湿法冶金

模快	参数设置
DDQN模块	输入层	状态空间维度	[84×84×4]
卷积层	第1层卷积	卷积核大小为8×8,步幅为4,通道数为32个
第2层卷积	卷积核大小为4×4,步幅为2,通道数为64个
第3层卷积	卷积核大小为3×3,步幅为1,通道数为64个
全连接层	第1层全连接	单元数为512个
第2层全连接	单元数为256个
输出层	动作空间维度	10维
ResNet模块	输入层	输入图像尺寸	224×224×3
卷积层	第1层卷积	卷积核大小为7×7,步幅为2,通道数为64个
池化层	核大小	3×3,步幅为2
残差块	第2层卷积	3个残差块,每个块包括3个卷积层,通道数分别为64、64、256个
第3层卷积	4个残差块,每个块包括3个卷积层,通道数分别为128、128、512个
第4层卷积	6个残差块,每个块包括3个卷积层,通道数分别为256、256、1 024个
第5层卷积	3个残差块,每个块包括3个卷积层,通道数分别为512、512、2 048个
全局平均池化层	核大小	7×7
全连接层	无
输出单元数	1 000个

模快	参数设置
DDQN模块	输入层	状态空间维度	[84×84×4]
卷积层	第1层卷积	卷积核大小为8×8,步幅为4,通道数为32个
第2层卷积	卷积核大小为4×4,步幅为2,通道数为64个
第3层卷积	卷积核大小为3×3,步幅为1,通道数为64个
全连接层	第1层全连接	单元数为512个
第2层全连接	单元数为256个
输出层	动作空间维度	10维
ResNet模块	输入层	输入图像尺寸	224×224×3
卷积层	第1层卷积	卷积核大小为7×7,步幅为2,通道数为64个
池化层	核大小	3×3,步幅为2
残差块	第2层卷积	3个残差块,每个块包括3个卷积层,通道数分别为64、64、256个
第3层卷积	4个残差块,每个块包括3个卷积层,通道数分别为128、128、512个
第4层卷积	6个残差块,每个块包括3个卷积层,通道数分别为256、256、1 024个
第5层卷积	3个残差块,每个块包括3个卷积层,通道数分别为512、512、2 048个
全局平均池化层	核大小	7×7
全连接层	无
输出单元数	1 000个

项目	参数
学习率	0.000 25
折扣因子	0.99
经验回放缓冲区大小	1 000 000个
批量大小	32个
目标网络更新频率	每10 000步
ε值	0.01
优化器	Adam

项目	参数
学习率	0.000 25
折扣因子	0.99
经验回放缓冲区大小	1 000 000个
批量大小	32个
目标网络更新频率	每10 000步
ε值	0.01
优化器	Adam

运行前	运行后
2023年7月	231	2024年1月	233
2023年8月	201	2024年2月	210
2023年9月	212	2024年3月	241
2023年10月	215	2024年4月	247
2023年11月	220	2024年5月	257
2023年12月	214	2024年6月	241

运行前	运行后
2023年7月	231	2024年1月	233
2023年8月	201	2024年2月	210
2023年9月	212	2024年3月	241
2023年10月	215	2024年4月	247
2023年11月	220	2024年5月	257
2023年12月	214	2024年6月	241

模型	模块	计算时延/s	准确率/%	经济效益/万元
本模型	改进DDQN	1.7	91	250
ResNet	1.2	93	250
简单模型	牛顿法	0.4	82	192
归回分析	0.4	71	192

模型	模块	计算时延/s	准确率/%	经济效益/万元
本模型	改进DDQN	1.7	91	250
ResNet	1.2	93	250
简单模型	牛顿法	0.4	82	192
归回分析	0.4	71	192

