一种基于AE-LSTM的多元铸坯质量软测量方法

一种基于ae-lstm的多元铸坯质量软测量方法
技术领域
1.本发明涉及铸坯测量技术领域，尤其涉及一种基于ae-lstm的多元铸坯质量软测量方法。


背景技术：

2.连续铸钢以其节约能源、质量好、高效率、具有易于实现、自动化等诸多优势，在冶金领域引起了广泛的关注。其中，连铸即为连续铸钢(continuous steel casting)的简称。钢铁厂在生产各种钢材过程中，钢水凝固成型方法主要有两种：一种是用传统模铸法成型，另一种是用连续铸钢法成型。
3.由于铸坯是炼钢连铸过程最终的生产产物，生产的铸坯质量很难进行在线测量，只能进行离线测量。在炼钢连铸过程中，各个生产操作自动化的过程中并不能知道铸坯的实时生产质量，不利于改善铸坯的生产质量，对于已生产的部分有表面缺陷的铸坯并不易进行修补，而内部存在缺陷的铸坯为不合格产品，一般做报废处理。


技术实现要素：

4.为此，本发明提供一种基于ae-lstm的多元铸坯质量软测量方法，用以克服现有技术中的离线测量铸坯质量导致铸坯的生产质量低的问题。
5.为实现上述目的，本发明提供一种基于ae-lstm的多元铸坯质量软测量方法，包括：步骤s1，对pca的输入样本进行降维，构造输入矩阵i并通过计算获得协方差矩阵r、协方差矩阵的特征值λi以及所述协方差矩阵的特征值对应的特征向量gi，计算主成分方差贡献率c
m,i
及累计方差贡献率c
m,m
；
6.步骤s2，对narx动态模型结构进行确定，对所述narx动态模型的参数进行调整；
7.步骤s3，基于ae对输入矩阵进行训练，通过moore-penrose对隐含层输入矩阵进行计算以得到伪逆矩阵并根据隐含层输入矩阵计算网络输出权值β；
8.步骤s4，对lstm参数进行初始化并对所述lstm参数进行正向计算，使用adam优化神经网络中的特征参数，选择l2损失函数作为lstm训练的损失函数，根据l2损失反向计算更新网络中的参数，进行若干次正向计算和反向计算并在l2损失函数收敛时判定lstm训练完成；
9.步骤s5，输出ae-lstm模型对铸坯质量的预测结果。
10.进一步地，在所述步骤s1中，所述输入矩阵i表示为：
[0011][0012]
获取铸坯生产过程的工艺参数和控制变量数据，对所述工艺参数和所述控制变量
数据进行多元数据知识和信息抽取以形成n组不同的输入数据样本：
[0013][0014]
进一步地，在所述步骤s1中，所述协方差矩阵r表示为：
[0015][0016]
其中，r
ij
是输入矩阵i原变量xi与xj的相关系数，满足r
ij
＝
rj
i，计算公式如下：
[0017][0018]
其中，x
ki
是原输入矩阵i中的第(k,i)个元素，和分别是样本行、列向量的平均值，和的计算公式分别为：
[0019][0020][0021]
进一步地，在完成对输入i的协方差矩阵r的计算时计算协方差矩阵r的特征值λi和特征向量gi＝[g
ij
]
t
，j＝1,2,
…
,n，并依据对应特征值λi按照降序λ1》λ2》
…
》λn排列。
[0022]
进一步地，在所述步骤s1中，所述主成分方差贡献率和累计方差贡献率的计算公式分别为：
[0023][0024][0025]
其中，c
m,i
为第i个主成分的方差贡献率，所述方差贡献率为主成分方差占总方差的比例，主成分的方差贡献率依次递减；c
m,m
表示前m个主成分的累计方差贡献率，所有主成分的累计方差贡献率为1。
[0026]
进一步地，在所述步骤s1中，选取方差贡献率在85％～95％范围内的特征值λ1,λ2,
…
,λd所对应的d个主成分，主成分i'＝[i1',i'2,
…
,i'd]对应的多项式为：
[0027][0028]
进一步地，在所述步骤s2中，所述narx动态模型结构为：
[0029]
y(t)＝f
narx
(x(t),
…
,x(t-p),y(t-1),
…
,y(t-q))(9)
[0030]
其中，x为模型输入变量集，x＝i',y为待估计的铸坯质量，p和q分别为炼钢连铸过程输入和输出时序系数。
[0031]
进一步地，在所述步骤s3中，根据输入变量集x和待估计的铸坯质量集y构造新样本n个任意样本集集合：
[0032][0033]
其中，f
l
为配置有l层隐含节点的单隐含层前馈神经网络，φ(x)为f
