钢铁研究学报

作者：成彬，黄诺金，雷华，左水利2

单位：1.西安建筑科技大学机电工程学院,陕西西安710055；2.中国重型机械研究院股份公司,陕西西安710018

关键词：关键词：连铸；漏钢预报；LSTM网络；注意力机制；特征提取；模型优化

摘要：针对传统漏钢预报模型时序建模能力不足，且大多没有对热电偶温度数据进行处理，直接作为模型输入导致计算量大的问题，通过分析黏结漏钢的形成机制和时序特征，基于长短期记忆网络（LSTM），添加能聚焦关键信息的注意力机制(Attention Mechanism)，提出了一种基于深度学习的Attention?LSTM漏钢预报模型。首先，对热电偶温度数据进行数据增广、帧间差分、阈值分割等处理，提取黏结漏钢的共性特征作为模型输入；其次，通过遍历选参搭建模型进行训练，以均方误差作为模型损失函数，寻找最优预报模型；最后，为提高模型预测精度，在Dense输出层前添加注意力机制模块完成模型优化。应用连铸现场数据对模型进行测试，测试结果表明，提出的Attention?LSTM漏钢预报模型以97.3%的预报率和100%的报出率，验证了模型的可行性和有效性。

来源：2024年第7期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2024年第7期