摘要：燒結(jié)礦FeO含量是衡量燒結(jié)礦還原性的重要指標。為了全面而系統(tǒng)地概述各種燒結(jié)礦FeO含量的預(yù)測方法，本文從機理模型和機器學(xué)習(xí)算法（包括經(jīng)典單一學(xué)習(xí)算法模型、協(xié)同優(yōu)化算法模型、深度神經(jīng)網(wǎng)絡(luò)算法模型及集成學(xué)習(xí)算法模型）兩大預(yù)測模型出發(fā)，分別從基于工藝流程參數(shù)，機尾圖像識別預(yù)測，以及基于圖像-參數(shù)協(xié)同預(yù)測進行三個方面探討，總結(jié)了燒結(jié)礦FeO含量預(yù)測方法的發(fā)展脈絡(luò)；并對近年來新興的算法預(yù)測模型進行全面概括與深入分析，闡述了每種算法在燒結(jié)礦FeO含量預(yù)測模型的優(yōu)點和局限；同時展望了未來燒結(jié)礦FeO含量預(yù)測領(lǐng)域的研究方向，以期為該領(lǐng)域的研究與實踐提供有益的參考。

關(guān)鍵詞：燒結(jié)礦；FeO；大數(shù)據(jù)；機器學(xué)習(xí)；深度學(xué)習(xí)

燒結(jié)礦Fe0含量不僅是反映燒結(jié)礦質(zhì)量的重要指標之一，而且對高爐爐況的穩(wěn)順有著重要的意義叫。燒結(jié)礦Fe0含量過高會降低燒結(jié)礦的還原性，使高爐的焦比升高。若是含量過低，會使高爐爐內(nèi)透氣性變差，從而影響高爐的順行。Fe0含量的波動還會直接影響燒結(jié)工序能耗和高爐的增鐵節(jié)焦!。因此，燒結(jié)礦中的Fe0含量是國內(nèi)外鋼鐵企業(yè)非常重視的指標。一直以來，F(xiàn)e0含量的判斷都是依靠人工的經(jīng)驗，因此不可避免會存在人為因素，判斷的精度也很難準確把握。由于燒結(jié)礦FeO含量的生成機理非常復(fù)雜，通過計算難以得出準確的答案。利用實驗室重鉻酸鉀滴定技術(shù)來精確測定燒結(jié)礦中的Fe0含量，這種化學(xué)成分分析法因其高準確度和直接性而被生產(chǎn)現(xiàn)場廣泛采用。但由于燒結(jié)過程的連續(xù)性，而人工采樣和分析耗時較多，這使得實時生產(chǎn)控制變得具有挑戰(zhàn)性。然而，與傳統(tǒng)的化學(xué)成分分析法相比，機器學(xué)習(xí)模型能夠在短時間內(nèi)提供預(yù)測結(jié)果，無需耗費4~6h進行人工采樣和分析，使得實時生產(chǎn)控制變得更為便捷和高效[4-5。同時機器學(xué)習(xí)模型能夠基于大量歷史數(shù)據(jù)進行訓(xùn)練:從而可以更準確地預(yù)測燒結(jié)礦中Fe0含量。這種預(yù)測能力有助于生產(chǎn)現(xiàn)場提前作出調(diào)整，優(yōu)化生產(chǎn)流程，提高產(chǎn)品質(zhì)量。此外，機器學(xué)習(xí)模型還具有自適應(yīng)性，能夠隨著生產(chǎn)環(huán)境的變化而自動調(diào)整預(yù)測模型，保持預(yù)測結(jié)果的準確性。因此為了讓預(yù)測模型更好的服務(wù)于實際生產(chǎn)，本文對目前燒結(jié)礦Fe0含量使用的主流預(yù)測模型進行了系統(tǒng)的歸納與總結(jié)，并重點闡述了各模型的優(yōu)缺點，并對預(yù)測模型的發(fā)展趨勢進行了展望。

機理預(yù)測模型

傳統(tǒng)的機理預(yù)測模型是建立系統(tǒng)所依賴的參數(shù)模型，把辨識問題轉(zhuǎn)化為參數(shù)的估計問題7其實質(zhì)在于，通過對燒結(jié)過程中物質(zhì)結(jié)構(gòu)、能量傳遞和反應(yīng)動力學(xué)等關(guān)鍵要素的分析，建立數(shù)學(xué)模型來模擬和預(yù)測燒結(jié)過程的行為。這些模型可以揭示燒結(jié)過程中的物理和化學(xué)變化，以及各因素之間的相互作用和影響。它們通?；跓Y(jié)過程的基本原理，結(jié)合實驗數(shù)據(jù)和經(jīng)驗公式，通過數(shù)學(xué)推導(dǎo)和計算，得到能夠描述燒結(jié)過程動態(tài)特性的數(shù)學(xué)模型。這些模型可以用于指導(dǎo)燒結(jié)工藝的設(shè)計和優(yōu)化，提高燒結(jié)產(chǎn)品的質(zhì)量和性能。彭坤乾9對燒結(jié)過程中的物化反應(yīng)現(xiàn)象進行了全面研究。其利用傳質(zhì)和傳熱分析，構(gòu)建了料層溫度的計算方程并通過模擬計算揭示了料層溫度場

