摘要：燒結礦FeO含量是衡量燒結礦還原性的重要指標。為了全面而系統地概述各種燒結礦FeO含量的預測方法，本文從機理模型和機器學習算法（包括經典單一學習算法模型、協同優化算法模型、深度神經網絡算法模型及集成學習算法模型）兩大預測模型出發，分別從基于工藝流程參數，機尾圖像識別預測，以及基于圖像-參數協同預測進行三個方面探討，總結了燒結礦FeO含量預測方法的發展脈絡；并對近年來新興的算法預測模型進行全面概括與深入分析，闡述了每種算法在燒結礦FeO含量預測模型的優點和局限；同時展望了未來燒結礦FeO含量預測領域的研究方向，以期為該領域的研究與實踐提供有益的參考。

關鍵詞：燒結礦；FeO；大數據；機器學習；深度學習

燒結礦Fe0含量不僅是反映燒結礦質量的重要指標之一，而且對高爐爐況的穩順有著重要的意義叫。燒結礦Fe0含量過高會降低燒結礦的還原性，使高爐的焦比升高。若是含量過低，會使高爐爐內透氣性變差，從而影響高爐的順行。Fe0含量的波動還會直接影響燒結工序能耗和高爐的增鐵節焦!。因此，燒結礦中的Fe0含量是國內外鋼鐵企業非常重視的指標。一直以來，Fe0含量的判斷都是依靠人工的經驗，因此不可避免會存在人為因素，判斷的精度也很難準確把握。由于燒結礦FeO含量的生成機理非常復雜，通過計算難以得出準確的答案。利用實驗室重鉻酸鉀滴定技術來精確測定燒結礦中的Fe0含量，這種化學成分分析法因其高準確度和直接性而被生產現場廣泛采用。但由于燒結過程的連續性，而人工采樣和分析耗時較多，這使得實時生產控制變得具有挑戰性。然而，與傳統的化學成分分析法相比，機器學習模型能夠在短時間內提供預測結果，無需耗費4~6h進行人工采樣和分析，使得實時生產控制變得更為便捷和高效[4-5。同時機器學習模型能夠基于大量歷史數據進行訓練:從而可以更準確地預測燒結礦中Fe0含量。這種預測能力有助于生產現場提前作出調整，優化生產流程，提高產品質量。此外，機器學習模型還具有自適應性，能夠隨著生產環境的變化而自動調整預測模型，保持預測結果的準確性。因此為了讓預測模型更好的服務于實際生產，本文對目前燒結礦Fe0含量使用的主流預測模型進行了系統的歸納與總結，并重點闡述了各模型的優缺點，并對預測模型的發展趨勢進行了展望。

機理預測模型

傳統的機理預測模型是建立系統所依賴的參數模型，把辨識問題轉化為參數的估計問題7其實質在于，通過對燒結過程中物質結構、能量傳遞和反應動力學等關鍵要素的分析，建立數學模型來模擬和預測燒結過程的行為。這些模型可以揭示燒結過程中的物理和化學變化，以及各因素之間的相互作用和影響。它們通常基于燒結過程的基本原理，結合實驗數據和經驗公式，通過數學推導和計算，得到能夠描述燒結過程動態特性的數學模型。這些模型可以用于指導燒結工藝的設計和優化，提高燒結產品的質量和性能。彭坤乾9對燒結過程中的物化反應現象進行了全面研究。其利用傳質和傳熱分析，構建了料層溫度的計算方程并通過模擬計算揭示了料層溫度場

的分布情況，成功預測了燒結礦的質量指標。YAMAOKA等通過建立三維數學模型，探討了燒結床層中的中間參數與燒結礦質量指標之間的關系，通過模擬分析，成功得出了轉鼓強度，還原性指數等指標。

機理預測模型以工藝機理為基礎，經過復雜的分析過程，可以大體反映出系統的實際規律。但是過于依賴開發人員對實際生產的機理認知，并且忽略了工況的波動使得機理模型不能夠全面反映實際生產。隨著我國逐步進入智能時代，燒結工藝也在不斷采用機器學習進行研究與應用。燒結機器學習預測模型基于大量實驗數據訓練而成，能夠捕捉燒結過程中的復雜關系和非線性行為。近年來我國報道了許多關于此類燒結礦Fe0含量預測模型的研究成果。

