基于迁移学习和知识蒸馏的加热炉温度预测 |
| |
引用本文: | 翟乃举,周晓锋,李帅,史海波.基于迁移学习和知识蒸馏的加热炉温度预测[J].计算机集成制造系统,2022(6):1860-1869. |
| |
作者姓名: | 翟乃举 周晓锋 李帅 史海波 |
| |
作者单位: | 1. 中国科学院网络化控制系统重点实验室;2. 中国科学院沈阳自动化研究所;3. 中国科学院机器人与智能制造创新研究院;4. 中国科学院大学 |
| |
摘 要: | 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。
|
关 键 词: | 加热炉 迁移学习 时间卷积网络 知识蒸馏 |
|
|