[发明专利]一种空气分离装置自动变负荷系统中联邦增量学习方法

说明书

本发明提供一种结构设计合理的空气分离装置自动变负荷系统中联邦增量学习方法，在联邦学习中引入增量学习，帮助各客户端在初步只有少量类时先训练数据，之后增加类时可以逐步添加进行学习，在面对新的任务和数据时不再需要重新进行训练。本发明第一个模块为联邦增量学习模块，先从各个客户端各提取相同样本数进行预训练，考虑到重新训练的成本损失，在传统的联邦学习框架上加入iCaRL策略，可应对训练任务动态变化且用户数据相互保密。本发明第二个模块为双重注意力机制，考虑到大样本客户端对最终模型训练结果的影响以及模型聚合时，特征不平衡难捉补，在客户端设计一种通道注意力神经网络模型，在全局模型设计基于特征注意力机制的联邦聚合算法。

技术领域

本发明涉及一种空气分离装置自动变负荷系统中联邦增量学习方法，用来实现对原有空分装置自动变负荷系统的数据学习。

背景技术

在钢铁行业生产中，由于工艺的特殊性(如转炉顶吹、间断用氧、高炉富氧连续使用、煤粉喷吹)，其瞬间用氧量很大，且时间不连续；再加上各个转炉大小不同，氧气用量的高峰、低谷的周期也不相同，造成氧气用量需求的极不均衡，呈现周期性、阶段性、间歇式的特点，导致空分装置生产负荷需要大幅度的变动(75％～105％)，以适应需求的变化。在缺乏自动变负荷技术情况下，生产负荷往往不能及时调整，只能将多余的氧气放空，导致氧气放散量高，造成大量能耗与经济损失。据统计，我国钢厂的氧气放散率一般在5～12％，而放散率每降低1％可节约成本200万/年，具有巨大的节能潜力。如何综合应用先进的过程建模、优化和控制技术，来实现空分装置自动变负荷系统，已成为空分行业稳定控制，节能降耗的一个迫切需求。

空分装置设备多，流程长，各个工艺参数之间存在严重的耦合现象，传统的DCS控制基于PID的单个回路，很难胜任对于如此复杂工艺的控制需求。因此，在空分装置负荷发生变化时，需要操作员的频繁干预。即便如此，往往由于个人的经验不同，所面临的工况不同，负荷变化往往存在波动大，响应速度较慢的情况，从而造成了放散等的浪费。

现有的基于MPC(多变量模型预测)技术，专门针对工艺复杂的装置，开发对应的先进控制器，可以利用模型反映各个变量之间的关联(动态变化稳态增益)，通过对于装置工艺变量的预测，及时制定对应的控制调节手段，从而保证生产装置的稳定性，减少波动的同时，提高空分装置的变负荷响应速率。

但是问题是，这种多变量模型预测技术，需要精确建模，受到各种变量、噪声的影响，且不能增加任务，面临新任务需要重新设计模型。相比于传统的基于模型的预测技术，新型的基于数据挖掘的预测控制手段，在数据量充足的情况下，可以解决这类问题，而这一方案又对数据量产生的要求。等待单一工厂的有效数据往往是漫长的，如果利用多家同构工厂的类似数据，相互利用，可以节约这种等待时间。但是，同构工厂往往属于不同的企业，处于保密的原因，拥有者往往不愿意把数据直接共享，但是又共同期望能够节约这种等待的时间，提高学习效率，尽快得到一个基于数据挖掘的预测控制手段，得到一个相对准确的空分装置自动变负荷系统。另外，生产任务是随着发展不断变化的，随着时间的发展，新任务会不断生成，所以这又是一个增量任务。

在人工智能领域，人们对隐私保护和数据安全的关注度也不断提高，联邦学习能够为数据孤岛，数据离散化严重，数据异构，数据分布不均衡等问题提供良好的解决方案。现阶段，机器学习和深度学习也在各领域获得了巨大成功，为联邦学习算法模型能够得到较好的性能奠定了基础。

但是常规的联邦学习算法只能在批处理设置中进行训练，在批处理设置中，所有对象类都是预先已知的，并且可以同时以任意顺序访问所有类的训练数据，在面对新的任务和数据时需要重新进行训练。

发明内容

本发明的目的在于克服现有技术中存在的上述不足，而提供一种结构设计合理的空气分离装置自动变负荷系统中联邦增量学习方法，在联邦学习中引入增量学习，帮助各客户端在初步只有少量类时先训练数据，之后增加类时可以逐步添加进行学习，在面对新的任务和数据时不再需要重新进行训练。