一种融合知识与数据的烧结矿转鼓强度智能检测方法技术

本发明专利技术公开了一种融合知识与数据的烧结矿转鼓强度智能检测方法，属于工业过程软测量建模领域。本发明专利技术利用门控时空卷积模块分别从知识和数据角度提取烧结过程的时空特征，并采用局部保持投影方法对这两类特征进行融合，实现知识与数据协同驱动的转鼓强度智能检测。首先，利用专家知识和高斯核距离公式分别构建基于知识和数据的邻接矩阵。然后，利用门控思想将图卷积和时间卷积进行融合，搭建门控时空卷积模块；接着，构建一个双分支网络，分别提取基于知识特征和基于数据的特征。最后，利用局部保持投影方法融合这两类特征，并输给一个全连接层，实现转鼓强度的智能检测。在某烧结厂中搜集烧结矿转鼓强度的数据，验证了该方法的有效性和可行性。效性和可行性。效性和可行性。

【技术实现步骤摘要】
一种融合知识与数据的烧结矿转鼓强度智能检测方法


[0001]本专利技术属于流程工业领域关键性能指标的软测量方法，具体涉及一种融合知识与数据的烧结矿转鼓强度智能检测方法。

技术介绍

[0002]钢铁行业作为衡量国家综合实力和经济发展水平的重要产业，不但是国家生存和发展的保障，而且是国民经济的支柱。在高炉炼铁过程中，主要原料为烧结矿，它的入炉比重高达70％左右，铁水的质量与其产量和质量息息相关，烧结矿的稳定和优质生产也保证了炼铁过程的顺利进行。因此，作为获取烧结矿的主要途径，烧结过程是高炉炼铁流程中的关键环节。
[0003]冶金行业作为高能耗、高排放的重工业，其结构的改造和转型已经是刻不容缓。如今，钢铁企业的改革正在快步进行，而高炉炼铁生产技术的提高和进步，主要取决于入炉原料性能的改善，所以改善烧结矿的生产已经是不可逆转的趋势。
[0004]转鼓强度作为烧结矿的一种关键物理性能指标，对后续高炉炼铁的质量和产量具有重要意义。目前关于转鼓强度的预测主要包括数值仿真模型和数据驱动模型，数值模拟建模通常基于烧结过程中的热化学方程建立转鼓强度的数学模型。然而，对于复杂的热化学反应，该系统呈现出显著的非线性和强耦合不确定性。由于这些特点，具有严格约束和假设的数学模型不适合实际生产，导致预测精度较低。随着机器学习和大数据的兴起，越来越多的研究人员开始从数据角度出发进行建模。Umadevi等人提出了一个基于神经网络的模型，将转鼓强度与9个工艺参数关联起来进行预测。Wang等人建立了基于Elman神经网络的转鼓强度在线预测模型。Li等人通过聚类选取部分操作参数，构造在线序列极值学习机进行预测。Zou等人提出了一种结合多种机器学习算法的转鼓强度混合集成预测模型。与数值模拟建模方法相比，数据驱动模型提高了预测精度，简化了建模过程。
[0005]通过对转鼓强度预测问题的分析可知，该类预测问题存在两个难点：(1)烧结过程具有多变量耦合特性，并且过程数据在空间上呈现非欧式拓扑结构。大多数欧式空间的模型没有办法显示地表征变量之间的相互依赖性，阻碍了潜在空间相关性特征的提取。(2)关系本身可能是多元化的,两个变量间的关系并不是只有一种。基于高斯核距离构造的图结构存在局限性，距离并不能完全反映节点之间的关系，有必要融合专家知识进一步提升模型的性能。

