郝方铭, 李擎, 李炳岳, 张建良, 刘征建, 王耀祖
FeO含量是影响烧结矿强度及冶金性能的重要指标,因此,准确预测烧结矿FeO含量有助于稳定烧结质量,保障高炉炼铁顺行。作为典型的时序性生产,基于循环神经网络的FeO含量预测方法已得到广泛应用。然而,传统循环神经网络及其变体在处理长序列时会面临信息稀释的问题,与序列端口相距较远的信息对最终的输出影响较弱。因此,本文构建BiGRU-Attention模型,通过分析现场数据特点,采用孤立森林监测异常值并剔除,采用缺失森林插补模型填补缺失值,最后进行数据转换,提升模型输入数据的质量。此外,采用递归特征消除算法进行特征降维,减少模型负载。通过构建双向门控循环单元,并行处理前向和后向时间序列,捕捉烧结过程长程时序依赖,实现了对时间序列全局上下文信息的完整建模,并引入注意力机制动态聚焦关键阶段,通过注意力层的查询(Query)矩阵、键(Key)矩阵与值(Value)矩阵计算各部分的重要性,自适应地为输入数据分配权重,生成更加相关的上下文矩阵,优化资源分配,提升模型在复杂时序数据上的预测精度。结果表明,与GRU、BiGRU模型相比,BiGRU-Attention模型能够更好地理解烧结特征之间的内在关联,该模型在测试集上表现出更高的预测准确性和灵活性,平均绝对误差MAE=0.033 7,均方根误差RMSE=0.103 6,平均绝对百分比误差MAPE=4.054%,决定系数R²=0.893 5,BiGRU-Attention模型的预测结果与真实值高度一致。同时,为了测试模型的工业应用价值,通过加入滑动窗口与掩码的方式,引入不同水平的随机噪声进行模型的训练和预测,验证了该方法在提前把控烧结矿FeO成分趋势变化上的鲁棒性与应用潜力。