基于多源信息融合的Autoformer烧结矿FeO含量软测量方法技术

本发明专利技术公开了一种基于多源信息融合的Autoformer烧结矿FeO含量软测量方法。首先，针对烧结过程数据动态性、强非线性和多源异构性等复杂特征，提出一种多源信息融合策略实现特征级信息融合和数据级信息融合，分别用于烧结矿横截面的图像特征提取和多源异构数据整合。随后，将较为全面的烧结过程信息以串行的方式输入至下游的Autoformer模型中。上述串行连接不仅提高了信息容量，还提供了关于烧结矿FeO含量等级的先验信息，这有利于Autoformer捕捉烧结流程中复杂的时序分布，使得基于多源信息融合的Autoformer模型在真实的工业场景中具备更精准的建模能力。备更精准的建模能力。备更精准的建模能力。

【技术实现步骤摘要】
基于多源信息融合的Autoformer烧结矿FeO含量软测量方法


[0001]本专利技术属于烧结过程质量指标的软测量建模方法，具体涉及一种基于多源信息融合策略的Autoformer烧结矿FeO含量软测量模型。

技术介绍

[0002]烧结过程状态的稳定性与烧结矿质量直接影响高炉炉况、产品质量以及生产能耗。烧结矿FeO含量是评价烧结矿生产的一项重要质量指标。在实际生产过程中，烧结矿的质量检测一般通过抽样化验来完成，该过程耗时过长，存在着显著的滞后性。针对该情况，有经验的操作人员会结合烧结机尾部烧结矿断面的燃烧状态来估计烧结矿FeO的含量，如果烧结矿的产品质量达不到工艺的要求，操作人员会结合经验提供相应的工艺参数的调整，这种简单的调控机制过于依靠经验，可靠性较低，严重影响着生产效率和烧结矿质量的稳定性。因此，结合烧结过程中的容易测量的参数(如原料配比、操作参数、设备参数和烧结机状态参数等等)，通过建立某种数学模型，来获取易测变量与难以实时获取变量(如烧结矿的质量指标)间的函数关系，从而对烧结矿FeO含量完成有效、实时的软测量，对于提高烧结过程的稳定性具备十分重要的意义。
[0003]烧结生产伴随着一系列复杂的物理化学反应，烧结过程数据存在着明显的时滞性、动态性与非线性，这些数据一般由传感器获取，以数值形式存在。然而除了数值数据，烧结机尾部的烧结矿断面直接反应了烧结矿的燃烧状态，以更为直观的方式体现了烧结矿质量的变化。在工业现场，烧结机尾部的烧结矿断面信息通常由可见光相机与红外热像仪采集，以可见光图像或者温度分布的形式来呈现。因此，数据的多源性也是烧结过程的典型特征，如何有效地结合多源异构数据完成烧结矿FeO含量的软测量，已经成为当下的研究热点与难点。

