查看更多>>摘要:高炉炼铁工艺在钢铁工业中具有重要意义.然而,由于高炉炼铁工艺流程复杂以及存在高温、高压、复杂物理化学反应等问题,建立有效的过程监控模型仍然是一个重大挑战.针对高炉炼铁过程中的铁水关键质量指标多步实时预测需求,参考仿人脑海马体与新皮质的持续学习(continuous learning,CL)理论,搭建基于多头自注意力机制、一维残差神经网络(residual neural network,ResNet)、长短期记忆网络(long short term memory,LSTM)与多层感知机(multi-layer perceptron,MLP)的持续学习时序数据预测建模框架,实现高炉炼铁过程铁水关键质量指标多步实时预测任务.实验结果表明,本文所提出的基于持续学习(CL-based)的建模方法优于传统的深度学习模型,取得了较高的预测精度,且随着预测时间步长的增加,所提出的模型呈现出较强的鲁棒性.