基于深度学习的烧结返矿量组合预报模型研究

摘要：

返矿量是影响烧结矿质量和炼铁成本的重要因素.针对该数据难以在短时间内获得且相关预测研究较少的问题,本文提出了一种应用深度学习算法构建的烧结返矿量组合预报模型.该模型首先将烧结实际生产流程大数据与数据预处理技术相结合,建立模型基础数据集;然后将烧结流程中存在的滞后性与时域神经网络相结合,实现模型的提前预报功能;同时将皮尔逊相关性分析和PCA技术制定的烧结配料规则与深度森林相结合,实现模型的实时监测功能.预测结果分析表明:该模型整体误差范围(返矿量在15 t/h内)命中率能够达到90％以上,并展示出良好的提前预报和实时监测效果,能够达到预测返矿趋势与数量的目标.

关键词：烧结返矿、滞后性、配料规则、深度学习、提前预报、实时监测

所属期刊栏目：48

分类号：TF046.4;TP183(一般性问题)

资助基金：唐山市科技计划项目;河北省教育厅科学技术研究项目;河北省自然科学基金-高端钢铁冶金联合基金资助项目

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：57-66