基于DRSupAE的转炉炼钢终点碳温预测方法及应用技术

本发明专利技术公开了基于DRSupAE的转炉炼钢终点碳温预测方法及应用，通过改进监督自编码器预训练方式及引入残差连接形式将各层重要信息参与到深层的特征学习过程中形成一种深度残差监督自编码器的特征提取模型，增强重要信息在逐层学习中的影响和提取与终点碳温相关的高级特征；同时，基于WSKL的相似性准则，构建一种自适应即时更新回归网络的策略以快速适应待测样本的生产条件，提高模型的自适应预测性能。能。能。

【技术实现步骤摘要】
基于DRSupAE的转炉炼钢终点碳温预测方法及应用


[0001]本专利技术属于软测量
，具体涉及基于DRSupAE的转炉炼钢终点碳温预测方法及应用。

技术介绍

[0002]转炉炼钢作为炼钢的主要技术手段，具有生产效率高并且成本相对较低的特点。钢水的终点碳含量和温度是炼钢过程中的重要指标，它们是决定钢材质量是否达标的关键。因此，实现终点碳温的准确预测，对提高转炉炼钢生产的钢铁质量和生产效率、最大限度降低生产成本和节能减排具有着重要的意义。
[0003]目前，获得钢水终点碳含量和温度的方法主要有接触式测量和非接触式测量。副枪是典型的接触式测量设备。该检测方法由于副枪价格昂贵且长期工作在高温腐蚀环境下，使用成本较高；此外，这种测量方式只能间断式测量。人工经验判断终点是最常见的非接触式方法之一，工人根据经验判断炉次是否达到终点。但是这种方法会受到观察者主观情绪和熟练度等因素的影响，很难实现终点的准确判断。受该方法的启发，提出了一些基于容器口火焰辐射图像的非接触式测量模型，以预测终点碳含量和温度。由于在生产现场采集的火焰辐射光谱图片容易受到钢包等高温物体的干扰，使得准确预测终点变得极其困难。
[0004]由于转炉炼钢生产过程数据分布差异较大，数据间存在严重非线性特点，传统机器学习模型架构较浅，其表达能力仍然不足以描述复杂工业过程数据结构，容易导致模型性能不稳定甚至失效。此外，在实际炼钢生产中，来自不同批次的原材料的质量差异很大，并且受检测传感器老化、操作条件变化以及原材料品质差异等影响，采集到的过程数据存在时变的特点，由于生产过程数据特性在不断变化，使得离线模型无法根据实际工况变化及时更新，导致预测值与实际终点碳含量和温度产生较大偏差，影响转炉炼钢的生产质量。
[0005]因此，现目前需要一种针对解决转炉炼钢终点预测中，产过程数据高度非线性和复杂分布问题的，以提供更准确的预报结果。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供了一种基于DRSupAE的转炉炼钢终点碳温预测方法，通过改进监督自编码器预训练方式及引入残差连接形式将各层重要信息参与到深层的特征学习过程中形成一种深度残差监督自编码器的特征提取模型，增强重要信息在逐层学习中的影响和提取与终点碳温相关的高级特征；同时，基于WSKL的相似性准则，构建一种自适应即时更新回归网络的策略以快速适应待测样本的生产条件，提高模型的自适应预测性能。
[0007]为了达到上述技术效果，本专利技术是通过以下技术方案实现的：一种基于DRSupAE的转炉炼钢终点碳温预测方法，其特征在于，具体包括如下步骤：
[0008]S1：采集钢厂的过程数据及相应的终点碳温数据，对其实施归一化处理，并组成历
史训练数据库；
[0009]S2：对转炉炼钢历史训练集预训练DRSupAE特征提取模型，得到训练样本高级特征；
[0010]S3：基于DRSupAE特征提取模型得到的高级特征训练全局回归网络预测模型；
[0011]S4：新待测样本输入，对待测样本归一化处理，通过训练好的DRSupAE特征提取模型前向传播获取待测样本高级特征；
[0012]S5：基于WSKL距离，计算训练样本高级特征与待测样本高级特征之间的相似度；
[0013]S6：将训练样本按照相似度从大到小的顺序排序，选取S个样本作为更新数据集，利用更新数据对离线回归网络在线更新得到新的模型参数；
[0014]S7：使用更新的模型预测终点碳含量或者温度；
[0015]进一步的，所述步骤S2具体包括如下步骤：
[0016]S2.1：输入历史训练集，在第一个RSupAE中，利用原始输入数据{x1,x2,...,x
N
}及相应的标签{y1,y2,...y
N
}进行改进的有监督训练可以学习到一级特征数据及其网络参数；
[0017]S2.2：将提取到的一级特征传递到下一个自编码器进行深层提取特征前，输入数据经本专利技术定义的残差模块处理得到残差块特征后，以残差连接的形式与一级特征数据进行融合得到将其传递到RSupAE 2的输入层以来学习二级特征数据