l
激励函数，f
l
的计算式为：
[0034][0035]
当时，xj的计算式为：
[0036][0037]
简写为其中，
[0038][0039]
不是方阵，根据moore-penrose计算得到的伪逆矩阵根据公式计算得到ae网络的网络输出权值β。
[0040]
进一步地，在所述步骤s4中，所述特征参数包括：遗忘门参数f
i(t)
、状态参数输入门参数以及输出参数所述遗忘门参数f
i(t)
对自环权重进行控制，f
i(t)
的表达式为：
[0041][0042]
其中，σ是sigmoid单元，为当前输入向量，是当前隐藏层向量，h
(t)
包含所有lstm细胞的输出，bf、uf、wf分别是偏置、输入权重和遗忘门的循环权重，输入权重uf＝β。
[0043]
进一步地，所述l2损失函数的函数式为：
[0044][0045]
其中，yi为铸坯质量离线测量的真实值，为lstm网络输出门的预测值，即根据l2损失函数式对更新网络中的参数进行反向计算，经过多次计算，直到l2损失收敛。
[0046]
与现有技术相比，本发明的有益效果在于，本发明所述软测量方法通过设置步骤s1-步骤s5，实现对炼钢连铸过程在线检测并预测铸坯生产质量，对连铸坯几何形状、表面质量、内部组织致密性和钢的洁净性等质量要求进行判定，这些质量要求与炼钢连铸过程
的连铸机的本省设计、采取的工艺以及凝固特点密切相关。其中，连铸坯的裂纹和夹杂物所产生的缺陷是影响产品质量的两大障碍，生产无缺陷或者缺陷不足以影响产品质量的连铸坯，这是要努力达到的目标。研究一种测铸坯生产质量的方法，在线获得铸坯生产质量，有助于改善铸坯的生产质量，减少铸坯“二次修复”的数量，节约能源，提高铸坯产品质量，实现炼钢连铸过程的高效生产。此外，高质量的铸坯能保证高附加值产品优良的性能。铸坯生产质量的在线预测，有助于促进对炼钢连铸系统的整体优化，推动生产过程智能化，引导炼钢连铸产业智能升级。
[0047]
进一步地，本发明所述软测量方法通过给定数据构造输入矩阵，计算其样本向量的平均值及样本向量的相关系数获得输入矩阵的协方差矩阵，对矩阵降维得到的新样本矩阵并最大程度保留原样本的信息，通过对协方差矩阵进行特征分解求出其特征值和特征向量以及计算主成分方差贡献率和累计方差贡献率，优化了工程效果减少计算工作量提高了计算效率。进一步实现了铸坯生产质量的提高。
[0048]
进一步地，本发明所述软测量方法通过建立narx动态模型结构并对参数进行调整，增强了对历史数据的记忆能力并能更好的预测及计算连续铸坯的质量，进一步实现了铸坯生产质量的提高。
[0049]
进一步地，本发明所述软测量方法通过给定输入权值激活函数和隐含层节点数计算隐含层输入矩阵并得到其伪逆矩阵，求解网络输出权值，获取最优数据用于预测铸坯质量，进一步实现了铸坯生产质量的提高。
[0050]
进一步地，本发明所述软测量方法通过初始化lstm参数并对其进行正向计算，使用adam优化神经网络中所有的参数，选择l2损失作为lstm训练的损失函数，进行多次迭代，直到l2损失收敛，进一步实现了铸坯生产质量的提高。
[0051]
进一步地，本发明软测量方法采用提出的基于ae-lstm算法，对炼钢连铸的变量参数进行多元铸坯质量建模，实现对铸坯质量的在线软测量，em-1～em-7分别表示基于相应计算经验模型的软传感器。对于一些不能直接测量或者难以直接测量的关键变量，如加渣厚度和能耗等，则通过一些经验模型间接计算获得，进一步实现了铸坯生产质量的提高。
附图说明
[0052]
图1为本发明实施例基于ae-lstm的多元铸坯质量软测量方法的整体流程图；
[0053]
图2为本发明实施例基于ae-lstm的多元铸坯质量软测量方法对应的测量系统结构示意图；
[0054]
图3为本发明实施例基于ae-lstm的多元铸坯质量软测量方法的具体流程图；
[0055]
图4为本发明实施例基于ae-lstm的多元铸坯质量软测量方法涉及到的单个lstm cell结构图。
具体实施方式
[0056]
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0057]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
[0058]
