基于迁移学习和知识蒸馏的加热炉温度预测

为了采用精确的控制策略对加热炉的燃烧情况进行优化控制，解决冶金企业中燃烧装置优化控制的核心问题，对加热炉内所有加热区的温度进行预测，并研究神经网络在炉温预测方面的适用性，提出基于迁移学习和知识蒸馏的炉温预测方法。建立基于时间卷积网络的源域温度预测模型，采用生成对抗损失进行域自适应来完成模型迁移，准确预测所有加热区的温度。进一步建立基于多任务学习的蒸馏网络，该网络通过教师辅助学生的方式解决深度迁移网络延时高的缺点。实验结果表明，所提迁移学习网络可以明显提升炉温预测的准确性，蒸馏网络可以明显减少网络参数，极大提高炉温预测的时效性。