基于时间序列插值-注意力机制的铁水硅含量预测方法技术

本发明专利技术公开了一种基于时间序列插值

【技术实现步骤摘要】
基于时间序列插值
‑
注意力机制的铁水硅含量预测方法


[0001]本专利技术属于工业过程监控、建模和仿真领域，涉及一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，是机器学习技术在工业生产中的应用。

技术介绍

[0002]钢铁工业的生产水平是衡量一个国家工业自动化程度的标准之一，而高炉炼铁是钢铁工业中的核心单元操作。高炉炼铁是将铁矿石还原成铁的过程，在高炉炼铁工艺中，通常以铁水硅含量反映高炉炉内的热情况，其控制与高炉冶炼过程的稳定性、生产效率、能耗和铁水质量之间有密切关系，对硅的预报和控制往往是衡量高炉工厂操作水平的重要依据。但是由于高炉内变量的复杂时空分布与物理化学反应和高炉内特殊的环境，很难直接测量出铁水中的硅含量。
[0003]对于硅含量预测的研究已经有了很长时间的发展。研究初期，大多学者通过建立白箱模型来预测硅含量，但由于炼铁过程的动力学和热力学过程较为复杂，其建模不全面、预测精度不高。随着计算机软硬件和传感器技术的发展，基于数据驱动的黑箱模型受到了广泛的关注。黑箱建模不需要了解过程的机理而通过海量数据来捕捉过程变量间的关系。用于硅含量预测的数据驱动方法主要有支持向量机、神经网络等。但是，支持向量机难以选择一个合适的核函数，对缺失数据敏感且训练困难；BP神经网络由于规模过于庞大和学习训练时间太长、时间上的长依赖等问题，降低了网络的实用性。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足，提供一种基于时间序列插值
‑/>注意力机制的铁水硅含量预测方法，并开发了相应的软件。
[0005]一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，步骤包括数据预处理、模型训练、模型预测；步骤一：进行相关性分析，选择相关性较大的样本插值处理，再进行归一化后，作为模型的输入；步骤二：将样本分类，搭建时间
‑
空间注意力网络，输入训练集并根据其训练结果更新网络的权值，反复训练；步骤三：将测试集输入神经网络模型中，得到预测结果。
[0006]步骤一所述的相关性分析、插值处理及归一化过程如下：1.1）对传感器获得的变量与硅含量计算皮尔逊相关系数，选择排名前11的变量，即炉顶压力、CO2含量、喷煤量、富氧率、透气性、炉顶温度、热风压力、热风温度、热风流量、热风湿度和前一时刻硅含量作为神经网络的输入变量；1.2）对数据进行降采样、插值处理，保证对于一个确定的硅含量输出，输入的各个变量均为前半个小时内的均匀采样值：对输入变量采取降采样处理，获得每一分钟一个采样值；对硅含量采取线性插值处理，获得每半小时一个硅含量值；
1.3）对降采样处理后的数据进行归一化处理，从而消除数值较大的变量与数值较小的变量变化对输出影响的不平衡性：式中，x
j
为归一化处理前的变量，为归一化后的变量，max(x
j
)为x
j
中的最大值，min(x
j
)为x
j
中的最小值，处理后，将其作为神经网络的输入。
[0007]步骤二所述的样本分类、网络搭建及训练过程：2.1）将样本以7：1：2的比例分为训练集、验证集和测试集；训练集用来迭代训练神经网络；验证集防止网络过拟合；测试集用来检测最终预测效果；2.2）搭建引入时间
‑
空间注意力的GRU网络：每次迭代优化各输入变量的权重，在每个时间点上自适应地选择相应的输入特征；每次迭代优化各时间点的权重，在整个时间步长中自适应地选择相应的隐藏层状态，将注意力放在某些时间点、某些特征，同时迭代优化GRU网络的参数，构建一个自优化的神经网络；2.3）将训练集输入搭建好的网络根据输出与实际值的差异调整神经网络参数和权重，反复迭代，训练集与验证集均可衡量预测效果的好坏。
[0008]步骤三所述的预测结果是指半小时后的硅含量预测数值。
[0009]步骤四：开发软件，实现用户注册、登录、数据导入和硅含量预测的功能。