请参阅图1、图2、图3以及图4所示，其分别为本发明实施例基于ae-lstm的多元铸坯质量软测量方法的整体流程图、多元铸坯质量软测量方法对应的测量系统结构示意图、具体流程图以及涉及到的单个lstm cell结构图本发明实施例一种基于ae-lstm的多元铸坯质量软测量方法，包括：
[0059]
步骤s1，对pca的输入样本进行降维，构造输入矩阵i并通过计算获得协方差矩阵r、协方差矩阵的特征值λi以及所述协方差矩阵的特征值对应的特征向量gi，计算主成分方差贡献率c
m,i
及累计方差贡献率c
m,m
；
[0060]
步骤s2，对narx动态模型结构进行确定，对所述narx动态模型的参数进行调整；
[0061]
步骤s3，基于ae对输入矩阵进行训练，通过moore-penrose对隐含层输入矩阵进行计算以得到伪逆矩阵并根据隐含层输入矩阵计算网络输出权值β；
[0062]
步骤s4，对lstm参数进行初始化并对所述lstm参数进行正向计算，使用adam优化神经网络中的特征参数，选择l2损失函数作为lstm训练的损失函数，根据l2损失反向计算更新网络中的参数，进行若干次正向计算和反向计算并在l2损失函数收敛时判定lstm训练完成；
[0063]
步骤s5，输出ae-lstm模型对铸坯质量的预测结果。
[0064]
本发明所述软测量方法通过设置步骤s1-步骤s5，实现对炼钢连铸过程在线检测并预测铸坯生产质量，对连铸坯几何形状、表面质量、内部组织致密性和钢的洁净性等质量要求进行判定，这些质量要求与炼钢连铸过程的连铸机的本省设计、采取的工艺以及凝固特点密切相关。其中，连铸坯的裂纹和夹杂物所产生的缺陷是影响产品质量的两大障碍，生产无缺陷或者缺陷不足以影响产品质量的连铸坯，这是要努力达到的目标。研究一种测铸坯生产质量的方法，在线获得铸坯生产质量，有助于改善铸坯的生产质量，减少铸坯“二次修复”的数量，节约能源，提高铸坯产品质量，实现炼钢连铸过程的高效生产。此外，高质量的铸坯能保证高附加值产品优良的性能。铸坯生产质量的在线预测，有助于促进对炼钢连铸系统的整体优化，推动生产过程智能化，引导炼钢连铸产业智能升级。
[0065]
具体而言，铸坯连续生产过程为，已经提纯过的钢水被输送到盛钢桶1，转盘3旋转到浇注位置后，将钢水倒入铸模2，拉矫机和结晶振动装置配合将铸坯4从模具中拉出，冷却和电磁搅拌后，焰切机5将铸坯4切割成一定长度，获得固态铸坯产品6。
[0066]
在所述步骤s1中，所述输入矩阵i表示为：
[0067][0068]
获取铸坯生产过程的工艺参数和控制变量数据，对所述工艺参数和所述控制变量数据进行多元数据知识和信息抽取以形成n组不同的输入数据样本：
[0069][0070]
在所述步骤s1中，所述协方差矩阵r表示为：
[0071][0072]
其中，r
ij
是输入矩阵i原变量xi与xj的相关系数，满足r
ij
＝r
ji
，计算公式如下：
[0073][0074]
其中，x
ki
是原输入矩阵i中的第(k,i)个元素，和分别是样本行、列向量的平均值，和的计算公式分别为：
[0075][0076][0077]
在完成对输入i的协方差矩阵r的计算时计算协方差矩阵r的特征值λi和特征向量gi＝[g
ij
]
t
，j＝1,2,
…
,n，并按照降序λ1》λ2》
…
》λn排列。
[0078]
在所述步骤s1中，所述主成分方差贡献率和累计方差贡献率的计算公式分别为：
[0079][0080][0081]
总方差的比例，主成分的方差贡献率依次递减；c
m,m
表示前m个主成分的累计方差贡献率，所有主成分的累计方差贡献率为1。
[0082]
在所述步骤s1中，选取方差贡献率达在85％～95％范围内的特征值λ1,λ2,
…
,λd所对应的d个主成分，主成分i'＝[i1',i'2,
…
,i'd]对应的多项式为：
[0083][0084]
本发明所述软测量方法通过给定数据构造输入矩阵，计算其样本向量的平均值及样本向量的相关系数获得输入矩阵的协方差矩阵，对矩阵降维得到的新样本矩阵并最大程度保留原样本的信息，通过对协方差矩阵进行特征分解求出其特征值和特征向量以及计算主成分方差贡献率和累计方差贡献率，优化了工程效果减少计算工作量提高了计算效率。进一步实现了铸坯生产质量的提高。
[0085]
进一步地，在所述步骤s2中，所述narx动态模型结构为：
[0086]
y(t)＝f
