(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211157364.1 (22)申请日 2022.09.22 (71)申请人 济南汉升节能技 术有限公司 地址 250001 山东省济南市 市中区四里村 街道经十路20188号山东省体育中心 605室 (72)发明人 颜丽　荆刚　李清强　颜世博　 陈乐泰　曹阳　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 陈晓敏 (51)Int.Cl. G07C 3/00(2006.01) G16C 60/00(2019.01) G06N 20/00(2019.01)G06N 7/00(2006.01) G06N 3/12(2006.01) G06K 9/62(2022.01) C21D 11/00(2006.01) (54)发明名称 一种融合机理与模型迁移的加热炉钢坯温 度预测方法 (57)摘要 本发明公开了一种融合机理与模型迁移的 加热炉钢坯温度预测方法， 包括以下步骤： 建立 钢坯温度预测机理模型； 获取正在加热的钢坯外 形尺寸数据及化学成分参数， 确定各控制参量的 额定值和稳定运行区间； 对获取的数据进行清 理、 规范化以及更新， 得到历史运行数据集和实 时运行数据集； 确定钢坯温度预测机理模型的参 数； 基于建立的钢坯温度机理预测模型， 利用采 集的实时运行数据集， 通过联合适配正则化模型 迁移技术快速建立加热炉的迁移预测模型； 利用 实时运行数据验证所建立的加热炉的迁移预测 模型的预测效果； 利用获得的迁移预测模型， 对 加热炉钢坯温度进行 预测。 权利要求书2页 说明书7页 附图4页 CN 115512455 A 2022.12.23 CN 115512455 A 1.一种融合机理与模型迁移的加热炉钢坯温度预测方法， 其特 征在于， 包括以下步骤： 步骤1建立钢坯温度预测机理模型； 步骤2获取正在加热的钢坯外形尺寸数据及化学成分参数， 确定加热炉控制参量额定 值和稳定运行区间； 对获取的数据进 行数据清理、 数据规范化以及数据更新， 得到模型测试 样本数据； 步骤3确定钢坯温度预测机理模型的参数； 步骤4利用步骤1、 步骤3建立的机理模型， 结合步骤2中所采集的加热炉实际运行数据 通过联合适配正则化模型迁移技 术快速建立加热炉的迁移预测模型； 步骤5利用步骤2中得到的模型测试样本数据验证所建立的加热炉的迁移预测模型的 预测效果， 若建立的迁移预测模 型的预测误差小于 设定值， 则模型迁移训练结束， 获得新模 型； 否则就返回步骤2中增加实验数据， 采集更多的实验数据样本进行模型迁移训练， 直至 迁移预测模型的预测误差小于设定值； 步骤6利用步骤5中获得的新模型， 对加热炉钢坯温度进行 预测。 2.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 所述的钢坯温度预测机理模型， 包括钢坯内部传热模型、 钢坯上、 下表面传热模型三部分。 3.如权利要求2所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 步骤1中的钢坯温度预测机理模型的建立方法如下： 1‑1建立钢坯内部非稳态导热差分方程； 1‑2建立钢坯上表面非稳态传热差分方程； 1‑3建立钢坯下表面非稳态传热差分方程； 1‑4建立钢坯上 下表面的热流密度机理公式； 1‑5综合步骤1‑1至步骤1 ‑4， 得到基于总括吸 收率的加热炉内钢坯温度预测模型。 4.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 所述的步骤2通过现场管理系统获取正在加热 的钢坯外形尺寸数据及化学成分参数， 利用 加热炉的先决经验知识和钢坯种类确定各参 量的额定值和稳定运行区间。 5.如权利要求4所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 步骤2中， 所述的数据清理过程如下： 采集加热炉以往运行数据， 建立历史数据集， 并利用K均值聚类方法检测离群点， 剔除 历史数据集异常点； 根据唯一 性、 连续性、 空值规则校对检测数据； 进行偏差检测， 对错 误数据进行 数据变换， 得到清理后的数据。 6.如权利要求5所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 步骤2中， 步骤2中， 所述的数据规范化的过程如下： 将数据进行尺度转换处 理， 将其转换至模型的稳定运行区间内； 根据加热炉控制参量额定值， 利用最小最大规范化对清理后的数据进行线性变换， 进 行归一化处理。 7.如权利要求6所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 步骤2中， 所述的数据更新过程如下： 采集加热炉实时运行数据， 建立实时运行数据集， 在实时运行数据集和历史数据集进权　利　要　求　书 1/2 页 2 CN 115512455 A 2行相似性分析的基础上， 对历史数据集划分优先级， 按照由高到低的顺序进 行“遗忘”， 并利 用加热炉内钢坯温度预测模型 预测置信域的评估结果对历史数据的 “遗忘”。 8.如权利要求7所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 利用滑动窗口， 对钢坯温度机理预测模型预测误差和钢坯温度机理预测模 型的预测置信度 的进行评估， 通过判断预测结果的准确性和可靠性实现钢坯温度机理预测模型的迁移模型 的在线更新。 9.如权利要求1所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在于， 步骤3中， 所述的机理模型参数确定过程如下： 将上下炉膛总括吸收率作为自变量， 采用实数编码方式， 以实 际钢坯出炉温度与机理 模型预测值得差值作为 适应度函数； 在加热炉的稳定运行区间内， 从历史数据集内选择离散、 稀疏数据组成实验数据样本， 再将数据样本 分为模型训练样本数据和模型测试样本数据两部 分： 利用训练数据对模型进 行训练， 求得上下炉膛总括吸收率最优值后， 选择测试数据对模型进 行测试， 利用自适应遗 传算法求得最佳的上 下炉膛总括吸 收率系数。 10.如权利要求5所述的融合机理与模型迁移的加热炉钢坯温度预测方法， 其特征在 于， 步骤4的具体过程如下： 步骤4‑1利用联合矩阵分解抽取历史数据集与实 际运行数据的隐含特征， 然后利用图 正则化对联合矩阵分解抽取的隐含结构进 行精化， 进而建立联合矩阵分解和图正则化的统 一优化准则； 步骤4‑2利用经验最大均值差异度量不同概率分布 的失配程度， 建立历史数据领域和 实时运行数据在无穷维核空间中的边缘分布适配均值距离函数和条件分布适配均值距离 函数， 进而建立联合分布适配正则化项； 步骤4‑3与结构风险最小化、 流行正则化结合， 建立联合适配正则化贝叶斯无监督迁移 学习的模型迁移方法； 步骤4‑4步骤3获得的参数已知的钢坯温度机理预测模型作为基础模型， 步骤4 ‑3的模 型迁移方法， 利用实时运行 数据集， 建立钢坯温度迁移预测模型。权　利　要　求　书 2/2 页 3 CN 115512455 A 3