异常状态	检测异常次数	检测准确率/%	检测召回率/%	检测精确率/%
流量堵塞	12	92.21	89.56	93.71
泵故障	2	88.37	92.43	94.38
温度波动	4 761	90.10	91.69	89.81
过滤器堵塞	133	86.77	90.43	92.13
搅拌器故障	21	94.68	95.69	93.57
pH失衡	184	89.07	88.11	87.45
传感器故障	93	85.76	85.80	89.24
异常压力水平	131	94.00	88.46	87.22

异常状态	检测异常次数	检测准确率/%	检测召回率/%	检测精确率/%
流量堵塞	12	92.21	89.56	93.71
泵故障	2	88.37	92.43	94.38
温度波动	4 761	90.10	91.69	89.81
过滤器堵塞	133	86.77	90.43	92.13
搅拌器故障	21	94.68	95.69	93.57
pH失衡	184	89.07	88.11	87.45
传感器故障	93	85.76	85.80	89.24
异常压力水平	131	94.00	88.46	87.22

资源	开销情况
硬件	CPU	Intel Core i7
内存	32 G
硬盘	1 T
GPU	GTX 4090
其他	模型训练耗时	3 h
异常检测时延	1.7 s
最优化模型求解时延	0.2 s

资源	开销情况
硬件	CPU	Intel Core i7
内存	32 G
硬盘	1 T
GPU	GTX 4090
其他	模型训练耗时	3 h
异常检测时延	1.7 s
最优化模型求解时延	0.2 s

基于DDQN优化控制及ResNet异常检测的湿法冶金设备智能控制模型研究

PDF下载

赵秋锦

湿法冶金 | 试验研究 2024,43(6): 710-716

收起

湿法冶金 | 试验研究 2024, 43(6): 710-716

基于DDQN优化控制及ResNet异常检测的湿法冶金设备智能控制模型研究

全屏

赵秋锦

作者信息

郑州职业技术学院信息工程与大数据学院, 河南郑州 450010

赵秋锦(1989—),女,硕士,讲师,主要研究方向为计算机应用研究。

Intelligent Control Model of Hydrometallurgical Equipment Based on DDQN Optimization Control and ResNet Anomaly Detection

Qiujin ZHAO

Affiliations

School of Information Engineering and Big Data, Zhengzhou Technical College, Zhengzhou 450010, China

出版时间: 2024-12-20 doi: 10.13355/j.cnki.sfyj.2024.06.017

文章导航

摘要

收起

建立了一种湿法冶金设备控制的经济效益最优化模型,引入了基于深度双Q网络(Double Deep Deterministic Q-Network,DDQN)模型优化求解算法,同时结合残差网络(Residual Network,ResNet)的深度学习能力,以实现对设备运行异常状态的检测和预警。对比仿真试验结果表明:该智能控制算法不仅能大幅提高湿法冶金设备运行效率,还可增强系统的稳定性与可靠性,提高企业经济效益。

关键词

湿法冶金 / 设备 / 智能控制 / DDQN / ResNet / 仿真分析

Abstract

收起

An economic benefit optimization model for hydrometallurgical equipment control was established, and an optimization algorithm based on Double Deep Deterministic Q-Network (DDQN) model is introduced. At the same time, Residual Network is combined with residual network. ResNet's deep learning capability to realize the detection and early warning of abnormal equipment operation status. The simulation results show that the intelligent control algorithm can not only greatly improve the operating efficiency of hydrometallurgical equipment, but also enhance the stability and reliability of the system and improve the economic benefit of enterprises.

Key words

hydrometallurgy / equipment / intelligent control / DDQN / ResNet / simulation analysis

引用本文

赵秋锦. 基于DDQN优化控制及ResNet异常检测的湿法冶金设备智能控制模型研究. 湿法冶金, 2024 , 43 (6) : 710 -716 . DOI: 10.13355/j.cnki.sfyj.2024.06.017

Qiujin ZHAO. Intelligent Control Model of Hydrometallurgical Equipment Based on DDQN Optimization Control and ResNet Anomaly Detection[J]. Hydrometallurgy of China, 2024 , 43 (6) : 710 -716 . DOI: 10.13355/j.cnki.sfyj.2024.06.017

