文献类型：期刊文章

作　　者：曲鑫鹏[1] 张海峰[2] 杨春节[1] 赵宏博[3]

QU Xinpeng;ZHANG Haifeng;YANG Chunjie;ZHAO Hongbo(College of Control Science and Engineering,Zhejiang University,Hangzhou 310027,China;Guangxi Liuzhou Steel Dongxin Technology Co.,Ltd.,Liuzhou 545002,China;Beijing North Billion Technology Co.,Ltd.,Beijing 100041,China)

机构地区：[1]浙江大学控制科学与工程学院,浙江杭州310027 [2]广西柳钢东信科技有限公司,广西柳州545002 [3]北京北科亿力科技有限公司,北京100041

出　　处：《冶金自动化》

基　　金：国家自然科学基金重点项目(61933015);中央高校基本科研业务费专项资金资助项目(浙江大学NGICS大平台)(K20200002)。

年　　份：2022

卷　　号：46

期　　号：5

起止页码：48-55

语　　种：中文

收录情况：IC、RCCSE、普通刊

摘　　要：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(R~2)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。

关 键 词：烧结终点  软测量 慢特征分析  偏最小二乘法 长短期记忆  

分 类 号：TF046.4]