否认多尺度光谱图波形神经网络用于高炉燃气利用率预测

科学领域:

• 金与材料科学 金与材料科学
• 人工智能和机器学习

背景情况:

• 气体利用率 (GUR) 对高炉运行效率和能源消耗至关重要.
• 高炉工艺变量经常受到非静止噪声和复杂的相互依赖的影响,这挑战了准确的GUR预测.
• 现有的方法很难在恶劣的铁制环境中同时解决噪声和可变相关性.

研究的目的:

• 开发高炉运行中气体利用率 (GUR) 的先进预测模型.
• 为了克服非静止噪声和合变量在铁制造工艺数据中的挑战.
• 为了实现GUR在线动态预测,以改善运营控制.

主要方法:

• 作为一个端到端的学习方法,提出了一种否定的多尺度光谱图波形神经网络 (DMSGWNN).
• 使用规范化自我表示 (RSR) 模型来消除过程变量的非静止噪声.
• 使用光谱图波形变换的多尺度光谱图波形神经网络 (MSGWNN) 已开发出来,以捕获复杂的变量相关性并提取多尺度特征.

主要成果:

• 提出的DMSGWNN方法在消除噪音和捕捉复杂的变量关系方面表现出有效性.
• 该模型在GUR预测方面实现了98.06%的高平均预测命中率 (HR).
• 验证是使用来自中国工厂的现实高炉铁制造工艺数据进行的.

结论:

• DMSGWNN方法为高炉GUR.准确的在线动态预测提供了强大的解决方案.
• 该方法成功地解决了铁制造过程中噪声和可变合的挑战.
• 这种预测能力为高炉运营商在优化运营和能源消耗方面提供了重要的价值.