一种基于时序融合网络模型的加料回潮设备温度预测方法

本发明公开了一种基于时序融合网络模型的加料回潮设备温度预测方法，涉及生产过程控制领域，包括：采集加料回潮设备生产环境中时间序列数据，并进行预处理；将数据集划分为训练集、验证集和测试集，并对训练集注入高斯噪声；构建对出口温度进行预测的预测模型，预测模型为时序融合网络模型，包括残差TCN时序卷积网络、SK‑Net多尺度注意力网络和BiLSTM双向循环网络；利用训练集对预测模型进行预训练；利用训练好的预测模型对加料回潮设备出口温度进行预测；对预测结果进行评估，如果评估指标大于阈值，则启动增量训练流程重新训练预测模型。本发明通过多模块结合的深度学习模型，在复杂多变工业环境下，可以提高加料回潮设备出口温度的预测准确性。