正文

收起

在湿法冶金全流程智能控制领域,实现资源利用最大化、能耗最小化,以及产品质量稳定性的关键在于优化关键工艺参数和提升系统响应效率,这对于提高冶金生产的经济效益和持续性至关重要^[1-5]。然而,湿法冶金流程具有多变量、非线性、时变性和不确定性等复杂特性,传统的设备控制方法通常难以达到理想的控制效果,因此,探索并应用先进的智能控制技术来优化设备控制过程成为了研究热点。目前,已有尝试运用PID控制、模糊控制、神经网络控制等多种智能算法解决流程控制的研究;但这些方法在面对复杂的湿法冶金流程时都存在智能化程度较低、泛化能力不足、控制精度和稳定性不够理想等问题;此外,对于设备运行过程中的异常检测方面关注也不够,相关研究较少,而这一问题在保障实际生产连续安全运行方面的重要性不容忽视^[6-8]。

为解决在复杂工艺条件下的湿法冶金过程中,设备智能控制模型因泛化能力不足导致的经济效益低等问题^[9-10],并有效监测和预防设备异常运行,提出了一种基于深度双Q网络(Double Deep Deterministic Q-Network,DDQN)^[11]和残差网络(Residual Network,ResNet)^[12]的湿法冶金设备智能运行控制模型。首先以经济效益最大化为目标,建立最优化模型;然后使用改进的DDQN算法进行模型求解,最后将该模型输出的历史动作重组为图像格式,输入ResNet网络中,进行异常历史动作的识别,并根据识别结果优化湿法冶金设备运行流程。通过对比仿真试验验证该模型对湿法冶金流程控制的影响及其对常见设备异常检测的准确率。

1 模型的建立和数据采集

收起

在构建湿法冶金全流程优化模型时,需要考虑多个关键参数和约束条件。试验以湿法炼锌工艺^[13]为例,构建湿法冶金设备智能控制优化模型。

1)目标函数:最大化经济效益J_max。

(1)J_max=P(x)-C(x)。

式中:P(x)—总收入,锌价格乘以产量,万元;C(x)—成本,包括操作成本、物料成本等^[14],万元。

2)浸出工序约束:

(1)总浸出率约束:

(2)g_l₍_x₎=0.99-x_tl-(1-Xt_o)(1-xt₂)≤0;

(2)置换率约束:

(3)g₂=0.995-yⁿ≤0;U_q_,_L=min,U_q_,_U=max。

式中:yⁿ—置换率,%;U_q_,_L、U_q_,_U—下限和上限。

3)过滤方程:在恒定压力下,过滤过程中滤液体积随时间的变化,即滤液量变化率:

(4) $\frac{d{V}_{1}}{dt}$=$\frac{{k}_{1}{A}_{1}^{2}\Delta {P}^{1-S}}{{V}_{1}+{V}_{e}}$。

式中:V₁—滤液体积,L;k₁—系数;A1—过滤面积,m²;ΔP—推动力,Pa;V_e—矿石总体积,L。

4)决策变量的约束:包括铁酸锌添加量上、下限。

(5)Q_i_,L≤Q_i≤Q_i_,_U;Zn_add,L≤Zn_add≤Zn_add,U。

式中:Q_i—第i槽添加量,kg;Zn_add—铁酸锌总添加量,kg;Zn_add,L、Zn_add,U—下限、上限,kg。

这些步骤描述了湿法冶金全流程的最优化模型,旨在实现生产效率和经济收益的最大化。

2 基于改进DDQN算法的流程控制模型求解

收起

DDQN算法模型的核心原理是通过引入两个独立的神经网络来分离动作选择和Q值估计过程^[15]。通过该方法,DDQN在每次更新时只对选择动作和评估动作进行分开处理,从而提高学习过程的稳定性,使策略的改进更加可靠、精确^[16]。本研究提出了一种改进的DDQN模型,由于求解前述经济效益最优化模型,因此改进思路是将最优化模型约束条件用于约束输入DDQN模型的环境参数。该改进DDQN模型不仅能提高模型求解的计算效率,还能通过历史动作池记录模型计算的历史结果,实现对设备异常状态的动态识别,从而进一步提高模型的智能控制能力。使用改进DDQN算法求解上述湿法冶金全流程优化模型时,需要定义网络结构、损失函数和更新规则等一系列算法参数。模型求解过程如下:

