数字通信世界杂志

摘要：为了提高转炉炼钢终点碳温预测的准确性，提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）的转炉终点碳温预测框架。通过挖掘过程数据的时序依赖特征，实现对终点碳温的动态预测。仿真结果表明：在±0.005%的误差范围内，碳含量预测模型命中率达到83%；在±10℃的误差范围内，温度预测模型命中率达到90%。该模型的准确度显著优于传统的机器学习模型，充分验证了所提出模型的有效性。

关键词： 转炉炼钢;终点预测;时间序列;LSTM;数据驱动;

专辑： 信息科技;工程科技Ⅰ辑

专题： 冶金工业;自动化技术

分类号： TF713;TP183