基于LSTM网络的焦炉火道温度预测建模仿真

摘要

焦炉加热过程具有非线性、强耦合、大滞后等特点.以包钢6号焦炉为背景,火道温度难于在线实时、准确测量,致使控制效果不太理想.为了提高焦炉立火道温度的预测精度,提出了基于深度学习长短时记忆(Long Short-Term Memory,LSTM)网络的焦炉立火道温度预测模型.首先对现场采集的海量工况数据进行预处理和特征提取,然后利用相关分析法归纳出影响炉温的关键变量,最后建立基于时间序列的焦炉立火道温度LSTM预测模型.结果 表明:LSTM预测模型与传统BP网络算法相比,预测精度更高、误差更小,可为焦炉的优化、控制奠定良好的基础,以保证焦炭质量、降低能耗并提高产量.