1)定义目标函数:最大化经济效益J_max。

(6)J_max=P(x)-C(x)。

式中:P(x)—总收入,锌价格乘以产量,万元;C(x)—成本,万元,包括操作成本、物料成本等,万元。

2)定义状态值函数:用于估计给定状态的价值。

(7)V(s)=E_{_a~p₍_α_|_s_)}[R(s,a)],

式中:R(s,a)—在状态s执行动作a的预期回报。

3)定义优势函数:表示在状态s采取策略π与随机采取策略相比的优势。

(8)A(s,a;θ^π)=R(s,a)-V(s'|θ^π),

式中,θ^π—参数化的策略网络参数。

4)定义损失函数:用于训练策略网络。

(9)L(θ^π,θ^q)=E_s_,_a_,_s'[(A(s,a;θ^π)-Q(s,a;θ^q))T(s,a,s')],

式中,θ^q—值函数网络参数。

5)定义值更新规则:更新值函数网络参数以最小化期望的平方误差。

(10) ${{\theta }^{\pi }}_{t+1}$=${{\theta }^{\pi }}_{t}$-α_πΔ_θL(${{\theta }^{\pi }}_{t}$),

式中,${{\theta }^{\pi }}_{t+1}$—更新后的值函数网络参数;α_π—学习率。

6)优先级抽样:根据当前优势函数的值从历史动作池中对经验动作进行采样。

(11)D={(s_t,a_t,r_t₊₁,s_t₊₁)},

式中,D—采样得到的历史动作。

7)采用策略下降梯度:用于更新策略参数θ^π。对步骤5)中的参数Δ_θL(${{\theta }^{\pi }}_{t}$)计算损失函数的梯度。

(12)Δ_θL(${{\theta }^{\pi }}_{t}$)=(Q(s_t,a_t;${{\theta }^{\pi }}_{t}$)-Q_target(s_t₊₁,a'_DDQN))Δ_θQ(s_t,a_t;${{\theta }^{\pi }}_{t}$),

将梯度表达式代入式(12),得到具体的梯度下降参数更新公式:

(13) ${{\theta }^{\pi }}_{t+1}$=${{\theta }^{\pi }}_{t}$-α_π(Q(s_t,a_t;${{\theta }^{\pi }}_{t}$)-Q_target(s_t₊₁,a'_DDQN))Δ_θQ(s_t,a_t;${{\theta }^{\pi }}_{t}$)。

8)定义迭代停止条件:当达到一定的迭代次数或者性能不再提升时停止迭代。

(14)$a_{t}=\left\{\begin{array}{cl} \text { random action } \text { 该选择的概率为 } \varepsilon, \\ \arg \max _{a^{\prime}} Q\left(s_{t}, a^{\prime} ; \theta\right) \text { 该选择的概率为 } 1-\varepsilon \end{array}\right.$

式中:ε—一个小的阈值,用来判定是否已经收敛;a_t—模型选择的下一个动作;ε—贪婪策略选择动作。

9)计算折扣因子:更新未来奖励的折扣。

(15)r_total=r₀+γr₁+γ²r₂+…+γⁿr_n。

改进DDQN算法根据计算得到的误差梯度不断调整网络参数,从而使估计的Q值逐渐逼近目标Q值。改进DDQN算法的湿法冶金经济效益最优化模型求解的原理如图1所示。

3 基于ResNet模型的设备运行状态的检测与优化

收起

将改进DDQN输出的历史动作编码,组成一个3通道的类似图像格式的数据输入。将数据输入到ResNet网络中^[17],用于湿法冶金设备运行异常状况检测^[18]。

ResNet模型的计算步骤包括输入特征图、卷积层、残差块、池化层、多层残差块堆叠、全局平均池化、全连接层、Softmax层、损失计算、反向传播和权重更新。该模型算法原理如下:1)输入层:ResNet的输入通常是图像数据,本研究将DDQN输出的历史动作编码为图像格式输入模型。

