引用本文
蒋珂, 蒋朝辉, 谢永芳, 潘冬, 桂卫华. 基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法. 自动化学报, 2023, 49(5): 949−963 doi: 10.16383/j.aas.c210524
Jiang Ke, Jiang Zhao-Hui, Xie Yong-Fang, Pan Dong, Gui Wei-Hua. Online prediction method for silicon content of molten iron in blast furnace based on dynamic attention deep transfer network. Acta Automatica Sinica, 2023, 49(5): 949−963 doi: 10.16383/j.aas.c210524
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210524
关键词
高炉炼铁，铁水硅含量，深度网络，迁移学习，动态注意力机制，预测
摘要
铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.
文章导读
高炉炼铁是钢铁流程中的上游和关键工序, 是铁素物质流转换的核心关键单元, 是钢铁制造过程中能耗最大和生产成本最高的环节[1-2]. 炼铁过程中的主体设备高炉是气体、液体和固体三相共存的竖式反应器, 具有连续鼓风、周期性加料和出铁、高温高压高尘等特征, 其内部连续发生复杂的物理化学反应, 并最终生产出熔融铁水[3]. 钢铁工业要实现真正的高质量发展, 至少要过“五关”, 更要斩“六降”, “五关” 即产能关、布局关、绿色关、质量关和效率关, “六降” 即降预期、降杠杆、降排放、降人员、降风险和降成本. 为了满足这种趋势的发展, 生产过程中关键性能指标的实时监控, 在工业界和学术界得到了广泛的关注[4-6].
铁水硅含量是高炉冶炼过程中表征铁水质量的重要指标, 也是反映炉缸内部热状态和炉况的灵敏指示剂. 铁水硅含量偏低, 说明铁水物理热不足, 炉缸热储备不够, 容易造成炉缸冻结事故. 铁水硅含量偏高, 有利于去除铁水中的有害元素磷和硫, 但是过高的铁水硅含量又会使生铁变硬变脆, 收得率降低且易引起喷溅. 另外, 铁水中过高的硅也意味着炉缸煤气流过于旺盛, 易导致悬料、崩料等炉况故障及能源的浪费[7]. 通常, 铁水硅含量需要根据原燃料品位和铁水品质的要求, 控制在一个合理的范围内, 如本文研究的中国西南某钢铁厂需要控制在0.3% ~ 0.6%. 目前, 高炉现场操作者主要通过人工采样后离线化验的方式获取硅含量值, 但在撇渣器处取铁水样本的过程具有一定的危险性, 化验过程需要昂贵的仪器和人工成本, 且化验的数据不具有时效性, 使得铁水质量信息不能及时反馈, 造成高炉铁水质量精细化调控困难. 因此, 实现铁水硅含量的实时在线预测, 对评估高炉状态、提升铁水质量、降低高炉能耗和保障高炉顺行具有重要的意义. 高炉炼铁过程具有强非线性、非稳态、大时滞等特点, 涉及气、液、固三相及其耦合, 是一个极其复杂的物理化学反应过程, 因此难以建立精确的机理模型描述冶炼过程. 通过简化部分条件建立的机理模型, 在一定程度上为认知冶炼过程及炉内现象起到了积极作用, 但建模条件要求严格, 模型所需参数无法准确获取, 建立的静态机理模型无法应用于原燃料品位波动频繁的国内高炉炼铁过程[8-10]. 随着集散控制系统和工业互联网成功运用以来, 高炉冶炼系统已积累了海量能反映冶炼过程的知识和数据, 且基于数据驱动的方法不需要详细准确的先验知识, 仅仅依靠过程运行中的大量数据就能实现对铁水硅含量的在线实时预测, 因此, 基于数据驱动的铁水硅含量在线预测方法已经成为当前研究领域的热点方向[11-13].
随着人工智能技术的快速发展和应用, 大量的基于数据驱动的模型被用来在线预报铁水硅含量, 如支持向量回归机 (Support vector regression, SVR)[14]、神经网络[15]、T-S (Takagi-Sugeno)模糊模型[16]等. 文献[14]基于非线性自回归模型提出了一种鲁棒的最小二乘支持向量机模型, 同时预测多个铁水质量性能指标. 文献[15]融合多次有放回重采样下建立的神经网络模型, 实现了硅含量数值和可信度二维预报. 文献[16]提出了一种基于贝叶斯块结构稀疏的T-S模糊模型预测高炉铁水硅含量. 尽管这些模型在高炉冶炼过程的关键性能指标的预测方面都取得了积极的进展, 但还有一些问题没有被解决, 仍有进一步提高的空间. 首先, 这些模型大都是浅层学习模型, 其表达能力和泛化能力有限, 难以为复杂的高炉冶炼过程提供深层次的非线性描述, 在非平稳炉况时模型的性能波动较大; 其次, 这些模型都是监督学习模式, 对铁水硅含量标签数据的依赖较强, 硅含量标签以人工采样、离线化验的方式获取, 使得采集大量带标签的样本是困难的.
