FeO Content Prediction Model in Sinter Based on GA-BiLSTM with Feature Optimization

doi:10.12068/j.issn.1005-3026.2025.20240011

Abstract

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

CLC Number:

TF 046.4

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.

Figures/Tables 16

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

Fig.1 Box-plot

Fig.2 Results of abnormal value handling

Fig.3 Selection of best feature set

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

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

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

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

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

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

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

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

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

Fig.7 LSTM structure diagram

Fig.8 BiLSTM structure diagram

Fig.9 Flow chart of GA-BiLSTM prediction

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

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

Fig.11 Prediction results of FeO content in sinter

References 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]	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.
[2]	Hai-feng LI, Teng-fei QI, Yong-jie ZHANG, Zong-shu ZOU. Optimization of Material Flow in Sinter Vertical Cooling Furnace [J]. Journal of Northeastern University(Natural Science), 2025, 46(1): 44-51.
[3]	Zhong-zheng LI, Zhao-xia WU, Jin-yang WANG, Zeng-xin KANG. Numerical Simulation of Mass and Heat Transfer in Iron Ore Sintering Process [J]. Journal of Northeastern University(Natural Science), 2025, 46(1): 35-43.
[4]	Meng CHEN, Yu HONG. Test Study on Drying Shrinkage Properties of Engineered Cementitious Composites with RTP‐PVA Hybrid Fibre [J]. Journal of Northeastern University(Natural Science), 2024, 45(3): 407-414.
[5]	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.
[6]	Xiu-mei CAO, Wen ZHAO, Zhi-guo WANG, Peng HE. Prediction of Soil Conditioners for Sandy Soil Shield Based on Optuna-XGBoost [J]. Journal of Northeastern University(Natural Science), 2024, 45(12): 1769-1777.
[7]	Meng-yuan LIU, Zhao-xia WU, Jin-yang WANG, Guang-lei XIA. Air Permeability Prediction of Sinter Layer Based on TST-LSTM Model [J]. Journal of Northeastern University(Natural Science), 2024, 45(10): 1379-1385.
[8]	Zeng-xin KANG, Jin-chao CHEN, Jin-yang WANG, Zhao-xia WU. Interval Prediction Model of RF-ET-KDE Sintering Process Physical Index Based on Stacking Integration [J]. Journal of Northeastern University(Natural Science), 2024, 45(10): 1369-1378.
[9]	HUANG Chuan-qi， REN Yu-qian， WU Zhao-xia. A Stacked Generalization Ensemble-based Hybrid LGBM-RF-XGB Model for Sintering Moisture Prediction [J]. Journal of Northeastern University(Natural Science), 2023, 44(9): 1245-1250.
[10]	LIU Ke-qi， DU Dian-chun， ZHAO Wen， DING Wan-tao. Machine Learning-Based Prediction and Optimization of Slurry Shield’s Key Tunneling Parameters [J]. Journal of Northeastern University(Natural Science), 2023, 44(11): 1621-1630.
[11]	JIAO Zhi-jie， WANG Zhi-qiang， LUO Jun-yi， XU Zhi-peng. Study on Plate Angular Rolling Process Using Pattern Prediction Model [J]. Journal of Northeastern University(Natural Science), 2022, 43(6): 815-820.
[12]	CHEN Bing， HAN Jin-yang， TANG Xiao-lei， XIA Bo-ran. Prediction Model for Elongation of Tension Leveling Based on Machine Learning Algorithm and Numerical Analysis [J]. Journal of Northeastern University(Natural Science), 2022, 43(2): 236-242.
[13]	QI Teng-fei， HUANG Jun， SUN Jun-jie， ZHANG Yong-jie. Effect of Charging Mode on Sinter Segregation and Gas Flow Distribution in Vertical Cooling Furnace [J]. Journal of Northeastern University(Natural Science), 2022, 43(10): 1422-1429.
[14]	GONG Qi， CHEN Bing-zhi， LI Yong-hua， XIA Qing. Fault Analysis of Metro Power Supply Module and Prediction Method [J]. Journal of Northeastern University(Natural Science), 2022, 43(1): 8-16.
[15]	WANG Chang-jun， YU Yang， LI Bao-kuan， LIU Xue-lin. Simulation of Drying and Oxidation Process of Pellets Layers in Steel Belt Sintering [J]. Journal of Northeastern University(Natural Science), 2021, 42(9): 1282-1289.