基于注意力机制和自编码器的玻璃炉温智能预测控制方法技术

本发明专利技术提供一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法，包括采集与预处理玻璃窑炉温度预测控制相关的生产历史数据；根据预处理得到的输入变量，采用注意力机制，得到每个时刻每个熔炉温度都带有注意力权重的输入变量；根据深度自编码器的重构误差，得到两个表示向量，包括相对欧式距离和余弦相似度，并结合深度自编码器中的编码器产生的潜在表示一起组成最终的低维表示；根据低维表示，采用LSTM预测模型，得到后面若干时间步长熔炉温度的预测值；根据LSTM预测模型和统计策略相结合的控制方式，对玻璃熔炉天然气流量和氧气流量进行在线智能调整，从而实现智能控制玻璃熔炉温度的波动，提高玻璃产品质量，降低能耗。

Intelligent predictive control method of glass furnace temperature based on attention mechanism and self encoder

【技术实现步骤摘要】
基于注意力机制和自编码器的玻璃炉温智能预测控制方法
本专利技术涉及玻璃窑炉熔化池温度自动控制
，具体涉及一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法。
技术介绍
玻璃窑炉熔化池温度控制效果直接关系到玻璃制品质量的好坏，进而影响玻璃制品成品率的高低。所以玻璃窑炉温度控制的稳定性至关重要。目前在玻璃生产中,窑炉温度控制己普遍采用计算机进行控制，但最常用的控制方法仍是普通PID控制(包括单回路、串级回路和分程控制等都是由PID作为基本的控制算法)，一些改进的方法包括Smith预估补偿加PID控制和模糊控制等。对窑炉温度进行的动态特性分析表明，一般情况下玻璃窑炉是一个大惯性、大滞后并具有非线性特征的变参数系统。而且窑炉在运行过程中还可能受到多种扰动因素如煤气压力波动、进料质量波动、窑炉保温性能变化、工作环境温度变化等的影响。鉴于玻璃窑炉的上述特性，现行的控制方法难以满足对窑炉温度控制的高性能要求。如单纯的PID控制对滞后较大的窑炉控制效果不好，难以适应对象参数的变化，且存在快速性与超调量之间的矛盾。Smith控制方法的设计又过分依赖于被控对象的精确模型,当参数变化时或模型误差较大时控制性能显著变坏。
技术实现思路
本专利技术要解决的技术问题，在于提出一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法。本专利技术解决其技术问题所采用的技术方案是一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法，包括以下步骤，步骤1，采集与预处理玻璃窑炉温度预测控制相关的生产历史数据；步骤2，根据预处理得到的输入变量，采用注意力机制，得到每个时刻每个熔炉温度都带有注意力权重的输入变量；步骤3，根据深度自编码器的重构误差，得到两个表示向量，包括相对欧式距离和余弦相似度，并结合深度自编码器中的编码器产生的潜在表示一起组成最终的低维表示；步骤4，根据低维表示，采用LSTM预测模型，得到后面若干时间步长熔炉温度的预测值；步骤5，根据LSTM预测模型和统计策略相结合的控制方式，对玻璃熔炉天然气流量和氧气流量进行在线智能调整。而且，步骤1中，采集玻璃熔炉碹顶温度实时测量值、玻璃熔炉池底温度实时测量值、天然气流量实时测量值和氧气流量实时测量值；对玻璃熔炉碹顶温度和玻璃熔炉池底温度进行min-max归一化处理；对天然气流量实时测量值和氧气流量实时测量值进行log归一化处理；将多个时刻的经过归一化处理后的熔炉碹顶温度实时测量值、熔炉池底温度实时测量值、天然气流量实时测量值、氧气流量实时测量值，组成输入变量X。而且，步骤2实现方式为，通过把输入变量X传入到注意力机制模块中，得到对每个特征进行了加权后的时刻t时的输入变量其中，表示t时刻的第i个特征的数值，表示第t个时刻的第i个特征的权重，得到每个时刻带有注意力权重的输入向量其中会使用t时刻的带有加权的输入变量和t-1时刻LSTM的隐层状态来得到t时刻LSTM的隐层状态。而且，步骤3的实现如下，根据输入向量和输出向量的重构误差提取出两个表示向量；根据相对欧式距离得到表示向量z1，根据余弦相似度得到表示向量z2，根据深度自编码器中编码器输出的潜在表示zc和表示向量z1和z2，确定低维表示z，z＝(zc,z1,z2)。而且，步骤4实现方式为，将低维表示z传入3层的LSTM预测模型中，得到下一个时刻的预测值xT+1，重复该操作p次，得到p个时间步长的预测值(xT+1,xT+2,…,xT+p+1)。而且，步骤4实现方式包括以下步骤，1)根据工业玻璃生产要求的熔炉温度允许的波动范围，当通过预测模型预测得到当前时刻T+1的温度值不正常时刻时，确定天然气流量和氧气流量对应的最大最小设定值；2)确定需要调整的天然气流量和氧气流量的设定值；根据T+1时刻的天然气流量和氧气流量的最大最小设定值，对比T+1时刻的天然气流量和氧气流量的实时值，调整如下，其中，OPT+1表示的是T+1时刻的天然气流量和氧气流量的实时值，和表示的是T+1时刻统计得到的天然气流量和氧气流量的工艺允许范围内的最大设定值和最小设定值。本专利技术和现有技术的区别以及相应产生的技术效果是：现有技术没有考虑到玻璃窑炉温度控制中输入向量的高维度和时间序列这两个数据特性，本专利技术首先考虑到输入向量中包含连续时间序列的特性，通过注意力机制，输入向量就可以在每个时刻选择性的聚集于某些主要特征，而不是传统的考虑每一时刻的所有特征；其次，本专利技术考虑到输入向量的高维的问题，如果直接拿来做模型的训练，会导致“维度灾难”的问题，所以，通过深度自编码器来对输入向量进行降维处理，得到带有输入向量重要信息的低维表示，进而在低维空间中进行窑炉温度的预测；最后，本专利技术通过预测、反馈、统计相结合的方法，实现窑炉温度的智能控制。通过本专利技术所述技术，可以实现玻璃窑炉温度的智能预测以及动态控制，从而实现玻璃质量的提高。本专利技术特别适合应用于大规模玻璃制造，具有重要的市场价值。附图说明图1为本专利技术实施例的流程图。具体实施方式以下结合附图和实施例详细说明本专利技术技术方案。本专利技术实施例提供一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法，包括以下步骤：步骤(1):数据预处理：采集与预处理玻璃窑炉温度预测控制相关的生产历史数据。步骤(1.1):玻璃熔炉历史数据采集本专利技术采集与玻璃窑炉温度控制相关的生产信息，因为玻璃熔炉上部署的用来检测和调节变量指标的传感器有1000多个，经过分析后，本专利技术需要的特征数据主要包括：玻璃熔炉碹顶温度实时测量值、玻璃熔炉池底温度实时测量值、天然气流量实时测量值和氧气流量实时测量值；步骤(1.2):特征归一化处理对采集到的玻璃熔炉碹顶温度实时测量值、玻璃熔炉池底温度实时测量值、天然气流量实时测量值、氧气流量实时测量值进行每分钟数据的填充对齐，得到四个同样时间间隔的熔炉特征；然后对熔炉特征进行统计分析，得出各自的最大值和最小值；因为数据中，不同特征之间的量纲是不同的，需要对数据进行归一化处理：实施例中，对采集到的玻璃熔炉碹顶温度实时测量值、玻璃熔炉池底温度实时测量值、天然气流量实时测量值、氧气流量实时测量值进行统计分析，得出各自的最大值和最小值；因为数据中，不同特征之间的量纲是不同的，需要对数据进行归一化处理：对玻璃熔炉碹顶温度实时测量值和玻璃熔炉池底温度实时测量值进行最小值-最大值标准化min-maxnormalization，具体公式如下：其中，x表示熔炉碹顶温度实时测量值或玻璃熔炉池底温度实时测量值，xmin表示该特征的最小值，xmax表示该特征的最大值，x*表示该特征进行min-max归一化之后的值；对天然气流量实时测量值、氧气流量实时测量值进行对数归一化lognormalization，具体公式如下：y*＝log(y+1)其中，y表示天然气流量实时测量值或氧气流量实时测量值，log表示以自然数e为底的对数，y*表示该特征进行对数归一化后的值；步骤(1.3):得到输入序列将多个时刻的数据组成输入序列X，每个时刻的数据包括该时刻相应经过归一化处理后的熔炉碹顶温度实时测量值、熔炉池底温度实时测量值、天然气流量实时测量值、氧气流量实时测量值：其中，表示实数，n表示输入序列中特征的个数，实施列中n取值为4，T表示时间窗口的大小，建议取值为3、5、10或15，本文档来自技高网...

