CN116432699A - 基于时序图卷积网络的高炉铁水硅含量预测方法 - Google Patents

基于时序图卷积网络的高炉铁水硅含量预测方法 Download PDF

Info

Publication number
CN116432699A
CN116432699A CN202310301979.5A CN202310301979A CN116432699A CN 116432699 A CN116432699 A CN 116432699A CN 202310301979 A CN202310301979 A CN 202310301979A CN 116432699 A CN116432699 A CN 116432699A
Authority
CN
China
Prior art keywords
time
time sequence
network
blast furnace
silicon content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310301979.5A
Other languages
English (en)
Inventor
杨春节
孔丽媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310301979.5A priority Critical patent/CN116432699A/zh
Publication of CN116432699A publication Critical patent/CN116432699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/202—Constituents thereof
    • G01N33/2022—Non-metallic constituents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本发明公开了一种基于时序图卷积网络的高炉铁水硅含量预测方法。首先，它将高炉炼铁数据通过时间窗序列化，序列化的时间片段被输入到一个双通道并行的网络架构，分别提取变量间耦合关系以及变量内动态性。对于变量间耦合关系提取的空间通道，图结构学习模块首先将时间片段转化为不规则的图结构，在学习到的图结构基础上开展图卷积操作。对于动态性捕捉的时序通道，利用长短时记忆网络捕捉数据中的时序信息。这一架构实现了高炉炼铁数据的时空特征协同提取，有利于模型对高炉复杂的状况进行更精准地建模，提高了模型的表征能力，从而提升了模型的预测精度。

