戴兆汉, 于 艳, 张宇军, 何 飞
KR脱硫是铁水预处理的典型方法之一。随着低硫钢种产品需求的增加,实现铁水终点硫含量的稳定控制,进而降低脱硫综合处理成本非常重要,而其关键环节是如何预测脱硫终点是否符合目标问题。因此,
针对KR工序铁水终点硫预测问题,本文提出一种基于代价敏感策略的样本类别平衡处理方法和贝叶斯优化的极限梯度提升(extreme gradient boosting,XGBoost)算法以及脱硫终点硫含量二分类分析方法相结合的建模方法。首先,通过基于二分类分析方法对脱硫数据的终点硫含量进行符合或不符合二分类处理,并基于代价敏感策略调整类别样本权重缓解不平衡问题,构建特征数据集;然后,利用某钢铁企业实际生产数据,基于代价敏感策略和贝叶斯优化XGBoost交叉验证训练模型,同时通过Macro-F1指标优选最优参数形成最终的KR工序脱硫符合预测模型,实现了对脱硫目标符合和不符合的数据预测。 与支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)预测模型的对比实验结果表明,本文方法能够有效处理脱硫数据不平衡问题,具有较好的脱硫符合预测实践效果。