Resumen

La inconsistencia del periodo de detección de los datos del alto horno y el gran retraso temporal de los parámetros clave hacen que la predicción del contenido de silicio en metal caliente se enfrente a grandes retos. Con el objetivo de resolver el problema de que el contenido de silicio metálico caliente no es coherente con el periodo de detección de las series temporales de múltiples parámetros de control, se utilizó el modelo de ajuste de interpolación de splines cúbicos para realizar la integración de datos de múltiples periodos de detección. Se analizó el gran retraso temporal del proceso de fabricación de hierro en el alto horno. Además, se combinó el análisis de Spearman con el método de media móvil ponderada para optimizar el conjunto de datos de predicción del contenido de silicio. Con el objetivo de resolver el problema de la baja precisión de predicción del modelo de red neuronal ordinario, se utilizó un algoritmo genético para optimizar los parámetros del modelo de red neuronal BP con el fin de mejorar la velocidad de convergencia del modelo y lograr una optimización global. En combinación con el análisis de autocorrelación del contenido de silicio del metal caliente, se propuso un modelo modificado para la predicción del contenido de silicio del metal caliente basado en el análisis de errores para mejorar aún más la precisión de la predicción. El modelo tiene en cuenta de forma exhaustiva problemas como la inconsistencia en la detección de datos, el gran retraso temporal y la inexactitud de los resultados de la predicción. Su error absoluto medio es de 0,05009, que puede utilizarse en la producción real.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:contenido de silicio metálico, gran retardo de tiempo, silicio metálico caliente, modelo de red neuronal, período de detección, período de detección múltiple, múltiples parámetros de control, error absoluto medio, período de explosión, predicción del contenido de silicio
• Keywords:metal silicon content, large time delay, hot metal silicon, neural network model, detection period, multiple detection period, multiple control parameters, average absolute error, period of blast, silicon content prediction