CN108251591B - 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 - Google Patents
利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 Download PDFInfo
- Publication number
- CN108251591B CN108251591B CN201810036366.2A CN201810036366A CN108251591B CN 108251591 B CN108251591 B CN 108251591B CN 201810036366 A CN201810036366 A CN 201810036366A CN 108251591 B CN108251591 B CN 108251591B
- Authority
- CN
- China
- Prior art keywords
- blowing
- stage
- lstm
- data
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000007664 blowing Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004886 process control Methods 0.000 title abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 238000009628 steelmaking Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 61
- 239000010959 steel Substances 0.000 claims description 61
- 230000015654 memory Effects 0.000 claims description 33
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 29
- 239000001301 oxygen Substances 0.000 claims description 29
- 229910052760 oxygen Inorganic materials 0.000 claims description 29
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 22
- 230000000295 complement effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 13
- 229910052799 carbon Inorganic materials 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 12
- 229910052742 iron Inorganic materials 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 229910052786 argon Inorganic materials 0.000 claims description 3
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 239000010459 dolomite Substances 0.000 claims description 3
- 229910000514 dolomite Inorganic materials 0.000 claims description 3
- 239000010436 fluorite Substances 0.000 claims description 3
- 239000011261 inert gas Substances 0.000 claims description 3
- 239000004571 lime Substances 0.000 claims description 3
- 239000001095 magnesium carbonate Substances 0.000 claims description 3
- ZLNQQNXFFQJAID-UHFFFAOYSA-L magnesium carbonate Chemical compound [Mg+2].[O-]C([O-])=O ZLNQQNXFFQJAID-UHFFFAOYSA-L 0.000 claims description 3
- 229910000021 magnesium carbonate Inorganic materials 0.000 claims description 3
- 235000014380 magnesium carbonate Nutrition 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011112 process operation Methods 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- -1 comprise the quality Chemical compound 0.000 claims description 2
