10.3969/j.issn.1000-7059.2020.05.004
基于BPNN和RNN模型的烧结矿质量预测方法对比及分析
针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制.依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测.仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型.最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%.计算结果对烧结生产具有重要的指导意义.
烧结、BPNN模型、RNN模型、质量预测、对比分析
44
国家重点研发计划资助项目2017YFC0210304
2020-11-13(万方平台首次上网日期,不代表论文的发表时间)
共7页
20-26