的分布情況，成功預(yù)測了燒結(jié)礦的質(zhì)量指標。YAMAOKA等通過建立三維數(shù)學(xué)模型，探討了燒結(jié)床層中的中間參數(shù)與燒結(jié)礦質(zhì)量指標之間的關(guān)系，通過模擬分析，成功得出了轉(zhuǎn)鼓強度，還原性指數(shù)等指標。

機理預(yù)測模型以工藝機理為基礎(chǔ)，經(jīng)過復(fù)雜的分析過程，可以大體反映出系統(tǒng)的實際規(guī)律。但是過于依賴開發(fā)人員對實際生產(chǎn)的機理認知，并且忽略了工況的波動使得機理模型不能夠全面反映實際生產(chǎn)。隨著我國逐步進入智能時代，燒結(jié)工藝也在不斷采用機器學(xué)習(xí)進行研究與應(yīng)用。燒結(jié)機器學(xué)習(xí)預(yù)測模型基于大量實驗數(shù)據(jù)訓(xùn)練而成，能夠捕捉燒結(jié)過程中的復(fù)雜關(guān)系和非線性行為。近年來我國報道了許多關(guān)于此類燒結(jié)礦Fe0含量預(yù)測模型的研究成果。

機器學(xué)習(xí)算法預(yù)測模型

隨著工業(yè)4.0和智能制造的快速發(fā)展，現(xiàn)代鋼鐵工業(yè)面臨著越來越復(fù)雜和多變的生產(chǎn)環(huán)境:對生產(chǎn)過程的實時監(jiān)控和精確控制提出了更高的要求[0。Fe0含量作為燒結(jié)礦的關(guān)鍵指標，對燒結(jié)過程的熱力學(xué)和動力學(xué)特性有著直接影響，進而決定燒結(jié)礦的質(zhì)量和產(chǎn)量。Fe0含量的適宜控制對高爐煉鐵的經(jīng)濟和環(huán)保具有顯著影響，能夠優(yōu)化還原反應(yīng)，降低能耗和減少排放，提升煉鐵效率。因此，實現(xiàn)Fe0含量的精確控制對于燒結(jié)和煉鐵過程的高效、經(jīng)濟和環(huán)保至關(guān)重要。

近年來，機器學(xué)習(xí)技術(shù)的快速發(fā)展，尤其是在算法設(shè)計和計算能力方面的顯著提升，為Fe0含量預(yù)測提供了更為精確和高效的方式。機器學(xué)習(xí)算法通過分析大量的歷史數(shù)據(jù)，能夠識別和學(xué)習(xí)生產(chǎn)過程中的復(fù)雜模式和規(guī)律。與傳統(tǒng)的預(yù)測方法相比，機器學(xué)習(xí)技術(shù)能夠更好地適應(yīng)數(shù)據(jù)的非線性特性和動態(tài)變化，從而提高預(yù)測的準確性和可靠性。盡管Fe0含量預(yù)測的研究歷史悠久，但機器學(xué)習(xí)技術(shù)的引人無疑為這一領(lǐng)域帶來了新的活力和可能性。機器學(xué)習(xí)技術(shù)并非取代傳統(tǒng)方法，而是在現(xiàn)有研究的基礎(chǔ)上，提供了一種更為先進的分析和預(yù)測手段。本文對目前包括經(jīng)典單一機器學(xué)刁笪法協(xié)同優(yōu)化算法深度神經(jīng)網(wǎng)絡(luò)！

算法和集成學(xué)習(xí)算法等幾類主要的機器學(xué)習(xí)算法在燒結(jié)礦e0含量預(yù)測中應(yīng)用的研究現(xiàn)狀、優(yōu)勢及局限性進行了闡述，旨在為未來的研究和實際應(yīng)用提供有益的參考和指導(dǎo)。