機器學習算法預測模型

隨著工業4.0和智能制造的快速發展，現代鋼鐵工業面臨著越來越復雜和多變的生產環境:對生產過程的實時監控和精確控制提出了更高的要求[0。Fe0含量作為燒結礦的關鍵指標，對燒結過程的熱力學和動力學特性有著直接影響，進而決定燒結礦的質量和產量。Fe0含量的適宜控制對高爐煉鐵的經濟和環保具有顯著影響，能夠優化還原反應，降低能耗和減少排放，提升煉鐵效率。因此，實現Fe0含量的精確控制對于燒結和煉鐵過程的高效、經濟和環保至關重要。

近年來，機器學習技術的快速發展，尤其是在算法設計和計算能力方面的顯著提升，為Fe0含量預測提供了更為精確和高效的方式。機器學習算法通過分析大量的歷史數據，能夠識別和學習生產過程中的復雜模式和規律。與傳統的預測方法相比，機器學習技術能夠更好地適應數據的非線性特性和動態變化，從而提高預測的準確性和可靠性。盡管Fe0含量預測的研究歷史悠久，但機器學習技術的引人無疑為這一領域帶來了新的活力和可能性。機器學習技術并非取代傳統方法，而是在現有研究的基礎上，提供了一種更為先進的分析和預測手段。本文對目前包括經典單一機器學刁笪法協同優化算法深度神經網絡！

算法和集成學習算法等幾類主要的機器學習算法在燒結礦e0含量預測中應用的研究現狀、優勢及局限性進行了闡述，旨在為未來的研究和實際應用提供有益的參考和指導。

2.1 經典單一學習算法預測模型

單一機器學習算法預測模型以其簡潔性和高效性，在特定場景下發揮著重要作用。這種模型通常基于大量的歷史數據，通過挖掘數據中的內在規律和模式，對未來的趨勢進行預測。由于只涉及一個算法，其結構相對簡單，計算量較小，因此具有較高的運算效率。2.1.1 基于工藝流程參數的預測模型

表1列舉了一些主要的有關經典單一機器學習算法在燒結生產過程參數預測模型的應用情況及效果。

表1 經典單一機器學習算法在燒結生產過程參數預測模型的應用情況及效果Table 1 Application and effect of a classical singlemachine learning algorithm to in parameters predictionmode of sintering production process

文獻

算法模型

預測效果

決定系數為 0.67

張舒等[1]

BP神經網絡算法

米強[2]

BP神經網絡算法

命中率為89.5%

陳偉等[3)龍紅明等114]

命中率為91.6%命中率為 90%以日絕對誤差為0.0035相對誤差為 4.99,平均相對誤差為 2.33決定系數為0.8268

BP神經網絡算法BP神經網絡算法

張帆等[15]RBF神經網絡算法

蔣大軍[16]

ARIMA 算法

由表1所可知，此類模型應用最為廣泛的是BP神經網絡。BP神經網絡在燒結礦指標預測中展現出卓越性能”。其優點主要體現在:①BP神經網絡具有強大的自學習和自適應能力，能夠通過不斷調整網絡參數來優化預測結果;②該網絡能夠處理復雜的非線性關系，可以更好地擬合實際數據。但BP神經網絡也存在一些缺點，例如訓練過程可能陷入局部最小值，導致預測結果不準確。此外，網絡結構的選擇和參數的設定對預測結果也有較大影響，需要進行充分的實驗和調整。BP神經網絡算法因其魯棒性、精確性和泛化能力而被廣泛應用，命中率在89.5%至91.6%之

間，表明其在預測Fe0含量方面具有一定的準確性。RBF神經網絡算法因其快速收斂和處理高維數據的能力，在預測FeO含量時表現出更低的誤差率，其絕對誤差為0.0035，相對誤差為4.99%平均相對誤差為2.33%，顯示出比BP神經網絡更優的預測性能。ARIMA算法的決定系數為0.8268，顯示出較好的預測效果，但受限于其對平穩序列數據和線性關系的假設。盡管這些模型在工業化應用中實現了在線自學習和實時跟蹤預測，但它們主要依賴單一的數據采集方式，忽略了從燒結礦圖像中獲取特征的可能性，這可能是未來研究的一個方向。

