文章摘要:为了提升高炉生产的智能化水平，提出了基于集成学习算法的高炉下部压差预报模型，解决了基于在线数据精准预报下部压差的难题。通过对高炉内部机理进行系统分析，全面选取了高炉原料参数、操作参数、状态参数和指标参数作为模型的输入。并采用实际现场数据得到了变量间的相关系数，确定了高炉下部压差相关的重要特征变量。采用极限树集成算法建立了压差预报模型，并结合模型的预报精度，采用向前选择法优化了模型的输入。通过对模型算法超参数的选择，获得了最优超参数集合，该参数集合建立的下部压差预报模型精度R²达到了0.8264，且MSE接近零值。测试结果证明，该模型具有良好的预报精度和泛化能力，对现场操作者提前预判高炉运行状况和调整炉况具有重要的指导意义。

文章关键词:

项目基金: 上一篇：临床医学论文_医学图像图深度学习分割算法综述 下一篇：计算机软件及计算机应用论文_基于文本分析与机