文件大小：1.43M
摘要：在高炉炼铁过程中，铁水硅含量是评估生产稳定性和铁水质量的重要指标。然而，高炉炼铁过程中涉及极为复杂的机理，存在多场多相耦合现象，且数据伴有缺失与噪声干扰，这些因素极大地影响铁水硅含量预测精度。随着工业智能化发展，工业大模型展现应用潜力。本文基于工业大模型的理念，提出一种融合概率分布与图卷积网络的高炉铁水硅含量预测方法。所提方法包括多通道单变量特征提取器、图神经网络与预测器。其中多通道单变量特征提取器基于变分自编码器提取变量概率分布特征表示，图神经网络用于实现变量交互，对缺失变量完成信息补充。本方法采用高炉数字孪生系统获取现场数据，用于实验验证，结果表明该方法对硅含量的预测命中率与现有方法相比提高了4.31%。此研究为工业大模型在高炉炼铁质量预测领域的应用提供了新的实践参考。
文章目录
0 引言
1 算法描述
1.1 变分自编码器
1.2 图卷积神经网络
1.3 基于工业大模型的算法流程
2 实例研究
2.1 数据获取和处理
2.2 实验结果
3 结论