技术实现思路

[0006]本专利技术针对烧结过程中转鼓强度难以检测问题，提出了融合知识与数据的烧结矿转鼓强度智能检测方法，该方法的目标是将专家知识融入到图神经网络中，实现知识与数据的融合。主要包括以下四个步骤：首先，根据专家知识，提出一种变量之间交互影响的计算方法，用于捕获变量间的复杂耦合关系，构造基于知识的邻接矩阵；然后，利用图卷积和时间卷积构造门控时空卷积模块，用于提取数据中潜在的时空特征；随后，利用局部保持投
影方法对基于知识的特征和基于数据的特征进行融合；最后，将融合的特征输给全连接层实现转鼓强度的预测，并利用均方根损失函数进行梯度反向传播，不断更新网络的参数；所专利技术的方法在实际烧结厂的真实数据中进行了验证，结果表明该方法相比其他方法具有更高的准确率和鲁棒性。
[0007]本专利技术采用以下技术方案实现：
[0008]本专利技术首先提供了一种融合知识与数据的烧结矿转鼓强度智能检测方法，其包括如下步骤：
[0009]1)选择与烧结矿转鼓强度相关的辅助变量，采用滑窗方法进行时间片段的提取，构建基于知识的邻接矩阵和基于数据的邻接矩阵；
[0010]2)构建门控时空卷积模块，用于提取数据中的时空特征；所述门控时空卷积模块包括图卷积、时间卷积和门控融合三个组件，利用门控思想对图卷积和时间卷积进行融合；
[0011]3)利用门控时空卷积模块构造双分支网络，该双分支网络的输入分别是基于知识的邻接矩阵和基于数据的邻接矩阵，用来提取基于知识的特征和基于数据的特征；
[0012]4)采用局部保持投影方法对这两类特征进行融合，并将融合后的特征输给一个全连接层，构建转鼓强度智能检测模型；
[0013]5)利用烧结厂的真实数据对该智能检测模型进行训练，并将已训练的模型部署到实际工业现场，实现转鼓强度的智能检测。
[0014]作为本专利技术的优选方案，所述的步骤1)中，基于知识的邻接矩阵构建方法如下：首先选择与烧结矿转鼓强度相关的m个辅助变量，任意时刻的辅助变量时间序列可以表示为然后采用滑窗方法进行时间片段的提取，前T个时间步长的输入序列可以表示为其中T代表时间序列的长度；假设x
i
和x
j
分别表示第i个和第j个辅助变量的时间序列，i,j＝1,2,3,
…
,m，H(x
i
)和H(x
j
)代表第i和第j个变量的信息熵，D(x
i
,x
j
)代表两个变量之间的分布距离，那么R(x
i
,x
j
)代表两个辅助变量之间的吸引力，具体公式如下：
[0015][0016]H(x
i
)＝∫p(x
i
)log(p(x
i
))，H(x
j
)＝∫p(x
j
)log(p(x
j
))(2)
[0017][0018]D(x
i
,x
j
)＝MMD(x
i
,x
j
)(4)
[0019]其中，p(x
i
)代表第i个变量的概率密度分布，ρ代表一个调节因子，用于控制两个变量吸引力的大小，θ是一个超参数，α(x
i
,x
j
)表示先验知识指导下的两个变量之间的相关性大小；MMD(x
i
,x
j
)表示两个变量在希尔伯特空间中的最大均值之间的距离，具体计算公式如下：
[0020][0021]其中，n代表样本个数，ψ(
·
)代表高斯核映射函数；那么，最终的基于知识的邻接矩阵A
k
可以表示为：
[0022][0023]其中，δ是一个阈值；
[0024]同样的，采用高斯核距离公式可以计算出基于数据的邻接矩阵A
d
，具体如下：
[0025][0026]其中，表示两个变量之间的欧式距离大小，τ是高斯核超参数。
[0027]作为本专利技术的优选方案，所述的步骤2)为：首先，将辅助变量时间序列和邻接矩阵输入给图卷积GCN，那么可以得到第l层图卷积对应的输出Z
(l)
：
[0028][0029]其中，σ代表sigmoid激活函数，D代表度矩阵，Z
(l
‑
1)
代表第l
‑
1层图卷积的输出，W
l
代表第l层图卷积的权重系数矩阵，A代表邻接矩阵，其可以为基于知识的邻接矩阵A
k
或基于数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合知识与数据的烧结矿转鼓强度智能检测方法，其特征在于，包括如下步骤：1)选择与烧结矿转鼓强度相关的辅助变量，采用滑窗方法进行时间片段的提取，构建基于知识的邻接矩阵和基于数据的邻接矩阵；2)构建门控时空卷积模块，用于提取数据中的时空特征；所述门控时空卷积模块包括图卷积、时间卷积和门控融合三个组件，利用门控思想对图卷积和时间卷积进行融合；3)利用门控时空卷积模块构造双分支网络，该双分支网络的输入分别是基于知识的邻接矩阵和基于数据的邻接矩阵，用来提取基于知识的特征和基于数据的特征；4)采用局部保持投影方法对这两类特征进行融合，并将融合后的特征输给一个全连接层，构建转鼓强度智能检测模型；5)利用烧结厂的真实数据对该智能检测模型进行训练，并将已训练的模型部署到实际工业现场，实现转鼓强度的智能检测。2.根据权利要求1所述的融合知识与数据的烧结矿转鼓强度智能检测方法，其特征在于，所述的步骤1)中，基于知识的邻接矩阵构建方法如下：首先选择与烧结矿转鼓强度相关的m个辅助变量，任意时刻的辅助变量时间序列可以表示为然后采用滑窗方法进行时间片段的提取，前T个时间步长的输入序列可以表示为其中T代表时间序列的长度；假设x
i
和x
j
分别表示第i个和第j个辅助变量的时间序列，i,j＝1,2,3,
…
,m，H(x
i
)和H(x
j
)代表第i和第j个变量的信息熵，D(x
i
,x
j
)代表两个变量之间的分布距离，那么R(x
i
,x
j
)代表两个辅助变量之间的吸引力，具体公式如下：H(x
i
)＝∫p(x
i
)log(p(x
i
))，H(x
j
)＝∫p(x
j
)log(p(x
j
))(2)D(x
i
,x
j
)＝MMD(x
i
,x
j
)(4)其中，p(x
i
)代表第i个变量的概率密度分布，ρ代表一个调节因子，用于控制两个变量吸引力的大小，θ是一个超参数，α(x
i
,x
j
)表示先验知识指导下的两个变量之间的相关性大小；MMD(x
i
,x
j
)表示两个变量在希尔伯特空间中的最大均值之间的距离，具体计算公式如下：其中，n代表样本个数，ψ(
·
)代表高斯核映射函数；那么，最终的基于知识的邻接矩阵A
k
可以表示为：其中，δ是一个阈值；同样的，采用高斯核距离公式可以计算出基于数据的邻接矩阵A
d
，具体如下：其中，表示两个变量之间的欧式距离大小，τ是高斯核...

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