- 238000010079 rubber tapping Methods 0.000 abstract description 5
- 238000012797 qualification Methods 0.000 abstract description 2
- 238000012790 confirmation Methods 0.000 abstract 2
- 238000013480 data collection Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/30—Regulating or controlling the blowing
- C21C5/35—Blowing from above and through the bath
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,步骤如下:对确认吹炼方式阶段、主吹阶段和补吹阶段三个阶段进行数据收集;对收集到的数据进行过滤和预处理并作为训练集;利用训练集对定义的基于LSTM的顶底复合吹炼转炉生产工艺控制模型进行训练;在实际炼钢生产的确认吹炼方式阶段,利用训练好的模型确定主吹方式,利用训练好的模型预测主吹终点,利用训练好的模型预测补吹终点。本发明方法能够对顶底复合吹炼转炉炼钢生产的三个阶段进行联合建模,有效解决了顶底复合吹炼转炉炼钢生产中各阶段之间数据的关联耦合性问题,直观实用,通用性好,能显著提高吹炼终点的命中率和出钢的合格率。
Description
技术领域
本发明涉及一种顶底复合吹炼转炉生产工艺控制方法,特别是涉及一种利用神经网络模型进行顶底复合吹炼转炉生产工艺控制方法,应用于钢铁冶金转炉生产人工智能控制技术领域。
背景技术
顶底复合吹炼转炉生产工艺开始于20世纪70年代中期开发成功的。所谓复合吹炼,就是底部吹炼和顶部吹炼的结合,它既具备顶吹转炉炼钢生产化渣好、废钢用量多的长处,同时又兼备氧气底吹转炉炼钢生产熔池搅拌好、铁和锰氧化损失少、金属喷溅少等优点,因而目前世界上较大容量的转炉绝大多数都采用了顶底复吹转炉生产工艺。由于炼钢生产工艺机理复杂和生产过程不确定性严重,使得传统人工控制对钢种纯净度等指标带来的误差比较大。
当前,顶底复合吹炼转炉生产工艺控制方法有专家系统、基于模糊逻辑的方法和基于神经网络的方法。专家系统利用大量炼钢领域的专家有关炼钢相关的经验和知识构成知识库,设计人类专家决策过程的推理机,在输入相关钢种含碳量等指标输出对应的转炉炼钢终点时间等信息,但是其精确度不高、自学习能力差,不具有可拓展能力。基于模糊逻辑的方法在专家系统的基础上采用了模糊规则来进行推理,由于不依赖精确的数学模型,因而克服了专家系统推理的不确定性问题,尽管模糊建模具有一定自学习性,但是模糊建模过程中缺少有效的规则数、模糊隶属度等关键参数的实际数据,故而难以支撑。基于神经网络的方法不依赖于专家经验和反应机理,利用大量多层连接的神经元能够模拟出任何非线性函数的特性,只根据实际可见的输入和输出就能够训练出满足需求的模型,能够很好地解决炼钢的复杂性问题。
目前针对顶底复合吹炼转炉生产工艺控制的主流方法是传统的BP神经网络模型。在炼钢的某一个阶段中,BP神经网络根据该阶段对应的可用输入和预测输出进行建模,利用反向传播算法进行模型训练,进而进行实际预测。例如,在确认吹炼方式阶段中,BP神经网络将铁水指标、废钢指标和目标钢水指标等作为特征输入,由大量神经元多层连接构建的复杂网络来确定包括吹氧量、造渣量等的主吹方式,以此作为主吹阶段的工艺标准。
上述BP神经网络模型用于顶底复合吹炼转炉生产工艺控制时,存在以下不足:
(1)对于炼钢生产的每个阶段,BP神经网络都需要独立建模,无论在在建模还是训练方面都更加耗时耗力;
(2)每个阶段对应的模型都只考虑当前输入和输出的关系,没有考虑与前后阶段参数间的相互影响,即无法有效解决前后阶段之间的数据关联耦合性问题;
(3)只能对某一个阶段进行优化,无法对所有阶段进行整体优化。
发明内容
为了解决现有技术问题,本发明的目的在于克服已有技术存在的不足,提供一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,针对顶底复合吹炼转炉生产的确认吹炼方式阶段、主吹阶段和补吹阶段这三个阶段联合建立基于LSTM的工艺控制模型,并根据收集到的炼钢数据训练模型,然后将训练好的模型用在实际的炼钢生产中,针对每个阶段确定工艺方式或预测终点。本发明方法能够对顶底复合吹炼转炉炼钢生产的三个阶段进行联合建模,有效解决了顶底复合吹炼转炉炼钢生产中各阶段之间数据的关联耦合性问题,本发明方法直观实用,通用性好,能显著提高吹炼终点的命中率和出钢的合格率。
为了达到上述的目的,本发明的构思如下:
根据顶底复合吹炼转炉炼钢生产的三个阶段采集数据,并进行过滤和预处理,然后训练基于LSTM设计的工艺控制模型,进而在实际的炼钢生产过程中针对每个阶段确定工艺方式或预测终点,最后将训练好的模型用于实际的炼钢生产过程中,通过辅助人工智能系统的控制,实现传统控制机制的优化。
