烧结过程是一个强耦合,多变量,非线性的动态系统,烧结工序对于高炉的冶炼有着重要的意义。烧结矿小于10mm粒级含量和FeO含量是两个衡量烧结矿质量的重要指标。这两个指标的好坏直接影响着烧结矿的产量和质量,进而影响了钢铁企业的经济效益。烧结过程时变时滞的特性使得用传统的机理模型很难对这两个指标的波动进行描述和控制。因此,对烧结矿质量指标的控制始终是一个难以解决的问题。随着大数据技术日益进步和完善,大数据的思维已经慢慢渗入到各行各业,利用前沿的集成学习以及深度学习算法,并结合烧结生产工艺,分别对烧结矿小于10mm粒级含量和烧结矿FeO含量进行建模。烧结厂数据库积累了多年各种类型和不同结构形式的数据,为了能够从这些海量数据中挖掘出有用的信息,首先需要收集整理原料工序,混料工序,生产操作设备,烧结矿质量检验工序的数据。利用箱线图对数据的异常值进行识别并结合工艺要求进行剔除,对空值用中值法进行插补,建立符合预测模型需要的数据库。其次,分别针对烧结矿小于10mm粒级含量和烧结矿FeO含量两个预测模型进行特征工程。利用XGBoost算法对影响烧结矿小于10mm粒级含量的特征进行特征重要性排序并进行特征筛选,利用随机森林算法对影响烧结矿FeO含量的特征进行特征重要性排序并进行特征筛选。利用heatmap进行特征相关性可视化分析,将对目标参数影响较小的特征进行进一步剔除,筛选出对烧结矿小于10mm粒级含量影响较大的14个特征以及对FeO含量影响较大的45个特征。同时对一些特征进行了探索性因子分析。再次,建立烧结矿小于10mm粒级含量深度神经网络算法模型。通过性能测试表明模型预测的效果很好,精度可达0.1237,达到了精确预测烧结矿小于10mm粒级含量的目的为烧结实际生产提供了一种有效预测烧结矿小于10mm粒级含量的方法。最后,将XGBoost算法应用于预测烧结矿FeO含量的建模当中,并与决策树模型预测效果进行对比。结果表明XGBoost模型预测效果较好,预测后的损失值最小可达0.071876,实现了精确预测FeO含量的目的,达到了满意的效果。图36幅;表3个;参89篇