作者：李泽龙，杨春节，刘文辉，周恒，李宇轩 （浙江大学控制科学与工程学院，浙江 杭州 310027）

1 研究背景及方法比较 2 研究方法论述 3 性能比较及结果分析 4 心得体会

硅含量是炼铁过程重要的参考指标。在稳定工况下，当硅含量低于 0.4%时，炉温一般低于1500℃，无法正常炼铁；硅含量高于 0.6%时，温度过高，焦炭的消耗过高。为了炼铁过程的稳定进行，一般需要将硅含量控制在 0.4%～0.6%之间。如果可以提前预知硅含量，操作工将可以提前进行必要的操作来控制高炉平稳运行[1]。现有的硅含量检测方法是将出炉铁水送至化验室化验获得。这样得到的结果有严重的滞后，对生产的参考性大大降低。只有及时准确地预测出高炉硅含量，才能真正发挥这一指标的真正价值。

目前对于硅含量预测的模型主要有两大类：机理模型和数据驱动模型。

由于高炉炼铁是一个动态的时间序列，所以使用递归神经网络（recurrent neural network, RNN）更加合适。除此之外，高炉反应的过程是渐变的，也就是说当前的炉况与历史炉况相互关联。这就要求递归神经网络能够动态记忆历史信息，在学习新信息的同时保持历史信息留存持久化，所以本文引入了将 RNN 的隐含层添加长短时记忆网络结构(long short-term memory，LSTM)的方法进行研究。

RNN 的精髓在于对隐藏层之间进行了连接，跨越了时间点。换句话说，隐含层的信息不仅传递到了输出层，还传递到了下一时刻的隐含层。