【技术实现步骤摘要】
本专利技术属于流程工业软测量建模领域，特别涉及一种基于图网络的高炉数字孪生系统硅含量容错预测方法，解决传感器测量不准确为预测带来的难题。
技术介绍
1、高炉炼铁在国民经济发展与生产建设中占据重要地位，保障高炉炼铁工序的平稳优质运行至关重要。其中铁水中的硅含量与高炉炉况和产品质量密切相关，通过观察铁水中硅含量的变化能推测出当前高炉内部的反应状况，进而使操作者能及时调整相关操作参数，使高炉维持在较为理想的状态下。鉴于当前测量手段的限制，实际生产中硅含量一般只能依靠人工测量的方法获取，该方法不仅无法保证时效性，更是造成了人力资源的浪费。随着智能算法的发展，数据驱动的软测量预测方法应运而生。高炉生产过程中积累了丰富的过程变量数据，反映了实体生产线的运行状况。高炉数字孪生系统作为虚实交互的系统，收集炼铁实体数据、建立虚拟仿真模型，可完成远程监控、优化控制、交互反馈的任务。根据数字孪生系统数据平台的数据，构建过程变量与硅含量之间的映射关系，进而实现基于数据的硅含量预测，预测的结果上传至数据平台可供操作人员参考，并与其他数字孪生系统的服务之间进行交互。
2、但是，高炉炼铁环境恶劣，传感器长期处于高温高压、气固液混合、强粉尘、多干扰的环境下，测量精度很容易受到影响，使测量结果不准确。除了比较明显的离群点可以被异常值处理算法识别并处理外，还存在很多难以识别的偏差，表现为取值在变量合理的范围内，但是测量却不准确。比如噪声，它分散在整个数据集内，持续时间段；除此之前还存在长时间的漂移，比如传感器外层附着干扰物后，测量值出现长期的偏差，但是
3、之前有学者针对噪声问题展开研究，从损失函数、概率分布等角度实现降噪，但是对长期的漂移问题的关注很少，并且没有显式地判断数据质量，忽略了针对性地数据质量提升。本专利技术充分考虑了瞬时的噪声和长期的漂移，设计了一种容错预测方法，不仅可以自适应地识别偏差，并可以对低质量数据实现数据增强。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的在于提供一种基于图网络的高炉数字孪生系统硅含量容错预测方法。
2、本专利技术的技术方案如下：
3、一种基于图网络的高炉数字孪生系统硅含量容错预测方法，步骤如下：
4、步骤1：基于已搭建的高炉数字孪生系统，从系统的数据平台中获取高炉炼铁过程变量数据，采用时间窗将原始序列其划分为时间序列，作为预测方法的输入；
5、步骤2：面向传感器测量过程中会出现的点偏差与序列漂移，开展点-序评估以自适应地识别点偏差和序列偏差；当某个传感器测量不准确时，测量值的可信度降低，点偏差识别是指采用基于注意力机制的逐点分析量化变量内样本点之间的差异，进而评估点的可信度，序列偏差识别依据图结构对比实现；
6、步骤3：利用过程变量关系学习模块获取变量间依赖关系，并表示为过程变量图结构；
7、步骤4：图结构对比比较变量间的差异，完成序列可信度评估；之后，将点-序评估结果合并，使该方法全方位地识别传感器的测量噪声和漂移；
8、步骤5：针对上述评估结果有针对性地开展数据质量提升，当某变量数据不可信时，利用图神经网络中的消息传播，在邻接矩阵的引导下，为不可信变量传递可信信息，在消息传播算子的表征下，完成不可信数据的增强；
9、步骤6：基于增强的数据，在时间尺度利用多通道门控时序卷积，完成动态特征提取，并最终预测硅含量；将预测得到的硅含量数据上传至数字孪生平台。
10、步骤1在数据平台中获取炉腹煤气量、鼓风动能、喷煤量、富氧流量、冷风压力、顶温、顶压、上一时刻硅含量、理论燃烧温度、冷风流量，10个过程变量的数据，并利用时间滑窗将原始数据划分为时间序列x＝{x1,x2,…,xt}，其中p＝10，表示过程变量的维度，t表示时间窗的大小，x是p×t的二维矩阵，预测值为t时刻铁水中的硅含量。
11、步骤2开展点-序评估以自适应地评估各个时刻各个变量的可信度，点级可信度的目的在于评估单个过程变量在单一时刻的测量值的可信度，设置可信度系数矩阵apnt，形状与x完全相同，矩阵内每个元素和一一对应，体现的可信程度，该系数对原始输入x进行加权，并得到其中表示矩阵元素逐点相乘；该可信度系数矩阵基于注意力机制计算得到。
12、步骤3通过过程变量学习模块学习变量间的图结构，图结构中每个节点代表一个过程变量，变量之间的边表示过程变量之间的关系，该方法采用改进的高斯径向基距离衡量这一关系：
13、
14、其中αpq表示图结构中变量p与变量q之间边的权值，z是可训练的矩阵，为保证图结构的稀疏性，权值从大到小前g条边被保留，其余被置为0。
