基于深度学习的熔炉温控优化方法技术

本发明专利技术提出了一种基于深度学习的熔炉温控优化方法，该方法包括三个主要步骤：首先，通过构建模拟模型并进行参数设置，收集涉及不同大小工件升温过程的数据

【技术实现步骤摘要】
基于深度学习的熔炉温控优化方法


[0001]本专利技术涉及大数据领域，温度传感器及深度学习领域，具体为基于深度学习的熔炉温控优化方法
。

技术介绍

[0002]在制造业中，高强度无磁不锈钢工件的熔炉升温过程一直是一个制程控制的关键环节
。
然而，传统的优化技术在处理这一环节时多有不足
。
这些技术通常依靠经验公式
、
手动参数设置或者简单的数值模拟方法，从而在多方面面临限制和挑战
。
首先，处理不同大小和形状的工件成为一大挑战
。
不同尺寸的工件需要不同的升温曲线和时间，而传统方法往往不能灵活地适应这些变化，导致在处理不规则或者小批量工件时，需要频繁的人工调整和监控
。
这不仅增加了操作的复杂性，而且还可能导致操作错误和不一致性
。
其次，旧有的技术大多没有考虑到能效因素，这在当前能源成本高涨和环境保护意识增强的情况下，成为一个不可忽视的问题
。
不精确的温度控制不仅会影响工件的品质，还可能导致能源的大量浪费，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的熔炉温控优化方法，其特征在于，包括以下步骤：
1)
不同大小工件的数据收集；确保数据集中包含工件大小和升温过程的相关信息
。
本次申请获取包含不同大小工件升温过程的数据可以通过模拟方法进行
。
首先是构建模拟模型，其次是参数设置，接着是模拟过程，最后是数据生成
。2)
数据预处理和特征提取；数据预处理的步骤包括数据清洗
、
数据平滑和归一化等，确保处理后的数据一致性和质量；
3)
模型训练；该注意力机制模型训练是基于深度学习的熔炉温控优化方法的核心步骤之一；该步骤旨在训练一个能够自动识别检测工件大小以适应不同升温过程的模型
。
本次申请使用循环神经网络作为基础，并在其上引入注意力机制；其中步骤
3)
模型训练包含以下子步骤：构建模型结构；损失函数和优化算法选择；模型训练；模型评估调整；模型重新训练与应用；
4)
改进注意力机制模型网络构建；通过改进的注意力机制模型网络，能更好的计算出不同大小工件升温过程的不同；基于循环神经网络引入注意力机制，需要将注意力权重的学习过程与损失函数的结合进行优化，所以优化思路是定义改进的损失函数，即采用工件粗糙损失计算公式
。2.
根据权利要求1所述的基于基于深度学习的熔炉温控优化方法，其特征在于：所述步骤2：使用
GAN
进行数据预处理，
GAN
包含两个部分：生成器和判别器；生成器用于学习将随机噪声映射成时间序列的映射，而判别器用于学习一个能区分出生成数据和真实数据的分类器；特征提取的目的是将原始数据转换为更具有表征能力和可解释性的特征表示，以便于机器学习模型能够更好地理解和利用数据；采用离散小波变换，将序列进行小波变换，得到不同尺寸的近似系数和细节系数；最后要为每个序列分配相应的工件大小标签，采用分类标签方式，根据工件大小的类别，将其编码为整数；定义一个成本函数来衡量生成的数据与真实数据之间的差异
。
这个成本函数应该考虑到工件大小和升温过程的影响，以便更好地捕捉到这些特征
。
其次，定义一个工件粗糙度正则化项公式来惩罚模型中的过拟合现象；为了最小化这个正则化项，使用随机梯度下降算法
(SGD)
来更新权重参数
。3.
根据权利要求2所述的基于基于深度学习的熔炉温控优化方法，其特征在于：所述步骤
2)
中工件粗糙度正则化项公式表示为：其中，工件粗糙度正则化项公式表示为：其中，
λ

【专利技术属性】
技术研发人员：涂玉国，薛卫兵，杨明山，张兵，仲金云，杨富有，
申请(专利权)人：江苏申源集团有限公司，
类型：发明
国别省市：