基于温度场主元分析的高炉炉况深度学习预测建模

作者：刘代飞; 张吉^*; 付强

来源：冶金自动化, 2021, 45(03): 42-50.

• 高炉炉况
• 温度场
• 主元分析
• 深度学习
• 预测模型

开展高炉过程大数据的信息深度挖掘与建模是高炉信息化和智能化建设的重要内容。针对传统浅层神经网络在高炉炉况信息表征上的不足,以炉况温度场信息挖掘为中心,构建了以炉况状态参数为目标的逻辑模型,模型输入为温度场、操作参数和指标参数。利用主元分析对108维的温度场数据进行降维处理,以86%的信息提取度为准则,形成20维主元特征参数。实例化逻辑模型形成卷积神经网络(convolutional neural networks,CNN)、长短期记忆网络(long short-term memory,LSTM)以及CNN与LSTM网络的混合模型CNNLSTM这3种模型。结果表明,CNN-LSTM模型的效果最佳,预测结果的灰关联度达0.89。采用深度学习构建的炉况预测模型,有助于炉况大数据的信息解析。

• 单位
  长沙理工大学