黏结漏钢作为最常见的漏钢事故,不仅会损坏连铸设备,甚至威胁操作人员生命安全。常规的漏钢预报模型主要依赖工艺参数的阈值进行判断和简单的统计分析,没有充分利用数据的时序变化,限制了模型的准确性。为了解决上述问题,将鲸鱼优化算法...黏结漏钢作为最常见的漏钢事故,不仅会损坏连铸设备,甚至威胁操作人员生命安全。常规的漏钢预报模型主要依赖工艺参数的阈值进行判断和简单的统计分析,没有充分利用数据的时序变化,限制了模型的准确性。为了解决上述问题,将鲸鱼优化算法(whale optimization algorithm,WOA)和长短期记忆神经网络(long short term memory,LSTM)结合,构建了一种基于深度学习的WOA-LSTM漏钢预报模型。提取温度特征、静态几何特征及动态特征,使用皮尔逊相关系数筛选出与漏钢事故相关性较高的特征参数,包括温升异常和温降区域温度变化率均值、最大值等11个特征。利用鲸鱼优化算法对长短期记忆神经网络的超参数进行寻优,以均方误差作为模型损失函数,通过循环迭代搜索出最优的网络超参数。在模型训练过程中,采用滑动窗口技术输入训练样本,使模型能够更好地学习和捕捉连铸过程中工艺参数的时序变化特征。最后使用某钢厂的实际生产数据进行了试验,与BP(back propagation)、LSTM及WOA-BP模型相比,WOA-LSTM预测模型在多个性能指标上均表现出色,能更精准地捕捉到特征数据的时序变化趋势,且模型的收敛速度快、预测精度高。该模型的报出率为98.4%,预报率为96.8%,能够满足钢厂实际生产的要求。展开更多
文摘黏结漏钢作为最常见的漏钢事故,不仅会损坏连铸设备,甚至威胁操作人员生命安全。常规的漏钢预报模型主要依赖工艺参数的阈值进行判断和简单的统计分析,没有充分利用数据的时序变化,限制了模型的准确性。为了解决上述问题,将鲸鱼优化算法(whale optimization algorithm,WOA)和长短期记忆神经网络(long short term memory,LSTM)结合,构建了一种基于深度学习的WOA-LSTM漏钢预报模型。提取温度特征、静态几何特征及动态特征,使用皮尔逊相关系数筛选出与漏钢事故相关性较高的特征参数,包括温升异常和温降区域温度变化率均值、最大值等11个特征。利用鲸鱼优化算法对长短期记忆神经网络的超参数进行寻优,以均方误差作为模型损失函数,通过循环迭代搜索出最优的网络超参数。在模型训练过程中,采用滑动窗口技术输入训练样本,使模型能够更好地学习和捕捉连铸过程中工艺参数的时序变化特征。最后使用某钢厂的实际生产数据进行了试验,与BP(back propagation)、LSTM及WOA-BP模型相比,WOA-LSTM预测模型在多个性能指标上均表现出色,能更精准地捕捉到特征数据的时序变化趋势,且模型的收敛速度快、预测精度高。该模型的报出率为98.4%,预报率为96.8%,能够满足钢厂实际生产的要求。
