinter Chemical Indexes Based on GMM-KNN-LSTM[J]. Journal of Northeastern University(Natural Science), 2024, 45(3): 314-322.

图/表 13

参考文献 15

1	Liu S， Lyu Q， Liu X J，et al.Synthetically predicting the quality index of sinter using machine learning model［J］.Ironmaking & Steelmaking，2020，47（7）：828-836.
2	Li H Y， Li X， Liu X J，et al.Prediction of blast furnace parameters using feature engineering and Stacking algorithm［J］.Ironmaking & Steelmaking，2022，49（3）：283-296.
3	李壮年，储满生，柳政根，等.基于机器学习和遗传算法的高炉参数预测与优化［J］.东北大学学报（自然科学版），2020，41（9）：1262-1267.
	Li Zhuang‐nian， Chu Man‐sheng， Liu Zheng‐gen，et al.Prediction and optimization of blast furnace parameters based on machine learning and genetic algorithm［J］.Journal of Northeastern University （Natural Science），2020，41（9）：1262-1267.
4	Du S， Wu M， Chen L F，et al.Operating mode recognition based on fluctuation interval prediction for iron ore sintering process［J］.IEEE/ASME Transactions on Mechatronics，2020，25（5）：2297-2308.
5	Du S， Wu M， Chen X，et al. An intelligent control strategy for iron ore sintering ignition process based on the prediction of ignition temperature［J］.IEEE Transactions on Industrial Electronics，2020，67（2）：1233-1241.
6	Jiang Y S， Yang N， Yao Q Q，et al.Real‐time moisture control in sintering process using offline‐online NARX neural networks［J］.Neurocomputing，2020，396：209-215.
7	Huang Q Y， Liu Z H， Liu Z C，et al. The strength prediction model of iron ore sinter based on an artificial neural network［J］.Ironmaking & Steelmaking，2023，50（2）：159-166.
8	Liu S， Lyu Q， Liu X J，et al. A prediction system of burn through point based on gradient boosting decision tree and decision rules［J］.ISIJ International，2019，59（12）：2156-2164.
9	Li Z P， Fan X H， Chen G，et al. Optimization of iron ore sintering process based on ELM model and multi‐criteria evaluation［J］.Neural Computing and Applications，2017，28（8）：2247-2253.
10	吕庆，刘月明，张振峰，等.基于承钢生产数据预测烧结矿FeO含量［J］.钢铁研究学报，2018，30（12）：957-962.
	Qing Lyu， Liu Yue‐ming， Zhang Zhen‐feng，et al. Prediction of FeO content in sinter based on production data of Chengde Steel Mill［J］.Journal of Iron and Steel Research，2018，30（12）：957-962.
11	刘俊杰，张东升，邵慧君，等.基于BP神经网络的烧结过程预报模型［J］.冶金动力，2019，38（1）：1-3，9.
	Liu Jun‐jie， Zhang Dong‐sheng， Shao Hui‐jun，et al.Prediction model of sintering process based on BP neural network［J］.Metallurgical Power，2019，38（1）：1-3，9.
12	Liu S， Liu X J， Lyu Q，et al. Comprehensive system based on a DNN and LSTM for predicting sinter composition［J］.Applied Soft Computing，2020，95：106574.
13	Li D C， Huang W T， Chen C C，et al. Employing box plots to build high‐dimensional manufacturing models for new products in TFT‐LCD plants［J］.Neurocomputing，2014，142：73-85.
14	Zhou Z， Wen C L， Yang C J.Fault isolation based on k-nearest neighbor rule for industrial processes［J］.IEEE Transactions on Industrial Electronics，2016，63（4）：2578-2586.
15	廖志伟，陈琳韬，黄杰栋，等.基于特征空间变换与LSTM的中短期电煤价格预测［J］.东北大学学报（自然科学版），2021，42（4）：483-493.
	Liao Zhi‐wei， Chen Lin‐tao， Huang Jie‐dong，et al. Medium and short‐term electricity coal price forecast based on feature space transformation and LSTM［J］.Journal of Northeastern University （Natural Science），2021，42（4）：483-493.