(16)x₀=Input_data,

式中,x₀—输入的原始特征数据图。

2)卷积层:卷积层用于提取输入数据的局部特征。通过卷积操作,生成一组新的特征图,这些特征图可以捕捉到数据的低级特征信息。

(17)x₁=σ(W₁×x₀+b₁)。

式中:x₁—卷积层的输出特征图;W₁—卷积核的权重矩阵;b₁—卷积层的偏置项;σ(·)—激活函数,目的是引入非线性。

3)残差块(Residual Block):残差块是ResNet的核心,目的是通过跳跃连接(skip connection)使输入直接传递到输出,解决深度网络中的梯度消失问题。残差块内包含多个卷积层。

(18)y=F(x₁,{W_i})+x₁。

式中:y—残差块的输出特征图;F(x₁,{W_i})—残差块中的卷积操作输出;x₁—残差块的输入特征图。

4)池化层:池化层用于对特征图进行降维,减少特征图的空间大小,从而降低计算复杂度。本研究采用的池化方法为平均池化。

(19)x₂=avg_pool(y)。

式中:x₂—池化后的特征图;avg_pool(·)—平均池化操作。

5)多层残差块堆叠:通过堆叠多个残差块,ResNet能够提取越来越高级的特征,同时保持信息的有效传递。

(20)x_L=x₁+$\sum _{i=1}^{L}$F_i(x_i_-1)。

式中:x_L—第L层残差块的输出特征图;F_i(x_i_-1)—第i个残差块的卷积操作输出。

6)全局平均池化(Global Average Pooling):全局平均池化将每个特征图中的所有像素点取平均值,得到一个全局特征向量。这一步骤用于减少参数数量,并增强模型的泛化能力。

(21)z=$\frac{1}{H\times W}\sum _{i=1}^{H}\sum _{j=1}^{W}$x_L(i,j)。

式中:z—局平均池化后的特征向量;H、W—特征图的高度、宽度。

7)全连接层:全连接层将全局特征向量转化为类别预测得分。通过线性变换,将高维特征向量映射到类别空间。

(22) $\stackrel{ ︿}{y}$=W_fcz+b_fc。

式中:$\stackrel{ ︿}{y}$—模型的输出预测值;W_fc—全连接层的权重矩阵;b_fc—全连接层的偏置项。

8)Softmax层:Softmax层将全连接层的输出转换为概率分布,用于湿法冶金设备允许异常识别任务中确定每个异常类别的概率。

(23)${\stackrel{ ︿}{p}}_{i}$=$\frac{{e}^{{\stackrel{ ︿}{y}}_{i}}}{\Sigma \sum _{j=1}^{C}{e}^{{\stackrel{ ︿}{y}}_{j}}}$。

式中:${\stackrel{ ︿}{p}}_{i}$—第i类设备运行异常的预测概率;${\stackrel{ ︿}{y}}_{j}$—模型输出的第i类设备运行异常的得分;C—类别总数。

此外,该模型的损失函数为:

(24)L=-$\sum _{i=1}^{C}$y_ilg (${\stackrel{ ︿}{p}}_{i}$)。

式中:y_i—真实设备运行异常情况的第i类值(0或1);${\stackrel{ ︿}{p}}_{i}$—预测的第i类异常的概率。使用Adam优化器^[19],通过反向传播算法^[20]计算损失函数相对于模型参数的梯度,并使用这些梯度更新模型参数,优化模型性能。

