基于迁移学习和知识蒸馏的加热炉温度预测

来源：计算机集成制造系统杂志2022年第6期北京时间：

作者：翟乃举, 周晓锋, 李帅, 史海波

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

基金资助：辽宁省“兴辽英才计划”资助项目(XLYC1808009)。