根据上述的发明构思,本发明采用下述技术方案:
一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,利用LSTM系统单元,实现对顶底复合吹炼转炉炼钢生产的确认吹炼方式阶段、主吹阶段和补吹阶段这三个阶段的联合建模,处理和预测顶底复合吹炼转炉炼钢生产工艺的时间序列中间隔和延迟相对较长的重要事件,包括如下步骤:
(1)对顶底复合吹炼转炉炼钢生产工艺的确认吹炼方式阶段、主吹阶段和补吹阶段三个阶段进行数据收集,其中确认吹炼方式阶段的输入数据主要为目标钢水的规格;
(2)对在所述步骤(1)中收集到的数据进行过滤和预处理,生成训练集;
(3)利用在所述步骤(2)中生成的训练集,对预先设计的利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型进行训练;
(4)在实际的顶底复合吹炼转炉生产工艺的确认吹炼方式阶段,利用在所述步骤(3)中训练好的模型确定主吹方式;
(5)在实际的顶底复合吹炼转炉生产工艺的主吹阶段,利用在所述步骤(3)中训练好的模型预测主吹终点;
(6)在实际的顶底复合吹炼转炉生产工艺的补吹阶段,利用在所述步骤(3)中训练好的模型预测补吹终点;
在所述步骤(5)中,当主吹终点的钢水规格直接命中目标钢水规格,则不需要进入所述步骤(6)的补吹阶段及其终点预测;当主吹终点的钢水规格未命中目标钢水规格,则进入所述步骤(6)的补吹阶段,进行补吹终点预测。
作为本发明优选的技术方案,在所述步骤(1)中,顶底复合吹炼转炉炼钢生产工艺的每个阶段需要收集的数据分为输入数据和输出数据如下:
对于确认吹炼方式阶段,输入数据主要为铁水、废钢和目标钢水的规格,输出数据主要为确定的主吹方式;对于主吹阶段,输入数据主要为确认吹炼方式阶段的输出数据、当前阶段的炉内炉气状态和炉口火焰状态,输出数据主要为预测的主吹阶段的终点钢水规格和预测的补吹方式;对于补吹阶段,输入数据主要为主吹阶段的输出数据、当前阶段的炉内炉气状态、炉口火焰状态和实际所测的主吹终点钢水规格,输出数据主要为预测的补吹阶段的终点钢水规格;对应顶底复合吹炼转炉炼钢生产工艺的各阶段,铁水规格主要包括铁水质量、温度、硫含量和碳含量;废钢规格主要为废钢质量;目标钢水规格主要包括目标钢水温度和碳含量;确定的主吹方式主要包括主吹吹氧量、主吹时间、氧气流量、氧压、氧枪位置、氮气量、氩气量和造渣各成分含量;炉内炉气状态主要包括炉气温度、氧含量、二氧化碳含量、一氧化碳含量、氮气含量和惰性气体含量;炉口火焰状态主要包括火焰明亮度;预测的终点钢水规格主要包括钢水温度和碳含量;预测的补吹方式主要包括补吹氧气量、补吹时间、氧气流量、氧压、氧枪位置、氮气量和造渣各成分含量;实际所测的主吹终点钢水规格主要包括钢水温度和碳含量。确定的主吹方式和预测的补吹方式的造渣各成分优选主要包括石灰、萤石、菱镁矿和生白云石中的任意一种成分或任意几种成分。
作为本发明优选的技术方案,在所述步骤(2)中,对原始数据的过滤操作是指对异常数据的挑选和舍弃;在预处理中,对顶底复合吹炼转炉生产工艺的每种指标的数据进行标准化操作,将其映射到[-1,1]的范围内,映射函数为:
其中,Xnorm为标准化后的数据,X为原始数据,Xmax和Xmin分别是每种指标的原始数据集中数据的最大值和最小值。
作为本发明优选的技术方案,在所述步骤(3)中,利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型依次包括输入的LSTM层和输出的tanh层,在所述步骤(1)中的顶底复合吹炼转炉炼钢生产工艺的三个阶段的输入数据首先分别进入对应阶段独立的LSTM层,LSTM层是长度为3的LSTM单元序列,每个LSTM单元对应顶底复合吹炼转炉炼钢生产工艺的一个阶段,每个LSTM单元的输出数据分别通过一个对应的tanh层单元输出最终结果,每个输出数值的范围为[-1,1];通过LSTM单元的依次连接实现三个阶段的数据耦合,前一LSTM单元输出的数据作为后一LSTM单元序列的部分输入数据;从向确认吹炼方式阶段的LSTM单元输入原始数据开始,到最终从补吹阶段的tanh层单元输出预测补吹终点数据,完成对顶底复合吹炼转炉生产工艺周期进行控制。其中,LSTM单元为长短期记忆单元。
作为上述技术方案更进一步优选的技术方案,在所述步骤(3)中,LSTM单元为长短期记忆单元,能更新和传输记忆状态和输出数据,这些过程分别受到忘记门层、输入门层和输出门层的控制;定义一个当前LSTM单元处于位置t,当前LSTM单元接收处于位置t-1的LSTM单元输出的记忆状态ct-1和输出数据ht-1以及当前位置t的输入数据xt,并使当前位置t的LSTM单元输出数据ht和记忆状态ct,其具体过程如下:
(a)利用忘记门层控制需丢弃的记忆信息,该层为一个sigmoid层,计算式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为当前位置t的忘记门层的输出,σ为sigmoid激活函数,Wf为权值参数,[ht-1,xt]为ht-1和xt的向量连接,bf为偏置参数;
