期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于集成学习的高炉压差预报模型研究
被引量:
6
1
作者
刘颂
赵亚迪
+3 位作者
张振
刘小杰
刘然
吕庆
《电子测量技术》
北大核心
2022年第2期31-38,共8页
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。...
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R^(2)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。
展开更多
关键词
预测模型
极限树算法
非线性相关性分析
参数优化
高炉压差
下载PDF
职称材料
基于SSA优化的XGBoost-BP融合模型的高炉压差预测
2
作者
施有恒
张淑会
+3 位作者
刘小杰
张玉洁
李欣
吕庆
《钢铁研究学报》
CAS
CSCD
北大核心
2024年第8期1019-1033,共15页
高炉压差对高炉的正常运行和冶炼效率有着重要的影响。压差过高会导致悬料,破坏高炉顺行;压差过低会引发炉内气流过吹甚至管道气流现象。因此,将高炉压差维持在一定范围内是保证高炉炉况稳定的前提,对高炉压差提前预测可以帮助操作人员...
高炉压差对高炉的正常运行和冶炼效率有着重要的影响。压差过高会导致悬料,破坏高炉顺行;压差过低会引发炉内气流过吹甚至管道气流现象。因此,将高炉压差维持在一定范围内是保证高炉炉况稳定的前提,对高炉压差提前预测可以帮助操作人员了解高炉的工作状态,及时调整操作参数,进而保证炉况稳定。为了提高高炉压差预测精度,首先,以国内某钢铁企业监测的高炉冶炼数据为基础,建立了基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的梯度提升决策树(e Xtreme Gradient Boosting,XGBoost)和BP神经网络(Back Propagation Neural Network,BPNN)融合预测模型。该模型以SSA算法对单一模型的优化为核心,并通过误差倒数法加权预测值来降低模型的预测误差。结果表明,基于SSA优化的XGBoost-BP融合模型预测效果明显高于其他模型,该模型拟合优度达到0.842,具有较高的拟合能力,对比结果显示,融合模型较SSA-BP、SSA-XGBoost模型预测误差更小,收敛速度更快,并且在±0.025×10^(5)Pa的误差范围下,其预测准确率达到了96.13%。最后,基于所提的融合模型建立高炉压差预测系统,该系统不仅起到了指导高炉生产的作用,而且对炼铁工业的转型升级具有一定的现实意义。
展开更多
关键词
高炉压差
SSA
XGBoost
BP神经网络
预测模型
原文传递
题名
基于集成学习的高炉压差预报模型研究
被引量:
6
1
作者
刘颂
赵亚迪
张振
刘小杰
刘然
吕庆
机构
唐山学院人工智能学院
华北理工大学冶金与能源学院
出处
《电子测量技术》
北大核心
2022年第2期31-38,共8页
基金
河北省教育厅科学技术研究项目(BJ2021099)
河北省自然科学基金高端钢铁冶金联合基金项目(E2019209314,E2020209208)资助。
文摘
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R^(2)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。
关键词
预测模型
极限树算法
非线性相关性分析
参数优化
高炉压差
Keywords
prediction
model
extra
tree
algorithm
non-linear
correlation
analysis
parameter
optimization
blast furnace
pressure
difference
分类号
TF325.61 [冶金工程—冶金机械及自动化]
下载PDF
职称材料
题名
基于SSA优化的XGBoost-BP融合模型的高炉压差预测
2
作者
施有恒
张淑会
刘小杰
张玉洁
李欣
吕庆
机构
华北理工大学冶金与能源学院
出处
《钢铁研究学报》
CAS
CSCD
北大核心
2024年第8期1019-1033,共15页
基金
河北省创新能力提升计划资助项目(23560301D)
唐山市科技局资助项目(23130202E)。
文摘
高炉压差对高炉的正常运行和冶炼效率有着重要的影响。压差过高会导致悬料,破坏高炉顺行;压差过低会引发炉内气流过吹甚至管道气流现象。因此,将高炉压差维持在一定范围内是保证高炉炉况稳定的前提,对高炉压差提前预测可以帮助操作人员了解高炉的工作状态,及时调整操作参数,进而保证炉况稳定。为了提高高炉压差预测精度,首先,以国内某钢铁企业监测的高炉冶炼数据为基础,建立了基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的梯度提升决策树(e Xtreme Gradient Boosting,XGBoost)和BP神经网络(Back Propagation Neural Network,BPNN)融合预测模型。该模型以SSA算法对单一模型的优化为核心,并通过误差倒数法加权预测值来降低模型的预测误差。结果表明,基于SSA优化的XGBoost-BP融合模型预测效果明显高于其他模型,该模型拟合优度达到0.842,具有较高的拟合能力,对比结果显示,融合模型较SSA-BP、SSA-XGBoost模型预测误差更小,收敛速度更快,并且在±0.025×10^(5)Pa的误差范围下,其预测准确率达到了96.13%。最后,基于所提的融合模型建立高炉压差预测系统,该系统不仅起到了指导高炉生产的作用,而且对炼铁工业的转型升级具有一定的现实意义。
关键词
高炉压差
SSA
XGBoost
BP神经网络
预测模型
Keywords
blast furnace
pressure
difference
SSA
XGBoost
BP
neural
network
prediction
model
分类号
TF841.3 [冶金工程—有色金属冶金]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于集成学习的高炉压差预报模型研究
刘颂
赵亚迪
张振
刘小杰
刘然
吕庆
《电子测量技术》
北大核心
2022
6
下载PDF
职称材料
2
基于SSA优化的XGBoost-BP融合模型的高炉压差预测
施有恒
张淑会
刘小杰
张玉洁
李欣
吕庆
《钢铁研究学报》
CAS
CSCD
北大核心
2024
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部