2.1 經(jīng)典單一學(xué)習(xí)算法預(yù)測模型

單一機器學(xué)習(xí)算法預(yù)測模型以其簡潔性和高效性，在特定場景下發(fā)揮著重要作用。這種模型通?；诖罅康臍v史數(shù)據(jù)，通過挖掘數(shù)據(jù)中的內(nèi)在規(guī)律和模式，對未來的趨勢進行預(yù)測。由于只涉及一個算法，其結(jié)構(gòu)相對簡單，計算量較小，因此具有較高的運算效率。2.1.1 基于工藝流程參數(shù)的預(yù)測模型

表1列舉了一些主要的有關(guān)經(jīng)典單一機器學(xué)習(xí)算法在燒結(jié)生產(chǎn)過程參數(shù)預(yù)測模型的應(yīng)用情況及效果。

表1 經(jīng)典單一機器學(xué)習(xí)算法在燒結(jié)生產(chǎn)過程參數(shù)預(yù)測模型的應(yīng)用情況及效果Table 1 Application and effect of a classical singlemachine learning algorithm to in parameters predictionmode of sintering production process

文獻

算法模型

預(yù)測效果

決定系數(shù)為 0.67

張舒等[1]

BP神經(jīng)網(wǎng)絡(luò)算法

米強[2]

BP神經(jīng)網(wǎng)絡(luò)算法

命中率為89.5%

陳偉等[3)龍紅明等114]

命中率為91.6%命中率為 90%以日絕對誤差為0.0035相對誤差為 4.99,平均相對誤差為 2.33決定系數(shù)為0.8268

BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法

張帆等[15]RBF神經(jīng)網(wǎng)絡(luò)算法

蔣大軍[16]

ARIMA 算法

由表1所可知，此類模型應(yīng)用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)在燒結(jié)礦指標預(yù)測中展現(xiàn)出卓越性能”。其優(yōu)點主要體現(xiàn)在:①BP神經(jīng)網(wǎng)絡(luò)具有強大的自學(xué)習(xí)和自適應(yīng)能力，能夠通過不斷調(diào)整網(wǎng)絡(luò)參數(shù)來優(yōu)化預(yù)測結(jié)果;②該網(wǎng)絡(luò)能夠處理復(fù)雜的非線性關(guān)系，可以更好地擬合實際數(shù)據(jù)。但BP神經(jīng)網(wǎng)絡(luò)也存在一些缺點，例如訓(xùn)練過程可能陷入局部最小值，導(dǎo)致預(yù)測結(jié)果不準確。此外，網(wǎng)絡(luò)結(jié)構(gòu)的選擇和參數(shù)的設(shè)定對預(yù)測結(jié)果也有較大影響，需要進行充分的實驗和調(diào)整。BP神經(jīng)網(wǎng)絡(luò)算法因其魯棒性、精確性和泛化能力而被廣泛應(yīng)用，命中率在89.5%至91.6%之

間，表明其在預(yù)測Fe0含量方面具有一定的準確性。RBF神經(jīng)網(wǎng)絡(luò)算法因其快速收斂和處理高維數(shù)據(jù)的能力，在預(yù)測FeO含量時表現(xiàn)出更低的誤差率，其絕對誤差為0.0035，相對誤差為4.99%平均相對誤差為2.33%，顯示出比BP神經(jīng)網(wǎng)絡(luò)更優(yōu)的預(yù)測性能。ARIMA算法的決定系數(shù)為0.8268，顯示出較好的預(yù)測效果，但受限于其對平穩(wěn)序列數(shù)據(jù)和線性關(guān)系的假設(shè)。盡管這些模型在工業(yè)化應(yīng)用中實現(xiàn)了在線自學(xué)習(xí)和實時跟蹤預(yù)測，但它們主要依賴單一的數(shù)據(jù)采集方式，忽略了從燒結(jié)礦圖像中獲取特征的可能性，這可能是未來研究的一個方向。

