一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法

技术领域

本发明涉及水泥熟料生产过程软测量技术领域，具体涉及一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法。

背景技术

目前，新型干法水泥制造方法在我国主要水泥生产企业广泛使用，其生产技术过程通常可分为三个环节：生料制备、熟料煅烧和水泥制备。水泥熟料中游离氧化钙(f-CaO)的含量是衡量水泥质量的主要指标之一。当水泥中f-CaO含量过高时，由于其水化速度慢，在水泥硬化并逐渐水化形成一定强度后，会导致水泥体积膨胀不均匀，强度降低，出现裂缝甚至塌陷，使水泥的稳定性降低。当水泥熟料中f-CaO含量在0.5％-1.5％之间时水泥具有较好的安定性和强度，此时的水泥才能被认定为合格产品。因此，实时在线测定熟料中水泥f-CaO的含量以调整水泥生产过程中的相关过程参数是保证水泥质量的关键。常用的f-CaO含量检测方法是待熟料形成并冷却后周期性地进行人工采样，并随后进行实验室离线化验，人工离线测量法测量周期长，缺乏实时性，存在较大的滞后性，增加了劳动成本。

随着数据驱动建模的方法在工业过程中体现出巨大优势，同时为了克服难以分析关键产品质量的问题，越来越多的人采用数据驱动建模的方法从其他可在线测量的变量中来估计关键产品质量。水泥熟料生产过程由于其产品质量和操作变量之间存在强非线性，因此基于水泥熟料生产过程的数据驱动建模方法主要分为统计方法、浅层机器学习方法和深度学习方法。其中，统计方法主要包括主成分分析(Principal Component Analysis,PCA)、偏最小二乘法(Partial Least Squares,PLS)。浅层机器学习方法是指深度学习以外的传统机器学习模型，包括浅层人工神经网络(Artificial NeuralNetwork,ANN)、支持向量机(Support Vector Machine,SVM)、高斯过程模型(Gaussian Process Model,GPM)。深度学习主要包括各种三层以上的深度神经网络(Deep Neural Network,DNN)，深度神经网络已经被证明能够逼近任何非线性系统并广泛应用于过程建模中。

图神经网络自提出以来飞速发展，在很多领域表现出令人满意的学习能力，另一方面，基于图神经网络(GraphNeural Network,GNN)的方法可以处理非网格数据，因此可以捕捉到特征之间的相互关系。本软件提出基于对抗因果图学习(Adversarial CausalGraph Learning,AGCL)的水泥熟料f-CaO软测量方法。AGCL将水泥熟料生产过程中的所有特征作为输入，对关键产品质量进行预测。此外，在训练阶段，特征之间的因果矩阵与其他参数一起被优化。这样，网络能够基于给定的训练数据来学习和决定特征之间的因果关系，从而给予更精确的预测结果。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法。

本发明解决其技术问题所采用的技术方案是：

一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法，包括以下步骤：

(1)数据的获取和整合：收集水泥熟料生产过程的传感器数据，对数据进行划分、收集和整合。

(2)数据选择：根据最大互信息准则(Maximum Mutual Information,MMI)对数据进行选择，去除冗余无用的数据。

(3)建模训练：构建基于图网络的水泥熟料f-CaO软测量方法的算法模型AGCL，模型的输入为经过选择保留的数据；然后利用AGCL模型对所整合的数据进行学习训练。

(4)模型预测：将训练后的AGCL模型用于预测水泥熟料生产过程中的f-CaO浓度，并给出预测结果。

进一步，所述步骤(1)的过程为：

步骤1.1：收集水泥熟料生产过程的传感器数据，共包含74个变量。

步骤1.2：将数据根据3:1:1的比例划分成训练集、验证集和测试集。

步骤1.3：由于不同特征变量之间数据差异性较大，因此有必要对数据进行标准化处理，以便于模型进行处理和运算，具体公式如下所示：

其中，X是经标准化处理后的数据，X'是未经标准化处理的原数据，μ是数据的均值，β是数据的标准差。

进一步，所述步骤(2)的过程为：

步骤2.1：如下计算每个变量对目标变量Y的最大互信息系数：

其中B＝N

步骤2.2：根据最大互信息对变量进行排序，选取前15个变量，完成变量选择过程。

进一步，所述步骤(3)的过程为：

步骤3.1：AGCL是依托相关算法构建水泥熟料f-CaO浓度预测模型；AGCL主要自注意力机制(Self-Attention Mechanism,SAM)和图卷积网络(Graph ConvolutionalNetwork,GCN)构建；在SAM中，数据X经过不同的线性变换获得查询Q和键K，可以用如下公式描述:

