【技术实现步骤摘要】
本专利技术属于工业控制，特别涉及一种物理知识嵌入的铝电解过热度识别方法及系统。
技术介绍
1、电解质温度与初晶温度的差值被称为过热度，是铝电解工业中反映铝电解槽槽况信息的重要指标之一。过热度影响电解槽的炉膛形状和稳定性，进而影响电解槽的寿命。尤其是当过热度过大时，电解槽处于无炉帮状态运行，严重威胁电解槽寿命，进而造成原铝品质的降低。受限于铝电解现场高温、强电磁场、强腐蚀的条件，目前几乎没有传感器能对电解质温度进行长时间准确测量，且初晶温度也需要离线化验才能得到。因而，在工业现场，过热度大小的判断往往只能依靠经验知识丰富的技术专工通过观察铝电解槽火眼来进行。然而，人工判断存在主观性强，无法连续观测等问题，导致过热度大小的连续准确识别一直以来是个难题。
2、为了解决过热度实时识别问题，许多研究从知识表示的角度，通过总结和概括专家经验来探索过热度的识别。通常通过总结归纳具有多源异构性和不确定性的专家经验，并以模糊集方法获取过热度分类规则并在线更新规则树，参考文献：z.chen,m.lu,y.zhou,c.chen,information synergy entropy based multi-feature information fusion forthe operating condition identification in aluminium electrolysis,informationsciences 548(2021)275–294。然而，这类基于规则的方法大多基于专家知识，专家知识的模糊性使得很难用一系
技术实现思路
1、有鉴于此，本专利技术提出一种物理知识嵌入的铝电解过热度识别方法及系统，通过实时铝电解火眼视频更有效的识别过热度，该方法将物理知识提取和过热度识别集成到一个端到端的框架中，在数据样本有限的情况下，能够准确识别具有高类别相似性的过热度。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一方面，一种物理知识嵌入的铝电解过热度识别方法，包括：
4、首先，对火眼图像进行嵌入物理知识的融合特征提取；
5、结合先验知识提取火眼图像的物理特征，利用以shufflenetv2块为核心的骨干特征提取网络，提取火眼图像的数据特征，将物理特征和数据特征进行融合，得到融合特征；
6、所述物理特征包括炭渣数量、火眼的大小、颜色特征和纹理特征；
7、接着，利用火眼图像训练数据对基于深度卷积神经网络的铝电解过热度识别模型进行训练；
8、所述火眼图像训练数据的物理特征和过热度标签已知，训练过程将火眼图像训练数据的融合特征和过热度标签分别作为深度卷积神经网络的输入数据和输出数据；
9、最后，将训练好的基于深度卷积神经网络的铝电解过热度识别模型，对实时采集的火眼图像进行铝电解过热度识别。
10、本方案重点在于加入物理特征，和数据特征一起来进行过热度识别，相对于现有技术而言，物理特征的加入实现了在少量训练样本情况下过热度的准确识别。
11、进一步地，采用粒子群算法对火眼图像的物理特征进行优化选择，以火眼图像的物理特征初始组合作为粒子，每个粒子生成所有物理特征具有相同维度的随机向量，将每个粒子的向量转变为标称型向量；把每个粒子对应的物理特征与标称型向量进行哈达玛积计算得到优化后的物理特征组合；在设定的迭代次数过程中，每次迭代时，以优化后的物理特征组合得到的融合特征输入卷积神经网络进行训练，得到卷积神经网络的铝电解过热度识别模型的识别精度，基于识别精度更新粒子个体历史最优位置和粒子群体历史最优位置，再按照粒子更新公式对当前粒子更新，直到迭代结束，获得最优的粒子，即获得最优的物理特征组合；
12、所述物理特征包括炭渣数量、火眼的大小、颜色特征和纹理特征。
13、即获得最优的火眼图像的物理特征组合，用于铝电解的过热度识别。
14、进一步地，所述将每个粒子的向量转变为标称型向量是指按如下方式进行：
15、
16、其中，pi表示粒子的向量中的第i个元素，表示粒子的向量转变为标称型向量后的第i个元素，与pi对应。
17、进一步地，采用粒子群算法对火眼图像的物理特征进行优化选择时，在迭代训练卷积神经网络过程中，采用的交叉熵损失函数表达式如下：
18、
19、其中，y1和y2分别表示过热度识别任务中两类易识别的类和三类难识别的类，yj和yk分别是y1和y2两类中的训练数据样本，和分别是利用铝电解过热度识别模型识别出的对应类别的概率值；λ为0-1范围的超参数，y和分别表示某个训练样本的真实类别值和预测类别的概率值。
20、增强的交叉熵损失函数来区分具有高相似性的样本；如式中所示，当时，不会计算对应项的损失，从而使所提模型不会聚焦于优化易识别类的识别效果，进而提高难识别类的识别效果。
21、两类易识别的类是指过热度为小和适中的类，三类难识别的类是指过热度为略大、偏大、大的类；
22、往往期望的是模型得到的概率值尽可能的接近真实值，但是由于容易分类的样本的存在，这部分样本在训练阶段交叉熵损失函数接近收敛时拉低了整体的损失值，使模型很难聚焦于y2中的困难样本。一般而言，只要预测值足够接近真实值，模型就能正确识别样本。因此当y1预测的概率大于λ时，我们忽略该项的损失，使模型着重关注那些难以分类的样本。
23、进一步地，采用的粒子算法求解目标函数时，采用并行化通信，所述并行化通信在星形结构中进行的，分为一个主子群和多个从子群。
24本文档来自技高网...
