基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法技术

本发明专利技术公开了基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，属于水泥烧成系统熟料游离氧化钙的预测领域，包括获取与水泥熟料fCaO含量相关的时间序列数据，将所选的辅助变量组成的时间序列进行归一化处理；将归一化后的数据输入回归预测网络进行预训练；将所选的N个辅助变量的无标签样本数据组成的时间序列矩阵作为WGAN网络中的生成器的输入；搭建WGAN网络；将输入生成器的无标签辅助变量与生成器输出的伪标签数据进行数据拼接，并与有标签辅助变量与真实标签数据拼接成的样本对一起输入判别器，训练WGAN；搭建SSP

【技术实现步骤摘要】
基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法


[0001]本专利技术涉及水泥烧成系统熟料游离氧化钙的预测领域，特别是涉及基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法。

技术介绍

[0002]目前，新型干法水泥制造方法被广泛应用于我国主要的水泥生产企业，其生产工艺流程通常可分为生料制备、熟料煅烧和水泥制备三个环节。其中，熟料煅烧是水泥生产的核心工艺，直接影响水泥熟料的性能，其中水泥熟料游离氧化钙(fCaO)的含量是评价水泥质量的一个重要指标。水泥熟料fCaO含量很难在线监测，主要是离线人工采样化验，每小时采样化验一次，离线测量结果对水泥烧成过程的指导具有明显的滞后性，导致难以实现水泥烧成过程的实时控制和优化。水泥熟料烧成过程具有多时间尺度、标签样本数据少等特性，难以建立精确的水泥熟料fCaO预测模型。随着科学技术的进步与发展，软测量技术被引入到水泥制造业熟料在线检测的研究中，软测量技术是通过建立易测变量(或称辅助变量、输入变量)与主导变量(或称输出变量，一般不易测量)之间的软测量模型，实现主导变量的在线预测，该技术不但经济可靠，不需要进行设备的维护，而且动态响应迅速，有利于水泥熟料fCaO烧成过程的实时控制和优化，但是在生产过程中水泥熟料fCaO含量样本数据是离线测量，单纯的应用软测量模型时并不能解决由离线测量导致的水泥熟料fCaO含量样本数据量小的问题，水泥熟料fCaO难以准确预测的问题依然存在，所以本文中引入生成对抗网络模型用于水泥熟料fCaO含量样本数据的增强。
[0003]生成对抗网络是GoodFellow在2014年提出的框架，模型中生成器和判别器相互博弈相互学习，生成器输入随机噪声生成图像，判别器通过判别图像是真实图像还是生成图像来训练并更新参数，而生成器则通过判别器误差的反向传播来更新权重和偏置，当生成器生成的图像能够“骗”过判别器时，二者博弈达到平衡并结束训练，但是该网络自提出以来就存在难以训练和训练不稳定等问题，有学者根据Wasserstein距离的思想提出Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network，WGAN)，解决了原始生成对抗网络训练不稳定的问题，不再需要小心平衡生成器和判别器的训练程度，基本解决了模型崩溃的问题，判别器的损失函数能直接指示训练进程，这个数值越小代表WGAN训练得越好，代表生成器产生的图像质量越高。本专利技术提出的网络结构采用WGAN与回归预测网络融合的方法，借助WGAN生成器强大的数据生成能力，将WGAN用于流程工业中缺失标签样本数据的填补，解决了水泥熟料fCaO含量样本数据量小的问题，又在WGAN的基础上融合回归预测网络，随着标签样本数据量的扩充，回归预测网络能够更充分地从数据中捕获时空特征，从而提升了回归预测网络的性能，解决了应用软测量模型时水泥熟料fCaO含量难以准确预测的问题。

