[发明专利]基于卷积长短期记忆网络的加热炉温度场实时预测方法

权利要求书

1.一种基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，包括如下步骤：

1)搭建温度场实时预测网络；

2)对温度场实时预测网络进行训练；

3)对工业加热炉各数据分别进行归一化处理；

4)对工业加热炉各数据进行三维扩展；

5)将扩展后的数据送入训练好的温度场实时预测网络得到三维温度场预测结果；

6)通过步骤2)中保留的三维温度场每个点对应的管壁温度场的空间坐标，将得到的三维温度场预测结果还原为管壁温度场。

2.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤1)所述的温度场实时预测网络网络共有4层卷积长短期记忆网络(ConvLSTM)，输入数据通道数为18，第一层长短期记忆网络(ConvLSTM1)输出数据通道数为24，第二层长短期记忆网络(ConvLSTM2)输出数据通道数为48，第三层长短期记忆网络(ConvLSTM3)输出数据通道数为24，将第一层长短期记忆网络(ConvLSTM1)和第三层长短期记忆网络(ConvLSTM3)的输出数据进行拼接，得到通道数量为48的数据，并送入第四层长短期记忆网络(ConvLSTM4)，最终得到24通道的温度场输出(output)；

同时，第一层长短期记忆网络(ConvLSTM1)、第二层长短期记忆网络(ConvLSTM2)、第三层长短期记忆网络(ConvLSTM3)的输入和输出的时间序列长度均10，第四层长短期记忆网络(ConvLSTM4)的输入的时间序列长度均10，输出时间序列为长度3。

3.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤2)包括：

(1)对工业加热炉各数据采用如下公式分别进行归一化处理：

其中，x为要进行归一化的数据，mean、max、min分别为该工况数据训练样本范围内的均值、最大值、最小值；

(2)对工业加热炉各数据进行三维扩展；

(3)将管壁温度场转换为三维温度场

(4)对温度场实时预测网络进行训练，训练时不冻结网络参数，训练时的初始学习率为0.01，训练时的批次大小为1，损失函数选择L1损失函数，采用Adam算法来优化损失函数；总共迭代600次，每迭代40次就将学习率乘以0.8进行衰减，网络在第480次迭代时达到最佳效果，得到最优模型；最优模型输出的平均绝对误差为28.3开尔文。

4.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤2)所述的数据包括：按设定时间测量得到的工业加热炉中分布式控制系统的各个温度、压力、氧含量、气流量的值。

5.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤2)第(2)步和步骤3)的扩展方法相同，均是将1个工况数据扩展成一个32*652的矩阵，矩阵中每个元素都填上该工况数据；而对于管壁上的8个热电偶的温度数据，扩展的时候只在热电偶对应的空间位置附近50个元素填上该热电偶测得的温度数据，其余元素置零，最后得到18*32*652的输入数据。

6.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤2)第(3)步是首先按z轴将管道分为24根管道，然后将管壁沿轴切开展开成一个矩形，展开方法为按管道轴心方向依次选取32个点，将32个点按z轴方向进行排列，得到第一列数据；再按管道轴心方向依次选取32个点继续排列，重复652次得到一个24*32*652的矩阵，同时，对于温度场的温度数值均除以1000使得数值范围在0到1之间，保留三维温度场每个点对应的管壁温度场的空间坐标。

7.根据权利要求1所述的基于卷积长短期记忆网络的加热炉温度场实时预测方法，其特征在于，步骤3)所述的归一化处理是采用如下公式进行：

其中，x为要进行归一化的数据，mean、max、min分别为该工况数据训练样本范围内的均值、最大值、最小值。