热铁水温度是高炉炼铁过程中的关键指标，其直接反映了铁产品的质量和生产效率。传统的操作方法需要人工调整冶炼参数以稳定高炉温度，但这种方式容易引发炉况波动，进而影响生产稳定性。
尽管已有研究尝试使用模糊系统、神经网络和支持向量机等技术预测热铁水温度，但普遍存在算法适应性不足、预测稳定性欠佳以及无法有效整合冶金经验的问题。此外，部分研究仅适用于离线预测，难以在实际高炉操作中提供实时指导。
最近，东北大学的唐珏教授及其团队通过结合冶金过程知识与大数据技术，提出了一种基于特征融合和GSO-DF（网格优化深度森林）的智能预测方法。研究首先对高炉数据进行治理，包括异常值检测、数据标准化和频率统一。随后，通过特征工程筛选出36项关键特征，并利用主成分分析（PCA）提取了4项导出特征。最后，团队构建了基于GSO-DF的预测模型，其显著提高了下一小时热铁水温度预测的准确性。
相关研究成果以“Hot Metal Temperature Prediction Technique Based on Feature Fusion and GSO-DF”为题目发表于ISIJ International期刊2024年第64卷第13期。论文作者为：Dongliang Liu, Jue Tang*, Mansheng Chu, Zhengliang Xue, Quan Shi, Jinge Feng。
研究结果和结论：
筛选并优化了高炉数据的36项关键特征及4个主成分，提高了模型计算效率和预测精度。
GSO-DF模型在预测下一小时热铁水温度时表现最佳，其平均绝对误差（MAE）为3.54，均方误差（MSE）为27.34，预测命中率达92.86%。
模型通过每日更新功能稳定预测性能，月平均命中率超过91%。
应用GSO-DF模型后，现场热铁水温度的合格率从78.3%提升至85.1%，提高了6.8%，有效改善了热铁水质量。
该论文中共有图片14张、表格5个，部分图片和表格如下：
图1. 高炉炼铁工艺流程图
图2. 技术路线图
图3. 深度森林结构示意图
图5. 数据处理案例图
图11. GSO-DF 超参数优化过程。
图14. 模型应用效果
表1. 高炉参数介绍
表3. 最佳特征组合包含的特征
表5. 热铁水温度预测结果评估
如果您需要论文原文，请在本页最下方留言“2413”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#高炉炼铁”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
