摘要：高炉悬料是高炉冶炼期间极易发生的炉况失常现象之一。由于实际生产中悬料诊断主要依赖于操作人员的经验，个人主观性较强且传继性较差，容易出现误判而导致炉况的大幅度波动。随着计算机技术发展，数据驱动的过程监测理论逐渐成熟，基于机器学习的故障诊断被广泛应用于复杂工业生产中并取得了良好的诊断效果，因此，本研究通过分析悬料现象及形成原因，基于专家经验对初始特征集进行数据清洗；利用递归特征消除算法（ｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ，ＲＦＥ）筛选有效变量并确定其重要性；依据选择的关键指标建立梯度提升决策树（ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｄｅｃｉｓｉｏｎｔｒｅｅ，ＧＢＤＴ）进行实时悬料诊断。结果表明，采用集成学习投票机制融合ＧＢＤＴ分类结果准确率超过９０％，呈现出较强的鲁棒性，诊断模型在精度和计算效率方面均表现出色。基于诊断模型进行智能诊断系统功能应用开发，能辅助高炉操作人员对悬料发生进行实时监测，从而保证高炉的稳定顺行。 关键词：高炉炉况；悬料；递归特征消除算法；梯度提升决策树；智能诊断系统 下载高清全文—基于递归特征消除-梯度提升...策树的高炉悬料智能诊断模型.pdf