CN113849020B - 一种基于人工智能算法的钢坯升温曲线设计方法及装置 - Google Patents

Abstract

本发明公开了一种基于人工智能算法的钢坯升温曲线设计方法及装置，该方法包括：将加热炉每个控制段均分为多个子段；获取每一子段对应的历史加热数据；利用各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；根据各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测该子段对应的段末出口温度预测值；将各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。本发明可减少加热炉控制系统中钢坯温度控制的滞后性，对提高钢坯温度控制精度，降低系统响应时间，降低产品缺陷和能耗具有重要意义。

Description

一种基于人工智能算法的钢坯升温曲线设计方法及装置

技术领域

本发明涉及冶金加热炉控制技术领域，特别涉及一种基于人工智能算法的钢坯升温曲线设计方法及装置。

背景技术

加热炉是轧钢车间的重要热工设备，步进梁式加热炉的主要目的是加热钢坯，以满足轧机对钢坯温度的要求，是连接上游铸造和下游轧线的重要“纽带”。主要作用是对铸造下线的钢坯进行再加热、均热，为轧线提供温度均匀的高质量钢坯。轧钢加热炉是个典型具有非线性、大惯性、纯滞后、多变量、时变参数并且相互耦合的复杂被控系统。

随着控制理论的不断发展，处理炉温这一类具有强非线性特点的系统，一般采取新的智能控制方法，如模糊控制、神经网络、预测控制等。申请号为CN201410359583.7的发明专利，公开了一种基于段末温度的热轧钢坯加热控制方法，其采用各加热段的标准炉温和钢坯温度预报模型，预测钢坯在各加热段的段末温度。申请号为CN201310364670.7的发明专利，公开了一种确定钢坯加热炉炉温设定值的方法，其根据钢坯温度计算模型预测钢坯至当前控制段出口的温度与理论目标温度的差值，将其作为前馈PID回路的输入，以得到前馈炉温修正值，以确定加热炉炉温设定值。申请号为CN202010836567.8的发明专利，公开了一种基于耦合迭代的加热炉出钢温度预测方法，其计算预测出钢温度，结合出钢温度和开轧温度耦合判断，获取最终的钢坯预测出钢温度和该段的炉温设定点增量，并将计算出的结果迭代到下一个加热段的计算当中。

但以上现有技术都是基于对炉温的预测和控制，且计算过程较为繁琐，对于实际的钢坯温度控制具有滞后性，目前没有直接对钢坯温度进行预测的方法。

发明内容

本发明提供了一种基于人工智能算法的钢坯升温曲线设计方法及装置，以解决现有技术计算过程繁琐，对于实际的钢坯温度控制具有滞后性的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于人工智能算法的钢坯升温曲线设计方法，该基于人工智能算法的钢坯升温曲线设计方法包括：

将加热炉每个控制段按控制段长度分别均分为多个子段；

获取每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；

以温度影响因子为输入，段末出口温度为输出，利用各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

根据各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

将各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。

进一步地，将加热炉每个控制段按控制段长度分别均分为多个子段，包括：

将加热炉的4个控制段按控制段长度分别均分为3个子段，共分为12个子段。

进一步地，所述温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，所述入段温度指的是钢坯在相应子段入口处的温度，所述目标出炉温度指的是钢坯经加热炉加热后的目标温度，所述在段时间指的是钢坯在相应子段中的停留时间，总在炉时间指的是钢坯在加热炉中的总停留时间。

进一步地，利用各子段对应的历史加热数据分别训练神经网络模型，包括：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型。

进一步地，所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除。

进一步地，所述预设的神经网络模型为BP神经网络模型；

所述BP神经网络模型的输入节点数为4，隐含层节点数为6，输出层节点数为1；所述BP神经网络模型的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。

进一步地，所述将各子段对应的段末出口温度预测值进行拟合，包括：

以前一个子段的段末出口温度作为后一个子段的入段温度，将各子段对应的段末出口温度预测值拟合为一条曲线。

另一方面，本发明还提供了一种基于人工智能算法的钢坯升温曲线设计装置，该基于人工智能算法的钢坯升温曲线设计装置包括：

划分模块，用于将加热炉每个控制段按控制段长度分别均分为多个子段；

历史加热数据获取模块，用于获取所述划分模块所划分出的每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；

