针对钢包连铸过程中需要精确控制下渣时刻的问题,提出一种基于局部加权回归和长短时记忆(LSTM)神经网络模型的连铸下渣预测系统。该系统对下渣过程中采集到的信号进行处理和识别,可准确预测下渣时刻。结合某钢厂的实际生产情况,在采集到的大量钢包下渣相关参数中,提取主要特征;使用局部加权回归对数据进行过滤处理,再结合LSTM建立下渣预测模型;给出LSTM模型与ARIMA模型、RNN模型的预测结果比较。研究结果表明,长短时记忆神经网络模型的预测误差小,预测准确度较高,具有广泛的应用前景。

利用计算网格实现高效率、低误差的时间序列预测,对科研、工商业等各个领域都具有重要的现实意义。使用Nu-支持向量回归方法建模时间序列预测问题;提出了数据集预处理方法,将原始时间序列转换成标准化的标记样本集;为了优化预测模型的参数,基于并行化和粒度控制提出两阶段搜索策略。在网格计算环境内设计了系统框架,以网格服务的动态组合实现时间序列预测。使用基准数据集对系统化预测方案进行性能测试,优化结果表明本方案能够针对特定数据集自适应的完成模型参数优化,且显著加速了优化过程。预测结果显示优化后的模型针对未知样本能获得较高的预测精度。

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。