基于深度学习的铜转炉终点多任务动态预测模型及应用

摘要：

转炉终点判断的命中率直接关系到铜的质量和熔炼效率.针对铜转炉造渣、造铜终点判断智能化程度和命中率低的问题,当前工作提出了 一套集转炉工作条件、熔炼参数数据采集和造铜、造渣终点智能预报动态模型.基于深度学习算法,作者提出了时间终点、铜熔池火焰数字化特征、SO2浓度和烟气温度耦合的多任务模型,通过对100炉转炉熔炼历史数据进行训练,结果表明该模型造渣期平均预测误差为2.31％;造铜期平均预测误差为1.97％,终点预测命中率达到97.33％.相对于时间终点法和火焰模型命中率分别提高了 18.55％和6.38％,显著提高了预报命中率.本研究在铜转炉终点判断智能化进程中具有积极的指导意义.

关键词：转炉、深度学习、终点判断、多任务、神经网络

所属期刊栏目：47

分类号：U461;TP308(汽车工程)

资助基金：国家自然科学基金52166004

在线出版日期：2022-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：8-15