钢坯温度预测模型构建模块，用于以温度影响因子为输入，段末出口温度为输出，利用所述历史加热数据获取模块所获取的各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

当前加热数据获取模块，用于获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

段末出口温度预测模块，用于根据所述当前加热数据获取模块所获取的各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

数据拟合模块，用于将所述段末出口温度预测模块所预测出的各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。

进一步地，所述划分模块具体用于：

将加热炉的4个控制段按控制段长度分别均分为3个子段，共分为12个子段。

进一步地，所述温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，所述入段温度指的是钢坯在相应子段入口处的温度，所述目标出炉温度指的是钢坯经加热炉加热后的目标温度，所述在段时间指的是钢坯在相应子段中的停留时间，总在炉时间指的是钢坯在加热炉中的总停留时间；

所述钢坯温度预测模型构建模块具体用于：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型；

所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除；

所述预设的神经网络模型为BP神经网络模型；

所述BP神经网络模型的输入节点数为4，隐含层节点数为6，输出层节点数为1；所述BP神经网络模型的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005；

所述数据拟合模块具体用于：以前一个子段的段末出口温度作为后一个子段的入段温度，将各子段对应的段末出口温度预测值拟合为一条曲线。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明通过将每个控制段分为等长的子段，然后在每一个子段的基础上使用人工智能算法对标准训练数据进行训练，获得段末出口温度预测模型，然后带入相关参数得到每一个子段段末出口温度，最后将这些温度拟合为一条曲线，得到钢坯的标准升温曲线。得到的标准升温曲线可用于指导钢坯的加热过程，并可以反馈给炉温设定模型实现炉温控制，有助于对炉温设定进行及时的调整，减少了加热炉控制系统中的滞后性，从而提高了控制精度和钢坯的加热质量。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的基于人工智能算法的钢坯升温曲线设计方法的执行流程示意图；

图2是本发明第二实施例提供的基于人工智能算法的钢坯升温曲线设计方法的执行流程示意图；

图3是本发明第二实施例提供的加热炉控制段分段示意图；

图4是本发明第二实施例提供的BP算法的多层前馈型网络的结构示意图；

图5是本发明第二实施例提供的钢坯标准升温曲线示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种基于人工智能算法的钢坯升温曲线设计方法，该方法可以由电子设备实现。该方法的执行流程如图1所示，包括以下步骤：

S1，将加热炉每个控制段按控制段长度分别均分为多个子段；

需要说明的是，在本实施例中，对于控制段的划分是根据钢坯位置进行划分，最终将加热炉的4个控制段分别均分为3个子段，共分为12个子段。

S2，获取每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；

需要说明的是，在本实施例中，获取的温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，入段温度指钢坯在相应子段入口处的温度，目标出炉温度指钢坯经加热炉加热后的目标温度，在段时间指钢坯在相应子段中的停留时间，总在炉时间指钢坯在加热炉中的总停留时间。

S3，以温度影响因子为输入，段末出口温度为输出，利用各子段对应的历史加热数据分别训练预设神经网络模型，得到各子段对应的钢坯温度预测模型；

需要说明的是，在本实施例中，训练神经网络模型的过程包括：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型。

进一步地，所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除。

本实施例采用的神经网络模型为BP神经网络；其输入节点数为4，隐含层节点数为6，输出层节点数为1；权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。

S4，获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

S5，根据各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

S6，将各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。

需要说明的是，本实施例进行拟合时，是以前一子段的段末出口温度作为后一子段的入段温度，从而将各子段的段末出口温度预测值拟合为一条曲线。

综上，本实施例将加热炉的每一个控制段分为3个子段，对于每一子段，通过人工智能算法对炉内钢坯历史生产数据(钢坯温度历史信息和影响钢坯升温的关键参数)的自学习，形成一个当前炉况的预测模型，再结合当前钢坯关键参数和生产信息，对钢坯的出段温度做出精准的预测，并将每个子段计算出的段末出口温度拟合起来，形成一条标准的钢坯升温曲线，用于指导钢坯的加热过程，并将该信息反馈给炉温设定模型，有助于对炉温设定进行及时的调整，减少了加热炉控制系统中的滞后性，从而提高了控制精度和钢坯的加热质量。

