摘要：铁矿石烧结是高炉炼铁的关键初步工序，其中烧结过程关键生产指标在线实时智能感知是实现烧结工艺绿色、低耗、高效发展的关键技术之一。然而，一方面，传统的烧结生产指标（如ＦｅＯ含量）测定方法存在高耗时，难以满足实时控制的需求；另一方面，烧结过程数据具有非线性、多源异构性和时滞性，对提高建模精度提出了很大的挑战。为此，本文提出了一种面向烧结工业的多源异构数据融合与实时感知技术。本研究采用多源异构信息融合方法，针对红外热像仪采集到的烧结机截面图像数据，通过专家知识和基于离散余弦变换（ｄｉｓｃｒｅｔｅｃｏｓｉｎｅｔｒａｎｓｆｏｒｍ，ＤＣＴ）的ＦｃａＮｅｔ模型分别提取浅层和深层特征，实现了特征级和数据级融合。在预测任务中将二维卷积块作用在时序数据上，使用ＦｃａＢｌｏｃｋ作为特征提取的卷积块，有效提取了时序数据的频率分量信息。在真实炼钢厂的铁矿石烧结数据集上，本模型的预测精度和稳定性均优于现有模型，显著提高了对烧结过程关键质量指标的在线实时感知能力。 关键词：烧结过程；智能感知；多源异构信息融合；机器视觉；时间序列预测 下载高清全文—面向烧结工业的多源异构数据融合与实时感知技术.pdf