Description

基于时序图卷积网络的高炉铁水硅含量预测方法
技术领域
本发明属于流程工业软测量建模领域，特别涉及一种利用时序图卷积网络对高炉炼铁数据中的时空特征进行提取，实现铁水中硅含量预测的方法。
背景技术
高炉炼铁是为钢铁生产提供重要原材料的工序，在整个国民经济的发展中占据重要的位置。炼铁的目标是实现高炉的平稳和高质运行，在这一过程中质量变量的实时准确测量至关重要，它可以反映高炉的运行状态和产品质量。 铁水中的硅含量已成为实际生产中操作人员经常关注一项重要质量指标。然而，由于缺乏合适的传感器，硅含量难以被直接测量得到。在实际工业过程中，测量往往由实验室技术人员化验完成，不仅需要花费巨大的人力物力，还面临着采样滞后的问题。因此可采用数据驱动的方法利用历史过程中产生的数据对硅含量进行建模预测。
但是，高炉炼铁的数据复杂，变量内存在动态性，变量间存在耦合关系。动态性的存在使得同一个变量的数值在时间尺度上存在依赖，该变量当前时刻的值会受历史时刻变量值的影响。变量间的耦合关系是指变量之间并不是独立存在的，而是存在相互影响，最终高炉的炉况需要综合各个变量才能判断。现存的硅含量预测方法普遍关注炼铁数据中的动态，而忽略了对变量间耦合关系的探索。但这两个特征广泛存在于高炉炼铁过程中，仅对其中一个进行建模不利于模型准确地表征高炉内部状态。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于时序图卷积网络的高炉铁水硅含量预测方法。选取炉腹煤气量、顶压等10个变量作为输入变量，对硅含量的值进行预测。该方法利用一种双通道并行的网络架构综合提取数据中的时空特征，通过空间通道将时间序列转化为图结构，并在图结构约束下开展图卷积操作，捕捉变量间的耦合关系；通过时序通道对数据中的时间依赖进行建模。在时空特征的基础上，通过全连接网络得到最后的硅含量预测值。
本发明实现其技术目的的技术方案如下所述：
一种基于时序图卷积网络的高炉铁水硅含量预测方法，步骤如下：
步骤1：对高炉炼铁的工艺参数和硅含量进行相关性分析，选取用于预测的过程变量；
步骤2：将高炉炼铁的过程变量通过时间窗序列化；
步骤3：将时间序列片段输入到并行的时序通道和空间通道；在空间通道中，首先利用图结构学习模块构建表征变量间耦合关系的图结构，在图结构和时间序列的基础上，进行图卷积操作，获取高炉炼铁数据的空间特征；在时序通道中，利用长短时记忆网络（Long Short-Term Memory Network，LSTM）捕捉数据中的时序信息，获取时序特征；
步骤4：将时序特征和空间特征通过横向连接进行特征融合，完成时空特征的协同提取；
步骤5：在时空特征的基础上，通过全连接网络完成硅含量的预测。
步骤1选用皮尔逊相关性分析对工艺参数和硅变量为：炉腹煤气量、顶压、富氧压力、全压差、冷风温度、热风温度、顶温、鼓风湿度、喷煤量和上一时刻硅含量。
步骤2通过固定大小T的时间窗对炼铁数据进行序列化，通过{1, 2, ……,T}时刻的输入预测T时刻的硅含量。
步骤3包含两个并行的通道：时序通道与空间通道，序列化的时间片段被分别输入到这两个通道内；在空间通道中包含图结构学习模块与图卷积网络，时间通道由长短时记忆网络构成；图结构学习模块将{1, 2, ……,T}时刻的时间序列转化为非欧的图结构，在该图中节点表示变量，节点的特征为{1, 2, ……,T}时刻该变量对应的时序片段，节点的边表征变量间的耦合关系；图卷积神经网络在图结构的约束下，对有耦合关系的变量对进行消息聚合操作，捕捉炼铁数据中的空间特征；在时序通道，通过长短时记忆网络提取T个时刻内重要的时序特征。
步骤4中通过横向连接模块实现不同语义特征的融合，便于不同通道间特征的融合以及两通道内网络的协同训练。
步骤5中将时序特征与空间特征并联后输入到全连接网络，通过全连接网络完成硅含量的预测输出。
本发明的有益效果：利用图结构学习模块将炼铁时间序列片段转化成图结构，图结构的存在可以显式地表征变量间的耦合关系。该图结构将作为一种约束，限制图卷积网络对不同变量间信息聚合的方式，在图卷积网络的作用下实现对变量间耦合关系的提取。利用长短时记忆网络实现对变量内时序依赖关系的捕捉。该网络架构实现了对时空特征的综合提取，更准确地表达了高炉内部的状态，最终提升了模型对硅含量预测的精度。
附图说明
图1所示为高炉数据序列化示意图。
图2所示为时序图卷积网络架构。
图3所示为时序图卷积网络流程图。
图4所示硅含量预测结果。
具体实施方式
以下结合附图和实施例对本发明做进一步的阐述。
基于时序图卷积网络的高炉铁水硅含量预测方法的具体步骤如下：
步骤1：选用皮尔逊相关性分析对工艺参数和硅含量之间的相关性进行分析，选取对硅含量影响大的变量作为输入，最终确认的输入变量为：炉腹煤气量、顶压、富氧压力、全压差、冷风温度、热风温度、顶温、鼓风湿度、喷煤量和上一时刻硅含量。
步骤2：将原始的高炉炼铁数据表示为
Figure SMS_1
，L为数据集的长度。通过固定大小T的时间窗对(X, Y)进行序列化，序列化的方式如图1所示。由图1可知，固定大小的时间窗依次后移，T时刻的硅含量y t 对应的输入为{x 1,x 2, ……,x T}，其中/>
Figure SMS_2
,N为输入变量的数量。模型将通过{1, 2, ……,T}时刻的输入预测T时刻的硅含量。序列化后的时间片段可以表示为
Figure SMS_3
。
步骤3：包含两个并行的通道：时序通道与空间通道，
Figure SMS_4
被分别输入到这两个通道内，为了使图结构能够表征变量间的耦合关系，输入空间通道的/>
Figure SMS_5
需要被转置为/>
