[發(fā)明專利]一種基于特征向量和SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)的結(jié)晶器漏鋼預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110087095.5
• 申請(qǐng)日: 2021-01-22
• 公開（公告）號(hào): CN112926622B
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 王旭東;王硯宇;段海洋;姚曼
• 申請(qǐng)（專利權(quán)）人: 大連理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;B22D11/18
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于特征向量和SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)的結(jié)晶器漏鋼預(yù)報(bào)方法，其特征在于，該方法通過對(duì)結(jié)晶器銅板溫度速率異常區(qū)域提取可視化特征向量，并利用SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)對(duì)特征向量進(jìn)行分類，從而檢測和預(yù)報(bào)結(jié)晶器漏鋼，包括以下步驟：

第一步、結(jié)晶器銅板溫度速率異常區(qū)域特征提取

(1)在結(jié)晶器內(nèi)、外弧寬面銅板上，左右側(cè)窄面銅板上布置熱電偶；在線檢測結(jié)晶器銅板熱電偶溫度，并通過插值算法計(jì)算出非熱電偶測點(diǎn)位置的結(jié)晶器銅板溫度值；

(2)通過幀間差分算法計(jì)算銅板各點(diǎn)的溫度變化速率，并將銅板的溫度速率映射到二維平面，得到銅板溫度對(duì)應(yīng)的二維溫度速率熱像圖；

(3)統(tǒng)計(jì)歸納多例漏鋼樣本溫度速率數(shù)據(jù)后，設(shè)置溫度速率閾值為T_z，利用閾值分割算法從二維溫度速率熱像圖中剔除溫度速率小于閾值的正常溫度波動(dòng)區(qū)域，并用游程遞歸算法對(duì)溫度速率異常點(diǎn)進(jìn)行連通性搜索，獲取溫度速率異常區(qū)域；

(4)提取溫度速率異常區(qū)域的高度H、寬度W、面積S、橫向移動(dòng)速率V_y、縱向移動(dòng)速率V_x可視化特征；

第二步、異常區(qū)域特征向量構(gòu)造與處理

(1)將第一步提取到的異常區(qū)域特征組合成特征向量X_B，同時(shí)將正常工況區(qū)域特征組合成特征向量X_N：

X_B＝[H_B,W_B,S_B,V_Bx,V_By]

X_N＝[H_N,W_N,S_N,V_Nx,V_Ny]

(2)結(jié)合異常和正常工況下的拉速V_c和V_c’，對(duì)特征向量X_B和X_N進(jìn)行連續(xù)化處理，構(gòu)造連續(xù)型特征向量Z_B和Z_N：

(3)對(duì)連續(xù)型特征向量Z_B和Z_N進(jìn)行歸一化處理：

式中，Z_min、Z_max分別表示連續(xù)型特征向量Z的最小值和最大值，F(xiàn)_i表示連續(xù)型特征向量Z的第i維特征歸一化后對(duì)應(yīng)的數(shù)值；

(4)按照上述(1)(2)(3)特征向量構(gòu)造和處理方式，分別獲取m例異常區(qū)域漏鋼特征向量樣本F_B和n例正常工況區(qū)域非漏鋼特征向量樣本F_N，組建樣本集Q：

Q＝{(F_B1,1),(F_B2,1),…,(F_Bm,1),(F_N1,0),(F_N2,0),…,(F_Nn,0)}

式中，m、n分別表示漏鋼樣本和非漏鋼樣本的數(shù)量；1和0分別代表漏鋼樣本和非漏鋼樣本的類別標(biāo)簽，以獨(dú)熱編碼的形式表示為(1，0，0)和(0，1，0)；

第三步、構(gòu)建SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)模型

(1)構(gòu)建包含1個(gè)噪聲輸入層和2個(gè)全連接層神經(jīng)網(wǎng)絡(luò)的生成模型G，輸入的噪聲經(jīng)過G后生成了與原始特征向量維度相同的偽樣本；

(2)構(gòu)建包含1個(gè)樣本輸入層和3個(gè)全連接層神經(jīng)網(wǎng)絡(luò)的判別模型D，通過D判別輸入樣本的真?zhèn)尾?duì)樣本分類；

