科研之友
微信
新浪微博
Facebook
分享链接
摘要
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一，FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗，而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题，提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础，首先选取BP神经网络作为深度学习模型，然后利用遗传算法的特点解决了网络调参难等问题，成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合，选取了拥有更好解释性的参数作为模型的输入，此方法提高了模型预测准确率，成功实现了烧结矿FeO含量的预测。上线测试结果表明，误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。
- 单位
