基于深度迁移网络的高炉铁水硅含量在线预测方法及系统技术方案

本发明专利技术公开了一种基于深度迁移网络的高炉铁水硅含量在线预测方法及系统，通过利用铁水温度数据无监督的训练去噪自编码机网络，并堆叠多个去噪自编码机网络，从而获得深度去噪自编码机网络,在深度去噪自编码机网络前端嵌入动态注意力机制模块，获得基于动态注意力机制的深度网络以及迁移预训练好的基于动态注意力机制的深度网络，获得铁水硅含量在线预报模型，解决了现有高炉铁水硅含量在线预测精度低的技术问题，通过在深度去噪自编码机网络前端嵌入动态注意力机制模块，能实时的为每个输入样本的过程变量计算动态的注意力分数，使得模型能动态的为每个样本中有效的和有价值的过程变量分配更多的注意力，进而更高效并精准地在线预测铁水硅含量。地在线预测铁水硅含量。地在线预测铁水硅含量。

【技术实现步骤摘要】
基于深度迁移网络的高炉铁水硅含量在线预测方法及系统


[0001]本专利技术主要涉及高炉炼铁
，特指一种基于深度迁移网络的高炉铁水硅含量在线预测方法及系统。

技术介绍

[0002]高炉炼铁是钢铁流程中的上游和关键工序，是铁素物质流转换的核心关键单元。炼铁过程是一个连续鼓风、周期性加料和周期性出铁、在高温高压高尘等恶劣环境下发生复杂物理化学反应的生产过程。高炉炉缸内的铁水温度是衡量炉内热状态、高炉炉况和铁水质量的一个重要性能指标。由于高炉冶炼过程的封闭性要求，使得难以直接检测炉缸内部的铁水温度。
[0003]目前现场主要通过侵入式的热电偶在撇渣器处离线检测铁水温度来反应高炉炉缸内部的铁水温度。但连接撇渣器与炉缸出铁口的铁钩有一定的距离,使得检测到的温度存在一定的热损失无法准确的表征炉缸内的铁水温度。研究表明，铁水从炉缸流向撇渣器的过程中，铁水硅含量的信息不存在丢失，并且铁水硅含量与炉缸内铁水的温度具有较强的正相关关系，因此可以将铁水温度的检测转换为高炉铁水硅含量的预报。铁水硅含量偏低，说明铁水物理热不足，炉缸热储备不够，容易造成炉缸冻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，所述方法包括：利用铁水温度数据无监督的训练去噪自编码机网络，并堆叠多个所述去噪自编码机网络，从而获得深度去噪自编码机网络；在所述深度去噪自编码机网络前端嵌入动态注意力机制模块，后端加入一层回归层，获得基于动态注意力机制模块的深度网络，其中所述动态注意力机制模块用于描述输入样本的过程变量与预测目标之间的动态关系；基于所述深度网络，获得铁水硅含量在线预报模型，并基于所述铁水硅含量在线预报模型对高炉铁水硅含量进行在线预测。2.根据权利要求1所述的基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，在所述深度去噪自编码机网络前端嵌入动态注意力机制模块，后端加入一层回归层，获得基于动态注意力机制模块的深度网络包括：基于多个全连接层构建注意力得分模块，且所述注意力得分模块的计算公式具体为：ω
Fe
＝f
(M)
(W
(M)
(...f
(2)
(W
(2)
(f
(1)
(W
(1)
X
Fe
+b
(1)
)+b
(2)
))...+b
(M)
))，其中ω
Fe
代表注意力得分模块计算的得分矩阵，X
Fe
代表输入向量，f
(M)
为第M层神经元的非线性激活函数，W
(M)
和b
(M)
分别代表第M层神经元与前一层神经元之间的权值矩阵跟偏置矩阵；将所述注意力得分模块计算的得分矩阵ω
Fe
与输入变量X
Fe
做哈达玛积操作，并将输入变量X
Fe
与得分矩阵ω
Fe
对应位置元素相乘的矢量矩阵作为所述深度去噪自编码机网络的输入，从而获得基于动态注意力机制模块的深度网络，且所述基于动态注意力机制模块的深度网络的计算公式具体为：其中为基于动态注意力机制模块的深度网络的输出，f
(N+1)
为第N+1层神经元的非线性激活函数，W
(N+1)

【专利技术属性】
技术研发人员：蒋朝辉，蒋珂，谢永芳，潘冬，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：