第二实施例

本实施例提供了一种基于人工智能算法的钢坯升温曲线设计方法，该方法可以由电子设备实现。下面本实施例以某2300热连轧生产线为例，对本实施例的钢坯升温曲线设计方法进行说明，其执行流程如图2所示，包括以下步骤：

步骤1，沿炉长方向将加热炉各控制段分别均分为3个子段；

具体地，如图3所示，本实施例将每个控制段按控制段长度平均分为3个小段，共4个控制段(预热段、一加段、二加段、均热段)，共分为12个小段。

步骤2，获取每一子段对应的板坯历史数据；其中，所述板坯历史数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；

具体地，本实施例获取的温度影响因子包括历史数据中加热炉正常运行时各子段对应的入段温度、目标出炉温度、在段时间和总在炉时间。其中，每个子段包含的历史生产信息中的钢坯温度是从数据库中获取。

步骤3，选取板坯历史数据中的有效数据并对数据进行处理；

具体地，本实施例对入段温度，钢坯目标出炉温度，在段时间以及总在炉时间等时间进行判定，确定有效计算数据。其中，在段时间和总在炉时间数据是否有效判定方法如下：若在段时间明显大于该段钢坯正常生产节奏下钢坯的在段时间，则判定数据不合格；对于在炉时间数据的判定同上，也即，若总在炉时间明显大于该钢坯正常生产节奏下钢坯的在炉时间，则判定数据不合格。

针对筛选出的有效数据进一步进行处理，具体为：针对判定筛选得到的所有有效数据，在数据库中对这些数据进行平均取整操作，得到标准训练集。

具体地，数据库中对数据进行取整的步骤为：

选取

TEMP_IN＝TEMP_AVE1(钢坯入段时的钢坯平均温度)

TEMP_OUT＝TEMP_AVE2(钢坯出段时的钢坯平均温度)

其中TEMP_AVE是从数据库中获取的钢坯平均温度，数据存储于数据库TB_PRODUCT表格中；

INSECTIME＝ROUND(MAX(CREATETIME)-MIN(CREATETIME))*24*60)

INFCETIME＝ROUND((MAX(CREATETIME)-CHARGETIME)*24*60)

其中CREATETIME是数据库中TB_TEMPSURVEY表格中用于记录钢坯进入一个新的小段时温度记录创建时间，ROUND为对计算后的公式进行取整，CHARGTIME是钢坯入炉时间由于数据库表格中格式的不同，上式将在段时间转换为分钟单位，与以下BP神经网络训练数据格式相同。TEMP_IN为钢坯入段温度，TEMP_OUT为钢坯出段温度，DISCHARGETEMP为目标出炉温度，从钢坯加热标准工艺表中读取，INSECTTIME为钢坯在段时间，INFCETIME为钢坯在炉时间，经过上述计算，得到如表1的BP神经网络算法所用标准训练集。

表1某钢厂三热轧2300加热炉二加段某一段时间内所计算的标准训练集

步骤4，根据处理后的数据构建标准数据集；

步骤5，采用上述标准数据集对模型进行训练，得到钢坯温度预测模型；

具体地，本实施例通过对以上训练数据的自学习，建立符合达到标准精度的神经网络权值和阈值参数，建立段末钢温出口温度预测模型，用于后续结合钢坯当前信息，根据输入条件，预测钢坯段末出口温度。其中，入段温度、目标出炉温度、在段时间和总在炉时间为输入，段末出口温度为输出。

其中，本实施例采用的模型为BP网络，其主要思想是把学习过程分为两个阶段：第一阶段，给出输入信息通过输入层经隐含层处理并计算每个单元的实际输出值；第二阶段，如果在输出层未能得到期望的输出值，则逐层递归的计算实际输出值和期望输出值之差值，然后根据差值调节权值，具体地，就是对每一权重计算出发送单元的激活值与接收单元的误差值的积。本实施例中的BP网络如图4所示，包含三个层——输入层、隐含层、输出层。每层都含有节点。