(b)利用输入门层控制需更新的记忆信息,该层为一个sigmoid层,计算式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为当前位置t的输入门层的输出,σ也为sigmoid激活函数,Wi为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bi为偏置参数;
(c)利用保留的传统RNN中的tanh层创建一个新的候选记忆值,计算式如下:
ct%=tanh(Wc·[ht-1,xt]+bc)
其中,ct%为当前位置t的tanh层的输出,tanh为tanh激活函数,Wc为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bc为偏置参数;
(d)利用输出门层控制需输出的数据,该层为一个sigmoid层,计算式如下:
ot=tanh(Wo·[ht-1,xt]+bo)
其中,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,Wo为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bo为偏置参数;
(e)更新当前位置t的LSTM单元的记忆状态ct,计算式如下:
其中,ct为当前位置t的LSTM单元的记忆状态,⊙表示逐点乘积,ft为当前位置t的忘记门层的输出,ct-1为处于位置t-1的LSTM单元输出的记忆状态,it为当前位置t的输入门层的输出,ct%为当前位置t的tanh层的输出;
(f)计算当前位置t的LSTM单元的输出数据,计算式如下:
ht=ot⊙tanh(ct)
其中,ht为当前位置t的LSTM单元输出数据,⊙表示逐点乘积,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,ct为当前位置t的LSTM单元输出的记忆状态。
作为本发明优选的技术方案,在所述步骤(4)~(6)中,依次根据每个阶段的标准化输入数据预测相应的输出数据,并以此为依据进行判定或进行下一阶段的工艺操作。当主吹终点的钢水规格直接命中目标钢水规格,则不需要进入补吹阶段及其终点预测。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
1.本发明方法能够对顶底复合吹炼转炉炼钢生产的三个阶段进行一次性联合建模,省时省力;
2.本发明方法考虑与前后阶段参数间的相互影响,有效地解决前后阶段之间的数据关联耦合性问题,提高了模型精度;
3.本发明方法对炼钢的整体过程进行了优化,显著提高了吹炼终点的命中率和最终出钢的合格率,本发明方法直观实用,通用性好,适合于顶底复合吹炼转炉生产工艺控制应用。
附图说明
图1是本发明实施例一利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法的流程示意图。
图2是本发明实施例一利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法采用的工艺控制模型网络结构示意图。
图3是本发明实施例一方法采用的LSTM系统单元结构图。
图4是本发明实施例二利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法的流程示意图。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明,本发明的优选实施例详述如下:
实施例一:
在本实施例中,参见图1~3,一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于,利用LSTM系统单元,实现对顶底复合吹炼转炉炼钢生产的确认吹炼方式阶段、主吹阶段和补吹阶段这三个阶段的联合建模,处理和预测顶底复合吹炼转炉炼钢生产工艺的时间序列中间隔和延迟相对较长的重要事件,包括如下步骤:
(1)对顶底复合吹炼转炉炼钢生产工艺的确认吹炼方式阶段、主吹阶段和补吹阶段三个阶段进行数据收集,其中确认吹炼方式阶段的输入数据主要为目标钢水的规格;顶底复合吹炼转炉炼钢生产工艺的每个阶段需要收集的数据分为输入数据和输出数据如下:
对于确认吹炼方式阶段,输入数据为铁水、废钢和目标钢水的规格,输出数据为确定的主吹方式;对于主吹阶段,输入数据为确认吹炼方式阶段的输出数据、当前阶段的炉内炉气状态和炉口火焰状态,输出数据为预测的主吹阶段的终点钢水规格和预测的补吹方式;对于补吹阶段,输入数据为主吹阶段的输出数据、当前阶段的炉内炉气状态、炉口火焰状态和实际所测的主吹终点钢水规格,输出数据为预测的补吹阶段的终点钢水规格;对应顶底复合吹炼转炉炼钢生产工艺的各阶段,铁水规格包括铁水质量、温度、硫含量和碳含量;废钢规格为废钢质量;目标钢水规格包括目标钢水温度和碳含量;确定的主吹方式包括主吹吹氧量、主吹时间、氧气流量、氧压、氧枪位置、氮气量、氩气量和造渣各成分含量;炉内炉气状态包括炉气温度、氧含量、二氧化碳含量、一氧化碳含量、氮气含量和惰性气体含量;炉口火焰状态包括火焰明亮度;预测的终点钢水规格包括钢水温度和碳含量;预测的补吹方式包括补吹氧气量、补吹时间、氧气流量、氧压、氧枪位置、氮气量和造渣各成分含量;实际所测的主吹终点钢水规格包括钢水温度和碳含量。确定的主吹方式和预测的补吹方式的造渣各成分包括石灰、萤石、菱镁矿和生白云石;
