一种基于深度学习+注意力机制的游离氧化钙监测模型

摘要
图/表
参考文献
相关文章 (2)

全文: PDF (2309 KB) HTML (1 KB) 输出: BibTeX | EndNote (RIS)

摘要本研究针对烧成过程中多尺度不平衡数据的特性，通过滑动窗口对齐不同采样频率的数据。在此基础上，利用时间卷积网络（TCN）初步提取时间序列特征和多变量空间耦合特征，形成特征张量。然后，通过长短期记忆网络（LSTM）模型进一步提取特征张量中的时间序列长距离依赖特征，增强模型的特征提取能力。最后，考虑到随机混合取样对化验结果的影响，引入注意力机制方法来提取采样时刻的关键特征，从而提升模型的监测能力。整体而言，本研究在考虑生产过程数据中的时空耦合关系的同时，充分考虑了实际生产中游离氧化钙含量的随机取样化验方式，有效提升了游离氧化钙的监测精度。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词 ：深度学习, 多时间尺度不平衡, TCLA模型, 游离氧化钙监测

出版日期: 2025-04-29

引用本文:

沈　彤, 王文财, 杨旭年, 郝晓辰. 一种基于深度学习+注意力机制的游离氧化钙监测模型[J]. 水泥杂志, 2025, 0(05): 46-.
SHEN Tong, et al. A free calcium oxide monitoring model based on deep learning and attention mechanism. Journal of Cement, 2025, 0(05): 46-.

链接本文:

http://www.cement.org.cn/CN/ 或 http://www.cement.org.cn/CN/Y2025/V0/I05/46