基于混合特征选择的BiGRU-Att烧结矿转鼓指数预测模型

doi:10.12068/j.issn.1005-3026.2026.20240127

摘要/Abstract

摘要：

由于烧结过程具有复杂且高维的过程变量及诸多不确定性因素，单一特征选择方法难以有效地选出最佳特征集，从而影响模型的预测准确性.为此，提出一种基于混合特征选择的BiGRU-Att烧结矿转鼓指数预测模型.首先，利用最大信息系数(MIC)从原始特征集中筛选出候选特征.然后，运用基于同时扰动随机逼近的特征选择方法(SPSA-FS)对候选特征集进一步优选.最终，将最佳特征集作为基于注意力机制的双向门控循环单元模型(BiGRU-Att)的输入进行烧结矿转鼓指数预测.与多种模型和单一特征选择方法的比较分析结果表明，本文提出的混合特征选择方法能够选出最佳的特征集，所建模型具有较高的预测精度，为烧结过程提供了可靠的决策支持.

关键词: 烧结矿转鼓指数, 混合特征选择方法, BiGRU, 预测模型, 注意力机制

Abstract:

Because the sintering process has complex and high-dimensional process variables and many uncertain factors， it is difficult for a single feature selection method to effectively select the best feature set， which affects the prediction accuracy of the model. Therefore， a prediction model of attention mechanism-based bidirectional gated recurrent unit model （BiGRU-Att） sinter drum index based on hybrid feature selection was proposed. Firstly， the maximum information coefficient （MIC） was used to select candidate features from the original feature set. Then， the feature selection method based on simultaneous perturbation stochastic approximation （SPSA-FS） was used to further optimize the candidate feature set. Finally， the best feature set was used as the input of BiGRU-Att to predict the sinter drum index. The results of comparative analysis with multiple models and single feature selection methods show that the hybrid feature selection method proposed in this paper can select the best feature set， and the established model has higher prediction accuracy， providing reliable decision-making support for the sintering process.

Key words: sinter drum index, hybrid feature selection method, BiGRU, prediction model, attention mechanism

中图分类号:

TP 181

栗潇通, 宋小龙, 范金鑫, 吴朝霞. 基于混合特征选择的BiGRU-Att烧结矿转鼓指数预测模型[J]. 东北大学学报（自然科学版）, 2026, 47(1): 107-114.

Xiao-tong LI, Xiao-long SONG, Jin-xin FAN, Zhao-xia WU. Prediction Model of BiGRU-Att Sinter Drum Index Based on Hybrid Feature Selection[J]. Journal of Northeastern University(Natural Science), 2026, 47(1): 107-114.

图/表 13

表1 烧结过程的主要参数

Table 1 Main parameters of sintering process

石灰粉下料量/( $t ⋅ h - 1$ )

燃料下料量/( $t ⋅ h - 1$ )

烧结返矿下料量/( $t ⋅ h - 1$ )

除尘灰下料量/( $t ⋅ h - 1$ )

铁粉下料量/( $t ⋅ h - 1$ )

高炉返矿下料量/( $t ⋅ h - 1$ )

混合料参数

w(混合料总铁)/%

w(混合料氧化钙)/%

w(混合料水分)/%

w(混合料五氧化二钒)/%

w(混合料二氧化硅)/%

操作参数

圆辊转速/( $r ⋅ h - 1$ )

烧结机速度/( $m ⋅ m i n - 1$ )

煤气流量/( $m 3 ⋅ h - 1$ )

九辊转速/( $r ⋅ h - 1$ )

点火温度/°C

风机风量/( $m 3 ⋅ h - 1$ )

状态参数

22~35

南烟道温度/°C

北烟道温度/°C

14个风箱废气温度/°C

36~49

南烟道负压/kPa

北烟道负压/kPa

14个风箱负压/kPa

输出参数

烧结矿转鼓指数/%

表1 烧结过程的主要参数

Table 1 Main parameters of sintering process

参数类型

参数序号

参数

参数序号

参数

原料参数

石灰粉下料量/( $t ⋅ h - 1$ )

燃料下料量/( $t ⋅ h - 1$ )

烧结返矿下料量/( $t ⋅ h - 1$ )

除尘灰下料量/( $t ⋅ h - 1$ )

铁粉下料量/( $t ⋅ h - 1$ )

高炉返矿下料量/( $t ⋅ h - 1$ )

混合料参数

w(混合料总铁)/%

w(混合料氧化钙)/%

w(混合料水分)/%

w(混合料五氧化二钒)/%

w(混合料二氧化硅)/%

操作参数

圆辊转速/( $r ⋅ h - 1$ )

烧结机速度/( $m ⋅ m i n - 1$ )

煤气流量/( $m 3 ⋅ h - 1$ )

九辊转速/( $r ⋅ h - 1$ )

点火温度/°C

风机风量/( $m 3 ⋅ h - 1$ )

状态参数

22~35

南烟道温度/°C

北烟道温度/°C

14个风箱废气温度/°C

36~49

南烟道负压/kPa

北烟道负压/kPa

14个风箱负压/kPa

输出参数

烧结矿转鼓指数/%

表2 烧结原始数据基础信息

Table 2 Basic information of raw sintering data

变量	下料量/( $t ⋅ h - 1$ )				…	烧结矿转鼓指数/%
变量	石灰粉	除尘灰	铁粉	烧结返矿	…	烧结矿转鼓指数/%
均值	30.184	9.768	87.730	96.827	…	77.167
最小值	11.913	0.000	0.000	50.144	…	74.600
25%	27.499	7.632	62.800	90.742	…	76.900
50%	30.038	9.875	79.648	97.459	…	77.200
75%	32.780	12.677	124.238	103.985	…	77.400
最大值	48.753	24.248	305.117	144.376	…	79.400

表2 烧结原始数据基础信息

Table 2 Basic information of raw sintering data

变量	下料量/( $t ⋅ h - 1$ )				…	烧结矿转鼓指数/%
变量	石灰粉	除尘灰	铁粉	烧结返矿	…	烧结矿转鼓指数/%
均值	30.184	9.768	87.730	96.827	…	77.167
最小值	11.913	0.000	0.000	50.144	…	74.600
25%	27.499	7.632	62.800	90.742	…	76.900
50%	30.038	9.875	79.648	97.459	…	77.200
75%	32.780	12.677	124.238	103.985	…	77.400
最大值	48.753	24.248	305.117	144.376	…	79.400

图1 烧结矿转鼓指数频数直方图

Fig.1 Frequency histogram of sinter drum index

图2 箱形图

Fig.2 Box plot

图3 混合特征选择方法流程图

Fig.3 Flow chart of hybrid feature selection method

图4 GRU结构图

Fig.4 GRU structure diagram

图5 BiGRU结构图

Fig.5 BiGRU structure diagram

表3 MIC计算结果前25的参数 (results)

Table 3 Top 25 parameters of MIC calculation

过程参数	MIC值	过程参数	MIC值
风机风量	0.218 0	1号风箱负压	0.125 7
铁粉下料量	0.213 2	3号风箱废气温度	0.121 7
5号风箱负压	0.213 0	燃料下料量	0.119 7
石灰粉下料量	0.201 0	20号风箱废气温度	0.118 4
7号风箱负压	0.190 4	w(混合料水分)	0.105 3
13号风箱负压	0.180 2	南烟道负压	0.099 5
烧结机速度	0.160 7	2号风箱废气温度	0.098 7
1号风箱废气温度	0.150 4	21号风箱废气温度	0.095 9
11号风箱负压	0.146 1	22号风箱废气温度	0.086 8
9号风箱负压	0.145 5	5号风箱废气温度	0.079 4
烧结返矿下料量	0.135 3	22号风箱负压	0.077 3
7号风箱废气温度	0.133 2	北烟道温度	0.076 2
2号风箱负压	0.133 1

表4 最佳特征参数

Table 4 Optimal characteristic parameters

参数类型	参数名称
原料参数	铁粉下料量燃料下料量
混合料参数	w(混合料水分)
操作参数	烧结机速度
状态参数	北烟道温度 5号风箱负压 13号风箱负压 22号风箱负压 1号风箱废气温度 7号风箱废气温度 3号风箱废气温度 20号风箱废气温度 21号风箱废气温度 22号风箱废气温度 5号风箱废气温度

表5 Spearman计算结果前15的参数 (results)

Table 5 Top 15 parameters of Spearman calculation

过程参数	Spearman值	过程参数	Spearman值
1号风箱负压	0.332 5	9号风箱负压	0.234 7
11号风箱负压	-0.326 3	烧结机速度	0.227 6
5号风箱负压	0.311 7	南烟道温度	-0.205 0
w(混合料水分)	-0.289 6	烧结返矿下料量	0.200 4
2号风箱负压	0.283 2	南烟道负压	0.176 0
石灰粉下料量	0.269 3	高炉返矿下料量	-0.168 8
13号风箱负压	0.265 6	风机风量	0.132 0
铁粉下料量	-0.243 7

表6 不同组合的烧结矿转鼓指数预测性能比较 (different combinations of sinter drum index)

Table 6 Comparison of prediction performance for

模型	特征选择方法	e_MA	e_MS	e_RMS
LightGBM	Spearman	0.127 4	0.034 4	0.185 4
	MIC	0.120 5	0.031 6	0.177 8
	混合特征选择	0.107 4	0.025 0	0.158 0
KNN	Spearman	0.151 0	0.047 6	0.218 2
	MIC	0.141 6	0.141 6	0.210 4
	混合特征选择	0.129 1	0.035 8	0.189 3
BPNN	Spearman	0.199 9	0.075 5	0.274 7
	MIC	0.261 6	0.117 1	0.342 2
	混合特征选择	0.196 4	0.070 7	0.265 9
BiGRU-Att	Spearman	0.046 0	0.008 6	0.092 6
	MIC	0.043 1	0.008 3	0.091 0
	混合特征选择	0.037 4	0.007 9	0.089 1

图6 烧结矿转鼓指数预测误差频数直方图

Fig.6 Frequency histogram of prediction error for sinter drum index

图7 烧结矿转鼓指数预测结果

Fig.7 Prediction results of sinter drum index

参考文献 18

[1]	李宇轩. 基于深度学习的烧结过程关键指标软测量方法［D］. 杭州：浙江大学，2022.
	Li Yu-xuan. Soft sensing methods for key indexes of sintering process based on deep learning［D］.Hangzhou： Zhejiang University， 2022.
[2]	刘然，张智峰，刘小杰，等. 基于工艺理论和卷积神经网络的烧结矿转鼓指数预测［J］. 钢铁研究学报，2023，35（6）： 651-658.
	Liu Ran， Zhang Zhi-feng， Liu Xiao-jie， et al. Prediction of sinter drum index based on convolutional neural network and process theory［J］. Journal of Iron and Steel Research， 2023， 35（6）： 651-658.
[3]	Li X， Liu X J， Li H Y， et al. Research on sinter quality prediction system based on Granger causality analysis and stacking integration algorithm［J］. Metals， 2023， 13（2）： 13020419.
[4]	张振，李欣，刘颂，等. 基于多类别生产状态的烧结矿转鼓指数预测模型［J］. 中国冶金， 2022， 32（1）： 27-35.
	Zhang Zhen， Li Xin， Liu Song， et al. Predictive model of sinter drum index based on multi-category production status［J］. China Metallurgy， 2022，32（1）： 27-35.
[5]	Ren X Y， Yang B， Luo N， et al. The prediction of sinter drums strength using hybrid machine learning algorithms［J］. Computational Intelligence and Neuroscience， 2022， 2022： 4790736.
[6]	郝良元，刘福龙，刘小杰，等. 基于深度森林算法的烧结矿转鼓指数预测模型［J］. 冶金自动化， 2022， 46（4）： 78-85.
	Hao Liang-yuan， Liu Fu-long， Liu Xiao-jie， et al. Prediction model of sintered ore drum index based on deep forest algorithm［J］. Metallurgical Industry Automation， 2022， 46（4）： 78-85.
[7]	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.
[8]	Apolloni J， Leguizamón G， Alba E. Two hybrid wrapper-filter feature selection algorithms applied to high-dimensional microarray experiments［J］. Applied Soft Computing， 2016， 38： 922-932.
[9]	Hsu H H， Hsieh C W， Lu M D. Hybrid feature selection by combining filters and wrappers［J］. Expert Systems with Applications， 2011， 38（7）： 8144-8150.
[10]	Du S， Wu M， Chen L F， et al. Operating mode recognition of iron ore sintering process based on the clustering of time series data［J］. Control Engineering Practice， 2020， 96： 104297.
[11]	Yenice Z D， Adhikari N， Wong Y K， et al. SPSA-FSR： simultaneous perturbation stochastic approximation for feature selection and ranking［EB/OL］. （2018-04-16）［2023-12-11］. .
[12]	Aksakalli V， Malekipirbazari M. Feature selection via binary simultaneous perturbation stochastic approximation［J］. Pattern Recognition Letters， 2016， 75： 41-47.
[13]	Cho K， Van Merrie¨nboer B， Gulcehre C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［EB/OL］.（2014-06-03）［2023-12-11］. .
[14]	Yamak P T， Li Y J， Gadosey P K. A comparison between ARIMA， LSTM， and GRU for time series forecasting［C］//Proceedings of the 2019 2nd International Conference on Algorithms， Computing and Artificial Intelligence. Sanya， 2019： 49-55.
[15]	Duan Y H， Li H H， He M Q， et al. A BiGRU autoencoder remaining useful life prediction scheme with attention mechanism and skip connection［J］. IEEE Sensors Journal， 2021， 21（9）： 10905-10914.
[16]	Umadevi T， Brahmacharyulu A， Sah R， et al. Influence of sinter grate suction pressure （flame front speed） on microstructure， productivity and quality of iron ore sinter［J］. Ironmaking & Steelmaking， 2014， 41（6）： 410-417.
[17]	Gao Q J， Wang H， Pan X Y， et al. A forecast model of the sinter tumble strength in iron ore fines sintering process［J］. Powder Technology， 2021， 390： 256-267.
[18]	Yi Z M， Liu Q， Qin J Z. Optimization of sintering strength based on response surface methodology［J］. Transactions of the Indian Institute of Metals， 2021， 74（12）： 3085-3092.