论文部分内容阅读
高炉铁水硅含量对于高炉炉温调控具有重要作用.若能预测出铁水的硅含量,高炉工长将可以提前采取措施进行控制.针对目前硅含量预测效率和精度不足的问题,提出基于门控循环单元神经网络(Gated Recurrent Unit Networks,GRU)的高炉铁水硅含量预测模型,结合高炉工长的实际生产经验和借助数学分析手段,深入研究了高炉原料、控制参数和状态参数对铁水硅含量影响的滞后性,利用GRU对时间序列数据的学习能力对高炉实际生产数据进行特征挖掘.以某钢铁厂的实际生产时序数据进行验证,将GRU模型与LSTM模型、BP模型的结果进行对比,研究发现GRU模型预测均方误差较小,训练时间较短,预测精度较高.