(2)对在所述步骤(1)中收集到的数据进行过滤和预处理,生成训练集;在本步骤中,对原始数据的过滤操作是指对异常数据的挑选和舍弃;在预处理中,对顶底复合吹炼转炉生产工艺的每种指标的数据进行标准化操作,将其映射到[-1,1]的范围内,映射函数为:
其中,Xnorm为标准化后的数据,X为原始数据,Xmax和Xmin分别是每种指标的原始数据集中数据的最大值和最小值;
(3)利用在所述步骤(2)中生成的训练集,对预先设计的利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型进行训练;在本步骤中,利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型依次包括输入的LSTM层和输出的tanh层,在所述步骤(1)中的顶底复合吹炼转炉炼钢生产工艺的三个阶段的输入数据首先分别进入对应阶段独立的LSTM层,LSTM层是长度为3的LSTM单元序列,通过LSTM单元的连接实现三个阶段的数据耦合;每个LSTM单元对应顶底复合吹炼转炉炼钢生产工艺的一个阶段,每个LSTM单元的输出数据分别通过一个对应的tanh层单元输出最终结果,每个输出数值的范围为[-1,1];通过LSTM单元的依次连接实现三个阶段的数据耦合,前一LSTM单元输出的数据作为后一LSTM单元序列的部分输入数据;从向确认吹炼方式阶段的LSTM单元输入原始数据开始,到最终从补吹阶段的tanh层单元输出预测补吹终点数据,完成对顶底复合吹炼转炉生产工艺周期进行控制;
在本步骤中,LSTM单元为长短期记忆单元,能更新和传输记忆状态和输出数据,这些过程分别受到忘记门层、输入门层和输出门层的控制,参见图3;定义一个当前LSTM单元处于位置t,当前LSTM单元接收处于位置t-1的LSTM单元输出的记忆状态ct-1和输出数据ht-1以及当前位置t的输入数据xt,并使当前位置t的LSTM单元输出数据ht和记忆状态ct,其具体过程如下:
(a)利用忘记门层控制需丢弃的记忆信息,该层为一个sigmoid层,计算式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为当前位置t的忘记门层的输出,σ为sigmoid激活函数,Wf为权值参数,[ht-1,xt]为ht-1和xt的向量连接,bf为偏置参数;
(b)利用输入门层控制需更新的记忆信息,该层为一个sigmoid层,计算式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为当前位置t的输入门层的输出,σ也为sigmoid激活函数,Wi为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bi为偏置参数;
(c)利用保留的传统RNN中的tanh层创建一个新的候选记忆值,计算式如下:
ct%=tanh(Wc·[ht-1,xt]+bc)
其中,ct%为当前位置t的tanh层的输出,tanh为tanh激活函数,Wc为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bc为偏置参数;
(d)利用输出门层控制需输出的数据,该层为一个sigmoid层,计算式如下:
ot=tanh(Wo·[ht-1,xt]+bo)
其中,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,Wo为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bo为偏置参数;
(e)更新当前位置t的LSTM单元的记忆状态ct,计算式如下:
其中,ct为当前位置t的LSTM单元的记忆状态,⊙表示逐点乘积,ft为当前位置t的忘记门层的输出,ct-1为处于位置t-1的LSTM单元输出的记忆状态,it为当前位置t的输入门层的输出,ct%为当前位置t的tanh层的输出;由此可见,当前位置的记忆状态更新取决于上一个位置的记忆状态ct-1和当前位置t的tanh层的输出的候选记忆值ct%,并且利用忘记门层和输入门层对这两部分因素进行调节;
(f)计算当前位置t的LSTM单元的输出数据,计算式如下:
ht=ot⊙tanh(ct)
其中,ht为当前位置t的LSTM单元输出数据,⊙表示逐点乘积,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,ct为当前位置t的LSTM单元输出的记忆状态;可以看出,输出数据取决于当前位置记忆状态ct,并经过tanh层进行处理,再利用输出门层进行调节得到;
(4)在实际的顶底复合吹炼转炉生产工艺的确认吹炼方式阶段,利用在所述步骤(3)中训练好的模型确定主吹方式;
(5)在实际的顶底复合吹炼转炉生产工艺的主吹阶段,利用在所述步骤(3)中训练好的模型预测主吹终点;当主吹终点的钢水规格未命中目标钢水规格,则进入后续步骤(6)的补吹阶段,进行补吹终点预测;
(6)在实际的顶底复合吹炼转炉生产工艺的补吹阶段,利用在所述步骤(3)中训练好的模型预测补吹终点。
在所述步骤(4)~(6)中,依次根据每个阶段的标准化输入数据预测相应的输出数据,并以此为依据进行判定或进行下一阶段的工艺操作。
本实施例方法能够对顶底复合吹炼转炉炼钢生产的三个阶段进行联合建模,有效解决了顶底复合吹炼转炉炼钢生产中各阶段之间数据的关联耦合性问题。本实施例方法直观实用,通用性好,能显著提高吹炼终点的命中率和出钢的合格率。