(3)將生成模型G和判別模型D結(jié)合，構(gòu)建出SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)模型；

第四步、訓(xùn)練SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)模型

(1)訓(xùn)練第三步步驟(2)構(gòu)建的判別模型D；訓(xùn)練判別模型時(shí)凍結(jié)生成模型，即將生成模型的參數(shù)設(shè)置為不可更新；

1.1)從樣本集Q中隨機(jī)獲取漏鋼樣本F_B和非漏鋼樣本F_N各train_samples個(gè)，單個(gè)樣本記為x，且x屬于真實(shí)樣本集合P_r，即x～P_r；同時(shí)獲取服從高斯分布的噪聲樣本集合z，即z～P_z；

1.2)將噪聲樣本z輸入到第三步步驟(1)構(gòu)建的生成模型G中生成偽樣本的標(biāo)簽以獨(dú)熱編碼的形式表示為(0，0，1)：

式中，偽樣本屬于虛假樣本集合P_G，即

1.3)獲取P_r中的樣本x和P_G中的樣本并進(jìn)行插值得到新樣本

式中，ε服從[0,1]上的均勻分布；

1.4)計(jì)算判別模型D的總損失L_D：

式中，m為批量樣本數(shù)batch_size，i＝1,2…m為樣本數(shù)索引；D(x)分別為x對(duì)應(yīng)的判別器D的輸出值；λ表示梯度懲罰系數(shù)；為梯度懲罰項(xiàng)；C表示樣本類別數(shù)量，j＝1,2…C為類別索引；y_j為第j個(gè)類別對(duì)應(yīng)的真實(shí)標(biāo)簽，f_j(x)為判別器對(duì)該樣本的預(yù)測值，代表多元分類交叉熵部分的損失；

(2)訓(xùn)練第三步步驟(1)構(gòu)建的生成模型G；訓(xùn)練生成模型時(shí)凍結(jié)判別模型，即將判別模型的參數(shù)設(shè)置為不可更新；

2.1)獲取服從高斯分布的噪聲樣本集合z′～P_z′；

2.2)將噪聲樣本z′輸入到第三步步驟(1)構(gòu)建的生成模型G中生成偽樣本再將輸入到判別模型D中計(jì)算生成模型損失L_G：

(3)在每輪訓(xùn)練中訓(xùn)練判別模型n_critic次，生成模型n_gen次，重復(fù)訓(xùn)練判別模型D和生成模型G，并觀察L_G和L_D隨訓(xùn)練輪數(shù)的變化，直至L_G和L_D損失曲線逐漸平緩并穩(wěn)態(tài)波動(dòng)；此時(shí)可以判斷生成模型G與判別模型D之間達(dá)到了納什平衡，訓(xùn)練結(jié)束；

第五步、基于SWGAN-GP模型在線檢測及預(yù)報(bào)漏鋼

(1)實(shí)時(shí)提取結(jié)晶器銅板溫度速率異常區(qū)域的典型可視化特征，并對(duì)其進(jìn)行預(yù)處理，構(gòu)造得到異常區(qū)域特征向量F_fv；

(2)將異常區(qū)域特征向量F_fv輸入SWGAN-GP生成對(duì)抗網(wǎng)絡(luò)的判別模型D中，得到模型的預(yù)測值y：

y＝D(F_fv)

(3)根據(jù)判別模型的輸出結(jié)果y預(yù)報(bào)結(jié)晶器漏鋼；

將y以獨(dú)熱編碼的形式表示為(y₁，y₂，y₃)：若y₁＝max(y₁,y₂,y₃)，則對(duì)應(yīng)y＝(1，0，0)的數(shù)據(jù)標(biāo)簽，為漏鋼，發(fā)出警報(bào)并迅速降低鑄機(jī)拉速；若y₂＝max(y₁,y₂,y₃)，則對(duì)應(yīng)y＝(0，1，0)的數(shù)據(jù)標(biāo)簽，為正常工況，繼續(xù)下一時(shí)刻的漏鋼檢測與預(yù)報(bào)；因異常區(qū)域特征向量x_fv均來源于在線檢測的真實(shí)樣本而非生成模型G生成的偽樣本故不能出現(xiàn)y₃為最大值的情況。