首页 > 行业资讯 > 【新刊速览】胡进：基于多任务学习的高炉热状态预测

【新刊速览】胡进：基于多任务学习的高炉热状态预测

时间：2023-08-16 来源：浏览：

【新刊速览】胡进：基于多任务学习的高炉热状态预测

中国冶金

中国冶金

微信号 chinamet

功能介绍钢铁、铁合金、有色、电石、采矿、焦化、水泥、化工，环保行业的技术交流和行业信息平台

收录于合集

点击上方“蓝字”，关注更多精彩

基于多任务学习的高炉热状态预测

胡进 ¹ ，郜传厚 ²

(1. 浙江大学工程师学院，浙江杭州 310015；2. 浙江大学数学科学学院，浙江杭州 310058)

摘要

高炉热状态是影响高炉冶炼的重要因素之一，对其进行监控和预测是业界关注的重点。高炉热状态的预测常转化为对铁水硅含量数值变化趋势进行预测的分类问题，以及对铁水硅含量具体数值进行预测的回归问题。结合长短期记忆(LSTM)和多任务学习提出了一种神经网络模型，用于同时解决高炉热状态预测的分类和回归问题。模型在两个典型的高炉数据集上进行训练，分类预测结果准确率可达0.84，回归预测结果命中率和相关系数分别可达0.76和0.819 6。训练了两种单任务学习模型并与多任务学习模型进行对比。试验结果表明，多任务学习模型能同时提升高炉热状态分类和回归任务的预测性能，预测结果均优于单任务模型。

关键词

高炉；热状态预测；铁水硅含量；长短期记忆网络；多任务学习

引言

高炉是一种高能耗的工业反应器，其广泛应用于钢铁冶炼领域。由铁水温度表征的高炉热状态是影响高炉冶炼的重要因素之一，其控制水平决定了铁水质量、燃料消耗量和生产率等重要指标。但高炉系统是具有高维、大时滞、多分布参数等特点的非线性系统，内部长期处于高温、高压状态，同时存在多相物质间的复杂化学反应与传递现象，所以通过量化高炉特征变量来表征其热状态是一个巨大的挑战。

由于直接测量高炉内部的物理温度非常困难，人们往往不使用物理热来衡量高炉的热状态。在长期实践中，研究者发现了铁水硅含量与高炉热状态之间的正相关性，所以高炉的“化学热”即铁水硅含量成为了高炉热状态的可靠度量。每座高炉的铁水硅含量存在其合适的范围，若太高会增加燃料成本，而太低则会影响炉内热量，因此控制铁水硅含量成为控制高炉热状态的核心问题。但是在工业领域，目前没有很好的在线方法实现对铁水硅含量的控制，这使得以铁水硅含量预测为核心的高炉热状态模型研究迅速发展。

CHEN S等提出将铁水硅含量的变化趋势作为类别，将硅含量的预测转化为一个多分类预测问题，并使用改进的支持向量机(Support Vector Machine，SVM)方法对分类问题进行了很好的预测，可为高炉炉温的缓慢上升、缓慢下降、急速上升、急速下降提供指导。针对该分类问题，蒋珂等利用复合差分进化算法来优化极限学习机的参数，从而构建分类模型；LI J等则是采用了模糊逻辑构建模糊分类器进行预测。而对于铁水硅含量具体数值的回归预测，高绪东采用BP（Back propagation）神经网络进行建模，任彦军等使用基于Levenberg-Marquardt算法改进BP神经网络模型，在既定数据集上均取得了较好的预测效果。NURKKALA A等同样将神经网络模型运用在铁水硅含量回归预测上，提出了一种基于帕累托最优和混合整型规划的剪枝方法，有效缓解了模型训练的过拟合问题。刘小杰等通过使用Adaboost模型对铁水硅含量预测进行建模，针对高炉炉温监测设计了一套预警系统。庄田采用Elman-Adaboost模型对高炉铁水硅含量的分类和回归问题分别进行了建模，在硅含量预测问题上进行了较为全面的研究。

综合上述工作，可以将高炉热状态预测的研究归纳为两类问题：对铁水硅含量数值变化趋势进行预测的分类问题和对铁水硅含量具体数值进行预测的回归问题。从研究结果对高炉热状态控制的指导意义而言，两类问题可在不同的方面给出建议。以往工作提出的模型多种多样，也各有优势，但一般只针对其中一类问题进行预测，并不能同时为两类问题提供解决方案。为此，本文提出一种长短期记忆(Long Short-Term Memory，LSTM)-多任务学习(Multi-Task Learning Neural Network，MTLNN)神经网络模型，试图解决上述问题。同时，考虑到实际生产情况，高炉数据集的数据量不会太大，并且不同型号的高炉采集到的数据分布迥异，本文选用两个数据量约800组的高炉数据集进行模型训练，其中一个数据集特征多、数据分布较平稳，而另一个特征较少、波动较频繁。两个数据集上的训练结果均表明，多任务学习模型能同时输出高炉热状态分类与回归问题的结果，并且相较于单任务学习模型，多任务学习模型能有效提升分类和回归问题的预测性能。

精选图表