买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明提供了一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法，包括：数据采集和预处理；数据集划分；建立融合多尺度卷积‑自注意力组件和自回归线性组件的高铅渣成份预测模型；在训练集和验证集上对模型进行训练和模型超参数网格寻优，在测试集上评估模型预测效果，并保存预测效果最好的模型；对熔炼炉产物高铅渣成份进行预测：获取现场生产投料数据和高铅渣成份分析数据，输入到已训练好的模型中，计算未来一段时间的高铅渣成份预测结果，最终实现基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测，为现场生产操作提供参考。

主权项：1.一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法，其特征在于，所述方法包括：利用卷积-自注意力组件获取熔炼炉数据中多变量时间序列的多尺度时序特征关系；利用线性自回归组件来提高模型对输入大小尺度变化的敏感性；独立训练线性自回归组件和卷积-自注意力组件：利用贝叶斯信息准则BIC确定线性自回归组件模型阶次，利用最小二乘估计确定各阶次参数；固定线性自回归组件参数，训练卷积-自注意力组件，并在验证集上使用网格搜索确定最优模型超参数，获得最终的基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测模型；所述方法包括以下步骤：步骤1：数据采集；所述数据主要包括熔炼炉的投料量数据、投料成份数据以及产物高铅渣成份化验数据；步骤2：数据预处理；对数据中存在的异常值和缺失值进行删除和填充，并对数据进行归一化；步骤3：数据划分；选取输入窗口长度为T、预测窗口长度为h进行数据划分；假设当前时刻t，模型基于历史时刻{t-T+1，t-T+2，...，t}的入料数据和历史高铅渣成份数据，预测未来的h个时间跨度{t+1，t+2，...，t+h}上的高铅渣成份百分比；取t＝kT，则输入为：Dk＝{x′k-1T+1，y′k-1T+1，x′k-1T+2，y′k-1T+2，...，x′kT，y′kT}∈Rd×T，对应输出为：Yk＝{y′kT+1，y′kT+2，...，y′kT+h}∈R1×h，k∈N+，且kT+h≤m；将归一化后的数据集滚动切分为{Dk，Yk}形式，并按时间顺序将切分后的数据分为训练集mtrain、验证集mvalid和测试集mtest；步骤4：模型构建；所述的高铅渣成份预测模型，包括卷积-自注意力组件和线性自回归组件；其中，卷积-自注意力组件包括多尺度卷积-池化部分和自注意力部分；多尺度卷积-池化部分为n层金字塔结构：从下至上，第i层卷积-池化中的一维卷积核个数为ki，卷积核长度为li，i∈[1，n]；各层的每个卷积核沿变量维度对输入的数据Dk中的每一个特征变量的时间序列进行卷积，第j个卷积核输出为：1≤li+1＜li≤T，1≤j≤ki.对Hj进行一维最大池化，并将第i层的所有卷积-池化结果进行拼接得到特征矩阵；具有较大长度卷积核的卷积层提取全局时序特征，具有较小卷积核的卷积层提取局部时序特征，Mi中的每行可以看作是对单个变量在所有时间范围内提取的某一时间尺度的时序特征；自注意力部分为n层结构，每层由N个相同结构的独立自注意力子层堆叠而成，每个自注意力子层包含多头注意力子结构和前馈网络子结构两部分；自注意力部分第i层输入为卷积-池化部分第i层提取的某一尺度的时序特征矩阵Mi，输出结果为矩阵Ai；拼接所有层的计算结果Ai，输入全连接层进行融合，计算结果为线性自回归组件建模预测目标序列历史值之间的自相关性，用来提高模型对输入大小尺度变化的敏感性，计算结果输出为模型最终输出ω为融合超参数；步骤5：模型训练与保存；使用步骤3中划分的训练集和验证集对步骤4构建的模型进行训练，在测试集评估模型预测效果，并保存效果最好的模型；模型误差评价指标采用均方误差MSE 其中Lentest为测试样本总数；在训练集和验证集上使用BIC准则确定线性自回归组件阶数p，使用最小二乘估计确定模型参数；固定线性自回归组件参数，选取合适的批次大小，使用小批量随机梯度下降法和Adam对模型剩余部分进行训练；使用网格搜索方法在验证集上确定模型融合的超参数ω的取值，模型的最终输出为步骤6：模型应用；设当前时刻为t，对现场生产数据进行步骤2所述的预处理，输入到步骤5保存的模型中，对未来h个时间步长{t+1，t+2，...，t+h}的高铅渣成份目标值进行预测。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于多变量时间序列多尺度特征提取的熔炼炉高铅渣成份预测方法