-
题名基于深度学习的转炉煤气发生量预测模型
被引量：2
- 1
-
-
作者
包向军
陈凯
郦秀萍
杨筱静
刘骁
陈光
-
机构
安徽工业大学能源与环境学院
中国钢研科技集团有限公司钢铁绿色智能化中心
钢铁研究总院有限公司
-
出处
《钢铁》
CAS
CSCD
北大核心
2024年第1期67-74,共8页
-
基金
国家重点研发计划资助项目(2020YFB1711101)。
-
文摘
转炉煤气发生量预测为转炉炉口微差压调控、转炉煤气回收质量提升和全厂煤气平衡调度提供重要支撑。以某钢厂吹炼过程转炉煤气实际发生量数据为依据,采用深度学习方法,建立了BP神经网络、LSTM长短记忆神经网络和RBFNN径向基函数神经网络3种转炉煤气发生量的预测模型,对比分析预测步数、输入样本量和隐藏单元数3个参数对预测模型精度和计算效率的影响。研究结果表明,模型的预测精度均随着预测步数的增加而减小,选择30步预测更符合钢厂的实际需求。随着样本输入量的增加,LSTM的精度无明显变化,BP的精度呈降低趋势,RBF的精度先大幅提高后缓慢降低。LSTM的预测效率无明显变化,BP大幅降低,RBF无变化。当3种模型各自在最佳样本输入量和30步预测条件下,随着隐藏单元数的增加,LSTM的精度基本不变,BP先略有升高再缓慢降低,RBF先大幅升高之后保持平稳,后面再大幅降低。LSTM的预测效率小幅降低,BP大幅降低,RBF保持不变。最终,在30步预测的条件下,LSTM、BP、RBF 3种模型的最佳参数条件为,LSTM样本输入量为125,隐藏单元数为135,此时均方根误差ERMS最小为13.38,训练时长为4.7min;BP样本输入量为50,隐藏单元数为60,此时ERMS最小为31.46,训练时长为16.8min;RBF样本输入量为210,隐藏单元数为210,此时ERMS最小为2.07,训练时长为1.2min,与实际数据相比,RBF预测效果最好。采用转炉煤气发生量预测结果调控风机的转速,可以使炉口微差压保持在更稳定的状态,减少吸风量,提高回收煤气热值。
-
关键词
吹炼过程
转炉煤气
发生量预测
深度学习
模型对比分析
-
Keywords
blowing process
converter gas
prediction of occurrence volume
deep-learning
comparative analysis of model
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TF713
[自动化与计算机技术—控制科学与工程]
-
