基于深度迁移网络的高炉铁水硅含量在线预测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113761787A(43)申请公布日2021.12.07(21)申请号202110813401.9(22)申请日2021.07.19(71)申请人中南大学地址410000湖南省长沙市麓山南路932号(72)发明人蒋朝辉蒋珂谢永芳潘冬桂卫华(74)专利代理机构长沙朕扬知识产权代理事务所(普通合伙)43213代理人易瑶(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)G06F119/08(2020.01)权利要求书2页说明书12页附图5页(54)发明名称基于深度迁移网络的高炉铁水硅含量在线预测方法及系统(57)摘要本发明公开了一种基于深度迁移网络的高炉铁水硅含量在线预测方法及系统，通过利用铁水温度数据无监督的训练去噪自编码机网络，并堆叠多个去噪自编码机网络，从而获得深度去噪自编码机网络,在深度去噪自编码机网络前端嵌入动态注意力机制模块，获得基于动态注意力机制的深度网络以及迁移预训练好的基于动态注意力机制的深度网络，获得铁水硅含量在线预报模型，解决了现有高炉铁水硅含量在线预测精度低的技术问题，通过在深度去噪自编码机网络前端嵌入动态注意力机制模块，能实时的为每个输入样本的过程变量计算动态的注意力分数，使得模型能动态的为每个样本中有效的和有价值的过程变量分配更多的注意力，进而更高效并精准地在线预测铁水硅含量。CN113761787ACN113761787A权利要求书1/2页1.一种基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，所述方法包括：利用铁水温度数据无监督的训练去噪自编码机网络，并堆叠多个所述去噪自编码机网络，从而获得深度去噪自编码机网络；在所述深度去噪自编码机网络前端嵌入动态注意力机制模块，后端加入一层回归层，获得基于动态注意力机制模块的深度网络，其中所述动态注意力机制模块用于描述输入样本的过程变量与预测目标之间的动态关系；基于所述深度网络，获得铁水硅含量在线预报模型，并基于所述铁水硅含量在线预报模型对高炉铁水硅含量进行在线预测。2.根据权利要求1所述的基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，在所述深度去噪自编码机网络前端嵌入动态注意力机制模块，后端加入一层回归层，获得基于动态注意力机制模块的深度网络包括：基于多个全连接层构建注意力得分模块，且所述注意力得分模块的计算公式具体为：(M)(M)(2)(2)(1)(1)(1)(2)(M)ωFe＝f(W(...f(W(f(WXFe+b)+b))...+b))，(M)其中ωFe代表注意力得分模块计算的得分矩阵，XFe代表输入向量，f为第M层神经元的非线性激活函数，W(M)和b(M)分别代表第M层神经元与前一层神经元之间的权值矩阵跟偏置矩阵；将所述注意力得分模块计算的得分矩阵ωFe与输入变量XFe做哈达玛积操作，并将输入变量XFe与得分矩阵ωFe对应位置元素相乘的矢量矩阵作为所述深度去噪自编码机网络的输入，从而获得基于动态注意力机制模块的深度网络，且所述基于动态注意力机制模块的深度网络的计算公式具体为：其中为基于动态注意力机制模块的深度网络的输出，f(N+1)为第N+1层神经元的非线性激活函数，W(N+1)和b(N+1)分别代表第N+1层神经元与前一层神经元之间的权值矩阵跟偏置矩阵，ωFe⊙XFe代表得分矩阵ωFe与输入变量XFe做哈达玛积操作。3.根据权利要求2所述的基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，获得基于动态注意力机制模块的深度网络之后还包括：利用带标签的铁水温度数据微调所述深度网络的结构参数。4.根据权利要求1‑3任一所述的基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，基于所述深度网络，获得铁水硅含量在线预报模型包括：将训练好的深度网络迁移到铁水硅含量在线预报模型，获得铁水硅含量在线预报源模型；在所述铁水硅含量在线预报源模型中的深度去噪自编码机网络的输入层拼接对硅含量值有影响的过程变量，并利用带标签的铁水硅含量数据重新微调网络结构，获得铁水硅含量在线预报模型。5.根据权利要求4所述的基于深度迁移网络的高炉铁水硅含量在线预测方法，其特征在于，利用铁水温度数据无监督的训练去噪自编码机网络，并堆叠多个所述去噪自编码机2CN113761787A权利要求书2/2页网络，从而获得深度去噪自编码机网络包括：利用铁水温度数据无监督的预训练第一个去噪自编码机网络；采用误差反向传播算法最小化误差函数并保存训练好的隐含层的权值和偏置矩阵，将第一个去噪自编码机的隐含层输出作为第二个去噪自动编码机的输入，利用误差反向传播算法继续优化网络权值和偏置矩阵，依此循环，直到预设个数的去噪自编码机训练完成；提取预设个数的训练好的去噪