根据注意力机制和神经网络优化分解炉的温度设置
Shangkun Liu1, Wei Shen1, Chase Q Wu2
1School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了一种新的CNN-LSTM-A模型,用于优化水泥分解炉温度. 这种先进的模型显著提高了预测准确性,提高了水泥生产质量和运营效率.
科学领域:
- 工业工程 工业工程 工业工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 在水泥分解炉中,精确的温度控制对于运行稳定性和高质量的水泥生产至关重要.
- 现有的方法可能缺乏处理复杂的热动力学和有效优化设置的复杂性.
研究的目的:
- 开发和验证一种新的深度学习模型,CNN-LSTM-A,用于优化分解炉温度设置.
- 提高水泥制造工艺中的预测准确性和运营效率.
主要方法:
- 提出了CNN-LSTM-A模型,将卷积神经网络 (CNN) 集成为空间特征,长期短期记忆网络 (LSTM) 用于时间数据,以及重量优化的注意力机制.
- 使用由最小绝对收缩和选择操作员 (Lasso) 与专家定义的输入一起选择的功能.
- 从一个水泥厂收集现实世界生产数据,用于经验验证和超参数分析.
主要成果:
- 与基线LSTM,基于深度卷积的LSTM和基于注意力的LSTM模型相比,CNN-LSTM-A模型显示出更高的预测准确性.
- 实验结果证实了该模型在现实条件下优化温度设置的有效性.
- 对超参数影响的分析为模型调整和部署提供了洞察力.
结论:
- 拟议的CNN-LSTM-A模型在优化分解炉温度控制方面取得了重大进展.
- 该模型显示了在水泥厂广泛采用该模型的巨大潜力,以自动化和改进炉子运行.
- 这种方法有助于通过智能控制提高水泥质量和制造效率.
