基于改进BP神经网络的烧结矿FeO含量预测 |
| |
引用本文: | 张学锋,张功辉,周志远,闻亦昕,张巧玉,刘胜歌.基于改进BP神经网络的烧结矿FeO含量预测[J].冶金自动化,2023(3):100-108. |
| |
作者姓名: | 张学锋 张功辉 周志远 闻亦昕 张巧玉 刘胜歌 |
| |
作者单位: | 1. 安徽工业大学计算机科学与技术学院;2. 中天钢铁集团(南通)有限公司 |
| |
基金项目: | 安徽省重点实验室研究项目(TZJQR002-2021);;安徽高校自然科学研究项目(KJ2019A0063);;安徽省教育厅自然科学研究重点项目(KJ2021A1289); |
| |
摘 要: | 影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系,预测难度较大。针对烧结矿FeO含量难以直接预测的问题,提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率,结合烧结工艺,选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构,Adam算法优化四层BP神经网络的训练过程,进而提高模型的预测精度和泛化能力。试验表明,改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时,命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比,该模型的误差更小,同时预测精度也得到显著提升。
|
关 键 词: | 烧结矿 FeO含量 机尾断面热成像 BP神经网络 Dropout算法 Adam算法 |
|
|