Figure SMS_6
。该步骤所包含的网络架构如图2所示，对应的流程图如图3所示。在空间通道中包含图结构学习模块与图卷积网络，时间通道由长短时记忆网络构成。
图结构学习模块将{1, 2, ……,T}时刻的时间序列转化为非欧的图结构，在该图中节点表示变量，节点的特征为{1, 2, ……,T}时刻该变量对应的时序片段，节点的边表征变量间的耦合关系。变量对之间的边通过邻接矩阵A表示，变量p和变量q之间存在边时，A pq =A qp =1，反之为0。为了保证学习到的图结构与下游预测任务相关，在该模块中引入了一个矩阵M。该矩阵对输入进行调节，并与网络中的其他权重矩阵一起学习，构成端到端的网络。该矩阵引入的方式如下所示：
Figure SMS_7
其中，o为哈达姆乘积。通过调节后，采用径向基距离函数，计算变量之间的距离，计算方式为：
Figure SMS_8
其中K(.)为变量p和变量q之间的径向基距离，γ为一个超参数。获得距离矩阵之后，设置阈值ε，将距离矩阵转化为表征节点间连接情况的邻接矩阵A。转化的方式定义为：
Figure SMS_9
此后，图卷积神经网络在图结构的约束下，对有耦合关系的变量对进行消息聚合操作，捕捉炼铁数据中的空间特征。空间特征的提取操作如下所示：
Figure SMS_10
在时序通道，通过长短时记忆网络提取T个时刻内重要的时序特征。时序特征的提取方式可以表示为：
Figure SMS_11
其中，
Figure SMS_12
和x t 代表t时刻的遗忘门，输入门，输出门，隐藏状态和输入。细胞状态C t 由候选状态/>
Figure SMS_13
更新。b和W代表网络的权重和偏置。
步骤4：通过横向连接模块实现不同语义特征的融合，便于不同通道间特征的融合以及两通道内网络的协同训练。横向连接可以定义为：
Figure SMS_14
，其中，Z 1为第一层长短时记忆网络提取的时序特征，S 1为第一层图卷积网络提取的空间特征，H为融合后的特征。融合的函数Ω为按元素求和，融合后的特征继续在原来的通道向前传播。
步骤5中将时序特征与空间特征并联后输入到全连接网络，通过全连接网络完成硅含量的预测输出。
采用该方法对实际高炉生产过程中的硅含量进行预测，预测的实验结果如图4所示，实线为真实的硅含量值，虚线为模型预测值，可以看出模型预测取得了很好地效果。选用均方根误差（Root Mean Square Error， RMSE）对该预测效果进行评价，在该数据集上RMSE= 0.0338，可以满足实际工业现场对精确度的要求。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于时序图卷积网络的高炉铁水硅含量预测方法，其特征在于，步骤如下：
步骤1：对高炉炼铁的工艺参数和硅含量进行相关性分析，选取用于预测的过程变量；
步骤2：将高炉炼铁的过程变量通过时间窗序列化；
步骤3：将时间序列片段输入到并行的时序通道和空间通道；在空间通道中，首先利用图结构学习模块构建表征变量间耦合关系的图结构，在图结构和时间序列的基础上，进行图卷积操作，获取高炉炼铁数据的空间特征；在时序通道中，利用长短时记忆网络（LongShort-Term Memory Network，LSTM）捕捉数据中的时序信息，获取时序特征；
步骤4：将时序特征和空间特征通过横向连接进行特征融合，完成时空特征的协同提取；
步骤5：在时空特征的基础上，通过全连接网络完成硅含量的预测。
2.根据权利要求1所述的方法，其特征在于：步骤1选用皮尔逊相关性分析对工艺参数和硅含量之间的相关性进行分析，选取的工艺参数变量为：炉腹煤气量、顶压、富氧压力、全压差、冷风温度、热风温度、顶温、鼓风湿度、喷煤量和上一时刻硅含量。
3.根据权利要求1所述的方法，其特征在于：步骤2通过固定大小T的时间窗对炼铁数据进行序列化，通过{1, 2, ……,T}时刻的输入预测T时刻的硅含量。
4.根据权利要求3所述的方法，其特征在于：步骤3包含两个并行的通道：时序通道与空间通道，序列化的时间片段被分别输入到这两个通道内；在空间通道中包含图结构学习模块与图卷积网络，时间通道由长短时记忆网络构成；图结构学习模块将{1, 2, ……,T}时刻的时间序列转化为非欧的图结构，在该图中节点表示变量，节点的特征为{1, 2, ……,T}时刻该变量对应的时序片段，节点的边表征变量间的耦合关系；图卷积神经网络在图结构的约束下，对有耦合关系的变量对进行消息聚合操作，捕捉炼铁数据中的空间特征；在时序通道，通过长短时记忆网络提取T个时刻内重要的时序特征。
5.根据权利要求1所述的方法，其特征在于：步骤4中通过横向连接模块实现不同语义特征的融合，便于不同通道间特征的融合以及两通道内网络的协同训练。
6.根据权利要求1所述的方法，其特征在于：步骤5中将时序特征与空间特征并联后输入到全连接网络，通过全连接网络完成硅含量的预测输出。
CN202310301979.5A 2023-03-27 2023-03-27 基于时序图卷积网络的高炉铁水硅含量预测方法 Pending CN116432699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310301979.5A CN116432699A (zh) 2023-03-27 2023-03-27 基于时序图卷积网络的高炉铁水硅含量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310301979.5A CN116432699A (zh) 2023-03-27 2023-03-27 基于时序图卷积网络的高炉铁水硅含量预测方法

