(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210935348.4 (22)申请日 2022.08.04 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 陈凯　解鑫　黄锋　袁晓敏　许铭　 刘颖　徐进　李飞　金莹　张金义　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 王文思 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/08(2020.01) G06F 111/10(2020.01) G06F 111/04(2020.01) G06F 119/14(2020.01) (54)发明名称 深度学习模 型的训练、 换热特性数据的确定 以及退火方法 (57)摘要 本公开提供了一种深度学习模 型的训练、 换 热特性数据的确定以及退火方法， 涉及人工智能 领域， 具体为深度学习、 工业大数据等技术领域， 可应用于退火炉、 工业炉窑、 石油化工反应釜设 备、 电厂加热设备、 航天器设备等场景。 深度学习 模型的训练方法包括： 获取待处理数据， 待处理 数据包括加热装置的历史温度数据以及处于加 热装置中的待加热对象 的状态数据； 利用待训练 的第一深度学习模型处理待处理数据， 得到与加 热装置相关联的换热特性数据和待加热对象的 目标温度数据； 基于物理约束条件处理待处理数 据、 换热特性数据和待加热对象的目标温度数 据， 得到目标损失值； 基于目标损失值， 调整待训 练的第一深度学习模型的模型参数。 权利要求书4页 说明书13页 附图8页 CN 115293040 A 2022.11.04 CN 115293040 A 1.一种深度学习模型的训练方法， 包括： 获取待处理数据， 所述待处理数据包括加热装置的历史温度数据以及处于所述加热装 置中的待加热对象的状态数据； 利用待训练的第 一深度学习模型处理所述待处理数据， 得到与 所述加热装置相关联的 换热特性数据和所述待加热对象的目标温度数据； 基于物理约束条件处理所述待处理数据、 所述换热特性数据和所述待加热对象的目标 温度数据， 得到目标损失值； 以及 基于所述目标损失值， 调整所述待训练的第一深度学习模型的模型参数。 2.根据权利要求1所述的方法， 其中， 所述物理约束条件包括温度约束条件和能量约束 条件； 其中， 所述基于物理约束条件处理所述待处理数据、 所述换热特性数据和所述待加热 对象的目标温度数据， 得到目标损失值包括： 基于所述温度约束条件处理所述待加热对象的目标温度数据和所述待加热对象的参 考温度数据， 得到温度损失值； 基于能量约束条件处理所述待处理数据、 所述换热特性数据和所述待加热对象的目标 温度数据， 得到能量损失值； 以及 将所述温度损失值和所述能量损失值， 确定为所述目标损失值。 3.根据权利要求2所述的方法， 其中： 所述待处理数据还包括： 与所述加热装置相关联的位置数据， 所述位置数据包括非边 界位置数据和边界位置数据； 所述待加热对象的参考温度 数据包括第 一参考温度 数据和第 二参考温度 数据， 所述第 一参考温度数据与所述非边界位置数据相关联， 所述第二参考温度数据与所述边界位置数 据相关联； 所述待加热对象的目标温度 数据包括第 一目标温度 数据和第 二目标温度 数据， 所述第 一目标温度数据与所述非边界位置数据相关联， 所述第二目标温度数据与所述边界位置数 据相关联。 4.根据权利要求3所述的方法， 其中， 所述温度约束条件包括第 一温度约束条件和第 二 温度约束条件； 其中， 所述基于所述温度约束条件处理所述待加热对象的目标温度数据和所述待加热 对象的参 考温度数据， 得到温度损失值包括： 基于所述第 一温度约束条件， 确定所述第 一目标温度数据和所述第 一参考温度 数据之 间的第一差值； 基于所述第 二温度约束条件， 确定所述第 二目标温度数据和所述第 二参考温度 数据之 间的第二差值； 以及 将所述第一差值和所述第二差值， 确定为所述温度损失值。 5.根据权利要求3 ‑4中任意一项所述的方法， 其中： 所述换热特性数据包括以下至少一个： 所述加热装置的对流换热系数、 所述加热装置 的发射率、 所述待加热对象的发射 率； 所述待训练的第 一深度学习模型包括以下至少一个： 第 一子网络、 第 二子网络、 第三子权　利　要　求　书 1/4 页 2 CN 115293040 A 2网络、 第四子网络； 所述第一子网络用于基于所述待处 理数据， 得到所述对流换 热系数； 所述第二子网络用于基于所述 位置数据， 得到所述加热装置的发射 率； 所述第三子网络用于基于所述 位置数据， 得到所述待加热对象的发射 率； 所述第四子网络用于基于所述待处 理数据， 得到所述待加热对象的目标温度数据。 6.根据权利要求1 ‑5中任意一项所述的方法， 其中， 所述加热装置包括预热炉 段和明火 加热炉段； 所述加热装置的历史温度数据与所述明火加热炉段相关联； 所述方法还包括： 利用经训练的第二深度学习模型处理所述待处理数据， 得到所述预 热炉段的局部温度数据； 其中， 所述基于物理约束条件处理所述待处理数据、 所述换热特性数据和所述待加热 对象的目标温度数据， 得到目标损失值包括： 基于所述物理约束条件处理所述待处理数据、 所述换热特性数据、 所述待加热对象的 目标温度数据和所述预 热炉段的局部温度数据， 得到所述目标损失值。 7.根据权利要求1 ‑6中任意一项所述的方法， 其中， 所述待加热对象的状态数据包括以 下至少一个： 所述待加热对象的尺寸数据、 所述待加热对象相对于所述加热装置的运动速度数据。 8.一种换 热特性数据的确定方法， 包括： 获取待处理数据， 所述待处理数据包括加热装置的历史温度数据以及处于所述加热装 置中的待加热对象的状态数据； 以及 利用经训练的深度学习 模型处理所述待处理数据， 得到与所述加热装置相关联的换热 特性数据， 其中， 所述经训练深度学习模型是根据权利要求1 ‑7中任意一项所述的方法训练得到 的。 9.一种基于换 热特性数据的控制方法， 包括： 获取与加热装置相关联的换 热特性数据； 以及 基于所述换热特性数据， 执行以下控制操作中的至少一个： 控制所述加热装置的温度 和控制待加热对象相对于所述加热装置的运动状态， 其中， 所述换 热特性数据是根据权利要求8所述的方法得到的。 10.一种退火方法， 包括： 获取与加热装置相关联的换 热特性数据； 以及 基于所述换热特性数据， 确定所述加热装置的目标温度和待加热对象相对于所述加热 装置的目标运动状态中的至少一个； 以及 基于所述目标温度和所述目标运动状态中的至少一个， 控制所述加热装置对所述待加 热对象进行 退火处理， 其中， 所述换 热特性数据是根据权利要求8所述的方法得到的。 11.一种深度学习模型的训练装置， 包括： 获取模块， 用于获取待处理数据， 所述待处理数据包括加热装置的历史温度数据以及 处于所述加热装置中的待加热对象的状态数据； 第一处理模块， 用于利用待训练的第一深度学习模型处理所述待处理数据， 得到与所权　利　要　求　书 2/4 页 3 CN 115293040 A 3