作者：李爱莲¹, 赵多祯¹, 郭志斌¹, 张帅¹, 解韶峰²

作者单位：1. 内蒙古科技大学信息工程学院, 内蒙古 包头 014010;
2. 内蒙古科技大学基建处, 内蒙古 包头 014010

关键词：转炉;深度学习;深度信念网络;受限玻尔兹曼机

摘要：

为降低炼钢能耗，提高炼钢的产量、质量及炼钢过程中的耗氧量预测精度，针对某钢厂的转炉，基于海量历史数据，提出一种基于深度学习的改进深度信念网络（DBN）转炉耗氧量预测模型。通过引入高斯伯努利受限玻尔兹曼机（GBRBM），解决传统DBN中受限玻尔兹曼机（RBM）所引起的在连续输入时造成的信息丢失问题。首先经过数据预处理，再采用灰色关联度法，找出影响耗氧量的主导因素，最后将其作为GBRBM-DBN模型的输入，建立GBRBM-DBN模型，并通过仿真验证该方案的可行性。结果表明：该方案能够准确地预测炼钢过程中的耗氧量，预测精度高，泛化性强，可为实际生产提供理论指导。

Prediction of converter oxygen consumption in improved deep belief network
LI Ailian¹, ZHAO Duozhen¹, GUO Zhibin¹, ZHANG Shuai¹, XIE Shaofeng²
1. Information Engineering Institute, Inner Mongolia University of Science and Technology, Baotou 014010, China;
2. Capital Construction Department, Inner Mongolia University of Science and Technology, Baotou 014010, China
Abstract: In order to reduce the energy consumption of steelmaking, improve the production and quality of steelmaking and the prediction accuracy of oxygen consumption in steelmaking process, an improved deep belief network model based on deep learning is proposed for the converter of a steel mill based on massive historical data. By introducing the Gauss Bernoulli restricted Boltzmann machine (GBRBM), the problem of information loss caused by continuous input of RBM in the traditional deep belief network is solved. Firstly, after data preprocessing, the grey correlation method is used to find out the dominant factors affecting oxygen consumption. Finally, it is used as the input of GBRBM-DBN model to establish GBRBM-DBN model. The feasibility of the scheme is verified by simulation. The results show that the scheme can accurately predict the oxygen consumption in the steelmaking process, with high prediction accuracy and strong generalization, which can provide theoretical guidance for actual production.
Keywords: converter;deep learning;deep belief network;restricted Boltzmann machine
2020, 46(6):1-6  收稿日期: 2019-08-28;收到修改稿日期: 2019-10-17
基金项目: 内蒙古自治区自然科学基金项目资助（2016MS0610，2014MS0612）；内蒙古科技大学产学研合作培育基金资助项目（PY-201512）
作者简介: 李爱莲(1973-),女,河北唐山市人,副教授,硕士,主要从事复杂过程建模、优化控制研究
参考文献
[1] 孙瑜阳. 深度学习及其在图像分类识别中的研究综述[J]. 信息技术与信息化, 2018(1): 138-140
[2] 王鹏, 吴伟, 孟华栋, 等. 提高淮钢转炉终点温度命中率的工艺优化[J]. 钢铁, 2018, 53(3): 96-103
[3] 付佳. 基于BP神经网络的转炉供氧模型的研究与应用开发[D]. 北京: 冶金自动化研究设计院, 2014.
[4] 秦波, 吴庆朝, 张娟娟, 等. 基于PSO优化SVM的转炉炼钢用氧量预测研究[J]. 测控技术, 2014, 33(12): 121-124
[5] 赵辉, 易晓敏, 王红君, 等. 转炉炼钢耗氧量预测模型研究[J]. 计算机仿真, 2017, 34(1): 380-383,422
[6] 刘天宇. 基于深度信念网络的人脸识别[D]. 大连: 大连海事大学, 2017.
[7] RYO K, MASATO O, SHUN-ICHI A. Dynamical analysis of contrastive divergence learning: Restricted Boltzmann machines with Gaussian visible units[J]. Neural Networks, 2016, 79: 78-87
[8] 田沛, 温兴贤. 热工过程建模中的数据处理方法研究[J]. 计算机仿真, 2013, 30(8): 147-150
[9] 邓洲. 深度学习: 人工智能进入应用阶段[N]. 上海证券报, 2017-03-31（009）.
[10] 刘方园, 王水花, 张煜东. 深度置信网络模型及应用研究综述[J]. 计算机工程与应用, 2018, 54(1): 11-18, 47
[11] 张婷, 赵文婷, 赵涓涓, 等. 改进的深度信念网络肺结节良恶性分类[J]. 计算机工程与设计, 2018, 39(9): 2707-2713, 2729
[12] 姚腾辉, 李峰. 基于深度信念网络的建筑物用水流量预测[J]. 软件导刊, 2018, 17(10): 36-40