钢铁研究学报

作者：范晓慧^1,2, 庄戴鸿¹, 周茂军³, 向家发^1,3, 黄晓贤^1,2, 陈许玲^1,2, 冯振湘^1,2

单位：1.中南大学资源加工与生物工程学院,湖南长沙410083;；2.中南大学金属资源开发利用碳减排教育部工程研究中心,湖南长沙410083;；3.宝山钢铁股份有限公司炼铁厂,上海200941

关键词：烧结终点,长期预测,卷积神经网络,时间序列,长短期记忆神经网络

基金：国家自然科学基金基础科学中心资助项目(72088101)

烧结终点(Burn-through Point, BTP)状态直接影响烧结过程的产量、质量和能耗指标。针对目前BTP的预测在时间跨度和工况适应性方面均存在不足的情况,提出一种结合卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆神经网络(Long Short-term Memory,LSTM)的烧结终点长期预测方法。利用可以通过CNN模块从输入数据中提取跨特征的局部时序模式,结合LSTM的时序动态建模能力,对数据集内部特征的长时间尺度关系建模,形成高效的混合模型,进而在混合料布料点火阶段提前对烧结终点进行预测。试验和应用结果表明,在45 min的预测窗口下该模型的平均绝对误差低于0.4节风箱,在±0.8节风箱内预测准确率达89.2%,为长时间跨度下烧结终点预测提供了实用的解决方案。

来源：2025年第11期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2025年第11期