基于慢特征分析的烧结终点软测量

作者：曲鑫鹏; 张海峰^*; 杨春节; 赵宏博

来源：冶金自动化, 2022, 46(05): 48-55.

• 烧结终点
• 软测量
• 慢特征分析
• 偏最小二乘法
• 长短期记忆

烧结终点(burn-through point, BTP)是反映烧结状态的关键参数。在炼铁过程中，获得稳定的烧结BTP对于提高产量、改善质量和降低能耗非常重要。然而，在实际应用中，烧结是一个复杂的工业过程，具有很强的非线性和动态特性，这使得BTP软测量模型的构建十分困难。为了解决这一具有挑战性的问题，本文提出了一种基于特征提取和神经网络算法的BTP软测量模型。首先，为了有效处理过程动态性，使用动态慢特征分析(dynamic slow feature analysis, DSFA)算法提取烧结过程中的缓慢特征；然后，使用偏最小二乘(partial least square, PLS)算法降低慢特征的维数；最后，采用能够处理过程动态性和非线性的长短期记忆(long-short term memory, LSTM)算法对描述BTP和PLS生成的潜在变量之间关系的BTP软测量模型进行建模。试验结果表明，使用该方法进行软测量的决定系数(R2)达到0.821,均方根误差(root mean square error, RMSE)为0.324,与使用反向传播神经网络(back propagation neural network, BPNN)算法、支持向量回归法(support vector regression, SVR)以及单独使用PLS和LSTM等传统方法相比具有更高的预测精度。

• 单位
  浙江大学