简介概要

基于BPNN和RNN模型的烧结矿质量预测方法对比及分析

来源期刊:冶金自动化2020年第5期

论文作者:刘加达 于帆 温治 张辉 张四宗 韩俊涛

文章页码:20 - 26

关键词:烧结;BPNN模型;RNN模型;质量预测;对比分析;

摘    要:针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。

详情信息展示

基于BPNN和RNN模型的烧结矿质量预测方法对比及分析

刘加达,于帆,温治,张辉,张四宗,韩俊涛

北京科技大学能源与环境工程学院

摘 要:针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。

关键词:烧结;BPNN模型;RNN模型;质量预测;对比分析;

<上一页 1 下一页 >

相关论文

  • 暂无!

相关知识点

  • 暂无!

有色金属在线官网  |   会议  |   在线投稿  |   购买纸书  |   科技图书馆

中南大学出版社 技术支持 版权声明   电话:0731-88830515 88830516   传真:0731-88710482   Email:administrator@cnnmol.com

互联网出版许可证:(署)网出证(京)字第342号   京ICP备17050991号-6      京公网安备11010802042557号