领域知识驱动的可解释神经网络焦炭热态质量预测模型的制作方法

本发明涉及焦化、人工智能及数据挖掘处理，具体涉及一种领域知识驱动的可解释神经网络焦炭热态质量预测模型。

背景技术：

1、由于其强大的特征提取和预测能力，当前大多准确的焦炭热态质量预测方法主要基于神经网络模型。然而，神经网络模型的黑盒特性使得它们一直具有较差的可解释性。这不仅限制了模型预测性能的进一步提升，也降低了其在实际应用过程中的可信度，给现有的基于神经网络的焦炭热态质量预测模型的工业部署带来了巨大挑战。

2、传统的基于神经网络的焦炭热态质量预测模型在训练时仅依赖于单一的回归损失函数，使得模型只能从数据统计角度对可训练的权重参数进行优化，所学习到的煤参数和焦炭质量之间的关联往往会违背焦化领域知识。这种基于不合理关联的模型可能会错误地强调领域内认为弱相关的参数，而忽视了强相关的参数，从而阻碍模型挖掘到更深层次的符合领域认知的关联，限制了模型预测性能的进一步提升。此外，模型对异常的焦炭热态质量预测结果的解释也常显不足。因此如何改善现有基于神经网络的焦炭热态质量预测模型的可解释性，正确识别并调整不合理的煤参数重要性以符合焦化领域的认知，进而准确、稳定地通过配煤方案预测焦炭热态质量是当前配煤技术智慧化的核心议题。

技术实现思路

1、本发明的目的在于克服现有技术在预测焦炭热态质量时存在的可解释性差，所挖掘的关联不符合焦化领域认知，预测性能难以进一步提升的问题，提供一种领域知识驱动的可解释神经网络焦炭热态质量预测模型。

2、为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

3、一种领域知识驱动的可解释神经网络焦炭热态质量预测模型，该模型包括以下步骤：

4、步骤s1：配合煤样本数据集构建；

5、步骤s2：神经网络模型构建及预测，基于配合煤数值特征输出预测的焦炭热态质量数值；

6、步骤s3：煤参数组识别，识别不符合焦化领域知识的煤参数组；

7、步骤s4：煤参数组权重分数计算；

8、步骤s5：煤参数组重要性优化，利用权重损失函数优化识别的煤参数组的权重分数。

9、进一步的，在所述步骤s1中，配合煤样本数据集包含多维煤参数和对应的焦炭热态质量数值，所述焦炭热态质量数值包含反应性cri和反应后强度csr。

10、进一步的，在所述步骤s2中，神经网络为包含单输入层、多隐藏层和单输出层的人工神经网络模型，训练过程中采用的损失函数为平均绝对误差、均方误差或均方根误差函数。

11、进一步的，所述单输出层为神经元数量为二的全连接层，其中一个神经元输出反应性cri，另一个神经元输出反应后强度csr。

12、进一步的，在所述步骤s3中，识别不符合焦化领域知识的煤参数组是基于shap算法进行实现的，利用输出的shap值来衡量煤参数组的重要性程度。

13、进一步的，所述煤参数组的数量为两组，一组为根据领域知识确定的需要提高重要性的参数组p1，另一组是需要降低重要性的参数组p2。

14、进一步的，在所述步骤s4中，煤参数组权重分数计算通过将需要提高重要性的参数组p1和需要降低重要性的参数组p2分别传入至神经网络中得到各自输出并将其值分别除以二者之和得到两组煤参数组各自的权重分数c1和c2。

15、进一步的，所述权重分数是模型训练过程中一个批次内全部煤样本的权重分数的平均值。

16、进一步的，在所述步骤s5中，权重损失函数包含重要性最大化损失函数和最小化损失函数，其中重要性最大化损失函数用于提高识别的煤参数组p1的重要性，重要性最小化损失函数用于降低识别的煤参数组p2的重要性。

17、进一步的，所述重要性最大化损失函数和最小化损失函数为平均绝对误差、均方误差或均方根误差函数。

18、本发明的有益效果是:

19、1）本发明提出的煤参数组权重分数计算和权重损失函数优化方法可将焦化领域知识注入至黑盒子模型的神经网络中，这种方式可进一步使得模型在训练过程中挖掘和学习到更深层次、更合理的关联，有助于改善焦炭热态质量预测结果的性能。

20、2）本发明提出的结合shap值和将模型学习到的关联与领域知识对齐的方法，可使得模型输出的重要性更符合焦化领域的认知，极大地提高了模型的可解释性和实际应用过程中的可信度，此外，该方法还可以对异常的预测结果提供更合理的分析从而确定影响焦炭质量的因素，有助于配煤方案的及时调整和优化。

技术特征：

1.一种领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，该模型包括以下步骤：

2.根据权利要求1所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，在所述步骤s1中，配合煤样本数据集包含多维煤参数和对应的焦炭热态质量数值，所述焦炭热态质量数值包含反应性cri和反应后强度csr。

3.根据权利要求2所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，在所述步骤s2中，神经网络为包含单输入层、多隐藏层和单输出层的人工神经网络模型，训练过程中采用的损失函数为平均绝对误差、均方误差或均方根误差函数。

4.根据权利要求3所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，所述单输出层为神经元数量为二的全连接层，其中一个神经元输出反应性cri，另一个神经元输出反应后强度csr。

5.根据权利要求1所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，在所述步骤s3中，识别不符合焦化领域知识的煤参数组是基于shap算法进行实现的，利用输出的shap值来衡量煤参数组的重要性程度。

6.根据权利要求5所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，所述煤参数组的数量为两组，一组为根据领域知识确定的需要提高重要性的参数组p1，另一组是需要降低重要性的参数组p2。

7.根据权利要求6所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，在所述步骤s4中，煤参数组权重分数计算通过将需要提高重要性的参数组p1和需要降低重要性的参数组p2分别传入至神经网络中得到各自输出并将其值分别除以二者之和得到两组煤参数组各自的权重分数c1和c2。

8.根据权利要求7所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，所述权重分数是模型训练过程中一个批次内全部煤样本的权重分数的平均值。

9.根据权利要求8所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，在所述步骤s5中，权重损失函数包含重要性最大化损失函数和最小化损失函数，其中重要性最大化损失函数用于提高识别的煤参数组p1的重要性，重要性最小化损失函数用于降低识别的煤参数组p2的重要性。

10.根据权利要求9所述的领域知识驱动的可解释神经网络焦炭热态质量预测模型，其特征在于，所述重要性最大化损失函数和最小化损失函数为平均绝对误差、均方误差或均方根误差函数。

技术总结本发明是一种领域知识驱动的可解释神经网络焦炭热态质量预测模型，该方法由配合煤样本数据集构建，神经网络模型构建及预测，煤参数组识别，煤参数组权重分数计算和煤参数组重要性优化所组成；利用SHAP值来衡量煤参数组的重要性程度，并基于焦化领域知识分别识别出需要提高和降低重要性的煤参数组；利用权重损失函数在训练过程中优化所识别的煤参数组的重要性，使得模型可挖掘和学习到更深层次、更合理的关联用于预测焦炭反应性CRI和焦炭反应后强度CSR。本发明方法能有效地提高神经网络焦炭热态质量预测模型的可解释性以及预测的性能，增强在实际工业应用过程中的可信度。技术研发人员：邱宇航,惠云泽,赵鹏翔,王梦婷,郭世荣,余江龙,代百乾受保护的技术使用者：苏州工业园区蒙纳士科学技术研究院技术研发日：技术公布日：2024/8/27