基于JITL-XGBoost的烧结终点预测模型

doi:10.12068/j.issn.1005-3026.2025.20230256

摘要/Abstract

摘要：

烧结终点（burning through point，BTP）位置是烧结过程中重要的参数，直接影响烧结机效率.由于烧结生产过程具有多工况、时变等特性，使得全局模型预测性能不足，为此提出了一种在即时学习框架中使用极端梯度提升（extreme gradient boosting，XGBoost）作为局部模型的烧结终点预测模型，即JITL（just-in-time learning）-XGBoost.首先采用KL散度（Kullback-Leibler divergence）相似性度量方法提取待测样本的特性，选出与待测样本最相关的数据集.然后将该数据集作为XGBoost模型的输入来预测烧结终点的位置.此外，考虑了相关数据集数量对模型预测精度和计算时间的影响.最后与其他模型对比，结果表明，所建模型在合理的时间内具有最佳预测精度，为提高烧结机效率提供新的指导方向.

关键词: 烧结矿, 烧结终点, 预测模型, 即时学习, 极端梯度提升

Abstract:

The burning through point （BTP） is an important parameter in the sintering process， which directly affects the efficiency of the sintering machine. Due to the multi-working conditions and time-varying characteristics of the sintering production process， the prediction performance of the global model is insufficient. Therefore， a burning through point prediction model using XGBoost as a local model in the just-in-time learning framework is proposed， namely JITL-XGBoost. Firstly， the KL divergence similarity measurement method is used to extract the characteristics of the sample to be tested， and the most relevant data set of the sample to be tested is selected. Secondly， this dataset is used as input to the XGBoost model to predict the location of the burning through point. In addition， the impact of related dataset numbers on model prediction accuracy and model computation time is considered. Finally， by comparing with other models， the results show that the model built has the best prediction accuracy within a reasonable time， providing new guidance for improving the efficiency of sintering machines.

Key words: sintering ore, burning through point, prediction model, just-in-time learning, extreme gradient boosting

中图分类号:

TF 046.4

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.

Jin-yang WANG, Zhao-xia WU, Zhong-zheng LI, Zeng-xin KANG. Prediction Model of Burning Through Point Based on JITL-XGBoost[J]. Journal of Northeastern University(Natural Science), 2025, 46(2): 28-34.

图/表 9

表1 烧结过程主要的参数

Table 1 Main parameters of sintering process

焦粉/(t·h^-1)

燃料/(t·h^-1)

烧结返矿/(t·h^-1)

除尘灰/（t·h^-1）

铁粉/(t·h^-1)

高炉返矿/(t·h^-1)

混合料参数

混合料TFe质量分数%

混合料CaO质量分数/%

混合料水分质量分数/%

混合料V₂O₅质量分数/%

混合料SiO₂质量分数/%

操作参数

圆辊转速/(r·h^-1)

烧结机速度/(m·min^-1)

煤气流量/(m³·h^-1)

助燃风流量/(m³·h^-1)

九辊转速/(r·h^-1)

点火温度/℃

风机风量/(m³·h^-1)

助燃风压力/kPa

状态参数

24~37

南烟道温度/℃

北烟道温度/℃

14个风箱废气温度/℃

38~51

南烟道负压/kPa

北烟道负压/kPa

14个风箱负压/kPa

输出参数

BTP

—

图1 箱形图

Fig.1 Box plot

图2 箱形图法识别异常数据点的结果

Fig. 2 Results of box plot method for identifying abnormal data points

表2 CMI计算结果

Table 2 Calculation results of CMI

过程参数	C_MI值	过程参数	C_MI值
20号风箱废气温度	0.517 500	焦粉	0.419 891
1号风箱废气温度	0.366 053	7号风箱真空度	0.355 897
2号风机风量	0.353 517	11号风箱真空度	0.276 374
7号风箱废气温度	0.273 018	22号风箱废气温度	0.233 880
3号风箱废气温度	0.174 285	混合料CaO质量分数	0.172 590
混合料V₂O₅质量分数	0.148 207	TFe	0.145 821
9号风箱真空度	0.143 866	2号风箱废气温度	0.141 890
混合料SiO₂硅质量分数	0.134 581	烧结机速度	0.133 350
2号风箱真空度	0.129 686	混合料除尘灰质量分数	0.127 677
13号风箱废气温度	0.126 931	混合料水分质量分数	0.125 018
5号风箱真空度	0.121 172	15号风箱废气温度	0.113 292
5号风箱废气温度	0.105 676	11号风箱废气温度	0.105 623
烟道温度	0.103 928	3号风箱真空度	0.093 048