2.1.2 基于機尾圖像識別的預(yù)測模型

許多有經(jīng)驗的看火工可以通過觀察燒結(jié)礦機尾斷面的圖像迅速的判斷燒結(jié)礦中FeO含量的高低，這需要看火工多年的經(jīng)驗積累才能夠準確判斷出Fe0含量。圖1展示了典型的燒結(jié)過程。在燒結(jié)機的尾部，當(dāng)尾部星輪翻轉(zhuǎn)時，塊狀燒結(jié)物會落下，這個過程會出現(xiàn)燒結(jié)床的橫截面。這個橫截面包括部分冷卻的燒結(jié)物和仍處于高溫狀態(tài)的燒結(jié)物。通過觀察燒結(jié)床表面，有經(jīng)驗的操作員可以對燒結(jié)Fe0含量進行初步的評估。由于燒結(jié)機尾部的高溫和大量灰塵條件，可見光攝像機的成像精度較低，而紅外熱成像技術(shù)則非常適應(yīng)這種情況。表2列舉了一些主要的有關(guān)經(jīng)典單機器學(xué)習(xí)算法在燒結(jié)機尾圖像識別預(yù)測模型的應(yīng)用情況及效果。由表2可知，在燒結(jié)機尾斷面圖像預(yù)測Fe0含量的研究中，BP神經(jīng)網(wǎng)絡(luò)和RBE神經(jīng)網(wǎng)絡(luò)均顯示出有效性。JIANG等8通過紅外熱成像儀采集圖像并建立BP模型，均方根誤差為1.33。周志遠!”9的BP模型命中率為91.83%，而周德玉!20和王翊2的模型均達到85%以上的命中率，且絕對誤差控制在±0.3以內(nèi)。周后偉[2的BP模型命中率為85.0%，張兆磊23的BP模型平均絕對誤差為2.8477。綜合來看，BP神經(jīng)網(wǎng)絡(luò)在燒結(jié)機尾圖像識別預(yù)測Fe0含量中具有較高的命中率，而RBF神經(jīng)網(wǎng)絡(luò)在誤差控制方面表現(xiàn)良好。這些研究表明，結(jié)合圖像特征的機器學(xué)習(xí)模型對于實時預(yù)測FeQ含量是有效的。

表2 經(jīng)典單一機器學(xué)習(xí)算法在燒結(jié)機尾圖像識別預(yù)測模型的應(yīng)用情況及效果Table 2 Application and effect of classical single machine

的參數(shù)或圖像特征模型，基于圖像-參數(shù)協(xié)同的模型具有更高的準確性和穩(wěn)定性。

以上模型雖做到了實時預(yù)測，但由于所用機器算法過于單一，預(yù)測精度即使達到了燒結(jié)廠的生產(chǎn)要求，模型的魯棒性也比較差，有待于采用更為優(yōu)秀的算法來優(yōu)化提高預(yù)測的性能。2.2 協(xié)同優(yōu)化算法預(yù)測模型

learning algorithm in image recognition and prediction

model of sintering machine tail

預(yù)測效果均方根誤差為1.33命中率為91.83%

算法模型

文獻

JIANG等H8]BP神經(jīng)網(wǎng)絡(luò)算法

周志遠[19]BP神經(jīng)網(wǎng)絡(luò)算法

經(jīng)典單一機器學(xué)習(xí)算法預(yù)測模型存在一定的局限性。此外，如果所選算法不適用于當(dāng)前數(shù)據(jù)集，那么預(yù)測結(jié)果可能會出現(xiàn)較大偏差。不同的算法可能對不同的數(shù)據(jù)特征或模式有不同的敏感度[2]。協(xié)同優(yōu)化算法通過結(jié)合多種單一機器學(xué)習(xí)算法，可以綜合利用各種算法的優(yōu)點，從而提高預(yù)測精度。

命中率不小于85%絕對誤差不超過±0.3

周德玉[20]BP神經(jīng)網(wǎng)絡(luò)算法

命中率大于85.0%,絕對王翊[21]RBF神經(jīng)網(wǎng)絡(luò)算法誤差控制在小于±0.3

周后偉[2]BP神經(jīng)網(wǎng)絡(luò)算法命中率為85.0%張兆磊[23]BP神經(jīng)網(wǎng)絡(luò)算法平均絕對誤差為2.8477

2.1.3 基于圖像-參數(shù)協(xié)同的預(yù)測模型

表3列舉了一些主要的有關(guān)協(xié)同優(yōu)化算法在燒結(jié)生產(chǎn)過程參數(shù)預(yù)測模型的應(yīng)用情況及效果。由表3可知，協(xié)同優(yōu)化算法在燒結(jié)礦Fe0含量預(yù)測中取得了積極成果。方怡靜等”的DK-AWESN模型在復(fù)工況下表現(xiàn)出較高的命中率(86.67%)，平均絕對誤差為0.251。史振杰等[27的GWO-SVR模型具有高的決定系數(shù)(0.9016)和較低的均方誤差(0.0156)。邵長江[28]的SSA-BP模型均方根誤差為0.0159，而張智峰等!29的MIV-GA-BP模型均方根誤差為0.2386。惠佳豪等[30]的KPCA-Logistic-SSA-BP模型均方誤差為0.013，均方根誤差為0.115。張軍紅等!3的G-BP算法平均絕對誤差為0.132，平均相對誤差為1.4%。吉訓(xùn)生等"。的IFA-BP算法命中率高達