实施例二:
本实施例与实施例一基本相同,特别之处在于:
在本实施例中,参见图4,一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,利用LSTM系统单元,实现对顶底复合吹炼转炉炼钢生产的确认吹炼方式阶段、主吹阶段和补吹阶段这三个阶段的联合建模,处理和预测顶底复合吹炼转炉炼钢生产工艺的时间序列中间隔和延迟相对较长的重要事件,包括如下步骤:
(1)本步骤与实施例一相同;
(2)本步骤与实施例一相同;
(3)本步骤与实施例一相同;
(4)本步骤与实施例一相同;
(5)在实际的顶底复合吹炼转炉生产工艺的主吹阶段,利用在所述步骤(3)中训练好的模型预测主吹终点,当主吹终点的钢水规格直接命中目标钢水规格,则不需要进入补吹阶段及其终点预测。本实施例方法能够对顶底复合吹炼转炉炼钢生产的两个阶段进行联合建模,有效解决了顶底复合吹炼转炉炼钢生产中各阶段之间数据的关联耦合性问题。本实施例方法直观实用,通用性好,能显著提高吹炼终点的命中率和出钢的合格率。
上面结合附图对本发明实施例进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法的技术原理和发明构思,都属于本发明的保护范围。
Claims (6)
1.一种利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于,利用LSTM系统单元,实现对顶底复合吹炼转炉炼钢生产的确认吹炼方式阶段、主吹阶段和补吹阶段这三个阶段的联合建模,处理和预测顶底复合吹炼转炉炼钢生产工艺的时间序列中间隔和延迟相对较长的重要事件,包括如下步骤:
(1)对顶底复合吹炼转炉炼钢生产工艺的确认吹炼方式阶段、主吹阶段和补吹阶段三个阶段进行数据收集,其中确认吹炼方式阶段的输入数据主要为目标钢水的规格;
(2)对在所述步骤(1)中收集到的数据进行过滤和预处理,生成训练集;
(3)利用在所述步骤(2)中生成的训练集,对预先设计的利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型进行训练;
(4)在实际的顶底复合吹炼转炉生产工艺的确认吹炼方式阶段,利用在所述步骤(3)中训练好的模型确定主吹方式;
(5)在实际的顶底复合吹炼转炉生产工艺的主吹阶段,利用在所述步骤(3)中训练好的模型预测主吹终点;
(6)在实际的顶底复合吹炼转炉生产工艺的补吹阶段,利用在所述步骤(3)中训练好的模型预测补吹终点;
在所述步骤(5)中,当主吹终点的钢水规格直接命中目标钢水规格,则不需要进入所述步骤(6)的补吹阶段及其终点预测;当主吹终点的钢水规格未命中目标钢水规格,则进入所述步骤(6)的补吹阶段,进行补吹终点预测;
在所述步骤(3)中,利用LSTM系统的顶底复合吹炼转炉生产工艺控制模型依次包括输入的LSTM层和输出的tanh层,在所述步骤(1)中的顶底复合吹炼转炉炼钢生产工艺的三个阶段的输入数据首先分别进入对应阶段独立的LSTM层,LSTM层是长度为3的LSTM单元序列,每个LSTM单元对应顶底复合吹炼转炉炼钢生产工艺的一个阶段,每个LSTM单元的输出数据分别通过一个对应的tanh层单元输出最终结果,每个输出数值的范围为[-1,1];通过LSTM单元的依次连接实现三个阶段的数据耦合,前一LSTM单元输出的数据作为后一LSTM单元序列的部分输入数据;从向确认吹炼方式阶段的LSTM单元输入原始数据开始,到最终从补吹阶段的tanh层单元输出预测补吹终点数据,完成对顶底复合吹炼转炉生产工艺周期进行控制。
2.根据权利要求1所述利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于:在所述步骤(1)中,顶底复合吹炼转炉炼钢生产工艺的每个阶段需要收集的数据分为输入数据和输出数据如下:
对于确认吹炼方式阶段,输入数据主要为铁水、废钢和目标钢水的规格,输出数据主要为确定的主吹方式;
对于主吹阶段,输入数据主要为确认吹炼方式阶段的输出数据、当前阶段的炉内炉气状态和炉口火焰状态,输出数据主要为预测的主吹阶段的终点钢水规格和预测的补吹方式;
对于补吹阶段,输入数据主要为主吹阶段的输出数据、当前阶段的炉内炉气状态、炉口火焰状态和实际所测的主吹终点钢水规格,输出数据主要为预测的补吹阶段的终点钢水规格;
对应顶底复合吹炼转炉炼钢生产工艺的各阶段,铁水规格主要包括铁水质量、温度、硫含量和碳含量;废钢规格主要为废钢质量;目标钢水规格主要包括目标钢水温度和碳含量;确定的主吹方式主要包括主吹吹氧量、主吹时间、氧气流量、氧压、氧枪位置、氮气量、氩气量和造渣各成分含量;炉内炉气状态主要包括炉气温度、氧含量、二氧化碳含量、一氧化碳含量、氮气含量和惰性气体含量;炉口火焰状态主要包括火焰明亮度;预测的终点钢水规格主要包括钢水温度和碳含量;预测的补吹方式主要包括补吹氧气量、补吹时间、氧气流量、氧压、氧枪位置、氮气量和造渣各成分含量;实际所测的主吹终点钢水规格主要包括钢水温度和碳含量。
3.根据权利要求2所述利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于:在所述步骤(1)中,确定的主吹方式和预测的补吹方式的造渣各成分主要包括石灰、萤石、菱镁矿和生白云石中的任意一种成分或任意几种成分。