2.1.2 基于機尾圖像識別的預測模型

許多有經驗的看火工可以通過觀察燒結礦機尾斷面的圖像迅速的判斷燒結礦中FeO含量的高低，這需要看火工多年的經驗積累才能夠準確判斷出Fe0含量。圖1展示了典型的燒結過程。在燒結機的尾部，當尾部星輪翻轉時，塊狀燒結物會落下，這個過程會出現燒結床的橫截面。這個橫截面包括部分冷卻的燒結物和仍處于高溫狀態的燒結物。通過觀察燒結床表面，有經驗的操作員可以對燒結Fe0含量進行初步的評估。由于燒結機尾部的高溫和大量灰塵條件，可見光攝像機的成像精度較低，而紅外熱成像技術則非常適應這種情況。表2列舉了一些主要的有關經典單機器學習算法在燒結機尾圖像識別預測模型的應用情況及效果。由表2可知，在燒結機尾斷面圖像預測Fe0含量的研究中，BP神經網絡和RBE神經網絡均顯示出有效性。JIANG等8通過紅外熱成像儀采集圖像并建立BP模型，均方根誤差為1.33。周志遠!”9的BP模型命中率為91.83%，而周德玉!20和王翊2的模型均達到85%以上的命中率，且絕對誤差控制在±0.3以內。周后偉[2的BP模型命中率為85.0%，張兆磊23的BP模型平均絕對誤差為2.8477。綜合來看，BP神經網絡在燒結機尾圖像識別預測Fe0含量中具有較高的命中率，而RBF神經網絡在誤差控制方面表現良好。這些研究表明，結合圖像特征的機器學習模型對于實時預測FeQ含量是有效的。

表2 經典單一機器學習算法在燒結機尾圖像識別預測模型的應用情況及效果Table 2 Application and effect of classical single machine

的參數或圖像特征模型，基于圖像-參數協同的模型具有更高的準確性和穩定性。

以上模型雖做到了實時預測，但由于所用機器算法過于單一，預測精度即使達到了燒結廠的生產要求，模型的魯棒性也比較差，有待于采用更為優秀的算法來優化提高預測的性能。2.2 協同優化算法預測模型

learning algorithm in image recognition and prediction

model of sintering machine tail

預測效果均方根誤差為1.33命中率為91.83%

算法模型

文獻

JIANG等H8]BP神經網絡算法

周志遠[19]BP神經網絡算法

經典單一機器學習算法預測模型存在一定的局限性。此外，如果所選算法不適用于當前數據集，那么預測結果可能會出現較大偏差。不同的算法可能對不同的數據特征或模式有不同的敏感度[2]。協同優化算法通過結合多種單一機器學習算法，可以綜合利用各種算法的優點，從而提高預測精度。

命中率不小于85%絕對誤差不超過±0.3

周德玉[20]BP神經網絡算法

命中率大于85.0%,絕對王翊[21]RBF神經網絡算法誤差控制在小于±0.3

周后偉[2]BP神經網絡算法命中率為85.0%張兆磊[23]BP神經網絡算法平均絕對誤差為2.8477

2.1.3 基于圖像-參數協同的預測模型

表3列舉了一些主要的有關協同優化算法在燒結生產過程參數預測模型的應用情況及效果。由表3可知，協同優化算法在燒結礦Fe0含量預測中取得了積極成果。方怡靜等”的DK-AWESN模型在復工況下表現出較高的命中率(86.67%)，平均絕對誤差為0.251。史振杰等[27的GWO-SVR模型具有高的決定系數(0.9016)和較低的均方誤差(0.0156)。邵長江[28]的SSA-BP模型均方根誤差為0.0159，而張智峰等!29的MIV-GA-BP模型均方根誤差為0.2386。惠佳豪等[30]的KPCA-Logistic-SSA-BP模型均方誤差為0.013，均方根誤差為0.115。張軍紅等!3的G-BP算法平均絕對誤差為0.132，平均相對誤差為1.4%。吉訓生等"。的IFA-BP算法命中率高達

