基于JITL-XGBoost的烧结终点预测模型

摘要

烧结终点（burning through point,BTP）位置是烧结过程中重要的参数，直接影响烧结机效率.由于烧结生产过程具有多工况、时变等特性，使得全局模型预测性能不足，为此提出了一种在即时学习框架中使用极端梯度提升（extreme gradient boosting,XGBoost）作为局部模型的烧结终点预测模型，即JITL(just-in-time learning)-XGBoost.首先采用KL散度（Kullback-Leibler divergence）相似性度量方法提取待测样本的特性，选出与待测样本最相关的数据集.然后将该数据集作为XGBoost模型的输入来预测烧结终点的位置.此外，考虑了相关数据集数量对模型预测精度和计算时间的影响.最后与其他模型对比，结果表明，所建模型在合理的时间内具有最佳预测精度，为提高烧结机效率提供新的指导方向.

关键词

烧结矿 / 烧结终点 / 预测模型 / 即时学习 / 极端梯度提升