4.根据权利要求1所述利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于:在所述步骤(2)中,对原始数据的过滤操作是指对异常数据的挑选和舍弃;在预处理中,对顶底复合吹炼转炉生产工艺的每种指标的数据进行标准化操作,将其映射到[-1,1]的范围内,映射函数为:
其中,Xnorm为标准化后的数据,X为原始数据,Xmax和Xmin分别是每种指标的原始数据集中数据的最大值和最小值。
5.根据权利要求1所述利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于:在所述步骤(3)中,LSTM单元为长短期记忆单元,能更新和传输记忆状态和输出数据,这些过程分别受到忘记门层、输入门层和输出门层的控制;定义一个当前LSTM单元处于位置t,当前LSTM单元接收处于位置t-1的LSTM单元输出的记忆状态ct-1和输出数据ht-1以及当前位置t的输入数据xt,并使当前位置t的LSTM单元输出数据ht和记忆状态ct,其具体过程如下:
(a)利用忘记门层控制需丢弃的记忆信息,该层为一个sigmoid层,计算式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为当前位置t的忘记门层的输出,σ为sigmoid激活函数,Wf为权值参数,[ht-1,xt]为ht-1和xt的向量连接,bf为偏置参数;
(b)利用输入门层控制需更新的记忆信息,该层为一个sigmoid层,计算式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it为当前位置t的输入门层的输出,σ也为sigmoid激活函数,Wi为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bi为偏置参数;
(c)利用保留的传统RNN中的tanh层创建一个新的候选记忆值,计算式如下:
其中,为当前位置t的tanh层的输出,tanh为tanh激活函数,Wc为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bc为偏置参数;
(d)利用输出门层控制需输出的数据,该层为一个sigmoid层,计算式如下:
ot=tanh(Wo·[ht-1,xt]+bo)
其中,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,Wo为权值参数,[ht-1,xt]也为ht-1和xt的向量连接,bo为偏置参数;
(e)更新当前位置t的LSTM单元的记忆状态ct,计算式如下:
其中,ct为当前位置t的LSTM单元的记忆状态,⊙表示逐点乘积,ft为当前位置t的忘记门层的输出,ct-1为处于位置t-1的LSTM单元输出的记忆状态,it为当前位置t的输入门层的输出,为当前位置t的tanh层的输出;
(f)计算当前位置t的LSTM单元的输出数据,计算式如下:
ht=ot⊙tanh(ct)
其中,ht为当前位置t的LSTM单元输出数据,⊙表示逐点乘积,ot为当前位置t的输出门层的输出,tanh也为tanh激活函数,ct为当前位置t的LSTM单元输出的记忆状态。
6.根据权利要求1所述利用LSTM系统的顶底复合吹炼转炉生产工艺控制方法,其特征在于:在所述步骤(4)~(6)中,依次根据每个阶段的标准化输入数据预测相应的输出数据,并以此为依据进行判定或进行下一阶段的工艺操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036366.2A CN108251591B (zh) | 2018-01-15 | 2018-01-15 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036366.2A CN108251591B (zh) | 2018-01-15 | 2018-01-15 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108251591A CN108251591A (zh) | 2018-07-06 |
CN108251591B true CN108251591B (zh) | 2019-10-11 |
Family
ID=62740648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810036366.2A Expired - Fee Related CN108251591B (zh) | 2018-01-15 | 2018-01-15 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108251591B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
CN110205427B (zh) * | 2019-06-20 | 2020-06-16 | 东北大学 | 一种智能热风炉优化控制系统及方法 |
CN110567534B (zh) * | 2019-09-10 | 2021-08-13 | 广东工业大学 | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 |
