[發明專利]基于DRSupAE的轉爐煉鋼終點碳溫預測方法及應用

在審

• 申請號: 202211000838.1
• 申請日: 2022-08-19
• 公開（公告）號: CN115730197A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 劉輝;楊路;趙安;邵彬;張大錦;詹光莉;陳棕鑫;劉旭琛
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/214;G06F18/241;G06N3/0464;G06N3/084;G01K13/12
• 代理公司: 云南盛恒知識產權代理有限公司 53224
• 代理人: 占國霞

1.一種基于DRSupAE的轉爐煉鋼終點碳溫預測方法，其特征在于，具體包括以下步驟：

S1：采集鋼廠的過程數據及相應的終點碳溫數據，對其實施歸一化處理，并組成歷史訓練數據庫；

S2：對轉爐煉鋼歷史訓練集預訓練DRSupAE特征提取模型，得到訓練樣本高級特征；

S3：基于DRSupAE特征提取模型得到的高級特征訓練全局回歸網絡預測模型；

S4：新待測樣本輸入，對待測樣本歸一化處理，通過訓練好的DRSupAE特征提取模型前向傳播獲取待測樣本高級特征；

S5：基于WSKL距離，計算訓練樣本高級特征與查詢樣本高級特征之間的相似度；

S6：將訓練樣本按照相似度從大到小的順序排序，選取S個樣本作為更新數據集，利用更新數據對離線回歸網絡在線更新得到新的模型參數；

S7：使用更新的模型預測終點碳含量或者溫度。

2.根據權利要求1所述一種基于DRSupAE的轉爐煉鋼終點碳溫預測方法，所述步驟S2具體包括如下步驟：

S2.1：輸入歷史訓練集，在第一個RSupAE中，利用原始輸入數據{x₁,x₂,...,x_N}及相應的標簽{y₁,y₂,...y_N}進行改進的有監督訓練可以學習到一級特征數據及其網絡參數；

S2.2：將提取到的一級特征傳遞到下一個自編碼器進行深層提取特征前，輸入數據經本發明定義的殘差模塊處理得到殘差塊特征后，以殘差連接的形式與一級特征數據進行融合得到將其傳遞到RSupAE 2的輸入層以來學習二級特征數據

S2.3：根據S2.2進行殘差有監督特征提取，原始輸入變量從低級特征逐漸提取的訓練樣本高級特征。

3.根據權利要求1所述一種基于DRSupAE的轉爐煉鋼終點碳溫預測方法，所述步驟S5具體包括如下步驟：

S5.1：確定相似性準則的加權系數；

對于訓練樣本的第d維高級特征與目標變量向量y的互信息計算如下：

得到各頂層特征與目標變量的MIC值，由下式計算MIC比例得到度量的加權系數

S5.2：對待測樣本高級特征及訓練樣本高級特征進行如下式的數據預處理，

S5.3：根據S5.1獲得的相似性準則加權系數，則待測樣本高級特征及訓練樣本高級特征間的WSKL距離計算方式如下所示：

基于WSKL距離的相似性度量函數如下所示：

4.一種深度殘差監督自編碼器，其特征在于，包括：編碼器和解碼器的三層網絡。

5.一種深度殘差監督自編碼器應用于轉爐煉鋼終點碳溫預測。

6.根據權利要求5所述一種深度殘差監督自編碼器應用于轉爐煉鋼終點碳溫預測特征提取。

7.根據權利要求1至6任意一項所述一種應用于轉爐煉鋼終點碳溫預測特征提取的深度殘差監督自編碼器訓練方法，其特征在于，在解碼過程將同時重構輸入和目標變量，并且由于終點碳溫為單維度的目標變量，訓練過程中改進了損失函數的計算，令標簽在網絡學習中的影響可控；具體包括如下步驟：

S1、編碼器將輸入變量x非線性激活函數轉化為隱藏變量向量h，如下式：

h＝f(W¹x+b¹).

S2、：解碼器將隱藏變量h經激活函數計算得到重構輸入數據經激活函數計算得到重構目標變量如下式；需要優化的參數集表示為

其中，和分別為解碼過程中重構輸入變量和預測目標變量的權重矩陣和偏置向量；

S3、：利用反向傳播算法對網絡進行參數優化，目標函數為：

式中，y_i和是第i個數據樣本的輸出真實值和預測值，d_x表示輸入變量的維度，β表示監督影響參數，取值在0到1之間。