输入信息通过输入层节点传播到隐含层的节点上，经过各单元的激活函数运算后，把隐含层节点的输出信息传播到输出层节点，最后给出输出结果。设给定N个样本，任一节点i对应的输出为O_i，对于输入x_k，对应的网络的输出为y_k，节点i的输出为O_ik，现在研究第l层的第j个单元，当输入第k个样本时，节点j的输入为：

上式中

表示第l-1层，输入第k个样本时，第j个单元节点的输出。采用的误差函数为：

上式中

表示单元j的实际输出，y_lk为对应的网络输出。那么总误差可以表示为：

令

那么

如果节点j为输出单元，那么

式中，

是传播到下一层(l+1)层的输入，计算

要从(l+1)层算回来。在(l+1)层第m个单元时可以表示为

可以得到

总结上述结果，有

所以，BP神经网络算法的步骤如下：

Ⅰ)选定权系数的初值；

Ⅱ)重复正向、反向过程，直到误差指标满足精度要求，其中ε为精度，即：

a)对k＝1到N正向过程计算：计算每层节点的

和

k＝2,...,N。反向过程计算：对各层(l＝L-1到2)，对每层各个节点，计算

b)修正权值

其中μ为步长，w_ij为权值，E为样本输出的总误差。

Ⅲ)结束。这里，训练样本呈现的两个回合之间的顺序必须是随机的。学习率和动量参数随着ω_ij训练迭代次数的增加而进行调整。

对模型进行训练后，得到符合预期误差的BP算法模型。

具体地，本实施例的BP网络的输入节点数为4，隐含层节点数为6，输出层节点数为1，输入层选取钢坯入段温度(TEMP_IN)、钢坯目标温度(DISCHARGETEMP)、在段时间(INSECTTIME)、在炉时间(INFCETIME)作为输入节点，输出层选用钢坯出段温度(TEMP_OUT)一个节点，隐含层则采用经验公式来确定，该经验公式为：

其中，h是隐含层节点个数，m为输入层节点个数，n为输出层节点个数，a为1～10之间的调节常数。

BP神经网络的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。

每一个子段根据标准样本集训练出一个符合当前炉况的神经网络预测模型，共生成12个神经网络预测模型，用于根据钢坯入段温度、目标出炉温度、在段时间以及在炉时间，预测钢坯段末出口温度。算法模型参数如表2所示。

表2训练之后的BP模型参数

步骤6，根据各子段对应的温度影响因子的当前值，分别利用当前子段对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

具体地，本实施例采集加热炉正常运行时的新批次数据，包括：从数据库中读取钢坯当前数据信息，以钢坯入段温度(TEMP_IN)、钢坯目标温度(DISCHARGETEMP)、在段时间(INSECTTIME)、在炉时间(INFCETIME)作为输入节点，利用建立的段末出口温度预测模型进行钢温预报，计算钢坯段末出口温度(TEMP_OUT)，作为对炉温及时调整的参考。

其中，通过BP神经网络预测模型，带入相关参数，得到段末温度如表3。

表3各个分段段末出口温度神经网络模型预测值

根据以上模型可获得钢坯位置及钢坯到达该位置时的温度，如表4所示。

表4钢坯在相应位置时的温度

步骤7，将各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。

具体地，本实施例将每个控制段的三个子段入段温度和预测段末温度拟合为一条曲线，其中前一个子段的出段温度为后一个子段的入段温度。将12个子段的离散化数据拟合为一条曲线，得到如图5所示的钢坯的标准升温曲线。

综上，本实施例首先沿炉长方向将加热炉的每个控制段平均分为3个子段，其中，每个子段都基于加热炉钢坯历史生产数据，通过人工智能算法对加热炉中钢温计算机理模型得出的钢坯温度、历史生产信息中钢坯在段时间、钢坯总的在炉时间、以及根据生产工艺表确定的钢坯目标出炉温度等数据的自学习。根据以上数据选取标准的样本训练集，使用BP神经网络对标准样本训练集进行自适应学习，生成一个适用于当前炉况的神经网络预测模型，使用该模型对当前钢坯信息对段末出口温度进行计算，并将每个子段计算出的段末出口温度拟合起来，从而形成一条钢坯的标准升温曲线，用于指导钢坯的加热过程，并将预测信息发送给炉温设定模型，然后炉温设定模型根据接收到的信息进行决策，对该段炉温进行调节。从而有助于对炉温设定进行及时的调整，减少加热炉控制系统中的滞后性，提高控制精度和钢坯的加热质量。

