作者：李泽龙，杨春节，刘文辉，周恒，李宇轩

作者单位：浙江大学控制科学与工程学院

来源：化工学报

针对高炉炼铁是一个动态过程，具有大延迟，工况复杂的特性。采用LSTM-RNN模型进行硅含量预测，充分发挥了其处理时问序列时挖掘前后关联信息的优势。首先根据时问序列趋势及相关系数选择自变量，并采用复杂工况的实际生产数据进行验证。然后用程序自动求解最优参数进行硅含量预测。最后将LSTM-RNN模型与PLS模型及RNN模型的结果进行对比，验证该方法的优势。研究发现LSTM-RNN模型预测误差稳定，预测精度较高，比传统的统计学及神经网络方法取得了更好的预测精度。

钢铁产业是工业生产的重中之重，而高炉炼铁是炼钢的前提，所以提高高炉炼铁效率具有重大的经济效益。硅含量是炼铁过程重要的参考指标。在稳定工况下，当硅含量低于0.4%时，炉温一般低于1500^。C，无法正常炼铁;硅含量高于0.6%时，温度过高，焦炭的消耗过高。为了炼铁过程的稳定进行，一般需要将硅含量控制在0.4%-0.6%之间。如果可以提前预知硅含量，操作工将可以提前进行必要的操作来控制高炉平稳运行。现有的硅含量检测方法是将出炉铁水送至化验室化验获得。这样得到的结果有严重的滞后，对生产的参考性大大降低。只有及时准确地预测出高炉硅含量，才能真正发挥这一项指标的价值。因此，对高炉铁水硅含量的及时预测具有非常重要的实际意义。