鑒于單一圖象或工藝參數(shù)預(yù)測模型的明顯局限性，近幾年，研究者陸續(xù)采用基于圖像-參數(shù)協(xié)同的燒結(jié)礦Fe0預(yù)測模型應(yīng)用于冶金領(lǐng)域。該模型主要結(jié)合了燒結(jié)礦圖像特征和工藝參數(shù)，通過機器學(xué)習(xí)算法進行預(yù)測。模型首先對燒結(jié)礦圖像進行預(yù)處理，提取紋理、形狀等關(guān)鍵特征;其次，收集與燒結(jié)過程相關(guān)的參數(shù)，如溫度、時間、配料比例等。隨后，將這些圖像特征和工藝參數(shù)作為輸入變量，采用機器算法進行建模和訓(xùn)練并通過交叉驗證等方法優(yōu)化模型參數(shù)，提升預(yù)測精度。張樂文!4以燒結(jié)生產(chǎn)過程參數(shù)與機尾斷面圖像結(jié)合的方式進行多個參數(shù)的提取，使用加權(quán)支持向量機對Fe0含量進行實時的判定，做到了準確實時的預(yù)測，命中率為90%以上。

98%，平均絕對誤差為1.22。綜上所述，協(xié)同優(yōu)化算法通過結(jié)合不同算法的優(yōu)勢，有效提高了燒結(jié)礦Fe0含量預(yù)測的精度和模型的魯棒性。盡管模型復(fù)雜度增加可能帶來參數(shù)調(diào)整的困難和可解釋性的降低，但這些模型在實際生產(chǎn)中的適應(yīng)性和可靠性得到了提升，對數(shù)據(jù)收集和處理提出了更高要求。

近些年，基于協(xié)同優(yōu)化算法的圖像識別預(yù)測模型的研究報道相對較少。僅見張學(xué)峰等[3]針對燒結(jié)礦FeO含量難以直接預(yù)測的問題，選取與燒結(jié)礦Fe0含量強相關(guān)性的燒結(jié)機尾斷面熱成像關(guān)鍵幀的溫度特征作為模型的參數(shù)輸入，利用Dropout算法改善四層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，Adam算法優(yōu)化四層BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，進而提高模型的預(yù)測精度和泛化能力。報道研究少的原因可能是由于圖像識別本身就是一個復(fù)雜的技術(shù)領(lǐng)域:而將其與協(xié)同優(yōu)化算法相結(jié)合進一步增加了技術(shù)難度。

2.3深度神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型

深度神經(jīng)網(wǎng)絡(luò)通過逐層學(xué)習(xí)數(shù)據(jù)的抽象表示能夠自動提取數(shù)據(jù)的復(fù)雜特征和模式。這使得它能夠處理復(fù)雜的數(shù)據(jù)類型，并在預(yù)測任務(wù)中表現(xiàn)出色[341。深度神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于層次深度和結(jié)構(gòu)復(fù)雜性。深度神經(jīng)網(wǎng)絡(luò)具有更多的隱藏層，能夠?qū)W習(xí)更抽象的特征表示適合處理復(fù)雜的非線性問題。而BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，通常用于解決線性或非線性分類問題，深度神經(jīng)網(wǎng)絡(luò)可以直接從原始數(shù)據(jù)學(xué)習(xí)到預(yù)測結(jié)果，而無需進行繁瑣的特征工程。通過學(xué)習(xí)數(shù)據(jù)中的統(tǒng)計規(guī)律，能夠捕捉到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。這

使得它在面對新數(shù)據(jù)時，能夠利用已學(xué)到的知識進行預(yù)測，表現(xiàn)出良好的泛化能力。

2.3.1 基于工藝流程參數(shù)的預(yù)測模型表4列舉了一些主要的有關(guān)深度神經(jīng)網(wǎng)絡(luò)法在燒結(jié)生產(chǎn)過程參數(shù)預(yù)測模型的應(yīng)用情況及效果。

表4 深度神經(jīng)網(wǎng)絡(luò)算法在燒結(jié)生產(chǎn)過程參數(shù)預(yù)測模型的應(yīng)用情況及效果Table 4 Application and effect of deep neural networlalgorithm in parameter prediction model of sinteringproduction process