鑒于單一圖象或工藝參數預測模型的明顯局限性，近幾年，研究者陸續采用基于圖像-參數協同的燒結礦Fe0預測模型應用于冶金領域。該模型主要結合了燒結礦圖像特征和工藝參數，通過機器學習算法進行預測。模型首先對燒結礦圖像進行預處理，提取紋理、形狀等關鍵特征;其次，收集與燒結過程相關的參數，如溫度、時間、配料比例等。隨后，將這些圖像特征和工藝參數作為輸入變量，采用機器算法進行建模和訓練并通過交叉驗證等方法優化模型參數，提升預測精度。張樂文!4以燒結生產過程參數與機尾斷面圖像結合的方式進行多個參數的提取，使用加權支持向量機對Fe0含量進行實時的判定，做到了準確實時的預測，命中率為90%以上。

98%，平均絕對誤差為1.22。綜上所述，協同優化算法通過結合不同算法的優勢，有效提高了燒結礦Fe0含量預測的精度和模型的魯棒性。盡管模型復雜度增加可能帶來參數調整的困難和可解釋性的降低，但這些模型在實際生產中的適應性和可靠性得到了提升，對數據收集和處理提出了更高要求。

近些年，基于協同優化算法的圖像識別預測模型的研究報道相對較少。僅見張學峰等[3]針對燒結礦FeO含量難以直接預測的問題，選取與燒結礦Fe0含量強相關性的燒結機尾斷面熱成像關鍵幀的溫度特征作為模型的參數輸入，利用Dropout算法改善四層BP神經網絡結構，Adam算法優化四層BP神經網絡的訓練過程，進而提高模型的預測精度和泛化能力。報道研究少的原因可能是由于圖像識別本身就是一個復雜的技術領域:而將其與協同優化算法相結合進一步增加了技術難度。

2.3深度神經網絡算法預測模型

深度神經網絡通過逐層學習數據的抽象表示能夠自動提取數據的復雜特征和模式。這使得它能夠處理復雜的數據類型，并在預測任務中表現出色[341。深度神經網絡與BP神經網絡的主要區別在于層次深度和結構復雜性。深度神經網絡具有更多的隱藏層，能夠學習更抽象的特征表示適合處理復雜的非線性問題。而BP神經網絡結構相對簡單，通常用于解決線性或非線性分類問題，深度神經網絡可以直接從原始數據學習到預測結果，而無需進行繁瑣的特征工程。通過學習數據中的統計規律，能夠捕捉到數據的內在結構。這

使得它在面對新數據時，能夠利用已學到的知識進行預測，表現出良好的泛化能力。

2.3.1 基于工藝流程參數的預測模型表4列舉了一些主要的有關深度神經網絡法在燒結生產過程參數預測模型的應用情況及效果。

表4 深度神經網絡算法在燒結生產過程參數預測模型的應用情況及效果Table 4 Application and effect of deep neural networlalgorithm in parameter prediction model of sinteringproduction process

文獻

算法模型

預測效果

決定系數為0.92,均方誤差和平均絕對誤差接近0

LIU 等[3]ISTM 算法

[I 等[36]GRU 算法均方誤差為0.206閤光磊等[37GMM與KNN算法命中率為95.33%YANG 等[38]GRU-PLS均方誤差為0.002

表4展示了深度神經網絡在燒結礦Fe0含量預測中的應用及其效果。LIU等的ISTM模型具有高決定系數(0.92)，均方誤差和平均絕對誤差接近0，顯示了出色的預測性能。I等3的GRU模型均方誤差為0.206，表現良好。光磊等37結合CMM與KNN算法的型命中率高達95.33%，而YANG 等[38]的GRU-PIS 模型均方誤差為0.002，運行非常穩定。這些結果表明，深度神經網絡能夠有效地從原始數據中學習并預測Fe0含量，無需復雜的特征工程!”，同時具有較強的魯棒性和自適應性。深度學習模型通過持續學習適應生產條件的變化，維持高預測精度，為燒結礦Fe0含量的實時控制提供了強有力的技術