15、步骤4中序列级可信度评估的任务是量化单个过程变量整条时间序列xp的可信度，图结构是根据整条序列的特征学习得到的，反映了整条序列内变量间的依赖关系，之后，将点级评估和序列级评估的结果取并集，得到点-序结合的评估结果。
16、步骤5针对上述评估结果有针对性地开展数据质量提升，当某变量数据不可信时，利用图神经网络中的消息传播，在邻接矩阵的引导下，为不可信变量传递可信信息；在消息传播算子的表征下，完成不可信数据的增强，每个节点对应的特征为为了增强特征的表示能力，将这一特征映射至高维空间，得到高维特征表示；此后，对于评估为不可信的数据，展开消息传递，控制不可信变量数据增强过程中各部分信息的占比，通过上述过程，不可信变量有选择性地引入了相关过程变量的可信信息，实现数据的增强。
17、本专利技术的有益效果：全面考虑了传感器工作过程中产生的瞬时噪声和连续漂移，针对这两种情况提出解决方案。通过基于注意力机制的逐点分析与图结构比较的序列分析显式地识别测量偏差，充分利用变量内的动态性与变量间的关联。这种显式地识别，为精细化建模奠定基础。在上述评估结果的基础上采用定制化的消息传播算子，实现不可信变量的数据增强。经过“评估-增强”的步骤，该方法对不可信数据的包容性与鲁棒性增强，受扰传感器得到更可信的表征，提升了模型的预测精度。
本文档来自技高网...【技术保护点】
1.一种基于图网络的高炉数字孪生系统硅含量容错预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的方法，其特征在于：步骤1在数据平台中获取炉腹煤气量、鼓风动能、喷煤量、富氧流量、冷风压力、顶温、顶压、上一时刻硅含量、理论燃烧温度、冷风流量，10个过程变量的数据，并利用时间滑窗将原始数据划分为时间序列X＝{x1,x2,…,xT}，其中表示过程变量的维度，T表示时间窗的大小，X是P×T的二维矩阵，预测值为T时刻铁水中的硅含量。
3.根据权利要求1所述的方法，其特征在于：步骤2开展点-序评估以自适应地评估各个时刻各个变量的可信度，点级可信度的目的在于评估单个过程变量在单一时刻的测量值的可信度，设置可信度系数矩阵Apnt，形状与X完全相同，矩阵内每个元素和一一对应，体现的可信程度，该系数对原始输入X进行加权，并得到其中表示矩阵元素逐点相乘；该可信度系数矩阵基于注意力机制计算得到。
4.根据权利要求1所述的方法，其特征在于：步骤3通过过程变量学习模块学习变量间的图结构，图结构中每个节点代表一个过程变量，变量之间的边表示过程变量之间的关系，该方法采用
5.根据权利要求1所述的方法，其特征在于：步骤4中序列级可信度评估的任务是量化单个过程变量整条时间序列xp的可信度，图结构是根据整条序列的特征学习得到的，反映了整条序列内变量间的依赖关系，之后，将点级评估和序列级评估的结果取并集，得到点-序结合的评估结果。
6.根据权利要求1所述的方法，其特征在于：步骤5针对上述评估结果有针对性地开展数据质量提升，当某变量数据不可信时，利用图神经网络中的消息传播，在邻接矩阵的引导下，为不可信变量传递可信信息；在消息传播算子的表征下，完成不可信数据的增强，每个节点对应的特征为为了增强特征的表示能力，将这一特征映射至高维空间，得到高维特征表示；此后，对于评估为不可信的数据，展开消息传递，控制不可信变量数据增强过程中各部分信息的占比，通过上述过程，不可信变量有选择性地引入了相关过程变量的可信信息，实现数据的增强。
...【技术特征摘要】
1.一种基于图网络的高炉数字孪生系统硅含量容错预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的方法，其特征在于：步骤1在数据平台中获取炉腹煤气量、鼓风动能、喷煤量、富氧流量、冷风压力、顶温、顶压、上一时刻硅含量、理论燃烧温度、冷风流量，10个过程变量的数据，并利用时间滑窗将原始数据划分为时间序列x＝{x1,x2,…,xt}，其中表示过程变量的维度，t表示时间窗的大小，x是p×t的二维矩阵，预测值为t时刻铁水中的硅含量。
3.根据权利要求1所述的方法，其特征在于：步骤2开展点-序评估以自适应地评估各个时刻各个变量的可信度，点级可信度的目的在于评估单个过程变量在单一时刻的测量值的可信度，设置可信度系数矩阵apnt，形状与x完全相同，矩阵内每个元素和一一对应，体现的可信程度，该系数对原始输入x进行加权，并得到其中表示矩阵元素逐点相乘；该可信度系数矩阵基于注意力机制计算得到。
4.根据权利要求1所述的方法，其特征在于：步骤3通过过程变量学习模块学习变量...
【专利技术属性】
技术研发人员：杨春节，孔丽媛，刘哲，李俊方，柴利，卢建刚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。