文獻

算法模型

預(yù)測效果

決定系數(shù)為0.92,均方誤差和平均絕對誤差接近0

LIU 等[3]ISTM 算法

[I 等[36]GRU 算法均方誤差為0.206閤光磊等[37GMM與KNN算法命中率為95.33%YANG 等[38]GRU-PLS均方誤差為0.002

表4展示了深度神經(jīng)網(wǎng)絡(luò)在燒結(jié)礦Fe0含量預(yù)測中的應(yīng)用及其效果。LIU等的ISTM模型具有高決定系數(shù)(0.92)，均方誤差和平均絕對誤差接近0，顯示了出色的預(yù)測性能。I等3的GRU模型均方誤差為0.206，表現(xiàn)良好。光磊等37結(jié)合CMM與KNN算法的型命中率高達95.33%，而YANG 等[38]的GRU-PIS 模型均方誤差為0.002，運行非常穩(wěn)定。這些結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)能夠有效地從原始數(shù)據(jù)中學(xué)習(xí)并預(yù)測Fe0含量，無需復(fù)雜的特征工程!”，同時具有較強的魯棒性和自適應(yīng)性。深度學(xué)習(xí)模型通過持續(xù)學(xué)習(xí)適應(yīng)生產(chǎn)條件的變化，維持高預(yù)測精度，為燒結(jié)礦Fe0含量的實時控制提供了強有力的技術(shù)

支持。

2.3.2 基于機尾圖像識別的預(yù)測模型

生產(chǎn)過程參數(shù)雖然是影響Fe0含量的重要因素，但它們可能不是最直接的指標。燒結(jié)機尾斷面圖像可能包含更直接和豐富的信息[4]，如燒結(jié)礦的結(jié)構(gòu)、顏色、氣孔等，這些特征可能與Fe0含量有更直接的關(guān)系。通過圖像識別，模型可以同時考慮多個變量的影響，這有助于捕捉更復(fù)雜的關(guān)系，從而提高預(yù)測準確性。燒結(jié)機尾斷面識別模型可以直接從圖像中捕獲生產(chǎn)環(huán)境的變化如原料成分的變化、設(shè)備狀態(tài)的變化等。這使得模型能夠更快速地適應(yīng)這些變化，保持預(yù)測的準確性。圖像識別實時的自動化數(shù)據(jù)采集和處理有助于在生產(chǎn)過程中進行實時的Fe0含量預(yù)測從而及時調(diào)整生產(chǎn)參數(shù)。

相比較生產(chǎn)過程參數(shù)預(yù)測，機尾圖像識別預(yù)測文獻報道較多。原因在于深度神經(jīng)網(wǎng)絡(luò)比較擅長處理圖像類特征。表5列舉了一些主要的有關(guān)深度神經(jīng)網(wǎng)絡(luò)算法在燒結(jié)機尾圖像識別預(yù)測模型的應(yīng)用情況及效果。表5 深度神經(jīng)網(wǎng)絡(luò)算法在燒結(jié)機尾圖像識別預(yù)測型

的應(yīng)用情況及效果

Table 5 Application and effect of deep neural networkalgorithm in image recognition and prediction model ofsintering machine tail

文獻

算法模型

預(yù)測效果

命中率大于90%,均方根誤差低于0.003

張寧[4]卷積神經(jīng)網(wǎng)絡(luò)算法

張學(xué)峰等!42]BiISTM 算法

BAI等[43]

LSTM

平均絕對誤差為 0.202均方根誤差為0.258,平均相對誤差為10.6%

均方誤差小于0.1

任玉輝等[4]Darknet-19算法

命中率為82.5%命中率為 90.2% 以上命中率為90%以上

張學(xué)鋒等[45]BiLSTM 算法匡朝輝等[46]卷積神經(jīng)網(wǎng)絡(luò)

張寧[4的卷積神經(jīng)網(wǎng)絡(luò)模型命中率超過90%，均方根誤差低于0.003。張學(xué)峰等[4]的BiLSTM模型平均絕對誤差為0.202，均方根誤差為0.258，平均相對誤差為10.6%。BAI等[43]的LSTM模型均方誤差小于0.1。任玉輝等4]的Darknet-19算法命中率為82.5%，而張學(xué)鋒等[45

的BiLSTM 模型命中率超過90.2%。匡朝輝等[46]的卷積神經(jīng)網(wǎng)絡(luò)命中率也超過90%。這些研究表明，深度神經(jīng)網(wǎng)絡(luò)能夠有效地從燒結(jié)機尾圖像中提取特征并預(yù)測Fe0含量，具有較高的命中率和較低的誤差率。盡管如此，這些模型也面臨圖像采集質(zhì)量、預(yù)處理和特征提取復(fù)雜性的挑戰(zhàn)。深度神經(jīng)網(wǎng)絡(luò)在燒結(jié)機尾圖像識別預(yù)測Fe0含量方面展現(xiàn)出潛力，但仍需解決圖像處理相關(guān)的挑戰(zhàn)以提高模型的實用性和準確性。2.3.3 基于圖像-參數(shù)協(xié)同的預(yù)測模型