支持。

2.3.2 基于機尾圖像識別的預測模型

生產過程參數雖然是影響Fe0含量的重要因素，但它們可能不是最直接的指標。燒結機尾斷面圖像可能包含更直接和豐富的信息[4]，如燒結礦的結構、顏色、氣孔等，這些特征可能與Fe0含量有更直接的關系。通過圖像識別，模型可以同時考慮多個變量的影響，這有助于捕捉更復雜的關系，從而提高預測準確性。燒結機尾斷面識別模型可以直接從圖像中捕獲生產環境的變化如原料成分的變化、設備狀態的變化等。這使得模型能夠更快速地適應這些變化，保持預測的準確性。圖像識別實時的自動化數據采集和處理有助于在生產過程中進行實時的Fe0含量預測從而及時調整生產參數。

相比較生產過程參數預測，機尾圖像識別預測文獻報道較多。原因在于深度神經網絡比較擅長處理圖像類特征。表5列舉了一些主要的有關深度神經網絡算法在燒結機尾圖像識別預測模型的應用情況及效果。表5 深度神經網絡算法在燒結機尾圖像識別預測型

的應用情況及效果

Table 5 Application and effect of deep neural networkalgorithm in image recognition and prediction model ofsintering machine tail

文獻

算法模型

預測效果

命中率大于90%,均方根誤差低于0.003

張寧[4]卷積神經網絡算法

張學峰等!42]BiISTM 算法

BAI等[43]

LSTM

平均絕對誤差為 0.202均方根誤差為0.258,平均相對誤差為10.6%

均方誤差小于0.1

任玉輝等[4]Darknet-19算法

命中率為82.5%命中率為 90.2% 以上命中率為90%以上

張學鋒等[45]BiLSTM 算法匡朝輝等[46]卷積神經網絡

張寧[4的卷積神經網絡模型命中率超過90%，均方根誤差低于0.003。張學峰等[4]的BiLSTM模型平均絕對誤差為0.202，均方根誤差為0.258，平均相對誤差為10.6%。BAI等[43]的LSTM模型均方誤差小于0.1。任玉輝等4]的Darknet-19算法命中率為82.5%，而張學鋒等[45

的BiLSTM 模型命中率超過90.2%。匡朝輝等[46]的卷積神經網絡命中率也超過90%。這些研究表明，深度神經網絡能夠有效地從燒結機尾圖像中提取特征并預測Fe0含量，具有較高的命中率和較低的誤差率。盡管如此，這些模型也面臨圖像采集質量、預處理和特征提取復雜性的挑戰。深度神經網絡在燒結機尾圖像識別預測Fe0含量方面展現出潛力，但仍需解決圖像處理相關的挑戰以提高模型的實用性和準確性。2.3.3 基于圖像-參數協同的預測模型

采用深度神經網絡算法的基于圖像-參數協司的燒結礦Fe0預測模型通過深度神經網絡提取燒結礦圖像的高層次特征，并結合燒結過程的工藝參數(如溫度、時間、配料比例等)，可實現多模態數據的融合與協同預測。該模型利用深度神經網絡提取紋理、形狀等特征，然后將這些圖像特征與工藝參數輸入到多層感知器或其他深度神經網絡中進行聯合訓練。通過反向傳播算法優化模型權重，提升預測精度，并獲得了良好的應用效果。丁謙!7利用深度學習模型對圖像進行特征提取，為了提升預測模型的精確度和穩定性，副合了生產參數特征與圖像特征，構建了以神經因子分解機為框架的預測模型，平均絕對誤差為0.0926，平均相對誤差為1.139%。基于深度神經網絡的協同預測模型在預測燒結礦Fe0含量方面表現出色，較傳統算法具有更高的準確性和魯棒性。此外，模型在處理非線性和復雜數據關系方面表現優越，能夠更有效地應對實際生產中的多變工況。ZHOU等4提出了融合圖像特征和燒結過程變量，建立了基于深度學習算法的預測模型，實現了實時準確測量鐵礦石中Fe0含量，實驗結果表明該方法具有98.35%的高準確率。YANG等!"將燒結數值數據和圖像數據集成，實現數據級信息融合，為Autoformer深度學習算法提供了相對全面的燒結工藝信息而且還帶來了成品燒結礦中Fe0含量水平的先驗信息，在實際工業數據的應用中表現出比現有模型更高的預測精度和穩定性。

