改进深度信念网络的转炉耗氧量预测

• 作者: 张帅 李爱莲 解韶峰 赵多祯 郭志斌
• 来源期刊: 中国测试
• 学科: 地球科学
• 关键词: 转炉 深度学习 深度信念网络 受限玻尔兹曼机
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 测试理论
• 页码范围: 1-6
• 页数: 6页
• 分类号: TP391.9|N945.12
• 字数: 3889字
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2019080078

摘要

为降低炼钢能耗,提高炼钢的产量、质量及炼钢过程中的耗氧量预测精度,针对某钢厂的转炉,基于海量历史数据,提出一种基于深度学习的改进深度信念网络(DBN)转炉耗氧量预测模型.通过引入高斯伯努利受限玻尔兹曼机(GBRBM),解决传统DBN中受限玻尔兹曼机(RBM)所引起的在连续输入时造成的信息丢失问题.首先经过数据预处理,再采用灰色关联度法,找出影响耗氧量的主导因素,最后将其作为GBRBM-DBN模型的输入,建立GBRBM-DBN模型,并通过仿真验证该方案的可行性.结果表明:该方案能够准确地预测炼钢过程中的耗氧量,预测精度高,泛化性强,可为实际生产提供理论指导.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李爱莲	内蒙古科技大学信息工程学院	56	103	5.0	6.0
2	解韶峰	内蒙古科技大学基建处	14	18	2.0	4.0
3	郭志斌	内蒙古科技大学信息工程学院	3	0	0.0	0.0
4	张帅	内蒙古科技大学信息工程学院	5	1	1.0	1.0
5	赵多祯	内蒙古科技大学信息工程学院	2	0	0.0	0.0