文献类型：期刊文章

作　　者：李爱莲[1] 赵多祯[1] 郭志斌[1] 张帅[1] 解韶峰[2]

LI Ailian;ZHAO Duozhen;GUO Zhibin;ZHANG Shuai;XIE Shaofeng(Information Engineering Institute,Inner Mongolia University of Science and Technology,Baotou 014010,China;Capital Construction Department,Inner Mongolia University of Science and Technology,Baotou 014010,China)

机构地区：[1]内蒙古科技大学信息工程学院,内蒙古包头014010 [2]内蒙古科技大学基建处,内蒙古包头014010

出　　处：《中国测试》

基　　金：内蒙古自治区自然科学基金项目资助(2016MS0610,2014MS0612);内蒙古科技大学产学研合作培育基金资助项目(PY-201512)。

年　　份：2020

卷　　号：46

期　　号：6

起止页码：1-6

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、IC、JST、PROQUEST、RCCSE、UPD、ZGKJHX、核心刊

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。

关 键 词：转炉 深度学习  深度信念网络  受限玻尔兹曼机  

分 类 号：TP391.9] N945.12[计算机类]