典型文献
基于慢特征分析的烧结终点软测量
文献摘要：
烧结终点(burn-through point,BTP)是反映烧结状态的关键参数.在炼铁过程中,获得稳定的烧结BTP对于提高产量、改善质量和降低能耗非常重要.然而,在实际应用中,烧结是一个复杂的工业过程,具有很强的非线性和动态特性,这使得BTP软测量模型的构建十分困难.为了解决这一具有挑战性的问题,本文提出了一种基于特征提取和神经网络算法的BTP软测量模型.首先,为了有效处理过程动态性,使用动态慢特征分析(dynamic slow feature analysis,DSFA)算法提取烧结过程中的缓慢特征;然后,使用偏最小二乘(partial least square,PLS)算法降低慢特征的维数;最后,采用能够处理过程动态性和非线性的长短期记忆(long-short term memory,LSTM)算法对描述BTP和PLS生成的潜在变量之间关系的BTP软测量模型进行建模.试验结果表明,使用该方法进行软测量的决定系数(R2)达到0.821,均方根误差(root mean square error,RMSE)为0.324,与使用反向传播神经网络(back propagation neural network,BPNN)算法、支持向量回归法(support vector regression,SVR)以及单独使用PLS和LSTM等传统方法相比具有更高的预测精度.
文献关键词：
烧结终点;软测量;慢特征分析;偏最小二乘法;长短期记忆
中图分类号：
作者姓名：
曲鑫鹏;张海峰;杨春节;赵宏博
作者机构：
浙江大学控制科学与工程学院,浙江杭州310027;广西柳钢东信科技有限公司,广西 柳州545002;北京北科亿力科技有限公司,北京100041
文献出处：
引用格式：
[1]曲鑫鹏;张海峰;杨春节;赵宏博-.基于慢特征分析的烧结终点软测量)[J].冶金自动化,2022(05):48-55
A类：
DSFA
B类：
慢特征分析,烧结终点,burn,through,point,BTP,炼铁,提高产量,降低能耗,工业过程,动态特性,软测量模型,十分困难,一具,神经网络算法,过程动态性,dynamic,slow,feature,analysis,烧结过程,partial,least,square,PLS,长短期记忆,long,short,term,memory,潜在变量,决定系数,root,mean,error,RMSE,反向传播神经网络,back,propagation,neural,network,BPNN,支持向量回归,回归法,support,vector,regression,SVR,偏最小二乘法
AB值：
0.344357
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
