摘要：烧结终点(burn-throughpoint，BTP)是反映烧结状态的关键参数。在炼铁过程中，获得稳定的烧结BTP对于提高产量、改善质量和降低能耗非常重要。然而，在实际应用中，烧结是一个复杂的工业过程，具有很强的非线性和动态特性，这使得BTP软测量模型的构建十分困难。为了解决这一具有挑战性的问题，本文提出了一种基于特征提取和神经网络算法的BTP软测量模型。首先，为了有效处理过程动态性，使用动态慢特征分析(dynamicslowfeatureanalysis，DSFA)算法提取烧结过程中的缓慢特征;然后，使用偏最小二乘(partialleastsquare，PLS)算法降低慢特征的维数;最后，采用能够处理过程动态性和非线性的长短期记忆(long-shorttermmemory，LSTM)算法对描述BTP和PLS生成的潜在变量之间关系的BTP软测量模型进行建模。试验结果表明，使用该方法进行软测量的决定系数(Ｒ2)达到0．821，均方根误差(rootmeansquareerror，ＲMSE)为0.324，与使用反向传播神经网络(backpropagationneuralnetwork，BPNN)算法、支持向量回归法(supportvectorregression，SVＲ)以及单独使用PLS和LSTM等传统方法相比具有更高的预测精度。 关键词：烧结终点;软测量;慢特征分析;偏最小二乘法;长短期记忆 下载高清全文—..