基于XGBoost和反向自适应粒子群的烧结配料智能优化方法

作者：陈健; 杨春节^*; 胡兵; 钱卫东; 苏志祁

来源：冶金自动化, 2023, 47(03): 71-80.

DOI：10.3969/j.issn.1000-7059.2023.03.008

• 烧结配料
• TFe含量
• 配料成本
• 智能优化
• XGBoost
• RAPPSO

原料配制是烧结工艺的关键环节，不仅影响烧结成本，而且还关系到烧结矿质量。针对现有烧结配料方案优化目标相对单一、模型更新不太及时的问题，提出了基于XGBoost和反向自适应粒子群优化(reverse adaptive population particle swarm optimization, RAPPSO)算法的烧结配料智能优化方法，以优化烧结矿的TFe含量和成本。首先，依托数字孪生数据库提供的实时数据，建立基于XGBoost的烧结矿TFe含量在线预测模型。然后，提出了一种RAPPSO算法，该算法可以根据迭代次数自动调整反向种群大小，经过标准测试函数验证，该算法具有良好的收敛性和搜索能力。最后，综合考虑烧结矿TFe含量和配料成本来构建优化模型的目标函数，建立烧结配料智能优化模型并使用RAPPSO算法进行求解。经烧结数字孪生系统验证，该方法使配料成本降低8.27元/t,烧结矿TFe质量分数提升0.57%,这表明所提配料优化方法具有良好的性能。

• 单位
  上海宝信软件股份有限公司; 浙江大学