檢視基于注意力机制的LSTM模型在烧结智能优化系统中的应用的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p0.itc.cn/q_70/images03/20230429/05cae5c2bfc14009a8464e10ecea6b3c.jpeg width="310"></center>
<small>[https://www.sohu.com/a/671577509_121119273 来自 搜狐网 的图片]</small>
|}

'''基于注意力机制的LSTM模型在烧结智能优化系统中的应用'''烧结作为[[钢铁]]长流程的重要环节，存在生产过程参数繁多、生产控制参数波动大、生产控制调节滞后性大等问题，导致烧结矿质量存在一定程度波动。烧结智能优化系统，通过采集烧结一级生产操作、温度场、检化验等数据建立数据仓库；结合烧结工艺机理，运用[[大数据]]<ref>[https://www.sohu.com/a/235315664_100065429 什么是大数据，一张图带你看懂大数据] ，搜狐，2018-06-12</ref>处理、深度学习等技术建立智能模型，从而推动烧结生产过程向数字化、智能化转型。

==技术要点和优势==

采集烧结矿质量参数和烧结生产过程参数[[数据]]，建立烧结过程参数和烧结矿质量参数的历史生产数据样本库；将烧结生产过程参数作为输入变量，烧结矿质量中的FeO 、SiO2 、碱度等指标作为输出变量建立基于注意力机制的 LSTM模型。 在LSTM网络基础上借鉴注意力机制思想，通过权重再分配使网络更加关注训练过程中输入变量的非冗余数据，再通过 LSTM 网络挖掘包含更多[[信息]]的粗粒度特征，对数据缺失造成的损失不能收敛问题，为减少损失函数在训练过程中的震荡，提出加权均方误差损失计算方式，考虑每轮输入数据缺失值占总体的比重，使模型预测更为准确。 基于注意力机制的 LSTM模型对烧结矿质量参数做预测，预测准确度、收敛速度均优于普通LSTM网络和BP神经网络<ref>[https://www.sohu.com/a/256202965_395209 经典 | 最全神经网络结构大盘点] ，搜狐，2018-09-26</ref>。

==应用案例介绍==

安钢信阳钢铁厂烧结矿在高炉用料中占比较高，通过烧结工艺过程中的参数提前预测烧结矿质量指标对生产稳定具有重要意义。烧结智能优化系统投用后，使用烧结矿[[质量]]在线控制来代替人工分析数据和推断生产状况，然后修正误差，稳定[[生产]]过程，有效地解决了烧结生产过程中大滞后、强耦合、非线性等问题。碱度稳定率提高至97.12%，FeO合格率96.59%，达到了稳定烧结生产操作，减少生产波动的目的。

==参考文献==
[[Category:500 社會科學類]]