基于EEMD和机器学习的烧结矿FeO成分长短期综合预报

张振1，唐珏1，储满生1，柳政根1，李福民2，吕庆2

(1.东北大学冶金学院， 辽宁 沈阳 110819；2.华北理工大学冶金与能源学院， 河北 唐山 063210)

01

摘 要 

炼铁讲“七分原料，三分操作”，烧结矿是高炉炼铁的主要原料，FeO成分是影响烧结矿还原性、强度和粒度的重要指标，也是影响高炉铁水产量和燃料比的重要因素。因此，及时精确地掌握烧结矿FeO含量对于指导高炉炼铁的顺利生产具有显著作用。针对烧结矿FeO成分检测结果延时、精度差的问题，提出并建立一种集合经验模式分解EEMD和机器学习的FeO成分长短期综合预报模型。针对烧结数据进行探索性分析，挖掘了烧结数据存在的特性，有根据地采用箱线图和滑动窗口处理数据，保证了数据价值，为建模夯实了数据基础。综合模型包含2个模块。长期预报模型应用EEMD分解波动型FeO成分数据，降低输入数据的复杂性，以双向长短期记忆神经网络Bi-LSTM进行3 h内FeO成分的提前预报；短期预报模块融合EEMD、特征选择和提取方法构造衍生特征，增强模型对于输入和目标数据的学习能力，以极限树ET对下1 h的FeO成分进行预报。在未知烧结数据测试集的验证下发现，EEMD辅助机器学习建模能够大幅提升FeO成分预报精度和稳定性，EEMD-Bi-LSTM和EEMD-ET模型的平均绝对百分比误差MAPE为1%左右、均方误差MSE为0.027左右，误差接近零值。预测区间命中率最高能达到94%以上，FeO成分预测趋势与真实情况一致。此结果有助于现场实现FeO成分趋势和数值的精准提前把控。

02

关 键 词 

烧结矿FeO成分； 长短期综合预报； EEMD； 机器学习； 数据分解； 特征构造

03

引 言 

现代炼铁工序中，高炉对入炉原料的质量要求逐渐升高。烧结矿是高炉原料的主要组成部分，而FeO成分是影响烧结矿质量的重要内容。FeO成分过低会导致烧结矿强度不达标，恶化烧结矿的低温还原粉化性，造成粒度组成偏小和成品率的降低。过高会影响烧结矿的还原性，不利于提高高炉产量和降低燃料比。目前FeO成分存在化验结果滞后性大、烧结机理复杂和特征非线性强的影响，传统的机理和线性预报模型精度难以达到要求。因此建立一种能够精准预报FeO成分的模型具有重要意义。

机器学习作为人工智能的核心，通过分析和学习大量系统储存数据，以前沿的算法为工具寻找并学习数据中存在的隐含规律，形成预判思想。目前它已经被应用于炼铁领域，但这种单纯的机器学习建模方法比较单一，精度和鲁棒性还具有进一步提升的空间。集合经验模式分解(EEMD，ensemble empirical mode decomposition)能够自适应地将复杂数据拆分为多个较平稳数组的特性，有助于降低数据噪声影响，是一种辅助建模的重要手段。

在上述背景下，建立了一种基于EEMD和机器学习的烧结矿FeO成分长短期综合预报模型。以EEMD改善数据质量，辅助机器学习增强学习能力的方法，进一步提高了综合模型的预报性能。利用EEMD拆分FeO成分数据，以单变量形式输入双向长短期记忆神经网络(Bi-LSTM，bi-directional long short-term memory)中，针对FeO成分进行一段时间的长期预报。应用EEMD及特征工程方法处理烧结过程特征，构造衍生特征，以多变量形式输入极限森林(ET，extra-trees)中，针对FeO成分进行下一时刻的短期预报。综合模型有助于现场实现FeO成分趋势和数值精准地提前把控，从而改善烧结矿质量。

04

精 选 图 表 

05

结  论

1)在烧结数据探索性分析中发现其存在偏态分布、异常值极端分布、时间序列上的连续性和复杂波动性特点，异常值检测和缺失值填补有针对性地分别选择了箱线图和滑动窗口的方法进行数据处理。

2)应用EEMD将波动型FeO成分数据分解为13个平稳分量，利用Bi-LSTM进行3 h内FeO成分的提前预报。对比结果表明，EEMD-Bi-LSTM预报性能最优，模型MAPE和MSE仅为1.1%和0.027 1，长期预报区间命中率为90%以上。

3)应用EEMD处理烧结过程特征，融合REF和重要度提取方法，成功构造一组衍生特征，利用ET模型进行下一时刻提前预报。对比结果表明，EEMD-ET的学习能力大幅提升，模型误差接近零值，短期预报区间真实值命中率为95%左右。

4)相较于机器学习和EMD辅助机器学习建模，EEMD辅助机器学习进行长短期综合预报FeO成分时，误差达到最低值，PICP提高10%以上。综合模型鲁棒性强，模型准确率较高，实现了FeO成分长期趋势和短期数值的精准预报。