基于时序图卷积网络的高炉铁水硅含量预测方法技术

本发明专利技术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。了模型的预测精度。了模型的预测精度。

【技术实现步骤摘要】
基于时序图卷积网络的高炉铁水硅含量预测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术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。
[0005]本专利技术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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]本专利技术的有益效果：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
[0012]图1所示为高炉数据序列化示意图。
[0013]图2所示为时序图卷积网络架构。
[0014]图3所示为时序图卷积网络流程图。
[0015]图4所示硅含量预测结果。
具体实施方式
[0016]以下结合附图和实施例对本专利技术做进一步的阐述。
[0017]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。
[0018]步骤2：将原始的高炉炼铁数据表示为，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{x1,x2,
ꢀ……
,
x
T
}，其中,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。
[0019]步骤3：包含两个并行的通道：时序通道与空间通道，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，输入空间通道的需要被转置为。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。
[0020]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：
[0021]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：
[0022]其中K(.)为变量p和变量q之间的径向基距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
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（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。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...

【专利技术属性】
技术研发人员：杨春节，孔丽媛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：