过程参数	MIC值			MIC 均值	过程参数	MIC值			MIC 均值
过程参数	总铁质量分数	FeO质量分数	碱度	MIC 均值	过程参数	总铁质量分数	FeO质量分数	碱度	MIC 均值
风机风量	0.797 9	0.628 7	0.606 2	0.677 6	7号风箱废弃温度	0.681 9	0.512 8	0.490 7	0.561 8
7号风箱负压	0.602 5	0.494 3	0.458 3	0.518 4	铁粉	0.589 0	0.479 2	0.476 1	0.514 8
石灰粉	0.583 4	0.456 2	0.467 1	0.502 2	除尘矿	0.564 2	0.415 6	0.457 3	0.479 1
3号风箱废气温度	0.540 8	0.431 6	0.445 7	0.472 7	9号风箱负压	0.519 5	0.422 2	0.420 0	0.453 9
燃料	0.529 1	0.404 9	0.404 7	0.446 2	烧结返矿	0.464 4	0.402 4	0.375 2	0.414 0
22号风箱负压	0.482 8	0.356 3	0.376 4	0.405 2	11号风箱负压	0.466 8	0.354 4	0.388 6	0.403 3
3号风箱负压	0.479 9	0.343 6	0.372 9	0.398 8	15号风箱负压	0.476 6	0.348 5	0.370 0	0.398 4
13号风箱负压	0.473 7	0.344 8	0.366 7	0.395 1	21号风箱负压	0.476 6	0.336 6	0.368 6	0.393 9
5号风箱负压	0.466 7	0.351 2	0.359 8	0.392 6	20号风箱负压	0.470 5	0.339 1	0.367 5	0.392 4
16号风箱负压	0.467 8	0.342 0	0.363 7	0.391 2	18号风箱负压	0.468 9	0.337 2	0.364 4	0.390 2
南烟道负压	0.460 1	0.334 6	0.353 0	0.382 6	1号风箱负压	0.447 8	0.352 6	0.344 7	0.381 7
2号风箱负压	0.446 7	0.307 1	0.325 0	0.359 6	混合料水分	0.413 7	0.308 6	0.318 6	0.347 0
5号风箱废气温度	0.347 3	0.288 5	0.285 4	0.307 1	21号风箱废气温度	0.341 1	0.289 2	0.261 2	0.297 2
1号风箱废气温度	0.333 1	0.273 2	0.280 4	0.295 6	高炉返矿	0.288 8	0.295 6	0.282 3	0.288 9
20号风箱废气温度	0.310 4	0.271 8	0.268 7	0.283 6	22号风箱废气温度	0.307 1	0.262 7	0.265 2	0.278 4
北烟道温度	0.338 1	0.243 1	0.252 0	0.277 7	烧结机速度	0.333 0	0.250 4	0.248 8	0.277 4

过程参数	MIC值			MIC 均值	过程参数	MIC值			MIC 均值
过程参数	总铁质量分数	FeO质量分数	碱度	MIC 均值	过程参数	总铁质量分数	FeO质量分数	碱度	MIC 均值
风机风量	0.797 9	0.628 7	0.606 2	0.677 6	7号风箱废弃温度	0.681 9	0.512 8	0.490 7	0.561 8
7号风箱负压	0.602 5	0.494 3	0.458 3	0.518 4	铁粉	0.589 0	0.479 2	0.476 1	0.514 8
石灰粉	0.583 4	0.456 2	0.467 1	0.502 2	除尘矿	0.564 2	0.415 6	0.457 3	0.479 1
3号风箱废气温度	0.540 8	0.431 6	0.445 7	0.472 7	9号风箱负压	0.519 5	0.422 2	0.420 0	0.453 9
燃料	0.529 1	0.404 9	0.404 7	0.446 2	烧结返矿	0.464 4	0.402 4	0.375 2	0.414 0
22号风箱负压	0.482 8	0.356 3	0.376 4	0.405 2	11号风箱负压	0.466 8	0.354 4	0.388 6	0.403 3
3号风箱负压	0.479 9	0.343 6	0.372 9	0.398 8	15号风箱负压	0.476 6	0.348 5	0.370 0	0.398 4
13号风箱负压	0.473 7	0.344 8	0.366 7	0.395 1	21号风箱负压	0.476 6	0.336 6	0.368 6	0.393 9
5号风箱负压	0.466 7	0.351 2	0.359 8	0.392 6	20号风箱负压	0.470 5	0.339 1	0.367 5	0.392 4
16号风箱负压	0.467 8	0.342 0	0.363 7	0.391 2	18号风箱负压	0.468 9	0.337 2	0.364 4	0.390 2
南烟道负压	0.460 1	0.334 6	0.353 0	0.382 6	1号风箱负压	0.447 8	0.352 6	0.344 7	0.381 7
2号风箱负压	0.446 7	0.307 1	0.325 0	0.359 6	混合料水分	0.413 7	0.308 6	0.318 6	0.347 0
5号风箱废气温度	0.347 3	0.288 5	0.285 4	0.307 1	21号风箱废气温度	0.341 1	0.289 2	0.261 2	0.297 2
1号风箱废气温度	0.333 1	0.273 2	0.280 4	0.295 6	高炉返矿	0.288 8	0.295 6	0.282 3	0.288 9
20号风箱废气温度	0.310 4	0.271 8	0.268 7	0.283 6	22号风箱废气温度	0.307 1	0.262 7	0.265 2	0.278 4
北烟道温度	0.338 1	0.243 1	0.252 0	0.277 7	烧结机速度	0.333 0	0.250 4	0.248 8	0.277 4

模型	MSE	MAE	RMSE
BPNN	0.083	0.215 3	0.287 7
RNN	0.063	0.186 7	0.250 6
LSTM	0.056	0.169 1	0.237 4
GMM-KNN-LSTM	0.017 5	0.089 1	0.132 2

模型	MSE	MAE	RMSE
BPNN	0.083	0.215 3	0.287 7
RNN	0.063	0.186 7	0.250 6
LSTM	0.056	0.169 1	0.237 4
GMM-KNN-LSTM	0.017 5	0.089 1	0.132 2

模型	MSE	MAE	RMSE
BPNN	0.212 5	0.346 3	0.461 0
RNN	0.161 7	0.300 0	0.402 1
LSTM	0.148 9	0.275 5	0.385 8
GMM-KNN-LSTM	0.034 7	0.128 3	0.186 4