基于极大似然循环自更新神经网络的高炉料位时空特征融合测量方法

高炉料位实时高精度测量是高炉精细化智能布料控制的前提，更是保证高炉高效、绿色和低碳冶炼的关键。在高炉实际生产过程中，炉内处于高温高压密闭多尘环境下，传统的机械及雷达探尺料位测量方法面临料位测量精度与连续性无法兼顾的挑战。为此，本文提出基于极大似然循环自更新神经网络的高炉料位时空特征融合测量方法，该方法通过周期提取及极大似然估计等手段，精准提取雷达探尺料位时空特征，并以机械探尺信息为基准，构建能融合雷达数据时空分布特征及机械探尺数据的循环自更新神经网络结构，从而实现高炉料位实时连续高精度测量。研究结果表明：本文方法不仅能与雷达探尺实时连续测量高炉料位，且测量精度逼近机械探尺的测量精度，为高炉精细化绿色低碳冶炼提供了数据支撑，实用价值明显。