基于TST-LSTM模型的烧结料层透气性预测

摘要

烧结过程中烧结料层透气性对烧结矿的质量影响较大，因此需建立模型准确预测烧结料层透气性.由于传统编码-译码模型不能够满足时间序列的依赖关系，提出一种模型时序转换与长短期记忆网络（time-series transformer-long short-term memory,TST-LSTM）模型.此模型对变换神经网络模型的译码器部分进行处理，结合LSTM模型的优势，对烧结料层透气性进行了实时预测.最终用预测模型与传统的反向传播神经网络（back propagation neural network,BPNN）模型、支持向量回归（support vector regression,SVR）模型和长短期记忆（long short-term memory,LSTM）模型的仿真结果进行比较.结果表明，TST-LSTM模型预测性能较好且稳定.根据实际烧结过程进行仿真预测，验证了所提方法的有效性.

关键词

烧结料层 / 透气性 / 预测模型 / 注意力机制 / 神经网络 / 变换神经网络模型