【技術實現步驟摘要】
本專利技術涉及燒結過程btp預測的，具體而言，涉及一種基于多周期動態時空特征提取的btp預測方法。
技術介紹
1、在燒結結過程中，預測燒結終點(btp)的位置對于優化生產和提高燒結礦質量至關重要，傳統的燒結btp預測方法主要是曲線擬合以及統計模型兩類方法，曲線擬合是一種常用的數學技術，用于通過一組給定的數據點來生成平滑的曲線，但是擬合結果可能出現偏差，對于復雜的數據集，可能需要多個擬合曲線來更好地描述數據，增加了模型的復雜性和計算成本。
2、統計數據驅動模型可分為兩類，即線性統計模型和非線性統計模型，基于線性統計模型的方法通過線性模型建立相關特征與btp之間的關系，由于線性統計模型不能擬合相關特征之間的非線性關系，因此非線性統計模型被更廣泛地用于btp預測，相比之下，非線性統計模型更適用于btp預測，然而，其預測精度仍有改進的空間。
3、深度學習在提取大數據特征方面具有強大的能力，在燒結中的btp預測領域，深度學習方法被用于探索時間相關性，以往的方法主要僅考慮燒結過程的時間關系，許多研究缺乏對數據中檢測點位置關系的分析和處理，將空間特征融入到燒結btp預測領域中，不同的傳感器檢測點之間的位置信息可以構成圖結構，從而融入到時序數據特征提取的過程中，從而提高預測精度。
4、當前所應用到的btp預測方法中缺乏對于不同時刻時間特征的捕獲處理，沒有考慮空間特征提取中整合特征變量之間的潛在空間信息，使得最終的btp預測結果精度不高。
技術實現思路
1、本專利
2、本專利技術提供一種基于多周期動態時空特征提取的btp預測方法，預先在燒結裝置中配置多個傳感器，所述基于多周期動態時空特征提取的btp預測方法包括以下步驟：
3、步驟s1，獲取燒結過程中各所述傳感器檢測得到的燒結時間序列數據并篩選得到與目標特征相關的特征作為原始數據；
4、步驟s2，針對一段時間的時間窗口，引入一維時間序列的fft操作得到多個子周期，并對所述時間窗口內的所述原始數據進行二維卷積運算提取得到各所述子周期對應的特征變量；
5、步驟s3，處理得到各所述特征變量之間的皮爾遜相關性結果并基于所述皮爾遜相關性結果構造得到靜態全局圖，以及引入自注意力學習機制，根據各所述特征變量得到動態局部圖，隨后對所述靜態全局圖和所述動態局部圖進行對位相加和歸一化處理得到圖鄰接矩陣；
6、步驟s4，將各所述特征變量輸入至預先配置的多個時空特征提取模塊中以基于所述圖鄰接矩陣和一維時間序列得到對應的輸出結果；
7、步驟s5，通過卷積層將各所述時空特征提取模塊的所述輸出結果的通道維度轉換至期望維度，隨后采用全連接層連接各所述輸出結果得到btp預測結果。
8、本專利技術與現有技術相比，具有以下優點：
9、本專利技術中通過步驟s1進行燒結時間序列數據和原始數據處理，通過步驟s2進行時間窗口的子周期劃分和特征變量提取，通過步驟s3進行圖鄰接矩陣的計算，通過步驟s4進行時空特征提取模塊的使用，通過步驟s5進行輸出結果的轉換和btp預測結果的計算，本專利技術中考慮到往有關btp的預測方法沒有針對不同時刻的時間特征進行研究，因此引入基于多周期分割的時間序列配準方法，通過結合fft運算來劃分時間窗口內的子周期，考慮到以往有關btp的預測方法沒有考慮空間特征提取中整合特征變量之間的潛在空間信息，因此采用不同位置的多個傳感器來檢測得到燒結時間序列數據，通過時間維度上的二維卷積來提取時間特征，期望捕獲時間窗口內不同尺度的時間依賴關系，實現捕獲不同時刻的時間特征，同時在空間特征提取中整合特征變量之間的潛在空間信息，進行了靜態全局圖和動態全局圖的圖結構構造，充分考慮了空間特征，能夠提高btp預測精度。
10、在一種可能的實施方式中，所述步驟s1包括：
11、步驟s11，將圓輥轉速、波紋管負壓、波紋管溫度和原材料配比作為數據變量，獲取燒結過程中不同時刻的所述圓輥轉速、所述波紋管負壓、所述波紋管溫度和所述原材料配比作為所述燒結時間序列數據；
12、步驟s12，對所采集的所述燒結時間序列數據中的缺失值采用平均值插補法進行填充處理；
13、步驟s13，使用最大最小歸一化算法對每個所述數據變量的時間序列di＝{d1,d2,d3,...,dt-1,dt}在時間維度上進行歸一化處理，所述最大最小歸一化算法的計算公式如下：
14、
15、其中，max(di)表示時間序列di中的最大值，min(di)代表時間序列di中的最小值，dt表示歸一化前數據，d′i表示歸一化后數據；