第三实施例

本实施例提供了一种基于人工智能算法的钢坯升温曲线设计装置，包括：

划分模块，用于将加热炉每个控制段按控制段长度分别均分为多个子段；

历史加热数据获取模块，用于获取所述划分模块所划分出的每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；

钢坯温度预测模型构建模块，用于以温度影响因子为输入，段末出口温度为输出，利用所述历史加热数据获取模块所获取的各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

当前加热数据获取模块，用于获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

段末出口温度预测模块，用于根据所述当前加热数据获取模块所获取的各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

数据拟合模块，用于将所述段末出口温度预测模块所预测出的各子段对应的段末出口温度预测值进行拟合，得到钢坯升温曲线。

本实施例的基于人工智能算法的钢坯升温曲线设计装置与上述第一实施例的基于人工智能算法的钢坯升温曲线设计方法相对应；其中，该基于人工智能算法的钢坯升温曲线设计装置中的各功能模块所实现的功能与上述基于人工智能算法的钢坯升温曲线设计方法中的各流程步骤一一对应；故，在此不再赘述。

第四实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法，

第五实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (8)

1.一种基于人工智能算法的钢坯升温曲线设计方法，其特征在于，包括：

将加热炉每个控制段按控制段长度分别均分为多个子段；

获取每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；所述温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，所述入段温度指的是钢坯在相应子段入口处的温度，所述目标出炉温度指的是钢坯经加热炉加热后的目标温度，所述在段时间指的是钢坯在相应子段中的停留时间，所述总在炉时间指的是钢坯在加热炉中的总停留时间；

以温度影响因子为输入，段末出口温度为输出，利用各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

根据各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

将各子段对应的段末出口温度预测值进行拟合，以前一个子段的段末出口温度作为后一个子段的入段温度，将各子段对应的段末出口温度预测值拟合为一条曲线，得到钢坯升温曲线。

2.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述将加热炉每个控制段按控制段长度分别均分为多个子段，包括：

将加热炉的4个控制段按控制段长度分别均分为3个子段，共分为12个子段。

3.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，利用各子段对应的历史加热数据分别训练预设的神经网络模型，包括：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型。

4.如权利要求3所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除。

5.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述预设的神经网络模型为BP神经网络模型；

所述BP神经网络模型的输入节点数为4，隐含层节点数为6，输出层节点数为1；所述BP神经网络模型的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。

6.一种基于人工智能算法的钢坯升温曲线设计装置，其特征在于，包括：

划分模块，用于将加热炉每个控制段按控制段长度分别均分为多个子段；

历史加热数据获取模块，用于获取所述划分模块所划分出的每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；所述温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，所述入段温度指的是钢坯在相应子段入口处的温度，所述目标出炉温度指的是钢坯经加热炉加热后的目标温度，所述在段时间指的是钢坯在相应子段中的停留时间，所述总在炉时间指的是钢坯在加热炉中的总停留时间；

钢坯温度预测模型构建模块，用于以温度影响因子为输入，段末出口温度为输出，利用所述历史加热数据获取模块所获取的各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

当前加热数据获取模块，用于获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

段末出口温度预测模块，用于根据所述当前加热数据获取模块所获取的各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

数据拟合模块，用于将所述段末出口温度预测模块所预测出的各子段对应的段末出口温度预测值进行拟合，以前一个子段的段末出口温度作为后一个子段的入段温度，将各子段对应的段末出口温度预测值拟合为一条曲线，得到钢坯升温曲线。

7.如权利要求6所述的基于人工智能算法的钢坯升温曲线设计装置，其特征在于，所述划分模块具体用于：

将加热炉的4个控制段按控制段长度分别均分为3个子段，共分为12个子段。

8.如权利要求6所述的基于人工智能算法的钢坯升温曲线设计装置，其特征在于，所述钢坯温度预测模型构建模块具体用于：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型；

所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除；

所述预设的神经网络模型为BP神经网络模型；

所述BP神经网络模型的输入节点数为4，隐含层节点数为6，输出层节点数为1；所述BP神经网络模型的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。

Images