采用深度神經(jīng)網(wǎng)絡(luò)算法的基于圖像-參數(shù)協(xié)司的燒結(jié)礦Fe0預(yù)測模型通過深度神經(jīng)網(wǎng)絡(luò)提取燒結(jié)礦圖像的高層次特征，并結(jié)合燒結(jié)過程的工藝參數(shù)(如溫度、時間、配料比例等)，可實現(xiàn)多模態(tài)數(shù)據(jù)的融合與協(xié)同預(yù)測。該模型利用深度神經(jīng)網(wǎng)絡(luò)提取紋理、形狀等特征，然后將這些圖像特征與工藝參數(shù)輸入到多層感知器或其他深度神經(jīng)網(wǎng)絡(luò)中進行聯(lián)合訓(xùn)練。通過反向傳播算法優(yōu)化模型權(quán)重，提升預(yù)測精度，并獲得了良好的應(yīng)用效果。丁謙!7利用深度學(xué)習(xí)模型對圖像進行特征提取，為了提升預(yù)測模型的精確度和穩(wěn)定性，副合了生產(chǎn)參數(shù)特征與圖像特征，構(gòu)建了以神經(jīng)因子分解機為框架的預(yù)測模型，平均絕對誤差為0.0926，平均相對誤差為1.139%?；谏疃壬窠?jīng)網(wǎng)絡(luò)的協(xié)同預(yù)測模型在預(yù)測燒結(jié)礦Fe0含量方面表現(xiàn)出色，較傳統(tǒng)算法具有更高的準確性和魯棒性。此外，模型在處理非線性和復(fù)雜數(shù)據(jù)關(guān)系方面表現(xiàn)優(yōu)越，能夠更有效地應(yīng)對實際生產(chǎn)中的多變工況。ZHOU等4提出了融合圖像特征和燒結(jié)過程變量，建立了基于深度學(xué)習(xí)算法的預(yù)測模型，實現(xiàn)了實時準確測量鐵礦石中Fe0含量，實驗結(jié)果表明該方法具有98.35%的高準確率。YANG等!"將燒結(jié)數(shù)值數(shù)據(jù)和圖像數(shù)據(jù)集成，實現(xiàn)數(shù)據(jù)級信息融合，為Autoformer深度學(xué)習(xí)算法提供了相對全面的燒結(jié)工藝信息而且還帶來了成品燒結(jié)礦中Fe0含量水平的先驗信息，在實際工業(yè)數(shù)據(jù)的應(yīng)用中表現(xiàn)出比現(xiàn)有模型更高的預(yù)測精度和穩(wěn)定性。

2.4 集成學(xué)習(xí)算法預(yù)測模型集成學(xué)習(xí)定，種新的機器章等樓上，都通過

集成多個子模型來解決一個問題能夠有效提高學(xué)習(xí)的泛化能力!0。近幾年集成學(xué)習(xí)算法一直是機器學(xué)習(xí)領(lǐng)域最關(guān)注的研究方向之一，并且發(fā)展非常迅速。集成學(xué)習(xí)算法與協(xié)同優(yōu)化算法的主要區(qū)別在于它們的實現(xiàn)方式和目標。集成學(xué)習(xí)算法是一種通過結(jié)合多個單一學(xué)習(xí)器的預(yù)測結(jié)果來做出最終決策的機器學(xué)習(xí)技術(shù)。

燒結(jié)礦Fe0含量預(yù)測模型可以借鑒集成學(xué)習(xí)算法來優(yōu)化預(yù)測的性能。呂慶等!為了克服燒結(jié)礦中Fe0含量檢驗滯后的問題，基于燒結(jié)生產(chǎn)各個環(huán)節(jié)所積累的大量數(shù)據(jù)，采用XGBoost算法建立Fe0含量預(yù)測模型，以指導(dǎo)生產(chǎn)工作人員及時調(diào)整配料方案和設(shè)備參數(shù)。李一帆等”對燒結(jié)礦與混合礦的化學(xué)成分進行了細致的相關(guān)性分析選取了具有顯著相關(guān)性的化學(xué)成分作為預(yù)測模型的關(guān)鍵輸人變量，構(gòu)建了隨機森林預(yù)測模型，專門用于預(yù)測燒結(jié)礦中的Fe0含量。預(yù)測準確率為90%以上，為燒結(jié)礦化學(xué)成分的精準控制提供了強有力的技術(shù)支持。NIU等[3使用了隨機森林和XGBoost兩種集成算法，對燒結(jié)礦的化學(xué)成分進行了建模和預(yù)測，預(yù)測結(jié)果表明，以原料的化學(xué)成分作為訓(xùn)練參數(shù)，兩種集成算法均能實現(xiàn)較小的均方誤差(MSE)和平均絕對誤差(MAE)值，在加人燒結(jié)工藝參數(shù)和燃料參數(shù)作為訓(xùn)練參數(shù)后，何種化學(xué)成分的MAE和MSE有所降低，預(yù)測命中率也有所提高。L等[54應(yīng)用多模型集成預(yù)測模型對燒結(jié)過程中Fe0含量進行預(yù)測，使用實際燒結(jié)生產(chǎn)數(shù)據(jù)進行的驗證強調(diào)了Fe0模型預(yù)測的可靠性、精確性和有效性。