其中W

GCN是一种在非欧空间上对数据进行卷积的算法，GCN可以表示为：

其中X是经标准化处理后的数据，W为权重矩阵，σ(.)为激活函数，A表示输入的邻接矩阵，D表示邻接矩阵A的度矩阵。

步骤3.2：首先使用SAM生成表示因果关系的矩阵A；随后基于GCN构建一个自编码器结构，其中解码器和编码器都为单层GCN；将数据X和矩阵A输入自编码器，自编码器的任务为降低编码数据与f-CaO之间的互信息系数，SAM的任务则为增大两者之间的互信息系数。通过交替训练不断更新迭代直到收敛，得到矩阵A；图2为自编码器和SAM的交替训练过程，用于发现变量因果关系。

步骤3.3：将数据X和矩阵A输入三层GCN，从而实现对水泥熟料f-CaO浓度的预测。图1为AGCL的框架。

进一步，所述步骤(4)的过程为：

步骤4.1：将测试数据输入训练后的AGCL模型。使用均方根误差(Root MeanSquare Error,RMSE)作为评估指标，计算公式如下：

其中，y'

本发明的有益效果主要表现在：本发明提出了一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法，提升了水泥熟料生产过程中关键变量的预测准确度。该方法利用自注意力机制和图卷积网络，对变量的因果关系进行提取，增加了模型的泛化性，本方法可以对不同水泥熟料生产过程中关键变量进行精准测量。

附图说明

图1是本发明的模型框架图；

图2是本发明因果发现流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于对抗因果学习的水泥熟料游离氧化钙软测量方法，所述方法包括以下步骤：

(1)获取水泥熟料生产过程数据集：

步骤1.1：收集国内某大型水泥厂熟料生产过程的传感器数据。共获得1844个样本，每个样本包含74个变量。

步骤1.2：使用窗口为4步长为1的滑动时间窗口将数据分成1107×74×4、369×74×4和369×74×4三个部分，分别为训练集、验证集和测试集。

步骤1.3：根据标准化公式对每个数据进行处理。

(2)进行水泥熟料生产过程数据集数据选择，过程如下：

步骤2.1：根据互信息公式计算出每个变量的互信息数值。

步骤2.2：根据互信息数值计算出最大互信息数值。

步骤2.3：根据最大互信息数值对变量进行排序，保留前15个变量：原料温度、一级筒出口温度、一级筒出口压力、六级筒负压、出磨氧化镁含量、入窑氧化铁、入窑氧化镁含量、入窑铝率、熟料氧化硅含量、熟料氧化铝含量、熟料氧化铁含量、熟料氧化钙含量、熟料氧化镁含量、熟料铝率和熟料液相量。

(3)进行AGCL模型训练，过程如下：

步骤3.1：将训练集输入模型，获得模型第一次预测值。

步骤3.2：根据预测值和输出值的差值，对模型的参数进行调整，使得预测值与真实值之间的差值减小。

步骤3.3：将验证集输入模型，获得模型对于验证集的输出结果。

步骤3.4：根据模型在验证集上的输出结果，对模型的超参数进行重新设定调招。

步骤3.5：重复步骤3.1～3.4，直到模型的预测值和真实值之间的差值达到允许误差之内。

(4)使用测试数据对模型进行测试，过程如下：

步骤4.1：将训练数据输入训练后的模型和PLS、SVR、LSTM中，分别得到AGCL、PLS、SVR和LSTM在测试集上的预测值。

步骤4.2：计算测试集的预测值和真实值之间的RMSE，对AGCL、PLS、SVR和LSTM性能进行评估。评估结果如表所示：

表1AGCL、PLS、SVR和LSTM的RMSE对比

从上述对比结果可以看出，本发明对于水泥熟料生产过程中关键变量的预测效果优于传统预测模型。

本发明方法采用基于图网络的水泥熟料f-CaO软测量方法，提高了水泥熟料生产过程的关键变量的预测效果，具有普遍性和通用性。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。