过这些步骤,ResNet模型能有效提取湿法冶金设备历史运行动作的多层次特征并进行异常识别。由于模型的深度优势,能提高模型运行的异常识别准确率。ResNet网络模型的结构如图2所示。

4 仿真试验与分析

收起

4.1 仿真环境设置

仿真环境主要由浸出工艺流程、压滤洗涤工艺流程、锌粉置换工作流程、核心工作控制台4部分组成,仿真环境如图3所示。模型中各模块的参数设置情况见表1,模型训练参数见表2。

4.2 试验结果与分析

对模型运行半年前后的经济效益进行了对比,结果见表3。从2023年下半年(7—12月)和2024年上半年(1—6月)的设备运行效益对比结果看出,随模型运行,尤其是运行2个月后,经济效益同比提升明显,从10万元提升至30万元。

分别将改进DDQN模块用简单的牛顿法替代,将ResNet模块用简单的归回分析模型替代。对本模型与简单模型各模块的计算延时、准确率及经济效益进行对比研究,结果见表4。可以看出:本模型各模块的计算时延较简单模型的长,但准确率和设备智能控制的经济效益均高于简单模型,且提升幅度较大,说明本模型的运行能对设备进行智能化控制,使企业经济效益得到明显提高。

为验证本模型中ResNet模块对设备异常运行状态的检测效果,统计了2023年7月—2024年6月期间的ResNet模块对设备运行常见8个异常状态的检测结果,见表5。可以看出:ResNet模块对8种主要的设备异常状态的检测准确率、召回率、精确率均较高,平均值分别为90.12%,90.27%和90.94%,均超过90%。说明本模型对设备的异常状态检测效果较好。

本模型的计算资源开销情况见表6。可以看出:模型能在较低的计算设备硬件配置、较低的机器学习模型训练耗时,以及较低的计算时延条件下实现对湿法冶金设备的智能控制。

5 结论

收起

研究提出了一种基于DDQN优化控制和ResNet异常检测的湿法冶金流程设备智能控制模型,该模型能有效解决在复杂工艺条件下的湿法冶金过程中,设备智能控制模型因泛化能力不足导致的经济效益低等问题。该模型还能通过高精度地监测并预警设备异常状态,实现湿法冶金生产过程中关键设备的智能运维与提前干预,从而大幅降低因设备故障导致的生产中断与资源浪费。该模型有助于湿法冶金设备运行智能控制和管理,促进湿法冶金工艺的改进和优化。

基金

收起

河南省高等学校重点科研项目(23B520047)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

阳春华, 孙备, 李勇刚, 等复杂生产流程协同优化与智能控制[J]. 自动化学报, 2023, 49(3):528-539.

[2]

顾群. 湿法冶金下游流程的分层优化及全流程优化仿真算法分析研究[J]. 湿法冶金, 2023, 42(2):205-214.

[3]

李晓冉, 焦烜, 李晖, 等基于改进粒子群算法的湿法冶金技术优化控制[J]. 黄金, 2024, 45(7):39-45.

[4]

牛大鹏, 臧雅丽, 贾明兴. 基于案例推理的湿法冶金全流程优化设定[J]. 东北大学学报(自然科学版), 2020, 41(1):1-6.

[5]

陈春林, 戴兴征, 魏昶. 湿法炼锌协同处置富氧顶吹炼铅烟尘分离回收镉的生产实践[J]. 矿冶, 2023, 32(1):60-64.

[6]

李晶, 洪武, 张文亮, 等. 基于 YOLOv5 算法的智能剥锌机预开口识别技术研究[J]. 中国矿业, 2024, 33(增刊1):258-262.

[7]

马少腾. 冶金设备管理与维修存在的问题及对策[J]. 工程管理与技术探讨, 2023, 5(19):25-27.

[8]

桂卫华, 阳春华, 陈晓方, 等. 有色冶金过程建模与优化的若干问题及挑战[J]. 自动化学报, 2013, 39(3):197-207.

