[發(fā)明專利]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)測方法

在審

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

本發(fā)明公開一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測方法，應(yīng)用于水泥熟料游離鈣預(yù)測任務(wù)，采用將DAWGAN與Transformer回歸預(yù)測網(wǎng)絡(luò)結(jié)合的方法，將DAWGAN應(yīng)用于流程工業(yè)中數(shù)據(jù)小樣本的生成，利用DAWGAN生成的數(shù)據(jù)擴(kuò)充數(shù)據(jù)集，用來訓(xùn)練Transformer回歸預(yù)測網(wǎng)絡(luò)，在數(shù)據(jù)增強(qiáng)的基礎(chǔ)上，將DAWGAN生成的標(biāo)簽作為Transformer回歸預(yù)測模型中解碼器的輸入。將水泥生產(chǎn)輔助變量數(shù)據(jù)作為編碼器的輸入，經(jīng)過編碼得到的隱空間向量包含有來自于輔助變量的歷史信息和時序特征，將為解碼器中的多頭自注意力層使用。本發(fā)明同時解決了水泥熟料f?CaO含量離線檢測造成的數(shù)據(jù)量小及難以準(zhǔn)確預(yù)測的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于數(shù)據(jù)增強(qiáng)變壓器網(wǎng)絡(luò)的水泥熟料游離鈣預(yù)測方法，應(yīng)用于水泥熟料游離鈣的預(yù)測任務(wù)，屬于水泥燒成系統(tǒng)熟料游離游離鈣的預(yù)測領(lǐng)域。

背景技術(shù)

水泥是國家基礎(chǔ)設(shè)施建設(shè)的重要材料。其質(zhì)量直接影響基礎(chǔ)設(shè)施的性能和安全。作為水泥質(zhì)量的重要指標(biāo)，水泥熟料f-CaO含量對水泥質(zhì)量控制和生產(chǎn)工藝優(yōu)化具有重要意義，其過高或過低都會影響水泥的安定性，安定性不良會使水泥制品或混凝土構(gòu)建產(chǎn)生膨脹下裂縫，降低建筑物質(zhì)量，甚至引起嚴(yán)重事故。水泥熟料f-CaO含量通常采用人工周期采樣進(jìn)行實(shí)驗(yàn)室離線化驗(yàn)的方法，采樣間隔久(通常為1小時)，離線檢測導(dǎo)致測量結(jié)果滯后，測量精度易受到人為因素影響，出現(xiàn)調(diào)控不及時，工況大幅波動的問題，難以滿足水泥行業(yè)對熟料的質(zhì)量、產(chǎn)量的迫切需求。因此，水泥熟料f-CaO含量的預(yù)測方法的實(shí)現(xiàn)對于減輕人工離線測量工作量、給水泥熟料燒成過程的自動控制提供實(shí)時目標(biāo)參量、保證水泥產(chǎn)品質(zhì)量、實(shí)現(xiàn)節(jié)能降耗等方面都具有重要的意義。

水泥煅燒是一個典型的流程工業(yè)，如圖1所示，表現(xiàn)出復(fù)雜的非線性、強(qiáng)耦合和時滯特性，系統(tǒng)在某個時間點(diǎn)的狀態(tài)可能會受到之前某個時間點(diǎn)的狀態(tài)影響。第一，每個輸入變量對水泥熟料的f-CaO含量也有不同程度的影響，因此有必要進(jìn)行全面考慮。第二，收集的水泥熟料產(chǎn)量和水泥煅燒過程中的f-CaO含量的數(shù)據(jù)在測量時間上缺乏一致性。第三，水泥熟料f-CaO含量數(shù)據(jù)匱乏，導(dǎo)致水泥熟料f-CaO含量預(yù)測精度低，不符合準(zhǔn)確實(shí)時預(yù)測的要求，早期的工作大多傾向于關(guān)注單個變量對水泥熟料f-CaO的影響，而不是變量間的相互作用，難以突出其在整個水泥生產(chǎn)過程中的鮮明特征。由于上述原因，對水泥生產(chǎn)特征進(jìn)行建模并有效提取水泥數(shù)據(jù)特征的數(shù)據(jù)至關(guān)重要。

現(xiàn)今的研究人員大多使用虛擬樣本生成(VSG)技術(shù)來解決水泥熟料f-CaO的小數(shù)據(jù)量問題。自從Good?fellow在2014年首次提出生成式對抗網(wǎng)絡(luò)以來，它迅速得到了普及。在這個建?？蚣苤?，生成器和鑒別器相互作用并相互學(xué)習(xí)，生成器使用隨機(jī)噪聲生成圖像，鑒別器判斷圖像是真實(shí)的還是生成的，當(dāng)生成的圖像足夠真實(shí)時，鑒別器就無法將其與真實(shí)圖像區(qū)分開來。GAN網(wǎng)絡(luò)由于其獨(dú)特的結(jié)構(gòu)和訓(xùn)練方法，獲得了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。但GAN網(wǎng)絡(luò)的部署由于GAN在訓(xùn)練中的不穩(wěn)定性而受到阻礙，這些問題包括以下幾個方面：(1)對抗性訓(xùn)練：GAN的訓(xùn)練是通過生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)相互對抗來進(jìn)行的。這種對抗性的訓(xùn)練使得訓(xùn)練過程更加復(fù)雜和不穩(wěn)定。生成器和判別器之間的動態(tài)平衡很容易被打破，導(dǎo)致訓(xùn)練的不穩(wěn)定性和收斂困難。(2)模式崩潰(Mode?Collapse)：在某些情況下，生成器會陷入模式崩潰的狀態(tài)，即生成的樣本多樣性不足，只能生成相似或重復(fù)的樣本。(3)梯度消失和梯度爆炸：由于GAN的訓(xùn)練過程中存在生成器和判別器之間的對抗性優(yōu)化，梯度的傳播可能會受到限制，導(dǎo)致梯度消失或梯度爆炸的問題。這會導(dǎo)致模型參數(shù)無法有效更新，使得訓(xùn)練過程難以進(jìn)行和收斂。(4)超參數(shù)敏感性：GAN的訓(xùn)練過程對超參數(shù)(如學(xué)習(xí)率、批量大小、網(wǎng)絡(luò)結(jié)構(gòu)等)非常敏感。不合適的超參數(shù)選擇可能導(dǎo)致訓(xùn)練不穩(wěn)定或無法收斂。