【技术实现步骤摘要】
基于时间序列插值
‑
注意力机制的铁水硅含量预测方法
[0001]本专利技术属于工业过程监控、建模和仿真领域，涉及一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，是机器学习技术在工业生产中的应用。
技术介绍
[0002]钢铁工业的生产水平是衡量一个国家工业自动化程度的标准之一，而高炉炼铁是钢铁工业中的核心单元操作。高炉炼铁是将铁矿石还原成铁的过程，在高炉炼铁工艺中，通常以铁水硅含量反映高炉炉内的热情况，其控制与高炉冶炼过程的稳定性、生产效率、能耗和铁水质量之间有密切关系，对硅的预报和控制往往是衡量高炉工厂操作水平的重要依据。但是由于高炉内变量的复杂时空分布与物理化学反应和高炉内特殊的环境，很难直接测量出铁水中的硅含量。
[0003]对于硅含量预测的研究已经有了很长时间的发展。研究初期，大多学者通过建立白箱模型来预测硅含量，但由于炼铁过程的动力学和热力学过程较为复杂，其建模不全面、预测精度不高。随着计算机软硬件和传感器技术的发展，基于数据驱动的黑箱模型受到了广泛的关注。黑箱建模...
【技术保护点】
【技术特征摘要】
1.一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，其特征在于，步骤包括数据预处理、模型训练、模型预测；步骤一：进行相关性分析，选择相关性较大的样本插值处理，再进行归一化后，作为模型的输入；步骤二：将样本分类，搭建时间
‑
空间注意力网络，输入训练集并根据其训练结果更新网络的权值，反复训练；步骤三：将测试集输入神经网络模型中，得到预测结果。2.根据权利要求1所述的方法，其特征在于，步骤一所述的相关性分析、插值处理及归一化过程如下：1.1）对传感器获得的变量与硅含量计算皮尔逊相关系数，选择排名前11的变量，即炉顶压力、CO2含量、喷煤量、富氧率、透气性、炉顶温度、热风压力、热风温度、热风流量、热风湿度和前一时刻硅含量作为神经网络的输入变量；1.2）对数据进行降采样、插值处理，保证对于一个确定的硅含量输出，输入的各个变量均为前半个小时内的均匀采样值：对输入变量采取降采样处理，获得每一分钟一个采样值；对硅含量采取线性插值处理，获得每半小时一个硅含量值；1.3）对降采样处理后的数据进行归一化处理，从而消除数值较大的变量与数值较小的变量变化对输出影响的不平衡性：式中，x
j
为归一化处理前的变量，为归一...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。