CN110931085B (zh) * | 2019-12-10 | 2022-07-01 | 中海石油宁波大榭石化有限公司 | 一种连续重整催化剂结焦炭含量在线预测和优化方法 |
CN111676365A (zh) * | 2020-06-09 | 2020-09-18 | 邯郸钢铁集团有限责任公司 | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 |
CN112981135B (zh) * | 2021-02-06 | 2022-09-27 | 楚雄滇中有色金属有限责任公司 | 一种判断转炉炼铜造渣期终点的方法 |
CN113239482B (zh) * | 2021-04-23 | 2022-02-08 | 北京科技大学 | 一种转炉后吹碳含量动态预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588346A (zh) * | 2004-08-30 | 2005-03-02 | 邢台钢铁有限责任公司 | 利用人工神经网络技术预测转炉终点的方法 |
CN102392095B (zh) * | 2011-10-21 | 2013-09-11 | 湖南镭目科技有限公司 | 转炉炼钢终点预测方法和系统 |
CN102876838B (zh) * | 2012-10-30 | 2015-09-09 | 湖南镭目科技有限公司 | 一种转炉内碳含量和温度检测系统 |
DE102012224184A1 (de) * | 2012-12-21 | 2014-06-26 | Sms Siemag Ag | Verfahren zur Vorhersage, Steuerung und/oder Regelung von Stahlwerksprozessen |
CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
-
2018
- 2018-01-15 CN CN201810036366.2A patent/CN108251591B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108251591A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108251591B (zh) | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 | |
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
CN109447346A (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN100383796C (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
CN113192568B (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
CN100465294C (zh) | 精炼炉底吹氩智能控制方法 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN108265157A (zh) | 智能电弧炉炼钢系统 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN112036081A (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
CN113807596B (zh) | 一种信息化工程造价的管理方法及系统 | |
CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
CN118070645A (zh) | 一种基于BiLSTM-CNN的电炉终点温度预测方法 | |
Zagoskina et al. | Intelligent Control System of Blast-Furnace Melting Efficiency | |
CN101900991A (zh) | 基于非线性动态因子的复合pid神经网络控制方法 | |
CN117170229A (zh) | 一种基于模型的转炉氧枪枪位预测方法 | |
CN111598311A (zh) | 一种新型列车运行速度曲线智能优化方法 | |
CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
CN113537620A (zh) | 基于Markov模型优化和工况识别的车速预测方法 | |
CN113652518A (zh) | 转炉及其转炉煤气柜煤气储量的预测方法、预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191011 Termination date: 20220115 |
|
CF01 | Termination of patent right due to non-payment of annual fee |