Page 59 - 国外钢铁技术信息内参（2022年8月）
P. 59
ᇏݓࣁඋ࿐߶
表 1 堵塞指数 1、2 和 3 的 LSTM 网络评估指标
LSTM#1 LSTM#2 LSTM#3
MSE 7.28*10 -4 8.43*10 -4 4.06*10 -4
R 2 0.882 0.971 0.928
由图 5（a）可见，除红框突出显示区域外，其它所有堵塞指数的预测值均与
实际值重合。红框区域预测值准确性低于其它区域是因为该区域的峰值远高于网
络训练时所涵盖的数值，如图 3（a）所示。提高堵塞指数 1 预测准确性的一个
ᇏݓࣁඋ࿐߶
方法是获取更多样化的数据点，以允许 LSTM 网络尽可能多的学习潜在长期依 ᇏݓࣁඋ࿐߶
赖关系。堵塞指数 2 的预测达到了最佳评估指标，由图 5（b）可见 60000 数据
点处下降段的预测值与实际值非常接近，这是因为训练数据集中涵盖了多个相似
幅度的下降数据，所以 LSTM#2 的预测准确性更高。根据表 1 对 LSTM 性能的
总结，预测准确性最高的是 LSTM 网络堵塞指数 2，其次是 LSTM#3。虽然
2
LSTM#1 的 R 值最低，但可以通过扩大训练数据集提高其预测准确性。
4. 结论
ᇏݓࣁඋ࿐߶
本研究证明，在操作参数基础上所得出的三项堵塞指数能够用于确定钙处理
钢的塞棒动作幅度。其中，通过塞棒实际位置和理论位置计算所得堵塞指数 1
变化最小；通过实际容量和理论容量计算所得堵塞指数 2 和 3 的变化相对较大。
耐火材料发生腐蚀时，数据集中的堵塞指数会出现负值，将其输入 LSTM 可用
ᇏݓࣁඋ࿐߶
于监测腐蚀程度且有助于模型预测的泛化。
通过序列函数对 LSTM 模型的输入特征进行预处理，在 60 个历史数据点的
基础上预测第 12 个未来时间步的堵塞指数。堵塞指数 1、2 和 3 的 LSTM 模型
共享相同的结构和超参数。网络由两个分别含有 64 个神经元的 LSTM 层和一个
含有 1 个神经元的密集层组成。LSTM 层之间采用 sigmoid 函数，输出层采用线
性函数，模型泛化丢失率为 0.2。
针对超过 35 个时期后堵塞指数 3 中所出现的 LSTM 与训练数据集过度拟合
的问题，本文采取了强制提前终止训练的措施。对比所有 LSTM 模型的预测性
ᇏݓࣁඋ࿐߶
2
能发现，R 最高的是 LSTM#2，其次是 LSTM#3 和 LSTM#1。扩大训练数据集
范围及数据集的多样化为提高所有 LSTM 模型的预测准确性提供了潜在可能。
CSM 中国金属学会 CMISI 冶金工业信息标准研究院
56