[0010]本专利技术的有益效果：本专利技术解决了铁水中硅含量预测的长时间依赖和相关性问题，同时解决了现有方法中把不同采样频率、不同时间间隔对应关系的输入变量和真实硅含量放入同一个模型中盲目训练的问题，提高了模型的准确性和针对性，显著提高了对于铁水硅含量的预测精度。
附图说明
[0011]图1是神经网络架构图。
[0012]图2是本专利技术方法对硅含量测试集的预测结果。
[0013]图3是软件登录界面图。
[0014]图4是软件注册界面图。
[0015]图5是软件主界面图。
具体实施方式
[0016]注意力机制（Attention Mechanism）最早应用于计算机视觉领域，可以让神经网络在执行任务时更多地关注输入中的相关部分，更少关注不相关的部分，利用有限的注意力资源从大量信息中快速筛选出高价值的信息。GRU（Gate Recurrent Unit）是RNN（Recurrent Neural Network）的一种，为解决长期记忆和反向传播中的梯度问题所提出。利用GRU网络对铁水中硅含量的数据序列进行建模，并使用注意力机制自适应地调节不同输入特征、不同时刻对预测结果的影响程度，在一定程度上解决了铁水中硅含量预测的长时间依赖和相关性问题，提高了预测精度。在预处理方面，通过时间维度上的降采样和插值，解决了现有方法中把不同采样频率、不同时间间隔对应关系的输入变量和真实硅含量
放入同一个模型中盲目训练的问题，提高了模型的准确性和针对性。本专利技术应用于高炉铁水硅含量的预测研究尚属空白，为高炉铁水硅含量的预测提供了一种新的方法。
[0017]以下结合附图和实施例对本专利技术做进一步的阐述。
[0018]本专利技术提出的一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，包括以下各步骤：1、在钢铁厂实地获取传感器数据，包括富氧率等输入数据和硅含量数据，通过相关性分析、降采样和插值处理、归一化等方法预处理。对传感器获得的变量与硅含量计算皮尔逊相关系数，选择排名前11的变量，即炉顶压力、CO2含量、喷煤量、富氧率、透气性、炉顶温度、热风压力、热风温度、热风流量、热风湿度和前一时刻硅含量作为神经网络的输入变量；对数据进行降采样、插值处理，保证对于一个确定的硅含量输出，输入的各个变量均为前半个小时内的均匀采样值：（由于传感器获取上述11个输入变量的频率较高，）对输入变量降采样处理，获得每一分钟一个采样值；（由于在工厂里获取历史真实硅含量的时间有随机性，为使模型的输入、输出数据在时间维度上的关系确定下来，）对硅含量采取线性插值处理，获得每半小时一个硅含量值；对降采样处理后的数据进行归一化处理，从而消除数值较大的变量与数值较小的变量变化对输出影响的不平衡性：式中，x
j
为归一化处理前的变量，为归一化后的变量，max(x
j
)为x
j
中的最大值，min(x
...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列插值
‑
注意力机制的铁水硅含量预测方法，其特征在于，步骤包括数据预处理、模型训练、模型预测；步骤一：进行相关性分析，选择相关性较大的样本插值处理，再进行归一化后，作为模型的输入；步骤二：将样本分类，搭建时间
‑
空间注意力网络，输入训练集并根据其训练结果更新网络的权值，反复训练；步骤三：将测试集输入神经网络模型中，得到预测结果。2.根据权利要求1所述的方法，其特征在于，步骤一所述的相关性分析、插值处理及归一化过程如下：1.1）对传感器获得的变量与硅含量计算皮尔逊相关系数，选择排名前11的变量，即炉顶压力、CO2含量、喷煤量、富氧率、透气性、炉顶温度、热风压力、热风温度、热风流量、热风湿度和前一时刻硅含量作为神经网络的输入变量；1.2）对数据进行降采样、插值处理，保证对于一个确定的硅含量输出，输入的各个变量均为前半个小时内的均匀采样值：对输入变量采取降采样处理，获得每一分钟一个采样值；对硅含量采取线性插值处理，获得每半小时一个硅含量值；1.3）对降采样处理后的数据进行归一化处理，从而消除数值较大的变量与数值较小的变量变化对输出影响的不平衡性：式中，x
j
为归一化处理前的变量，为归一...

【专利技术属性】
技术研发人员：杨焓，刘文思，杨春节，
申请(专利权)人：浙江大学，
类型：发明
国别省市：