深度网络能在一定程度上解决上述铁水硅含量在线预测面临的两个问题. 首先, 通过堆叠多层隐含层使得模型能逐层地提取抽象的特征表示, 来描述复杂的高炉冶炼过程; 其次, 模型的构建分为无监督的预训练和有监督的微调两阶段, 先利用无标签的快速采样过程变量数据预训练深度网络, 可以更好地挖掘数据中隐含分布特征, 进而降低对标签硅含量数据依赖[17]. 由于深度网络的特点, 在很多领域都取得了出色效果, 如自然语言处理、文本识别和计算机视觉[18-20]等. 在工业过程中, 深度学习也被引入工业过程关键性能指标在线估计. 文献[21]利用深度网络, 预测高炉铁水硅含量短期内的变化趋势. 文献[22]堆叠多个受限玻尔兹曼机构成深度网络, 实现了美国田纳西州伊士曼化工过程状态分类. 深度网络建模优势的引入, 使得工业过程的关键性能指标预测的精度取得了一定的提升. 但是, 直接建立基于深度网络的铁水硅含量在线预测模型, 还存在一定的问题. 首先, 训练好的深度网络无差别地逐层提取输入样本的各维过程变量抽象特征表示, 来完成硅含量在线预测任务, 实际对于高炉冶炼过程, 特别是国内入炉矿源频繁变动的情况, 影响硅含量的过程变量的重要性呈现的是一种动态的变化规律, 因此深度网络静态的建模思路无法完整地描述动态的高炉冶炼过程; 其次, 基于数据驱动的深度黑箱模型虽然展示了较佳的性能, 但建模的过程难以被理解和信任, 且模型缺乏一定的可解释性; 再次, 深度模型的训练对标签的硅含量数据量有一定的要求, 而高成本的化验过程导致获取实时的硅含量标签样本是困难的. 基于上述考虑, 本文提出了基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 提出了一种轻量化的动态注意力机制模块, 将该模块嵌入在深度去噪自编码机(Denoising autoencoders, DAE)网络的前端, 能实时地计算输入样本的各过程变量注意力分数, 使得深度网络能有差别地动态提取与硅含量相关的过程变量的抽象特征, 且该模块还能给出对应的过程变量对硅含量预测值的贡献度, 在一定程度上增强黑箱模型的可解释性. 此外, 为了减少模型对硅含量标签数据的依赖, 本文介绍和引入了前期工作中研发的高炉铁口铁水温度红外视觉检测系统, 迁移该系统获取的实时的铁水温度数据训练好的深度网络模型到铁水硅含量在线预测任务中, 进一步提高铁水硅含量在线预测的性能[23-24].
图 1 高炉三维仿真模拟图
图 2 去噪自编码机基本结构
图 3 堆叠去噪自编码机训练过程
高炉铁水硅含量是高炉炼铁过程中表征铁水质量和炉缸内部热状态的重要和关键技术指标, 本文针对硅含量难以在线检测的实际工程难题, 提出了一种基于动态注意力深度迁移网络的铁水硅含量在线预报方法. 该方法提出了一种动态的注意力机制模块, 来捕获样本的各过程变量与硅含量之间的关系, 使得后端的深度网络在训练过程中逐层加强对预测性能有提升的主要过程变量的特征提取和抑制次要过程变量的特征提取. 考虑到铁水温度与铁水硅含量之间的正相关关系, 结合前期工作中研发的红外视觉铁水测温系统, 迁移了基于铁水温度数据训练的深度模型结构, 利用少量硅含量标签数据微调模型参数, 提高了铁水硅含量预测模型的性能并同时降低了模型对硅含量标签数据的依赖. 该模型不仅能实时地给出铁水硅含量的预测值, 还能给出对应的过程变量对预测值的贡献度, 不仅能在一定程度上增强黑箱模型的可解释性, 也能为现场工人的操作和炉况调控提供重要的参考信息.
在今后的研究中, 将以预测的实时铁水硅含量数据和测温系统检测的铁水温度数据为基础, 黑箱模型的部分可解释性为辅助, 融合工艺条件、操作参数之间的耦合关系, 开展基于深度学习的高炉炼铁过程操作参数优化方法的研究.
作者简介
蒋珂
中南大学博士研究生. 2019年获得中南大学硕士学位. 主要研究方向为数据驱动的工业过程建模与控制, 过程数据分析和机器学习. E-mail: jiangke@csu.edu.cn
蒋朝辉
中南大学自动化学院教授. 2011年获得中南大学博士学位. 主要研究方向为智能传感与检测技术, 图像处理与智能识别, 人工智能和机器学习. 本文通信作者. E-mail: jzh0903@csu.edu.cn
谢永芳
中南大学自动化学院教授. 1993 年获得中南工业大学学士学位. 主要研究方向为分散控制, 鲁棒控制, 过程控制, 工业大数据和知识自动化. E-mail: yfxie@csu.edu.cn
潘冬
中南大学自动化学院讲师. 分别于2015年和2021年获得中南大学学士和博士学位. 2019年至2021年, 在加拿大拉瓦尔大学电子与计算工程系联合培养. 主要研究方向为红外热成像, 视觉检测, 图像处理和深度学习. E-mail: pandong@csu.edu.cn
桂卫华
中国工程院院士, 中南大学自动化学院教授. 1981年获得中南矿冶学院硕士学位. 主要研究方向为复杂工业过程建模, 优化与控制应用, 故障诊断与分布式鲁棒控制. E-mail: gwh@csu.edu.cn
转载本文请联系原作者获取授权，同时请注明本文来自欧彦科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3291369-1390913.html?mobile=1
收藏
