改进GRU的钢铁生产能耗特征自适应提取模型
张淑芬1
李雨欣2
屈昌盛2
谷铮2
高瑞2
1.华北理工大学 理学院,河北 唐山 063210;河北省数据科学与应用重点实验室,河北 唐山 063210;唐山市数据科学重点实验室,河北 唐山 0632102.华北理工大学 理学院,河北 唐山 063210;河北省数据科学与应用重点实验室,河北 唐山 063210
摘要：目的 针对传统模型在钢铁生产工序中能耗特征提取不充分的问题,方法 提出一种自适应特征提取模型AGRU-Attention.该模型通过引入自适应机制,实现对输入特征权重的动态调整和对GRU(gated recurrent unit,GRU)模型的改进.首先,利用自适应门控单元(adaptive gate unit,AGU)动态调整特征权重,使模型更准确地关注到能耗预测特征因子;其次,通过门控循环单元层充分提取调整后的能耗特征;最后,利用注意力机制对提取出的特征进行加权处理,并将加权后的特征输入到全连接层进行预测输出.为验证所提模型的自适应能力,使用不同来源和数据量的2个数据集,将本文模型与线性回归、支持向量机、CNN、LSTM模型和文献[19]提出的序列到序列GRU模型进行对比.结果 结果表明,AGRU-Attention模型在2个数据集中的预测精度明显优于其他模型.相较于AGRU模型,AGRU-Attention模型在数据集1上的MSE,RMSE,MAE分别降低了99.99%,99.71%,99.67%;在数据集2上的MSE,RMSE,MAE分别降低了 98.64%,88.36%,91.27%.这表明AGRU-Attention模型在生产能耗预测中准确性更高.结论 所提模型不仅实现了对输入特征权重的自适应调整,准确提取了不同数据集特征,而且通过注意力机制对特征进行加权,显著提升了模型预测的准确性.
关键词：自适应特征提取注意力机制钢铁生产能耗数据
分类号：TP183(自动化基础理论)TF089(一般性问题)
资助基金：国家自然科学基金(U20A20179)
论文发表日期：2025-07-31
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1-10 )
英文信息