關(guān)于基于集成學(xué)習(xí)燒結(jié)機尾圖像識別Fe0含量預(yù)測模型沒有相關(guān)的文獻報道。隨著圖像數(shù)據(jù)維度的增加，集成學(xué)習(xí)算法因其在處理復(fù)雜數(shù)據(jù)集方面的優(yōu)勢，有望在燒結(jié)礦Fe0含量預(yù)測方面提供突破性的成果。隨著計算能力的顯著提升，這些算法的應(yīng)用前景廣闊，值得進一步探索

結(jié)論與展望3

本研究綜述了燒結(jié)礦Fe0含量預(yù)測的多種算法模型，包括經(jīng)典機器學(xué)習(xí)、協(xié)同優(yōu)化算法、深度學(xué)習(xí)以及集成算法。通過對工藝流程參數(shù)、機

尾圖像識別和圖像-參數(shù)協(xié)同三個維度的分析，發(fā)現(xiàn):

(1)經(jīng)典機器學(xué)習(xí)算法在預(yù)測燒結(jié)礦Fe0含量方面具有一定的準確性，但可能在處理復(fù)雜數(shù)據(jù)集時遇到性能瓶頸。

(2)協(xié)同優(yōu)化算法通過結(jié)合多種優(yōu)化技術(shù)提高了模型的泛化能力和預(yù)測精度。

(3)深度學(xué)習(xí)模型，尤其是基于圖像識別的算法，展現(xiàn)出處理高維數(shù)據(jù)和捕捉復(fù)雜特征的強大能力，但對數(shù)據(jù)量和計算資源有較高要求。

(4)集成算法通過融合多個模型的優(yōu)勢，提高了預(yù)測的魯棒性和準確性。

盡管已有大量研究，但燒結(jié)礦Fe0含量預(yù)測領(lǐng)域仍存在進步空間:

(1)數(shù)據(jù)樣本的擴展與優(yōu)化:現(xiàn)有研究中數(shù)據(jù)樣本數(shù)量有限，限制了模型的泛化能力。未來的研究應(yīng)利用大數(shù)據(jù)分析技術(shù)，實時處理和分析大量數(shù)據(jù)流，以提高模型的自適應(yīng)性和在線學(xué)習(xí)能力。這將為快速響應(yīng)的燒結(jié)礦Fe0含量預(yù)測提供有力支持。

(2)集成學(xué)習(xí)算法的應(yīng)用:集成學(xué)習(xí)技術(shù)已被證明能顯著提升預(yù)測性能。建議將集成學(xué)習(xí)技術(shù)應(yīng)用于燒結(jié)礦Fe0含量預(yù)測，以增強模型的魯棒性和準確性。隨著深度學(xué)習(xí)技術(shù)的不斷進步，預(yù)計未來將開發(fā)出更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，這些模型將整合圖像、聲音、溫度等多模態(tài)數(shù)據(jù)特征，以實現(xiàn)更精準的預(yù)測。將深度神經(jīng)網(wǎng)絡(luò)與集成學(xué)習(xí)相結(jié)合，有望充分利用深度學(xué)習(xí)在特征提取方面的優(yōu)勢，并通過集成多個模型的預(yù)測結(jié)果來提高整體性能。這種策略不僅可以增強模型的魯棒性，減少過擬合風(fēng)險，還能解決單一深度神經(jīng)網(wǎng)絡(luò)可能遇到的難題。

參考文獻:

[1]石煙翚:燒結(jié)礦Fe0含量的研究[J].燒結(jié)球團,2004.29(3):19-22.SHl Yanhui.Study on the sinter FeO contentJSintering and Pelletizing,2004,29(3):19-22.[2]尹德,李秋梅·燒結(jié)礦Fe0影響因素的研究和生產(chǎn)實踐[J]、燒結(jié)球團,1999-24(3)&3球團雜志YIN De.Ll Oiumei.Research on the infuencing factors