一种基于动态消息传递网络的钢铁力学性能软测量方法技术

本发明专利技术公开了一种基于动态消息传递网络的钢铁力学性能软测量方法，属于工业过程软测量建模领域。首先，设计自适应图学习模块，自适应学习辅助变量之间的潜在关联性，生成具有动态学习能力的图网络结构；接着，利用动态消息传递模块聚合节点的邻居信息并更新自身节点的特征表达。然后，利用双重自注意力模块对图网络上的特征进行精炼，学习与质量变量相关的特征。最后，将学习到的图特征输入到两个全连接层，实现对工业过程中的质量指标的实时预测。通过工厂中轧钢过程数据进行测试，结果表明提出的动态消息传递网络能够捕获辅助变量之间的时空耦合特征，比现有的软测量方法具有更高的精度。更高的精度。更高的精度。

【技术实现步骤摘要】
一种基于动态消息传递网络的钢铁力学性能软测量方法


[0001]本专利技术属于工业过程中关键质量指标的软测量方法，具体涉及一种基于动态消息传递网络的钢铁力学性能软测量方法。

技术介绍

[0002]近年来，由于工业生产的多样性和对产品质量要求的提高，工业过程变得越来越复杂，给关键指标的软测量建模带来了巨大挑战。为了进行有效的过程监控、过程优化和质量控制，应尽可能及时准确地测量关键质量变量。然而，由于工业环境的恶劣比如高温高压，使得质量变量通常难以直接产量。因此，以易于测量的过程变量为输入，以难以测量的质量变量为输出的软测量被广泛应用于工业过程中。软测量模型包括基于机理的模型和基于数据的模型。然而，机理模型是基于工业过程中物理化学反应的近似数学模型。由于物理化学反应的复杂性，在具有复杂过程的现代工业中很难快速构建准确的机理模型。在此背景下，随着机器学习和大数据的快速发展，数据驱动模型受到了学术界和工业界的广泛关注。
[0003]在过去十年中，大量数据驱动模型被开发用于工业过程中关键指标的软测量，比如经典的统计学习方法偏最小二乘回归、支持向量机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态消息传递网络的钢铁力学性能软测量方法，其特征在于，包括如下步骤：1)根据待预测的钢铁力学性能质量变量，利用相关性分析方法确定辅助变量，并从工厂数据库中读取相关的数据并进行预处理；2)构造软测量模型，所述软测量模型包括自适应学习模块、动态消息传递模块、双重自注意力模块和全连接层模块；所述自适应图学习模块用于学习辅助变量之间的关联性，该模块生成自适应邻接矩阵，自适应邻接矩阵包括一个静态邻接矩阵和动态邻接矩阵，分别用来捕获数据的长期依赖性和短期依赖性；所述动态消息传递模块用于聚合图网络结构中节点的邻居信息并更新自身的特征，捕获数据中的时空耦合特征；所述双重自注意力模块对时空耦合特征进行精炼，分别从时间维度和变量维度量化所提特征与质量变量之间的重要程度；全连接层模块接收精炼后的特征作为输入，输出质量变量，实现软测量的目的；3)收集历史数据构建训练数据集，利用数据集对步骤2)的软测量模型进行训练，获得训练好的软测量模型；4)将训练好的软测量模型部署在工业现场进行钢铁力学性能的实时预测。2.根据权利要求1所述的基于动态消息传递网络的钢铁力学性能软测量方法，其特征在于，所述步骤1)中的预处理包括异常值的删除与填补、数据转换、数据描述、特征选择。3.根据权利要求1所述的基于动态消息传递网络的钢铁力学性能软测量方法，其特征在于，所述自适应学习模块的处理过程为：对于给定的输入序列首先利用高斯核距离计算变量之间的长期依赖性，并构造静态邻接矩阵A
sta
，具体计算公式如下：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，δ是邻接矩阵阈值，exp是指数函数。动态邻接矩阵计算如下：首先利用非线性投影变换，分别获得两个不同的潜特征矩阵C1和C2：C1＝tanh(βXθ1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)C2＝tanh(βXθ2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，β是超参数，θ1和θ2代表权重系数矩阵，tanh是双曲正切激活函数；那么，变量之间的潜在关联性矩阵A
und
表达式如下：其中，ReLU是线性整流激活函数；相应的动态邻接矩阵A
dyn
可以表示为：最终的自适应邻接矩阵可以表示为：
A
total
＝ηA
sta
+(1
‑
η)A
dyn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)η＝e
‑
λ
‑
dist
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，η代表静态邻接矩阵和动态邻接矩阵的平衡因子，A
total
是综合权重系数，λ是超参数，dist代表变量之间的欧式距离。4.根据权利要求1所述的基于动态消息传递网络的软测量建模方法，其特征在于，动态消息传递模块聚合图网络结构中节点的邻居信息并更新自身的特征，具体包括两个操作：聚合操作和组合操作；聚合操作计算如下：假设v代表图上的某个节点，N(v)代表节点v的所有邻居节点，那么第l+1层图网络的第v个节点处的消息矩阵可以表示为：其中，AGG代表聚合函数，表示第l中所有和节点v相邻的所有节点的特征向量，w∈N(v)；那么，第l+1层图网络中节点v的新特征向量可以表示为：其中，COM代表组合函数，代表第l层节点v自身的特征向量；组合操作的计算过程如下：组合操作的计算过程如下：组合操作的计算过程如下：其中，W
ph
，W
pm
，W
sh
和W
sm
都是可学习的权重矩阵参数；P代表上一层网络中需要保留的信息矩阵，S是转换门矩阵，σ是sigmoid激活函数。5.根据权利要求1所述的基于动态消息传递网络的钢铁力学性能软测量方法，其特征在于，所述双重自注意力模块的计算包括：时间维度自注意力计算和变量维度自注意力计算；其中，时间维度自注意力计算为：图网络提取的特征从时间维...

【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：