narx
(x(t),
…
,x(t-p),y(t-1),
…
,y(t-q))(9)
[0087]
其中，x为模型输入变量集，x＝i',y为待估计的铸坯质量，p和q分别为炼钢连铸过程输入和输出时序系数。
[0088]
在所述步骤s3中，根据输入变量集x和待估计的铸坯质量集y构造新样本n个任意样本集集合：
[0089][0090]
其中，f
l
为配置有l层隐含节点的单隐含层前馈神经网络，φ(x)为f
l
激励函数，f
l
的计算式为：
[0091][0092]
当时，xj的计算式为：
[0093][0094]
简写为其中，
[0095][0096]
不是方阵，根据moore-penrose计算得到的伪逆矩阵根据公式计算得到ae网络的网络输出权值β。
[0097]
本发明所述软测量方法通过给定输入权值激活函数和隐含层节点数计算隐含层输入矩阵并得到其伪逆矩阵，求解网络输出权值，获取最优数据用于预测铸坯质量，进一步实现了铸坯生产质量的提高。
[0098]
进一步地，在所述步骤s4中，所述特征参数包括：遗忘门参数f
i(t)
、状态参数输入门参数以及输出参数所述遗忘门参数f
i(t)
对自环权重进行控制，f
i(t)
的表达式为：
[0099][0100]
其中，σ是sigmoid单元，为当前输入向量，是当前隐藏层向量，h
(t)
包含所有lstm细胞的输出，bf、uf、wf分别是偏置、输入权重和遗忘门的循环权重，输入权重uf＝β。
[0101]
具体而言，c
i-1
为lstm细胞经过长短期记忆学习前状态，ci为lstm细胞经过长短期记忆学习后状态。
[0102]
lstm细胞内部状态的表达式为：
[0103][0104]
其中，f
i(t)
为一个条件的自环权重，b、u、w分别是lstm细胞中的偏置、输入权重和
循环权重。
[0105]
外部输入门单元的表达式为：
[0106][0107]
lstm细胞的输出可以由输出门(output gate)关闭，和的表达式分别为：
[0108][0109][0110]
其中，bo、uo、wo分别是lstm细胞中的偏置、输入权重和循环权重。对lstm正向计算更新第i个lstm细胞的f
i(t)
、中的参数。所述l2损失函数的函数式：
[0111][0112]
其中，yi为铸坯质量离线测量的真实值，为lstm网络输出门的预测值，即根据l2损失函数式对更新网络中的参数进行反向计算，经过多次计算，直到l2损失收敛。
[0113]
本发明所述软测量方法通过初始化lstm参数并对其进行正向计算，使用adam优化神经网络中所有的参数，选择l2损失作为lstm训练的损失函数，进行多次迭代，直到l2损失收敛，进一步实现了铸坯生产质量的提高。
[0114]
本发明软测量方法采用提出的基于ae-lstm算法，对炼钢连铸的变量参数进行多元铸坯质量建模，实现对铸坯质量的在线软测量，em-1～em-7分别表示基于相应计算经验模型的软传感器。对于一些不能直接测量或者难以直接测量的关键变量，如加渣厚度和能耗等，则通过一些经验模型间接计算获得，进一步实现了铸坯生产质量的提高。
[0115]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0116]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于ae-lstm的多元铸坯质量软测量方法，其特征在于，包括：步骤s1，对pca的输入样本进行降维，构造输入矩阵i并通过计算获得协方差矩阵r、协方差矩阵的特征值λ
i
以及所述协方差矩阵的特征值对应的特征向量g
i
，计算主成分方差贡献率c
m,i
及累计方差贡献率c
m,m
；步骤s2，对narx动态模型结构进行确定，对所述narx动态模型的参数进行调整；步骤s3，基于ae对输入矩阵进行训练，通过moore-penrose对隐含层输入矩阵进行计算以得到伪逆矩阵并根据隐含层输入矩阵计算网络输出权值β；步骤s4，对lstm参数进行初始化并对所述lstm参数进行正向计算，使用adam优化神经网络中的特征参数，选择l2损失函数作为lstm训练的损失函数，根据l2损失反向计算更新网络中的参数，进行若干次正向计算和反向计算并在l2损失函数收敛时判定lstm训练完成；步骤s5，输出ae-lstm模型对铸坯质量的预测结果。2.根据权利要求1所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s1中，所述输入矩阵i表示为：获取铸坯生产过程的工艺参数和控制变量数据，对所述工艺参数和所述控制变量数据进行多元数据知识和信息抽取以形成n组不同的输入数据样本：3.根据权利要求2所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s1中，所述协方差矩阵r表示为：其中，r