Publications (1)

Publication Number Publication Date
CN116432699A true CN116432699A (zh) 2023-07-14

Family

ID=87090043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310301979.5A Pending CN116432699A (zh) 2023-03-27 2023-03-27 基于时序图卷积网络的高炉铁水硅含量预测方法

Country Status (1)

Country Link
CN (1) CN116432699A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117598711A (zh) * 2024-01-24 2024-02-27 中南大学 一种心电信号的qrs波群检测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117598711A (zh) * 2024-01-24 2024-02-27 中南大学 一种心电信号的qrs波群检测方法、装置、设备及介质
CN117598711B (zh) * 2024-01-24 2024-04-26 中南大学 一种心电信号的qrs波群检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN110674604A (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
CN112001527A (zh) 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN114015825B (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN114492211B (zh) 一种基于自回归网络模型的剩余油分布预测方法
CN112668775A (zh) 一种基于时序卷积网络算法的空气质量预测方法
CN116432699A (zh) 基于时序图卷积网络的高炉铁水硅含量预测方法
CN111222798B (zh) 一种复杂工业过程关键性指标软测量方法
CN115293197A (zh) 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN115495991A (zh) 一种基于时间卷积网络的降水区间预测方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN113177666A (zh) 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法
CN112561184A (zh) 一种基于gaf特征融合的用水量序列预测模型的方法
CN117370771A (zh) 一种基于条件分数扩散的知识嵌入填补软测量方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN116663126A (zh) 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法
CN116244596A (zh) 基于tcn和注意力机制的工业时序数据异常检测方法
CN114943328A (zh) 基于bp神经网络非线性组合的sarima-gru时序预测模型
CN116050630A (zh) 机理与数据联合驱动的湖泊多深度温度预测方法及模型
CN115204040A (zh) 一种基于神经网络模型的数字加热炉仿真方法
CN115936236A (zh) 一种卷烟厂能耗预测方法、系统、设备及介质
CN114997464A (zh) 一种基于图时序信息学习的流行度预测方法
CN115482877A (zh) 一种基于时序图网络的发酵过程软测量建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination