基于特征优选的GA-BiLSTM烧结矿中FeO含量预测模型

doi:10.12068/j.issn.1005-3026.2025.20240011

摘要/Abstract

摘要：

针对传统烧结矿质量预测模型特征选择方法单一、脱离工艺机理等问题，导致模型预测精度不高且缺乏解释性，提出了一种基于特征优选的遗传算法优化双向长短期记忆网络（GA-BiLSTM）预测模型.首先通过多种特征选择方法并且结合烧结工艺机理筛选出最佳特征集，然后利用GA优化BiLSTM，最后将最佳特征集作为GA-BiLSTM模型的输入来预测烧结矿中FeO含量.将特征优选的GA-BiLSTM模型与其他模型进行对比分析.结果表明，所建立的模型预测误差较低，并且烧结矿中FeO质量分数在允许误差±0.5%的范围内准确度为94%，表现了较高的预测精度，为提高烧结矿质量提供了新的指导方向.

关键词: 烧结矿, 特征优选, FeO含量, 预测模型, 大数据

Abstract:

In order to solve the problems of traditional sinter quality prediction model， such as using single feature selection method and having no background of process mechanism， which results in low model prediction accuracy and lack of interpretability， a GA-BiLSTM prediction model with feature optimization is proposed. First， the optimal feature set is selected through various feature selection methods and combined with the sintering process mechanism， then GA is used to optimize BiLSTM， and finally the optimal feature set is used as the input of the GA-BiLSTM model to predict the FeO content in sinter. The GA-BiLSTM model with feature optimization was compared with other models. The results show that the prediction error of the established model is low， and the prediction accuracy for FeO mass fraction in sinter is as high as 94% within the allowable error range of ±0.5%， which may provide a new guiding direction for improving the quality of sinter.

Key words: sinter, feature optimization, FeO content, prediction model, big data

中图分类号:

TF 046.4

李中正, 吴朝霞, 王金杨, 康增鑫. 基于特征优选的GA-BiLSTM烧结矿中FeO含量预测模型[J]. 东北大学学报（自然科学版）, 2025, 46(6): 56-65.

Zhong-zheng LI, Zhao-xia WU, Jin-yang WANG, Zeng-xin KANG. FeO Content Prediction Model in Sinter Based on GA-BiLSTM with Feature Optimization[J]. Journal of Northeastern University(Natural Science), 2025, 46(6): 56-65.

图/表 16

表1 烧结过程主要参数

Table 1 Main parameters of sintering process

参数种类

参数

编号

参数名称

单位

原料参数

钙石灰粉质量流量

焦粉质量流量

铁粉质量流量

除尘灰质量流量

烧结返矿质量流量

燃料质量流量

t/h

操作参数

圆辊转速

烧结机速度

煤气体积流量

九辊转速

点火温度

风机风量

r/h

m/min

m³/h

r/h

°C

m³/h

混合料参数

总含铁量

CaO质量分数

H₂O质量分数

V₂O₅质量分数

SiO₂质量分数

状态参数

22~35

36~49

南烟道温度

北烟道温度

南烟道负压

北烟道负压

14个风箱废气温度

14个风箱负压

°C

kPa

°C

kPa

输出参数

烧结矿中FeO质量分数

图1 箱型图

Fig.1 Box-plot

图2 异常值处理结果

Fig.2 Results of abnormal value handling

图3 最佳特征集选择

Fig.3 Selection of best feature set

图4 基于最大互信息各特征参数相关系数

Fig.4 Correlation coefficients of various feature parameters based on MIC

图5 基于Kendall秩的各特征参数相关系数

Fig.5 Correlation coefficients of various feature parameters based on Kendall rank

图6 基于灰色关联度的各特征参数相关系数

Fig.6 Correlation coefficients of various feature parameters based on GRA

表2 不同特征选择方法特征参数编号对应的参数

Table 2 Parameters corresponding to feature parameter numbers of different feature selection methods

特征参数编号	MIC	Kendall秩相关系数	GRA
1	铁粉质量流量	风箱废气温度30	铁粉质量流量
2	风箱废气温度28	风箱负压49	圆辊转速
3	烧结机速度	$H 2 O$ 质量分数	烧结机速度
4	风箱负压45	风箱废气温度35	煤气体积流量
5	$C a O 质量分数$	总含铁量	风箱废气温度26
6	北烟道负压	风箱负压37	风机风量
7	$S i O 2$ 质量分数	除尘灰质量流量	风箱废气温度31
8	风箱废气温度25	点火温度	总含铁量
9	风箱负压48	风箱负压44	风箱废气温度25
10	风箱废气温度27	燃料质量流量	风箱废气温度27
11	风箱负压47	圆辊转速	钙石灰粉质量流量
12	风箱废气温度24	$S i O 2$ 质量分数	焦粉质量流量
13	除尘灰质量流量	风箱废气温度25	烧结返矿质量流量
14	风箱负压38	铁粉质量流量	风箱废气温度35
15	风箱废气温度33	风箱废气温度27	$S i O 2$ 质量分数
16	风箱废气温度34	风箱负压41	风箱负压49
17	圆辊转速	风箱负压43	风箱负压41
18	总含铁量	$V 2 O 5$ 质量分数	风箱负压38
19	风箱负压39	风箱废气温度32	风箱负压42
20	风箱负压40	烧结机速度	$H 2 O$ 质量分数
21	风箱负压41	风箱负压39	风箱负压39
22	风箱废气温度23	风箱废气温度30	风箱废气温度34
23	$H 2 O$ 质量分数	风箱负压38	风箱负压40
24	风箱负压43	风箱负压46	点火温度
25	燃料质量流量	风箱负压36	燃料质量流量
26	风箱废气温度35	风箱废气温度22	除尘灰质量流量
27	风箱负压49	北烟道负压	北烟道负压

表2 不同特征选择方法特征参数编号对应的参数

Table 2 Parameters corresponding to feature parameter numbers of different feature selection methods

特征参数编号	MIC	Kendall秩相关系数	GRA
1	铁粉质量流量	风箱废气温度30	铁粉质量流量
2	风箱废气温度28	风箱负压49	圆辊转速
3	烧结机速度	$H 2 O$ 质量分数	烧结机速度
4	风箱负压45	风箱废气温度35	煤气体积流量
5	$C a O 质量分数$	总含铁量	风箱废气温度26
6	北烟道负压	风箱负压37	风机风量
7	$S i O 2$ 质量分数	除尘灰质量流量	风箱废气温度31
8	风箱废气温度25	点火温度	总含铁量
9	风箱负压48	风箱负压44	风箱废气温度25
10	风箱废气温度27	燃料质量流量	风箱废气温度27
11	风箱负压47	圆辊转速	钙石灰粉质量流量
12	风箱废气温度24	$S i O 2$ 质量分数	焦粉质量流量
13	除尘灰质量流量	风箱废气温度25	烧结返矿质量流量
14	风箱负压38	铁粉质量流量	风箱废气温度35
15	风箱废气温度33	风箱废气温度27	$S i O 2$ 质量分数
16	风箱废气温度34	风箱负压41	风箱负压49
17	圆辊转速	风箱负压43	风箱负压41
18	总含铁量	$V 2 O 5$ 质量分数	风箱负压38
19	风箱负压39	风箱废气温度32	风箱负压42
20	风箱负压40	烧结机速度	$H 2 O$ 质量分数
21	风箱负压41	风箱负压39	风箱负压39
22	风箱废气温度23	风箱废气温度30	风箱废气温度34
23	$H 2 O$ 质量分数	风箱负压38	风箱负压40
24	风箱负压43	风箱负压46	点火温度
25	燃料质量流量	风箱负压36	燃料质量流量
26	风箱废气温度35	风箱废气温度22	除尘灰质量流量
27	风箱负压49	北烟道负压	北烟道负压

表3 不同特征选择方法排名前20的参数

Table 3 Top 20 parameters of different feature selection methods

排名	MIC	Kendall秩相关系数	GRA
1	风箱负压39	风箱负压38	风箱废气温度25
2	铁粉质量流量	风箱废气温度27	风机风量
3	总含铁量	风箱负压41	风箱废气温度35
4	风箱负压43	烧结机速度	风箱废气温度27
5	风箱废气温度35	圆辊转速	北烟道负压
6	燃料质量流量	风箱负压49	总含铁量
7	风箱负压40	除尘灰质量流量	铁粉质量流量
8	烧结机速度	总含铁量	烧结机速度
9	圆辊转速	风箱负压39	风箱负压49
10	风箱负压41	$H 2 O$ 质量分数	风箱负压41
11	除尘灰质量流量	燃料质量流量	$S i O 2$ 质量分数
12	风箱负压48	铁粉质量流量	$H 2 O$ 质量分数
13 14	风箱废气温度25 $H 2 O$ 质量分数	$S i O 2$ 质量分数北烟道负压	风箱负压39 圆辊转速
15	风箱负压49	风箱废气温度35	风箱负压38
16	$S i O 2$ 质量分数	风箱废气温度25	燃料质量流量
17	风箱废气温度27	风箱负压37	除尘灰质量流量
18	北烟道负压	风箱负压43	点火温度
19	风箱废气温度34	点火温度	风箱负压40
20	风箱废气温度23	风箱废气温度30	风箱废气温度34

表3 不同特征选择方法排名前20的参数

Table 3 Top 20 parameters of different feature selection methods

排名	MIC	Kendall秩相关系数	GRA
1	风箱负压39	风箱负压38	风箱废气温度25
2	铁粉质量流量	风箱废气温度27	风机风量
3	总含铁量	风箱负压41	风箱废气温度35
4	风箱负压43	烧结机速度	风箱废气温度27
5	风箱废气温度35	圆辊转速	北烟道负压
6	燃料质量流量	风箱负压49	总含铁量
7	风箱负压40	除尘灰质量流量	铁粉质量流量
8	烧结机速度	总含铁量	烧结机速度
9	圆辊转速	风箱负压39	风箱负压49
10	风箱负压41	$H 2 O$ 质量分数	风箱负压41
11	除尘灰质量流量	燃料质量流量	$S i O 2$ 质量分数
12	风箱负压48	铁粉质量流量	$H 2 O$ 质量分数
13 14	风箱废气温度25 $H 2 O$ 质量分数	$S i O 2$ 质量分数北烟道负压	风箱负压39 圆辊转速
15	风箱负压49	风箱废气温度35	风箱负压38
16	$S i O 2$ 质量分数	风箱废气温度25	燃料质量流量
17	风箱废气温度27	风箱负压37	除尘灰质量流量
18	北烟道负压	风箱负压43	点火温度
19	风箱废气温度34	点火温度	风箱负压40
20	风箱废气温度23	风箱废气温度30	风箱废气温度34

表4 最佳特征参数及其权值 (weight values)

Table 4 Optimal feature parameters and their

铁粉质量流量

除尘灰质量流量

燃料质量流量

0.200

0.143

0.186

混合料参数

总含铁量

$H 2 O$ 质量分数

$S i O 2$ 质量分数

0.165

0.136

0.114

操作参数

圆辊转速

烧结机速度

0.115

0.107

状态参数

北烟道负压

风箱负压39

风箱负压41

风箱负压49

风箱废气温度25

风箱废气温度27

风箱废气温度35

0.110

0.113

0.135

0.096

0.098

0.147

0.101

表4 最佳特征参数及其权值 (weight values)

Table 4 Optimal feature parameters and their

参数类型

参数名称

权值

原料参数

铁粉质量流量

除尘灰质量流量

燃料质量流量

0.200

0.143

0.186

混合料参数

总含铁量

$H 2 O$ 质量分数

$S i O 2$ 质量分数

0.165

0.136

0.114

操作参数

圆辊转速

烧结机速度

0.115

0.107

状态参数

北烟道负压

风箱负压39

风箱负压41

风箱负压49

风箱废气温度25

风箱废气温度27

风箱废气温度35

0.110

0.113

0.135

0.096

0.098

0.147

0.101

图7 LSTM结构图

Fig.7 LSTM structure diagram

图8 BiLSTM结构图

Fig.8 BiLSTM structure diagram

图9 GA-BiLSTM预测流程图

Fig.9 Flow chart of GA-BiLSTM prediction

表5 不同模型烧结矿中FeO含量预测性能比较 (content in sinter using different models)

Table 5 Comparison of prediction performance of FeO

模型	MAE	MSE	RMSE
BPNN	0.322 6	0.228 9	0.452 8
RNN	0.315 3	0.159 2	0.413 8
LSTM	0.282 9	0.138 2	0.387 6
GA-BiLSTM	0.114 8	0.043 6	0.179 1

图10 烧结矿中FeO含量预测误差频数直方图

Fig.10 Frequency histogram of prediction error for FeO content in sinter

图11 烧结矿中FeO含量预测结果

Fig.11 Prediction results of FeO content in sinter

参考文献 14

[1]	Zhang B， Zhou J M， Li M. Prediction of sinter yield and strength in iron ore sintering process by numerical simulation［J］. Applied Thermal Engineering， 2018， 131： 70-79.
[2]	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.
[3]	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.
[4]	Niu L L， Liu Z J， Zhang J L， et al. Prediction of sinter chemical composition based on ensemble learning algorithms［J］. Journal of Sustainable Metallurgy， 2023， 9（3）： 1168-1179.
[5]	Xia G L， Wu Z X， Liu M Y， et al. Prediction interval estimation of sinter drum index based on light gradient boosting machine and kernel density estimation［J］. Ironmaking & Steelmaking， 2023， 50（8）： 909-920.
[6]	丁成义，常仁德，郭胜兰，等. 烧结过程智能控制及烧结矿冶金性能预测研究现状［J］.钢铁，2024，59（4）：42-56.
	Ding Cheng-yi， Chang Ren-de， Guo Sheng-lan， et al. Research status of intelligent control of sintering process and prediction of metallurgical properties of sinter［J］.Iron & Steel， 2024，59（4）：42-56.
[7]	Hu J， Wu M， Zhang P， et al. Prediction performance improvement via anomaly detection and correction of actual production data in iron ore sintering process［J］. IEEE Transactions on Industrial Informatics， 2020， 16（12）： 7602-7612.
[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]	张智峰，刘小杰，李欣，等. 基于MIV-GA-BP模型预测烧结矿FeO含量［J］.中国冶金，2022，32（10）：75-81.
	Zhang Zhi-feng， Liu Xiao-jie， Li Xin， et al. Prediction of FeO content in sinter based on MIV-GA-BP mode［J］.China Metallurgy， 2022，32（10）：75-81.
[10]	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.
[11]	张军红，沈峰满，谢安国.G-BP算法在烧结矿FeO指标预测中的应用［J］.东北大学学报（自然科学版），2002， 23（11）：1073-1075.
	Zhang Jun-hong， Shen Feng-man， Xie An-guo. The application of G-BP in FeO content prediction during sintering［J］. Journal of Northeastern University（Natural Science）， 2002， 23（11）：1073-1075.
[12]	吉训生，荆田田，熊年昀.烧结矿FeO含量预测研究［J］.计算机仿真，2015，32（10）：318-322.
	Ji Xun-sheng， Jing Tian-tian， Xiong Nian-yun. Study on FeO content of sinter prediction［J］. Computer Simulation， 2015，32（10）：318-322.
[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]	Simon N， Tibshirani R. Comment on “detecting novel associations in large data sets” by Reshef， et al， science dec 16， 2011［EB/OL］. （2014-01-29）［2024-01-10］. .

[1]	王金杨, 吴朝霞, 李中正, 康增鑫. 基于JITL-XGBoost的烧结终点预测模型[J]. 东北大学学报（自然科学版）, 2025, 46(2): 28-34.
[2]	李海峰, 祁腾飞, 张永杰, 邹宗树. 烧结矿竖冷炉内物料流动的优化[J]. 东北大学学报（自然科学版）, 2025, 46(1): 44-51.
[3]	李中正, 吴朝霞, 王金杨, 康增鑫. 铁矿石烧结过程传质传热数值模拟[J]. 东北大学学报（自然科学版）, 2025, 46(1): 35-43.
[4]	陈猛, 洪宇. RTP-PVA混杂纤维的工程水泥基复合材料干缩性能试验研究[J]. 东北大学学报（自然科学版）, 2024, 45(3): 407-414.
[5]	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.
[6]	曹秀梅, 赵文, 王志国, 何鹏. 基于Optuna-XGBoost的砂土地层盾构渣土改良剂预测[J]. 东北大学学报（自然科学版）, 2024, 45(12): 1769-1777.
[7]	刘梦园, 吴朝霞, 王金杨, 閤光磊. 基于TST-LSTM模型的烧结料层透气性预测[J]. 东北大学学报（自然科学版）, 2024, 45(10): 1379-1385.
[8]	刘克奇，杜佃春，赵文，丁万涛. 基于机器学习的泥水盾构关键掘进参数预测与优化[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1621-1630.
[9]	矫志杰，王志强，罗钧译，许志鹏. 中厚板角轧过程的形状预测模型研究[J]. 东北大学学报（自然科学版）, 2022, 43(6): 815-820.
[10]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[11]	祁腾飞，黄军，孙俊杰，张永杰. 布料方式对竖冷炉内烧结矿偏析及气流分布的影响[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1422-1429.
[12]	宫琦，陈秉智，李永华，夏清. 地铁电源模块故障分析及预测方法[J]. 东北大学学报（自然科学版）, 2022, 43(1): 8-16.
[13]	郭永春，郑海燕，胡心光，沈峰满. CaO-SiO₂-MgO-Al₂O₃四元渣系Al₂O₃活度预测模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 652-657.
[14]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[15]	张立恒，高子先，汤卫东，薛向欣. w(TiO₂)对高铬型钒钛磁铁矿烧结矿冶金性能的影响[J]. 东北大学学报:自然科学版, 2020, 41(11): 1667-1672.