[9]

杨欣伟, 赵雪娇. 某湿法冶金流程运行状态的在线评价方法优化及仿真分析[J]. 湿法冶金2023, 42(4):422-428.

[10]

张明, 高利坤, 饶兵, 等. 铜冶炼渣湿法浸出资源化高效回收研究现状[J]. 矿冶, 2022, 31(5):88-97.

[11]

黄松勇, 王贤琳, 鄢威, 等. 基于 DRL 的离散生产线动态感知决策[J]. 组合机床与自动化加工技术, 2023(8):176-182.

[12]

易佞纯, 桂卫华, 梁骁俊, 等. 挥发窑鼓风管的关键点识别及其摆放位置监测[J]. 控制理论与应用, 2024, 41(1):172-182.

[13]

雷伟岩, 李金贵, 何齐升, 等. 湿法炼锌除铁工艺研究进展[J]. 湿法冶金, 2023, 42(5):458-463.

[14]

蒋桂玉, 夏洪应, 张奇, 等. 湿法炼锌浸出渣的工艺矿物学研究[J]. 有色金属科学与工程, 2023, 14(3):381-386.

[15]

薛乃阳, 丁丹, 贾玉童, 等. 基于 DQN 的异构测控资源联合调度方法[J]. 系统仿真学报, 2023, 35(2):423-434.

[16]

陈睿奇, 黎雯馨, 王传洋, 等. 基于深度强化学习的工序交互式智能体Job shop 调度方法[J]. 机械工程学报, 2023, 59(12):78-88.

[17]

郑文杰, 杨祎, 乔木, 等. 基于改进 YOLO和Resnet 的变电设备热缺陷识别及诊断方法[J]. 重庆理工大学学报(自然科学), 2023, 37(9):261-269.

[18]

毕忠勤, 李欢峰, 张伟娜, 等. 基于域泛化的工业设备无监督异常声音检测算法[J]. 科学技术与工程, 2024, 24(3):1091-1099.

[19]

常禧龙, 梁琨, 李文涛. 深度学习优化器进展综述[J]. 计算机工程与应用, 2024, 60(7):1-12.

[20]

李宗坤, 郑晶星, 周晶. 误差反向传播神经网络模型的改进及其应用[J]. 水利学报, 2003, 34(7):111-114.

2024年第43卷第6期

PDF下载

366

148

引用本文

BibTeX

文章信息

doi: 10.13355/j.cnki.sfyj.2024.06.017

接收时间：2024-08-13
首发时间：2025-09-10
出版时间：2024-12-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-08-13

基金

河南省高等学校重点科研项目(23B520047)

作者信息

郑州职业技术学院信息工程与大数据学院, 河南郑州 450010

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/sfyj/CN/10.13355/j.cnki.sfyj.2024.06.017

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

模快	参数设置
DDQN模块	输入层	状态空间维度	[84×84×4]
卷积层	第1层卷积	卷积核大小为8×8,步幅为4,通道数为32个
第2层卷积	卷积核大小为4×4,步幅为2,通道数为64个
第3层卷积	卷积核大小为3×3,步幅为1,通道数为64个
全连接层	第1层全连接	单元数为512个
第2层全连接	单元数为256个
输出层	动作空间维度	10维
ResNet模块	输入层	输入图像尺寸	224×224×3
卷积层	第1层卷积	卷积核大小为7×7,步幅为2,通道数为64个
池化层	核大小	3×3,步幅为2
残差块	第2层卷积	3个残差块,每个块包括3个卷积层,通道数分别为64、64、256个
第3层卷积	4个残差块,每个块包括3个卷积层,通道数分别为128、128、512个
第4层卷积	6个残差块,每个块包括3个卷积层,通道数分别为256、256、1 024个
第5层卷积	3个残差块,每个块包括3个卷积层,通道数分别为512、512、2 048个
全局平均池化层	核大小	7×7
全连接层	无
输出单元数	1 000个

模快

参数设置

DDQN模块

输入层

状态空间维度

[84×84×4]