【技术保护点】
1.一种物理知识嵌入的铝电解过热度识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用粒子群算法对火眼图像的物理特征进行优化选择，以火眼图像的物理特征初始组合作为粒子，每个粒子生成所有物理特征具有相同维度的随机向量，将每个粒子的向量转变为标称型向量；把每个粒子对应的物理特征与标称型向量进行哈达玛积计算得到优化后的物理特征组合；在设定的迭代次数过程中，每次迭代时，以优化后的物理特征组合得到的融合特征输入卷积神经网络进行训练，得到卷积神经网络的铝电解过热度识别模型的识别精度，基于识别精度更新粒子个体历史最优位置和粒子群体历史最优位置，再按照粒子更新公式对当前粒子更新，直到迭代结束，获得最优的粒子，即获得最优的物理特征组合；
3.根据权利要求2所述的方法，其特征在于，所述将每个粒子的向量转变为标称型向量是按如下方式进行：
4.根据权利要求2所述的方法，其特征在于，采用粒子群算法对火眼图像的物理特征进行优化选择时，在训练卷积神经网络过程中，采用的交叉熵损失函数表达式如下：
5.根据权利要求4所述的方法，其特征在于，采
6.根据权利要求1所述的方法，其特征在于，所述利用以ShuffleNetV2块为核心的骨干特征提取网络，提取火眼图像的数据特征，是指将原始的2维ShuffleNetV2块拓展为适用于视频的3维ShuffleNetV2块，即在ShuffleNetV2块中，输入被划分为两个分支，一个分支保持不变，另一个分支由具有相同输入和输出通道的三个卷积组成，最后，将这两个分支连接起来，以保持通道数量不变；
7.根据权利要求1所述的方法，其特征在于，采用单帧火眼口图像的平均灰度值表示炭渣数量fcar；
8.一种采用权利要求1-7任一项所述一种物理知识嵌入的铝电解过热度识别方法的识别系统，其特征在于，包括：
9.一种电子终端，其特征在于：至少包含：
10.一种计算机可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行：
...【技术特征摘要】
1.一种物理知识嵌入的铝电解过热度识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用粒子群算法对火眼图像的物理特征进行优化选择，以火眼图像的物理特征初始组合作为粒子，每个粒子生成所有物理特征具有相同维度的随机向量，将每个粒子的向量转变为标称型向量；把每个粒子对应的物理特征与标称型向量进行哈达玛积计算得到优化后的物理特征组合；在设定的迭代次数过程中，每次迭代时，以优化后的物理特征组合得到的融合特征输入卷积神经网络进行训练，得到卷积神经网络的铝电解过热度识别模型的识别精度，基于识别精度更新粒子个体历史最优位置和粒子群体历史最优位置，再按照粒子更新公式对当前粒子更新，直到迭代结束，获得最优的粒子，即获得最优的物理特征组合；
3.根据权利要求2所述的方法，其特征在于，所述将每个粒子的向量转变为标称型向量是按如下方式进行：
4.根据权利要求2所述的方法，其特征在于，采用粒子群算法对火眼图像的物理特征进行优化选择时，在训练卷积神经网络过程中，采用的交叉熵损失函数表达式如下：
【专利技术属性】
技术研发人员：阳春华，王智杰，黄科科，吴德浩，刘一顺，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。