图3 JITL-XGBoost模型流程图

Fig. 3 Flowchart of the JITL-XGBoost model

图4 相关数据集数量对模型预测精度的影响

Fig. 4 Influence of the numbers of relevant data sets on prediction accuracy of the model

图5 过程状态发生变化前BTP预测结果

Fig. 5 BTP prediction results before the change of process state

图6 过程状态发生变化后BTP预测结果

Fig.6 BTP prediction results after the change of process state

表3 不同预测模型的预测性能对比

Table 3 Comparison of prediction performance of different prediction models

模型	$e M A$	$e M S$	$e R M S$
JITL-GPR	0.064 9	0.013 8	0.117 4
JITL-SVR	0.057 5	0.006 9	0.083 3
XGBoost	0.034 2	0.027 3	0.165 2
JITL-XGBoost	0.029 9	0.003 8	0.061 6

表3 不同预测模型的预测性能对比

Table 3 Comparison of prediction performance of different prediction models

模型	$e M A$	$e M S$	$e R M S$
JITL-GPR	0.064 9	0.013 8	0.117 4
JITL-SVR	0.057 5	0.006 9	0.083 3
XGBoost	0.034 2	0.027 3	0.165 2
JITL-XGBoost	0.029 9	0.003 8	0.061 6

参考文献 15

1	Du S， Wu M， Chen L F， et al. A fuzzy control strategy of burn-through point based on the feature extraction of time-series trend for iron ore sintering process［J］. IEEE Transactions on Industrial Informatics， 2020， 16（4）： 2357-2368.
2	Patisson F， Bellot J P， Ablitzer D， et al. Mathematical modelling of iron ore sintering process［J］. Ironmaking & Steelmaking， 1991， 18（2）： 89-95.
3	Cumming M J， Thurlby J A. Developments in modelling and simulation of iron ore sintering［J］. Ironmaking & Steelmaking， 1990， 17（4）： 245-254.
4	Chen X X， Shi X H， Tong C D. Multi-time-scale TFe prediction for iron ore sintering process with complex time delay［J］. Control Engineering Practice， 2019， 89： 84-93.
5	Du S， Wu M， Chen L F， et al. Prediction model of burn-through point with fuzzy time series for iron ore sintering process［J］. Engineering Applications of Artificial Intelligence， 2021， 102： 104259.
6	Chen X， Hu J， Wu M， et al. T–S fuzzy logic based modeling and robust control for burning-through point in sintering process［J］. IEEE Transactions on Industrial Electronics， 2017， 64（12）： 9378-9388.
7	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.
8	Wang D D， Yang K， He Z J， et al. Application research based on GA-FWA in prediction of sintering burning through point［C］//Proceedings of 2018 International Conference on Computer， Communications and Mechatronics Engineering. Shanghai，2018： 378-385.
9	赵济民，何杨，刘建华，等. 基于即时学习算法的铸坯质量预测方法［J］. 连铸， 2022， 47（6）： 54-60， 67.
	Zhao Ji-min， He Yang， Liu Jian-hua， et al. Predictive method of casting slab quality based on just-in-time learning algorithm［J］. Continuous Casting， 2022， 47（6）： 54-60， 67.
10	任明仑，宋月丽，褚伟. 灰铸铁抗拉强度预测的局部加权线性回归建模［J］. 电子测量与仪器学报， 2019， 33（3）： 65-71.
	Ren Ming-lun， Song Yue-li， Chu Wei. Locally weighted linear regression modeling for tensile strength prediction of gray cast iron［J］. Journal of Electronic Measurement and Instrumentation， 2019， 33（3）： 65-71.
11	王通，高宪文，刘文芳. 基于改进即时学习算法的动液面软测量建模［J］. 东北大学学报（自然科学版）， 2015， 36（7）： 918-922.
	Wang Tong， Gao Xian-wen， Liu Wen-fang. Soft sensor for determination of dynamic fluid levels based on enhanced just-in-time learning algorithm［J］. Journal of Northeastern University （Natural Science）， 2015，36（7）： 918-922.
12	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.
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］.（2014-06-14）［2023-05-15］. 2014： 1401.7645. .
15	Li G Y， Li W， Tian X L， et al. Short-term electricity load forecasting based on the XGBoost algorithm［J］. Smart Grid， 2017， 7（4）： 274-285.

[1]	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.
[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]	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.
[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]	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.
[6]	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.
[7]	黄传奇，任昱乾，吴朝霞. 叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1245-1250.
[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]	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.
[15]	何占伟，薛向欣. 不同钒钛磁铁矿炉料冶金性能的对比研究[J]. 东北大学学报:自然科学版, 2019, 40(2): 207-211.