技术实现思路

[0004]本专利技术针对复杂的多源异构数据难以有效用于烧结矿质量指标实时测量的问题，提出一种基于多源信息融合策略的Autoformer烧结矿FeO含量软测量模型；采用多源信息融合策略将结矿横截面图像信息嵌入到时间序列中，实现特征级信息融合和数据级信息融合；多源信息融合为下游的Autoformer带来了全面的烧结过程描述与FeO含量等级的先验信息；基于串行结构实现模型的整体搭建，使其有利于捕捉烧结流程中复杂的时序分布，具备精准的软测量建模结果。
[0005]本专利技术采用以下技术方案实现：
[0006]步骤1：离线建模；
[0007]步骤1.1：对于烧结生产过程中的同一批原料，以成品烧结矿采样时间为基准，根据烧结机结构、台车运行状况以及物料传送皮带对烧结过程数据进行采样回溯，采集整个烧结流程中的各部位的传感器数据与烧结矿断面红外图像数据。
[0008]步骤1.2：结合专家知识和数据驱动的SE
‑
ResNet分类模型，分别完成烧结矿断面
的浅层特征与深层特征提取，实现图像特征级信息融合；
[0009]在烧结过程中，专家们总是关注最基本、最重要的反映生产质量的因素，从而实时估计烧结矿质量指标，通过不同的控制操作来保持稳定的生产。在烧结机尾部，烧结矿断面温度(通常被工人认为是亮度)和烧结红层厚度是直接反映燃烧状态的关键特征。烧结一致性代表垂直燃烧速度，主要与透气性有关，在很大程度上影响烧结矿FeO含量。同时，由于垂直烧结速率决定了燃烧终点即烧透点(burn
‑
through point，BTP)，因此BTP的整体状态对烧结矿性能的评价也起着重要作用。总的来说，根据专家知识共提取烧结矿断面温度、烧结红层厚度、燃烧一致性和BTP整体状态等四个浅层特征，分别以Temp、Thick、C和S
BTP
表示。以高和宽分别为h和w的烧结矿断面红外热成像图为例，上述特征具体表示为：
[0010][0011][0012][0013][0014]其中，t
ij
表示烧结矿断面红外热成像图坐标(i，j)处的温度，p
j
为第j列像素点中的红层高度，m
j
表示第j列像素点中最高温度点的高度；
[0015]随后，采用SE
‑
ResNet模型对烧结矿断面的FeO含量等级进行分类，根据网络学习到的分层卷积特征进行深度特征提取。ResNet是一种高效的深度学习框架，它通过残差学习模块来缓解深度网络的训练困难问题。设残差学习模块的输入是X，预期的底层映射U(X)定义为：
[0016]U(X)＝F(X)+X
[0017]式中，F(X)表示用于叠加的非线性残差映射层，X以快捷连接的方式接入残差学习模块，与F(X)通过元素加法得到U(X)。一般而言，F(X)中至少设置两个权重层以确保残差模块的有效性，以两个权重层为例，F(X)具体可表示为：
[0018]F(X)＝W2σ(W1X)
[0019]其中，W1和W2分别为第一个权重层和第二个权重层的权重矩阵，σ表示实现非线性激活函数(例如ReLU函数)。在上述残差学习模块基础上，将两个权重层替换为卷积层即可得到卷积残差模块，通过叠加多个残差卷积模块可实现ResNet模型的搭建。由于常规的卷积操作难以区分特征通道间的重要性，这里采用SE模块探索通道间的依赖关系，实现特征通道的重新校准与选择。假设常规残差卷积模块可以表示为F
cov
：X
→
Y，X和Y分别为卷积变换前后的输入和输出，H、W、C和H
′
、W
′
、C
′
分别表示输入和输出图像的高、宽和通道数，Y＝[y1，y2，...，y
C
′
]代表具体的C
′
个子通道输出。SE模块由压缩、激励和加权等三步组成。首先，对Y的每个通道实施全局平均池化，以第f个通道y
f
为例，压缩变换F
sq
可表示为：
[0020][0021]其中，y
f
(i，j)代表通道y
f
中坐标(i，j)处的数值，sf为第f个通道压缩变换后的输
出。随后执行激励变换F
ex
，具体而言引入sigmoid激活门控机制，实现通道权值的自适应校准：
[0022]w＝F
ex
(s，W)＝δ(g(s，W))＝δ(W
FC，2
σ(W
Fc，1
s))
[0023]其中，w＝[w1，w2，...，w
C
′
]是C
′
个通道的权值集合，δ是sigmoid激活函数，σ是ReLU函数，g(s，W)表示由两个全连接层(fully connected，FC)和一个ReLU组成的门控结构，s＝[s1，s2，...，s
C
′
]表示F
sq
的C
′
个输出，和是两个FC层的权值矩阵。在这个门控结构中，两个FC层分别降低(C
′→
C
′
/r)和提升(C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的Autoformer烧结矿FeO含量软测量方法，其特征在于，采用专家知识和数据驱动的SE
‑
