基于双向长短时记忆网络模型预测烧结矿FeO含量 |
| |
引用本文: | 张学锋,闻亦昕,熊大林,龙红明.基于双向长短时记忆网络模型预测烧结矿FeO含量[J].冶金自动化,2023(6):85-92. |
| |
作者姓名: | 张学锋 闻亦昕 熊大林 龙红明 |
| |
作者单位: | 1. 安徽工业大学计算机科学与技术学院;2. 安徽工业大学冶金工程学院;3. 杭州和利时自动化有限公司 |
| |
基金项目: | 安徽高校自然科学研究项目(KJ2019A0063,2022AH050290); |
| |
摘 要: | 烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视,可以减少烧结能耗,改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况,研究了基于双向长短时记忆网络模型(bi-directional long short-term memory, BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据,经过滤、提优等数据处理后,选取BiLSTM神经网络进行训练、调参,与企业现场烧结工艺相结合,提高了模型预测的准确率,基本实现了烧结矿FeO的预测。测试结果表明,在企业误差允许的范围内,准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。
|
关 键 词: | 双向长短时记忆网络 预测模型 烧结矿FeO含量 大数据 网络训练 |
|
|