[發(fā)明專(zhuān)利]一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310628407.8
• 申請(qǐng)日: 2023-05-31
• 公開(kāi)（公告）號(hào): CN116631534A
• 公開(kāi)（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 郝曉辰;劉金波;王赟之;王新強(qiáng);王星
• 申請(qǐng)（專(zhuān)利權(quán)）人: 燕山大學(xué)
• 主分類(lèi)號(hào): G16C20/30
• 分類(lèi)號(hào): G16C20/30;G06N3/0455;G06N3/08;G16C20/70
• 代理公司: 石家莊眾志華清知識(shí)產(chǎn)權(quán)事務(wù)所(特殊普通合伙) 13123
• 代理人: 周勝欣

1.一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測(cè)方法，其特征在于：所述方法包括以下步驟：

步驟1：對(duì)水泥生產(chǎn)工藝分析，選取與水泥熟料f-CaO含量相關(guān)的12個(gè)變量為輔助變量，水泥熟料f-CaO含量Y為預(yù)測(cè)變量，以12個(gè)變量的時(shí)間序列矩陣作為回歸預(yù)測(cè)網(wǎng)絡(luò)的輸入，再將所選的每個(gè)變量時(shí)間序列進(jìn)行歸一化處理；其中，12個(gè)變量為窯電流平均值X₁、二次風(fēng)溫平均值X₂、煙室NOX平均值X₃、分解爐出口溫度1X₄、分解爐出口溫度2X₅、窯頭負(fù)壓反饋X₆、煙室氧氣濾波X₇、二室北篦下壓力反饋X₈、二室南篦下壓力反饋X₉、分解爐喂煤量X₁₀、高溫風(fēng)機(jī)轉(zhuǎn)速X₁₁和窯頭煤反饋X₁₂；

步驟2：將水泥熟料f-CaO含量數(shù)據(jù)按照其對(duì)應(yīng)輸入變量的有效時(shí)段進(jìn)行時(shí)間序列匹配，再使用滑動(dòng)窗口技術(shù)平衡輔助變量和水泥熟料f-CaO含量間的時(shí)間尺度，將按照上述處理的數(shù)據(jù)進(jìn)行歸一化，作為具有雙重關(guān)注機(jī)制數(shù)據(jù)增強(qiáng)功能的變壓器網(wǎng)絡(luò)A²G-Transformer網(wǎng)絡(luò)的輸入；

步驟3：搭建DAWGAN網(wǎng)絡(luò)，網(wǎng)絡(luò)包含生

成器和判別器，采用Wasserstein距離作為判別器的損失函數(shù)；生成器和判別器種分別加入通道注意力和空間注意力，將隨機(jī)高斯噪聲輸入生成器，將真實(shí)變量與f-CaO數(shù)據(jù)拼接成的樣本對(duì)輸入判別器，訓(xùn)練DAWGAN，使DAWGAN能夠生成準(zhǔn)確有效的樣本數(shù)據(jù)；

步驟4：搭建Transformer回歸預(yù)測(cè)模型，結(jié)合DAWGAN數(shù)據(jù)增強(qiáng)模型與Transformer回歸預(yù)測(cè)網(wǎng)絡(luò)，將DAWGAN的生成數(shù)據(jù)與真實(shí)數(shù)據(jù)混合擴(kuò)充作為T(mén)ransformer回歸預(yù)測(cè)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，并對(duì)Transformer回歸預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練；

步驟5：應(yīng)用A²G-Transformer中訓(xùn)練好的回歸預(yù)測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)水泥熟料游離游離鈣的預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測(cè)方法，其特征在于：所述步驟1中12個(gè)變量的時(shí)間序列矩陣為將一個(gè)小時(shí)內(nèi)12個(gè)變量的時(shí)間序列組成的二維數(shù)據(jù)，其中列代表一個(gè)變量的采樣數(shù)據(jù)，行代表一個(gè)小時(shí)內(nèi)的12個(gè)變量在一小時(shí)內(nèi)的含量值。

3.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測(cè)方法，其特征在于：所述步驟3中，生成器和判別器均為多層反卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)在反卷積層后添加通道注意力和空間注意力，增加反卷積神經(jīng)網(wǎng)絡(luò)的捕捉長(zhǎng)期依賴(lài)能力；生成器的輸入為隨機(jī)高斯噪聲，輸出為12個(gè)輔助變量和標(biāo)簽值水泥熟料f-CaO數(shù)據(jù)的拼接，判別器的輸入有兩部分，分別是生成數(shù)據(jù)和真實(shí)數(shù)據(jù)，輸出為生成數(shù)據(jù)和真實(shí)數(shù)據(jù)分布之間的距離；采用RMSprop算法更新參數(shù)。