《中国冶金》（China Metallurgy）于2025年9月24日网络首发的论文《大数据驱动的CNN-GRU-Attention高炉铁水温度预测模型》由东北大学冶金学院韩明博、王浩男、李强团队联合武汉钢铁有限公司炼铁厂郑华伟、宝钢股份中央研究院武钢有限技术中心刘栋梁共同完成（DOI:10.13228/j.boyuan.issn1006-9356.20250328）。该研究属于钢铁冶金智能制造领域，针对高炉铁水温度实时预测这一工业痛点问题，提出了一种融合深度学习与冶金机理的创新解决方案。

学术背景

高炉铁水温度（Hot Metal Temperature, THM）是表征炉热状态与铁水质量的核心参数，其波动直接影响能耗与产品质量。传统测温方法（如快速热电偶）存在侵入式测量误差大、成本高等缺陷，而机理模型（如Rist模型）受限于高炉冶炼的非线性、强时滞及多尺度耦合特性，难以实现实时预测。尽管已有学者尝试基于数据驱动的方法（如XGBoost、LSTM等），但预测精度与工业适用性仍不足。本研究旨在构建一种结合冶金机理与深度学习的混合模型，突破现有技术瓶颈。

研究流程与方法

1. 数据预处理与特征工程

研究团队收集了某高炉连续10个月的4类84个原始特征变量（鼓风制度、原燃料成分、铁水/炉渣成分、温控参数），通过以下步骤优化数据质量：
- 冶金机理筛选：删除物理意义重叠的变量，保留51个特征。
- 异常值处理：采用箱线图法（Boxplot）划分正常值区间（中位数±1.5IQR）与极端异常值区间（中位数±3IQR），清除如中心十字测温数据中超出[80, 800℃]的异常值（表1显示处理后标准差从158.94降至137.62）。
- 关联度分析：创新性结合Pearson相关性分析（线性关系）与灰色关联分析（Grey Relational Analysis, GRA，非线性关系），通过加权综合相关系数（公式7）筛选出32个关键特征（如生铁Si含量r=0.346、炉渣特性r=0.303），最终构建5291组样本的数据集（80%训练集，20%测试集）。

2. CNN-GRU-Attention模型构建

模型架构（图2）包含三模块协同：
- 一维卷积神经网络（1D-CNN）：采用三层卷积核（尺寸7/5/3）渐进提取多尺度特征，每层后接批归一化（Batch Normalization）、ReLU激活函数及步长为2的池化层（图3）。对比实验证明1D-CNN优于2D-CNN（±5℃命中率86% vs 53%），因其更适配高炉时序数据特性（图6-7）。
- 门控循环单元（GRU）：双层级联结构（隐藏单元256）通过更新门（公式8）与重置门（公式9）动态过滤噪声，保留长期依赖关系。Dropout（0.3）防止过拟合。
- 自注意力机制（Self-Attention）：通过查询向量（Query）、键向量（Key）、值向量（Value）动态分配特征权重（公式12），增强关键工艺参数（如风温、富氧量）的影响。

3. 模型验证与工业应用

• 性能指标：测试集上±5℃命中率86%（表5），均方根误差（RMSE）0.0342，显著优于LSTM（79.28%）、SVM（61.32%）等基线模型（图8）。
  
• 工业验证：另取100组生产数据验证，±10℃命中率达88%（图10），预测值与实际值散点分布紧密（图9），证实工程适用性。
  

结果与结论

1. 数据预处理的价值：经冶金机理指导的清洗与特征筛选使模型命中率从54.45%（原始数据集A）提升至81.32%（优化数据集D）（表4）。
   
2. 模型架构优势：CNN-GRU-Attention融合局部特征提取、时序建模与动态权重分配，解决了高炉数据非线性耦合的建模难题。
   
3. 工业价值：模型已通过现场验证，为高炉数字化提供了实时温度预测工具，支持炉况调控与能耗优化。
   

研究亮点

• 方法创新：首次将自注意力机制引入高炉温度预测，结合GRA-Pearson混合特征筛选方法。
  
• 跨学科融合：深度学习方法与冶金机理协同，如箱线图法阈值设定基于工艺知识。
  
• 工程实效：±10℃命中率88%达到工业应用标准，优于文献报道的同类模型（如文献[27]支持向量回归模型）。
  

其他价值

研究获国家自然科学基金（52274328，52074079）和宝武低碳冶金创新基金（BWLCF202403）支持，模型代码与数据处理流程可为冶金智能制造提供技术参考。未来可扩展至高炉硅含量、透气性指数等多目标预测。