[0018]S2.3：根据S2.2进行残差有监督特征提取，原始输入变量从低级特征逐渐提取的训练样本高级特征；
[0019]进一步的，所述步骤S5具体包括如下步骤：
[0020]S5.1：确定相似性准则的加权系数；
[0021]对于训练样本的第d维高级特征与目标变量向量y的互信息计算如下：
[0022][0023]得到各顶层特征与目标变量的MIC值，由下式计算MIC比例得到度量的加权系数
[0024][0025]S5.2：对待测样本高级特征及训练样本高级特征进行如下式的数据预处理，
[0026][0027]S5.3：根据S5.1获得的相似性准则加权系数，则待测样本高级特征及训练样本高级特征间的WSKL距离计算方式如下所示：
[0028][0029]距离越小，说明此历史样本与待测样本越相似；
[0030]为了区分不同样本的相似性，设计的基于WSKL距离的相似性度量函数如下所示：
[0031][0032]可以看出，λ越大，两样本越相似。式中，σ为可调节的参数，值越大，WSKL距离对相似度的影响越小；
[0033]本专利技术的又一目的在于提供一种深度残差监督自编码器，其特征在于，包括：编码器和解码器的三层网络，
[0034]进一步的，所述一种深度残差监督自编码器训练方法，包括在解码过程将同时重构输入和目标变量，并且由于终点碳温为单维度的目标变量，训练过程中改进了损失函数的计算，令标签在网络学习中的影响可控；具体包括如下步骤：
[0035]S1、编码器将输入变量x非线性激活函数转化为隐藏变量向量h，如下式：
[0036]h＝f(W1x+b1).
[0037]S2、：解码器将隐藏变量h经激活函数计算得到重构输入数据经激活函数计算得到重构目标变量如下式；需要优化的参数集表示为
[0038][0039]其中，和分别为解码过程中重构输入变量和预测目标变量的权重矩阵和偏置向量；
[0040]S3、：利用反向传播算法对网络进行参数优化，目标函数为：
[0041][0042]式中，y
i
和是第i个数据样本的输出真实值和预测值，d
x
表示输入变量的维度，β表示监督影响参数，取值在0到1之间；
[0043]本专利技术的有益效果在于：
[0044]本专利技术在提取原始转炉炼钢过程数据特征时，通过所构建的DRSupAE模型，不仅将目标变量的信息编码到隐含层中，还增强了相关的重要信息在逐层训练的影响。特征提取模型可以从原始输入数据中逐层提取与目标变量相关的特征。其次，本专利技术构建的自适应即时更新回归网络的策略，可以令预测模型快速适应当前的生产条件，以解决由于离线模型无法根据实际工况变化及时更新造成预测性能下降的问题，并且由于所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DRSupAE的转炉炼钢终点碳温预测方法，其特征在于，具体包括以下步骤：S1：采集钢厂的过程数据及相应的终点碳温数据，对其实施归一化处理，并组成历史训练数据库；S2：对转炉炼钢历史训练集预训练DRSupAE特征提取模型，得到训练样本高级特征；S3：基于DRSupAE特征提取模型得到的高级特征训练全局回归网络预测模型；S4：新待测样本输入，对待测样本归一化处理，通过训练好的DRSupAE特征提取模型前向传播获取待测样本高级特征；S5：基于WSKL距离，计算训练样本高级特征与查询样本高级特征之间的相似度；S6：将训练样本按照相似度从大到小的顺序排序，选取S个样本作为更新数据集，利用更新数据对离线回归网络在线更新得到新的模型参数；S7：使用更新的模型预测终点碳含量或者温度。2.根据权利要求1所述一种基于DRSupAE的转炉炼钢终点碳温预测方法，所述步骤S2具体包括如下步骤：S2.1：输入历史训练集，在第一个RSupAE中，利用原始输入数据{x1,x2,...,x
N
}及相应的标签{y1,y2,...y
N
}进行改进的有监督训练可以学习到一级特征数据及其网络参数；S2.2：将提取到的一级特征传递到下一个自编码器进行深层提取特征前，输入数据经本发明定义的残差模块处理得到残差块特征后，以残差连接的形式与一级特征数据进行融合得到将其传递到RSupAE 2的输入层以来学习二级特征数据S2.3：根据S2.2进行残差有监督特征提取，原始输入变量从低级特征逐渐提取的训练样本高级特征。3.根据权利要求1所述一种基于DRSupAE的转炉炼钢终点碳温预测方法，所述步骤S5具体包括如下步骤：S5.1：确定相似性准则的加权系数...

【专利技术属性】
技术研发人员：刘辉，杨路，赵安，邵彬，张大锦，詹光莉，陈棕鑫，刘旭琛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：