基於注意力機制的LSTM模型在燒結智能優化系統中的應用檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於注意力機制的LSTM模型在燒結智能優化系統中的應用燒結作為鋼鐵長流程的重要環節，存在生產過程參數繁多、生產控制參數波動大、生產控制調節滯後性大等問題，導致燒結礦質量存在一定程度波動。燒結智能優化系統，通過採集燒結一級生產操作、溫度場、檢化驗等數據建立數據倉庫；結合燒結工藝機理，運用大數據處理、深度學習等技術建立智能模型，從而推動燒結生產過程向數字化、智能化轉型。

技術要點和優勢

採集燒結礦質量參數和燒結生產過程參數數據，建立燒結過程參數和燒結礦質量參數的歷史生產數據樣本庫；將燒結生產過程參數作為輸入變量，燒結礦質量中的FeO 、SiO2 、鹼度等指標作為輸出變量建立基於注意力機制的 LSTM模型。 在LSTM網絡基礎上借鑑注意力機制思想，通過權重再分配使網絡更加關注訓練過程中輸入變量的非冗餘數據，再通過 LSTM 網絡挖掘包含更多信息的粗粒度特徵，對數據缺失造成的損失不能收斂問題，為減少損失函數在訓練過程中的震盪，提出加權均方誤差損失計算方式，考慮每輪輸入數據缺失值占總體的比重，使模型預測更為準確。 基於注意力機制的 LSTM模型對燒結礦質量參數做預測，預測準確度、收斂速度均優於普通LSTM網絡和BP神經網絡。

應用案例介紹

安鋼信陽鋼鐵廠燒結礦在高爐用料中占比較高，通過燒結工藝過程中的參數提前預測燒結礦質量指標對生產穩定具有重要意義。燒結智能優化系統投用後，使用燒結礦質量在線控制來代替人工分析數據和推斷生產狀況，然後修正誤差，穩定生產過程，有效地解決了燒結生產過程中大滯後、強耦合、非線性等問題。鹼度穩定率提高至97.12%，FeO合格率96.59%，達到了穩定燒結生產操作，減少生產波動的目的。