2.4 集成學習算法預測模型集成學習定，種新的機器章等樓上，都通過

集成多個子模型來解決一個問題能夠有效提高學習的泛化能力!0。近幾年集成學習算法一直是機器學習領域最關注的研究方向之一，并且發展非常迅速。集成學習算法與協同優化算法的主要區別在于它們的實現方式和目標。集成學習算法是一種通過結合多個單一學習器的預測結果來做出最終決策的機器學習技術。

燒結礦Fe0含量預測模型可以借鑒集成學習算法來優化預測的性能。呂慶等!為了克服燒結礦中Fe0含量檢驗滯后的問題，基于燒結生產各個環節所積累的大量數據，采用XGBoost算法建立Fe0含量預測模型，以指導生產工作人員及時調整配料方案和設備參數。李一帆等”對燒結礦與混合礦的化學成分進行了細致的相關性分析選取了具有顯著相關性的化學成分作為預測模型的關鍵輸人變量，構建了隨機森林預測模型，專門用于預測燒結礦中的Fe0含量。預測準確率為90%以上，為燒結礦化學成分的精準控制提供了強有力的技術支持。NIU等[3使用了隨機森林和XGBoost兩種集成算法，對燒結礦的化學成分進行了建模和預測，預測結果表明，以原料的化學成分作為訓練參數，兩種集成算法均能實現較小的均方誤差(MSE)和平均絕對誤差(MAE)值，在加人燒結工藝參數和燃料參數作為訓練參數后，何種化學成分的MAE和MSE有所降低，預測命中率也有所提高。L等[54應用多模型集成預測模型對燒結過程中Fe0含量進行預測，使用實際燒結生產數據進行的驗證強調了Fe0模型預測的可靠性、精確性和有效性。

關于基于集成學習燒結機尾圖像識別Fe0含量預測模型沒有相關的文獻報道。隨著圖像數據維度的增加，集成學習算法因其在處理復雜數據集方面的優勢，有望在燒結礦Fe0含量預測方面提供突破性的成果。隨著計算能力的顯著提升，這些算法的應用前景廣闊，值得進一步探索

結論與展望3

本研究綜述了燒結礦Fe0含量預測的多種算法模型，包括經典機器學習、協同優化算法、深度學習以及集成算法。通過對工藝流程參數、機

尾圖像識別和圖像-參數協同三個維度的分析，發現:

(1)經典機器學習算法在預測燒結礦Fe0含量方面具有一定的準確性，但可能在處理復雜數據集時遇到性能瓶頸。

(2)協同優化算法通過結合多種優化技術提高了模型的泛化能力和預測精度。

(3)深度學習模型，尤其是基于圖像識別的算法，展現出處理高維數據和捕捉復雜特征的強大能力，但對數據量和計算資源有較高要求。

(4)集成算法通過融合多個模型的優勢，提高了預測的魯棒性和準確性。

盡管已有大量研究，但燒結礦Fe0含量預測領域仍存在進步空間:

(1)數據樣本的擴展與優化:現有研究中數據樣本數量有限，限制了模型的泛化能力。未來的研究應利用大數據分析技術，實時處理和分析大量數據流，以提高模型的自適應性和在線學習能力。這將為快速響應的燒結礦Fe0含量預測提供有力支持。

(2)集成學習算法的應用:集成學習技術已被證明能顯著提升預測性能。建議將集成學習技術應用于燒結礦Fe0含量預測，以增強模型的魯棒性和準確性。隨著深度學習技術的不斷進步，預計未來將開發出更加復雜的神經網絡模型，這些模型將整合圖像、聲音、溫度等多模態數據特征，以實現更精準的預測。將深度神經網絡與集成學習相結合，有望充分利用深度學習在特征提取方面的優勢，并通過集成多個模型的預測結果來提高整體性能。這種策略不僅可以增強模型的魯棒性，減少過擬合風險，還能解決單一深度神經網絡可能遇到的難題。

參考文獻:

[1]石煙翚:燒結礦Fe0含量的研究[J].燒結球團,2004.29(3):19-22.SHl Yanhui.Study on the sinter FeO contentJSintering and Pelletizing,2004,29(3):19-22.[2]尹德,李秋梅·燒結礦Fe0影響因素的研究和生產實踐[J]、燒結球團,1999-24(3)&3球團雜志YIN De.Ll Oiumei.Research on the infuencing factors