ResNet分类模型分别提取烧结矿断面的浅层特征与深层特征，实现特征级信息融合，根据采样时间点将图像特征与烧结过程中其他数值数据实现数据级信息融合；将多源信息融合数据用于下游的Autoformer模型，使其利用更全面的烧结过程信息捕捉输入数据与输出数据的全局依赖关系，进而得到精准、稳定的烧结矿FeO含量软测量结果。2.根据权利要求1所述的基于多源信息融合的Autoformer烧结矿FeO含量软测量方法，其特征在于，所述多源信息来源于：对于烧结生产过程中的同一批原料，以成品烧结矿采样时间为基准，根据烧结机结构、台车运行状况以及物料传送皮带对烧结过程数据进行采样回溯，采集整个烧结流程中的各部位的传感器数据与烧结矿断面红外图像数据；所述多源信息融合的方式为：结合专家知识和数据驱动的SE
‑
ResNet分类模型，分别完成烧结矿断面的浅层特征与深层特征提取，实现图像特征级信息融合；在烧结过程中，根据专家知识共提取烧结矿断面温度、烧结红层厚度、燃烧一致性和BTP整体状态等四个浅层特征，分别以Temp、Thick、C和S
BTP
表示，高和宽分别为h和w的烧结矿断面红外热成像图，上述特征表示为：征表示为：征表示为：征表示为：其中，t
ij
表示烧结矿断面红外热成像图坐标(i，j)处的温度，p
j
为第j列像素点中的红层高度，m
j
表示第j列像素点中最高温度点的高度；随后，采用SE
‑
ResNet模型对烧结矿断面的FeO含量等级进行分类，根据网络学习到的分层卷积特征进行深度特征提取；设残差学习模块的输入是X，预期的底层映射U(X)定义为：U(X)＝F(X)+X式中，F(X)表示用于叠加的非线性残差映射层，X以快捷连接的方式接入残差学习模块，与F(X)通过元素加法得到U(X)，F(X)中设置两个以上的权重层以确保残差模块的有效性；在上述残差学习模块基础上，将F(X)中的权重层替换为卷积层即可得到卷积残差模块，通过叠加多个残差卷积模块实现ResNet模型的搭建；采用SE模块探索通道间的依赖关系，实现特征通道的重新校准与选择；常规残差卷积模块表示为F
cov
：X
→
Y，X和Y分别为卷积变换前后的输入和输出，H、W、C和H
′
、W
′
、C
′
分别表示输入和输出图像的高、宽和通道数，Y＝[y1，y2，...，y
C
′
]代表具体的C
′
个子通道输出；SE模块由压缩、激励和加权等三步组成；首先，对Y的每个通道实施全局平均池化，第f个通道y
f
，压缩变换F
sq
表示为：
其中，y
f
(i，j)代表通道y
f
中坐标(i，j)处的数值，s
f
为第f个通道压缩变换后的输出；随后执行激励变换F
ex
，引入sigmoid激活门控机制，实现通道权值的自适应校准：w＝F
ex
(s，W)＝δ(g(s，W))＝δ(W
FC，2
σ(W
FC，1
s))其中，w＝[w1，w2，...，w
C
′
]是C
′
个通道的权值集合，δ是sigmoid激活函数，σ是ReLU函数，g(s，W)表示由两个全连接层(fully connected，FC)和一个ReLU组成的门控结构，s＝[s1，s2，...，s
C
′
]表示F
sq
的C
′
个输出，和是两个FC层的权值矩阵，参数r是控制模型复杂度的超参数；最后，基于加权变换函数F
we
，对输出Y进行缩放，得到加权输出对于单通道计算，F
we
计算表示为：其中w
f
是第f个通道权值，符号
·
表示标量w
f
与单通道数据的乘积，表示的第f个加权通道；基于上述步骤，完成SE
‑
ResNet模块搭建，基于SE
‑
ResNet模块的堆叠组建出SE
‑
ResNet模型；基于烧结机尾部的烧结矿断面红外热成像图，搭建SE
‑
ResNet网络实现烧结矿FeO含量的等级分类；在模型训练结束后，根据网络学习到的分层卷积特征与每层特征通道间的权值大小，采用3σ准则选取权值显著的特征通道；随后，基于图像形态学运算消除噪声干扰，突出细节区域，分别计算细节区域的面积占比与温度和，实现图像深度特征的选取；基于上述的图像特征提取，分别将浅层特征与深层特征进行量化，以变量的形式完成图像特征级信息融合；随后通过计算图像采集与传感器数据采样的时间差，实现图像特征与传感器数值的数据级信息融合。3.根据权利要求1所述的基于多源信息融合的Autoformer烧结矿FeO含量软测量方法，其特征在于，所述Autoformer的构建方式为：将多源融合信息以串行连接方式与下游Autoformer模型相融合；Autoformer的整体实施过程由N个Encoder层和M个Decoder层组成；Encoder和Decoder在层级内模块首尾相连，Encoder的输出在每个Decoder层内部实现层级间相连；对于长度为L维度为d的输入序列Autoformer的实施步骤如下：通过求解第1个季节分量求解和第2个季节分量搭建Encoder层：搭建Encoder层：其中，AutoCorrelation、FeedForward和SeriesDecomp分别表示自相关模块、前向传播模块和趋势分解模块，表示第l
‑
1个Encoder层的输出，表示Encoder层的初始输入，和分别表示第l个Encoder层...

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