【技术保护点】
1.一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法，其特征在于：包括以下步骤，步骤1，采集与预处理玻璃窑炉温度预测控制相关的生产历史数据；步骤2，根据预处理得到的输入变量，采用注意力机制，得到每个时刻每个熔炉温度都带有注意力权重的输入变量；步骤3，根据深度自编码器的重构误差，得到两个表示向量，包括相对欧式距离和余弦相似度，并结合深度自编码器中的编码器产生的潜在表示一起组成最终的低维表示；步骤4，根据低维表示，采用LSTM预测模型，得到后面若干时间步长熔炉温度的预测值；步骤5，根据LSTM预测模型和统计策略相结合的控制方式，对玻璃熔炉天然气流量和氧气流量进行在线智能调整。

【技术特征摘要】
1.一种基于注意力机制和自编码器的玻璃炉温智能预测控制方法，其特征在于：包括以下步骤，步骤1，采集与预处理玻璃窑炉温度预测控制相关的生产历史数据；步骤2，根据预处理得到的输入变量，采用注意力机制，得到每个时刻每个熔炉温度都带有注意力权重的输入变量；步骤3，根据深度自编码器的重构误差，得到两个表示向量，包括相对欧式距离和余弦相似度，并结合深度自编码器中的编码器产生的潜在表示一起组成最终的低维表示；步骤4，根据低维表示，采用LSTM预测模型，得到后面若干时间步长熔炉温度的预测值；步骤5，根据LSTM预测模型和统计策略相结合的控制方式，对玻璃熔炉天然气流量和氧气流量进行在线智能调整。2.根据权利要求1所述基于注意力机制和自编码器的玻璃炉温智能预测控制方法，其特征在于：步骤1中，采集玻璃熔炉碹顶温度实时测量值、玻璃熔炉池底温度实时测量值、天然气流量实时测量值和氧气流量实时测量值；对玻璃熔炉碹顶温度和玻璃熔炉池底温度进行min-max归一化处理；对天然气流量实时测量值和氧气流量实时测量值进行log归一化处理；将多个时刻的经过归一化处理后的熔炉碹顶温度实时测量值、熔炉池底温度实时测量值、天然气流量实时测量值、氧气流量实时测量值，组成输入变量X。3.根据权利要求2所述基于注意力机制和自编码器的玻璃炉温智能预测控制方法，其特征在于：步骤2实现方式为，通过把输入变量X传入到注意力机制模块中，得到对每个特征进行了加权后的时刻t时的输入变量其中，表示t时刻的第i个特征的数值，表示第t个时刻的第i个特征的权重，...

【专利技术属性】
技术研发人员：邹承明，陈德，姜德生，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42