ij
是输入矩阵i原变量x
i
与x
j
的相关系数，满足r
ij
＝r
ji
，计算公式如下：其中，x
ki
是原输入矩阵i中的第(k,i)个元素，和分别是样本行、列向量的平均值，和的计算公式分别为：
4.根据权利要求3所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在完成对输入i的协方差矩阵r的计算时计算协方差矩阵r的特征值λ
i
和特征向量g
i
＝[g
ij
]
t
，j＝1,2,
…
,n，并依据对应特征值λ
i
按照降序λ1>λ2>
…
>λ
n
排列。5.根据权利要求4所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s1中，所述主成分方差贡献率和累计方差贡献率的计算公式分别为：所述主成分方差贡献率和累计方差贡献率的计算公式分别为：其中，c
m,i
为第i个主成分的方差贡献率，所述方差贡献率为主成分方差占总方差的比例，主成分的方差贡献率依次递减；c
m,m
表示前m个主成分的累计方差贡献率，所有主成分的累计方差贡献率为1。6.根据权利要求5所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s1中，选取方差贡献率在85％～95％范围内的特征值λ1,λ2,
…
,λ
d
所对应的d个主成分，主成分i'＝[i1',i'2,
…
,i'
d
]对应的多项式为：7.根据权利要求6所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s2中，所述narx动态模型结构为：y(t)＝f
narx
(x(t),
…
,x(t-p),y(t-1),
…
,y(t-q))(9)其中，x为模型输入变量集，x＝i',y为待估计的铸坯质量，p和q分别为炼钢连铸过程输入和输出时序系数。8.根据权利要求7所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s3中，根据输入变量集x和待估计的铸坯质量集y构造新样本n个任意样本集集合：其中，f
l
为配置有l层隐含节点的单隐含层前馈神经网络，φ(x)为f
l
激励函数，f
l
的计算式为：当时，x
j
的计算式为：
简写为其中，其中，不是方阵，根据moore-penrose计算得到的伪逆矩阵根据公式计算得到ae网络的网络输出权值β。9.根据权利要求8所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，在所述步骤s4中，所述特征参数包括：遗忘门参数f
i(t)
、状态参数输入门参数以及输出参数h
i(t)
，所述遗忘门参数f
i(t)
对自环权重进行控制，f
i(t)
的表达式为：其中，σ是sigmoid单元，为当前输入向量，是当前隐藏层向量，h
(t)
包含所有lstm细胞的输出，b
f
、u
f
、w
f
分别是偏置、输入权重和遗忘门的循环权重，输入权重u
f
＝β。10.根据权利要求9所述的基于ae-lstm的多元铸坯质量软测量方法，其特征在于，所述l2损失函数的函数式为：其中，y
i
为铸坯质量离线测量的真实值，为lstm网络输出门的预测值，即根据l2损失函数式对更新网络中的参数进行反向计算，经过多次计算，直到l2损失收敛。

技术总结
本发明涉及铸坯质量技术领域，尤其涉及一种基于AE-LSTM的多元铸坯质量软测量方法，包括：步骤S1，对PCA的输入样本进行降维，构造输入矩阵I并计算获得协方差矩阵R、特征值λ


技术研发人员：何先科 卢明 邹莹 陈祖国 陈超洋 刘瑞
受保护的技术使用者：湖南科技大学
技术研发日：2023.05.15
技术公布日：2023/8/14