来源：期刊VIP网 时间：
作者：魏凯锋;祁凤琴;侯静茹;李荻妍;康建强;高宇希;
单位：镍钴共伴生资源开发与综合利用全国重点实验室;金川集团镍钴股份有限公司镍冶炼厂;中南大学自动化学院;
摘要：镍冶炼过程中出口镍锍温度的精准预测是工艺优化、设备安全保障与产品质量稳定的关键，但该过程存在多变量非线性耦合、参数动态波动的问题，制约了传统方法的应用效果。针对此，本文提出一种融合时序卷积网络(TCN)与XGBoost动态误差补偿的镍锍温度预测方法。首先，通过皮尔逊相关系数与F-score融合策略，从入炉物料组分、鼓风量、氧浓度等多维度工业参数中筛选关键特征，降低冗余干扰;其次，利用TCN的膨胀因果卷积捕捉特征间长短期时序依赖与非线性关系，生成温度初始预测;再引入XGBoost并构建一阶/二阶时间差分特征，学习预测残差演变规律以实现动态误差补偿。依托XGBoost分位数回归，能够实现镍锍温度的区间预测。实验结果表明，在点预测性能上，TCN-XGBoost模型较基线TCN模型精度显著提升，MAE从7.627 7降至7.494 1,MAPE从0.592 8降至0.584 2,RMSE从9.791 3优化至9.573 2,R~2提升至0.451 6，且优于LSTM、AGCRN等对比方法;在区间预测性能上，TCN-XGBoost的90%预测区间展现出“覆盖可靠、宽度紧凑”的平衡优势，对比TCN-LightGBM与TCN-KDE，其既能在温度平稳区间紧密包裹真实值，又能在剧烈波动区段可靠包容真实值变化，避免区间过度宽泛或覆盖缺失的问题。该方法对镍锍出口温度具有高精度预测能力，并能有效适应工业生产中的动态波动，可为镍冶炼过程的实时监测与工艺调控提供科学支撑。
关键词：镍冶炼;;镍锍温度;;精准预测;;时序卷积网络(TCN);;XGBoost动态误差补偿;;点预测;;区间预测
基金资助：镍钴共伴生资源开发与综合利用全国重点实验室科研项目(KY-YJ-04-2024)
