10.3969/j.issn.1000-7059.2022.05.005
基于慢特征分析的烧结终点软测量
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.
烧结终点、软测量、慢特征分析、偏最小二乘法、长短期记忆
46
TP311;TP183;TP273
国家自然科学基金;中央高校基本科研业务费专项资金资助项目
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
48-55