卷积层

第1层卷积

卷积核大小为8×8,步幅为4,通道数为32个

第2层卷积

卷积核大小为4×4,步幅为2,通道数为64个

第3层卷积

卷积核大小为3×3,步幅为1,通道数为64个

全连接层

第1层全连接

单元数为512个

第2层全连接

单元数为256个

输出层

动作空间维度

10维

ResNet模块

输入层

输入图像尺寸

224×224×3

卷积层

第1层卷积

卷积核大小为7×7,步幅为2,通道数为64个

池化层

核大小

3×3,步幅为2

残差块

第2层卷积

3个残差块,每个块包括3个卷积层,通道数分别为64、64、256个

第3层卷积

4个残差块,每个块包括3个卷积层,通道数分别为128、128、512个

第4层卷积

6个残差块,每个块包括3个卷积层,通道数分别为256、256、1 024个

第5层卷积

3个残差块,每个块包括3个卷积层,通道数分别为512、512、2 048个

全局平均池化层

核大小

7×7

全连接层

无

输出单元数

1 000个

项目	参数
学习率	0.000 25
折扣因子	0.99
经验回放缓冲区大小	1 000 000个
批量大小	32个
目标网络更新频率	每10 000步
ε值	0.01
优化器	Adam

项目

参数

学习率

0.000 25

折扣因子

0.99

经验回放缓冲区大小

1 000 000个

批量大小

32个

目标网络更新频率

每10 000步

ε值

0.01

优化器

Adam

运行前	运行后
2023年7月	231	2024年1月	233
2023年8月	201	2024年2月	210
2023年9月	212	2024年3月	241
2023年10月	215	2024年4月	247
2023年11月	220	2024年5月	257
2023年12月	214	2024年6月	241

运行前

运行后

时间

经济效益/万元

时间

经济效益/万元

2023年7月

231

2024年1月

233

2023年8月

201

2024年2月

210

2023年9月

212

2024年3月

241

2023年10月

215

2024年4月

247

2023年11月

220

2024年5月

257

2023年12月

214

2024年6月

241

模型	模块	计算时延/s	准确率/%	经济效益/万元
本模型	改进DDQN	1.7	91	250
ResNet	1.2	93	250
简单模型	牛顿法	0.4	82	192
归回分析	0.4	71	192

模型

模块

计算时延/s

准确率/%

经济效益/万元

本模型

改进DDQN

1.7

250

ResNet

1.2

250

简单
模型

牛顿法

0.4

192

归回分析

0.4

192

异常状态	检测异常次数	检测准确率/%	检测召回率/%	检测精确率/%
流量堵塞	12	92.21	89.56	93.71
泵故障	2	88.37	92.43	94.38
温度波动	4 761	90.10	91.69	89.81
过滤器堵塞	133	86.77	90.43	92.13
搅拌器故障	21	94.68	95.69	93.57
pH失衡	184	89.07	88.11	87.45
传感器故障	93	85.76	85.80	89.24
异常压力水平	131	94.00	88.46	87.22

异常状态

检测异常次数

检测准确率/%

检测召回率/%

检测精确率/%

流量堵塞

92.21

89.56

93.71

泵故障

88.37

92.43

94.38

温度波动

4 761

90.10

91.69

89.81

过滤器堵塞

133

86.77

90.43

92.13

搅拌器故障

94.68

95.69

93.57

pH失衡

184

89.07

88.11

87.45

传感器故障

85.76

85.80

89.24

异常压力水平

131

94.00

88.46

87.22

资源	开销情况
硬件	CPU	Intel Core i7
内存	32 G
硬盘	1 T
GPU	GTX 4090
其他	模型训练耗时	3 h
异常检测时延	1.7 s
最优化模型求解时延	0.2 s

资源

开销情况

硬件

CPU

Intel Core i7

内存

32 G

硬盘

1 T

GPU

GTX 4090

其他

模型训练耗时

3 h

异常检测时延

1.7 s

最优化模型求解时延

0.2 s