技术实现思路

[0004]本专利技术提出基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，采用将
WGAN与回归预测网络结合的方法，将WGAN应用于流程工业中缺失标签样本的生成，利用WGAN生成的伪标签数据扩充数据集，用来训练回归预测网络，既解决了水泥熟料fCaO含量离线检测造成的数据量小的问题，又解决了应用软测量模型时水泥熟料fCaO含量难以准确预测的问题。
[0005]为实现上述目的，本专利技术所述方法包括以下步骤：
[0006]步骤1：根据对水泥生产工艺分析，获取与水泥熟料fCaO含量相关的时间序列数据为辅助变量，将所述的N个辅助变量组成的时间序列进行归一化处理；
[0007]步骤2：将归一化后的数据输入回归预测网络进行预训练，其中，回归预测网络由CNN+GRU构成；
[0008]步骤3：根据步骤1中的水泥生产工艺流程，将所选的N个辅助变量的无标签样本数据组成的时间序列矩阵作为WGAN网络中的生成器的输入；
[0009]步骤4：搭建WGAN网络，包含生成器和判别器，采用Wasserstein距离作为判别器的损失函数；将输入生成器的无标签辅助变量与生成器输出的伪标签数据进行数据拼接，并与有标签辅助变量与真实标签数据拼接成的样本对一起输入判别器，训练WGAN；
[0010]步骤5：搭建SSP
‑
WGAN模型，结合WGAN与回归预测网络，将WGAN的生成数据与真实数据混合作为回归预测网络的训练数据集，并训练；
[0011]步骤6：通过训练好的回归预测网络，实现水泥熟料游离氧化钙的预测。
[0012]本方法的进一步改进在于：所述N个辅助变量的无标签相关变量的时序矩阵为：
[0013]其中，n对应影响水泥熟料f
‑
CaO生产相关变量的采样频率，N代表步骤1中所选的N个影响f
‑
CaO含量的相关变量。
[0014]本方法的进一步改进在于：使用WGAN实现缺失标签的填补，Wasserstein距离作为损失函数，Wasserstein距离定义如下：
[0015][0016]其中，P
r
为真实数据分布，P
g
为生成数据分布，h
w
为含参数w的判别器网络，在WGAN中，判别器做的是近似拟合Wasserstein距离，距离L可以指示训练进程，其数值越小，表示真实分布与生成分布的Wasserstein距离越小，生成对抗网络训练的越好。
[0017]本方法的进一步改进在于：将WGAN生成的标签用于扩充CNN+GRU组成的回归预测模型的训练集，CNN+GRU网络的训练集数据由真实数据和生成对抗网络生成的数据两部分组成，将无标签样本按照真实数据中N个变量的排列顺序作为输入，生成的伪标签数据作为输出的方式排列，其中代表水泥熟料fCaO值，无标签数据与伪标签和真实样本对混合训练回归预测模型，实现水泥熟料fCaO含量的预测。
[0018]本方法的进一步改进在于：所述回归预测网络的模型为：
[0019]y
jA
＝σ
relu
(w
Aj
*A+b
Aj
)，j＝1，2，...n
[0020]u
jA
＝σ
down
(y
jA
)，j＝1，2，..n
[0021]r
t
＝σ(W
r
·
[h
t
‑1，u
jA
])，j＝1，2，..n
[0022]c
t
＝tanh(W
c
·
[r
t
×
h
t
‑
1，
，u
ja
])，j＝1，2，..n
[0023]u
t
＝σ(W
u
·
[h
t
‑1，u
jA
])，j＝1，2，..n...

【技术保护点】

【技术特征摘要】
1.基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，其特征在于，所述方法包括以下步骤：步骤1：根据对水泥生产工艺分析，获取与水泥熟料fCaO含量相关的时间序列数据为辅助变量，将所述的N个辅助变量组成的时间序列进行归一化处理；步骤2：将归一化后的数据输入回归预测网络进行预训练，其中，回归预测网络由CNN+GRU构成；步骤3：根据步骤1中的水泥生产工艺流程，将所选的N个辅助变量的无标签样本数据组成的时间序列矩阵作为WGAN网络中的生成器的输入；步骤4：搭建WGAN网络，包含生成器和判别器，采用Wasserstein距离作为判别器的损失函数；将输入生成器的无标签辅助变量与生成器输出的伪标签数据进行数据拼接，并与有标签辅助变量与真实标签数据拼接成的样本对一起输入判别器，训练WGAN；步骤5：搭建SSP
‑
WGAN模型，结合WGAN与回归预测网络，将WGAN的生成的伪标签数据与真实标签数据混合作为回归预测网络的训练数据集，并训练；步骤6：通过训练好的回归预测网络，实现水泥熟料游离氧化钙的预测。2.根据权利要求1所述的基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，其特征在于：所述N个辅助变量的无标签相关变量的时序矩阵为：其中，n对应影响水泥熟料f
‑
CaO生产相关变量的采样频率，N代表步骤1中所选的N个影响f
‑
CaO含量的相关变量。3.根据权利要求1所述的基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，其特征在于，使用WGAN实现缺失标签的填补，Wasserstein距离作为损失函数，Wasserstein距离定义如下：其中，P
r
为真实数据分布，P
g
为生成数据分布，h
w
为含参数w的判别器网络，在WGAN中，判别器做的是近似拟合Wasserstein距离，距离L可以指示训练进程，其数值越小，表示真实分布与生成分布的Wasserstein距离越小，生成对抗网络训练的越好。4.根据权利要求1所述的基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，其特征在于，将WGAN生成的标签用于扩充CNN+GRU组成的回归预测模型的训练集，CNN+GRU网络的训练集数据由真实数据和生成对抗网络生成的数据两部分组成，将无标签样本按照真实数据中N个变量的排列顺序作为输入，生成的伪标签数据作为输出的方式排列，其中代表水泥熟料fCaO值，无标签数据与伪标签和真实样本对混合训练回归预测模型，实现水泥熟料fCaO含量的预测。5.根据权利要求1所述的基于生成对抗网络的水泥熟料游离氧化钙数据的预测方法，其特征在于，所述回归预测网络的模型为：y
jA
＝σ
relu
(w
Aj
*A+b<...

【专利技术属性】
技术研发人员：郝晓辰，党辉，张逸夫，
申请(专利权)人：燕山大学，
类型：发明
国别省市：