[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

本發明公開了基于DRSupAE的轉爐煉鋼終點碳溫預測方法及應用，通過改進監督自編碼器預訓練方式及引入殘差連接形式將各層重要信息參與到深層的特征學習過程中形成一種深度殘差監督自編碼器的特征提取模型，增強重要信息在逐層學習中的影響和提取與終點碳溫相關的高級特征；同時，基于WSKL的相似性準則，構建一種自適應即時更新回歸網絡的策略以快速適應待測樣本的生產條件，提高模型的自適應預測性能。

技術領域

本發明屬于軟測量技術領域，具體涉及基于DRSupAE的轉爐煉鋼終點碳溫預測方法及應用。

背景技術

轉爐煉鋼作為煉鋼的主要技術手段，具有生產效率高并且成本相對較低的特點。鋼水的終點碳含量和溫度是煉鋼過程中的重要指標，它們是決定鋼材質量是否達標的關鍵。因此，實現終點碳溫的準確預測，對提高轉爐煉鋼生產的鋼鐵質量和生產效率、最大限度降低生產成本和節能減排具有著重要的意義。

目前，獲得鋼水終點碳含量和溫度的方法主要有接觸式測量和非接觸式測量。副槍是典型的接觸式測量設備。該檢測方法由于副槍價格昂貴且長期工作在高溫腐蝕環境下，使用成本較高；此外，這種測量方式只能間斷式測量。人工經驗判斷終點是最常見的非接觸式方法之一，工人根據經驗判斷爐次是否達到終點。但是這種方法會受到觀察者主觀情緒和熟練度等因素的影響，很難實現終點的準確判斷。受該方法的啟發，提出了一些基于容器口火焰輻射圖像的非接觸式測量模型，以預測終點碳含量和溫度。由于在生產現場采集的火焰輻射光譜圖片容易受到鋼包等高溫物體的干擾，使得準確預測終點變得極其困難。

由于轉爐煉鋼生產過程數據分布差異較大，數據間存在嚴重非線性特點，傳統機器學習模型架構較淺，其表達能力仍然不足以描述復雜工業過程數據結構，容易導致模型性能不穩定甚至失效。此外，在實際煉鋼生產中，來自不同批次的原材料的質量差異很大，并且受檢測傳感器老化、操作條件變化以及原材料品質差異等影響，采集到的過程數據存在時變的特點，由于生產過程數據特性在不斷變化，使得離線模型無法根據實際工況變化及時更新，導致預測值與實際終點碳含量和溫度產生較大偏差，影響轉爐煉鋼的生產質量。

因此，現目前需要一種針對解決轉爐煉鋼終點預測中，產過程數據高度非線性和復雜分布問題的，以提供更準確的預報結果。

發明內容

為了解決上述技術問題，本發明提供了一種基于DRSupAE的轉爐煉鋼終點碳溫預測方法，通過改進監督自編碼器預訓練方式及引入殘差連接形式將各層重要信息參與到深層的特征學習過程中形成一種深度殘差監督自編碼器的特征提取模型，增強重要信息在逐層學習中的影響和提取與終點碳溫相關的高級特征；同時，基于WSKL的相似性準則，構建一種自適應即時更新回歸網絡的策略以快速適應待測樣本的生產條件，提高模型的自適應預測性能。

為了達到上述技術效果，本發明是通過以下技術方案實現的：一種基于DRSupAE的轉爐煉鋼終點碳溫預測方法，其特征在于，具體包括如下步驟：

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待測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；

進一步的，所述步驟S2具體包括如下步驟：