16、步驟s14，將所述燒結時間序列數據中的目標特征與其他特征進行皮爾遜相關性分析得到對應的相關系數，并選擇所述相關系數的絕對值大于0.5的特征作為所述原始數據。
17、在一種可能的實施方式中，所述步驟s14中，通過以下計算公式得到所述相關系數：
18、
19、其中，
20、r表示所述相關系數；
21、t表示所述時間序列的數量；
22、y表示所述目標特征的所述時間序列；
23、z表示其他特征的所述時間序列；
24、yt表示所述目標特征的所述時間序列在t時刻的值；
25、zt表示其他特征的所述時間序列在t時刻的值；
26、表示所述目標特征的所述時間序列的平均值；
27、表示其他特征的所述時間序列的平均值。
28、在一種可能的實施方式中，所述步驟s2包括：
29、步驟s21，引入一維時間序列的fft操作，時間窗口長度為t的時間序列的fft運算公式如下：
30、αi＝avg(amp(fft(xi)))
31、
32、其中，fft(·)表示fft運算，amp(·)表示計算振幅值的大小，avg(·)表示平均運算，ai表示每個周期對應的計算振幅值，xi表示第i個所述特征變量的數據，pj表示第j個被選擇的周期長度；
33、步驟s22，根據選定的頻率集{f1,...,fk}和相應的周期長度{ρ1,...,ρk}，通過二維卷積對所述原始數據進行特征提取得到特征變量并統一其維度，并將時間窗口長度為t的一維時間序列分解為由多個所述子周期組成的二維張量。
34、在一種可能的實施方式中，執行所述步驟s22之后還包括：
35、采用模糊曲線分析算法估計各所述特征變量與目標特征變量之間重要性的延遲得到最佳時間延遲，基于所述最佳時間延遲對各所屬子周期進行時延對齊。
36、在一種可能的實施方式中，所述步驟s3包括：
37、步驟s31，處理本文檔來自技高網...
【技術保護點】
1.一種基于多周期動態時空特征提取的BTP預測方法，其特征在于，預先在燒結裝置中配置多個傳感器，所述基于多周期動態時空特征提取的BTP預測方法包括以下步驟：
2.根據權利要求1所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S1包括：
3.根據權利要求2所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S14中，通過以下計算公式得到所述相關系數：
4.根據權利要求1所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S2包括：
5.根據權利要求4所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，執行所述步驟S22之后還包括：
6.根據權利要求1所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S3包括：
7.根據權利要求6所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S31中，通過以下計算公式得到所述靜態全局圖：
8.根據權利要求6所述的基于多周期動態時空特征提取的BTP預測方法，其
9.根據權利要求1所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S4包括：
10.根據權利要求9所述的基于多周期動態時空特征提取的BTP預測方法，其特征在于，所述步驟S42中，通過以下計算公式得到所述綜合特征：
...【技術特征摘要】
1.一種基于多周期動態時空特征提取的btp預測方法，其特征在于，預先在燒結裝置中配置多個傳感器，所述基于多周期動態時空特征提取的btp預測方法包括以下步驟：
2.根據權利要求1所述的基于多周期動態時空特征提取的btp預測方法，其特征在于，所述步驟s1包括：
3.根據權利要求2所述的基于多周期動態時空特征提取的btp預測方法，其特征在于，所述步驟s14中，通過以下計算公式得到所述相關系數：
4.根據權利要求1所述的基于多周期動態時空特征提取的btp預測方法，其特征在于，所述步驟s2包括：
5.根據權利要求4所述的基于多周期動態時空特征提取的btp預測方法，其特征在于，執行所述步驟s22之后還包括：
...【專利技術屬性】
技術研發人員：陳曉霞，劉承碩，陳奧，胡藝峰，池政煒，
申請(專利權)人：寧波大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。