CN114508936B - 一种基于大数据的熔炼过程能耗控制方法、设备及介质 - Google Patents

Abstract

本申请公开了一种基于大数据的熔炼过程能耗控制方法、设备及介质，用以解决现有的熔炼过程通过人工进行能耗监控，能源消耗存在较多浪费的技术问题。方法包括：采集熔炼过程中的第一能源消耗数据并过滤；根据过滤后的第一能源消耗数据，确定熔炼过程对应的下降梯度，并确定出预先训练好的能耗数据模型对应的模型参数，以更新能耗数据模型；获取熔炼过程中的第二能源消耗数据，并将过滤后的第二能源消耗数据输入至更新后的能耗数据模型；通过更新后的能耗数据模型对第二能源消耗数据进行分析处理，得到对应的决策结果并发送至熔炼过程对应的熔炼设备，以根据决策结果，控制熔炼设备的运行，节约了能源，降低了能耗。

Description

一种基于大数据的熔炼过程能耗控制方法、设备及介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于大数据的熔炼过程能耗控制方法、设备及介质。

背景技术

熔炼是将金属材料以及其它的辅助材料，投入至加热炉熔化并调质，物料在高温炉内发生一定的物理、化学变化，产出粗金属和炉渣的冶金过程。通过对熔炼过程产生的粗金属进行处理能够得到金属。为了在熔炼过程正常运行的基础上，确保能耗最低，还需要对熔炼过程进行监控。

传统的熔炼过程采用人工监控的方式，对熔炼过程中的能源消耗进行控制。但是，通过人工进行能耗监控，浪费了人力资源，无法确保监控数据准确及时。并且，在管理人员对熔炼过程中的能源消耗调控不及时的情况下，熔炼过程的温度会超出实际的温度阈值，能源做无用功耗，存在较多浪费，增加了生产成本。

发明内容

本申请实施例提供了一种基于大数据的熔炼过程能耗控制方法、设备及介质，用以解决现有的熔炼过程通过人工进行能耗监控，在管理人员操作不及时的情况下，能源消耗存在较多浪费的技术问题。

一方面，本申请实施例提供了一种基于大数据的熔炼过程能耗控制方法，包括：采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行。

在本申请的一种实现方式中，所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数之前，还包括：测量出指定时间段内若干能源消耗数据对应的决策结果，并将具有决策结果的若干所述能源消耗数据，输入至卷积神经网络进行训练；通过所述卷积神经网络的卷积层、池化层以及全连接层，对所述能源消耗数据进行处理，输出所述能源消耗数据对应的决策结果；确定输出的所述能源消耗数据对应的决策结果，与测量出的所述能源消耗数据对应的决策结果相匹配，得到对应的能耗数据模型。

在本申请的一种实现方式中，所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，具体包括：确定出过滤后的所述第一能源消耗数据中的若干属性特征；根据损失函数，计算出模型输出与预先测量出的输出之间的偏差，并通过梯度下降法，调整所述损失函数的权重，使所述能耗数据模型的预测误差最小；根据所述偏差以及所述权重，，分别确定出各所述属性特征对应的下降梯度，并将各所述属性特征对应的下降梯度相加，得到对应的总下降梯度；根据所述总下降梯度，确定出预先训练好的所述能耗数据模型对应的模型参数。

在本申请的一种实现方式中，所述将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行，具体包括：根据所述对应的决策结果，确定所述第二能源消耗数据大于预设能源消耗阈值时，将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备；根据所述决策结果，生成对应的控制指令，并根据所述对应的控制指令，调整所述第二能源消耗数据中对应的属性特征，以控制所述熔炼设备的运行。

在本申请的一种实现方式中，所述采集熔炼过程中的第一能源消耗数据之后，还包括：抽取所述第一能源消耗数据中各属性特征对应的数据，并对所述属性特征对应的数据进行空值填充。

在本申请的一种实现方式中，所述对所述第一能源消耗数据进行过滤，具体包括：针对熔炼过程中的温度，若采集到的所述第一能源消耗数据中的温度大于第一温度阈值，或者小于第二温度阈值，则确定所述第一能源消耗数据中的温度异常，并将所述异常的温度数据过滤掉；其中，所述第一温度阈值表示所述熔炼过程中实际最高温度，所述第二温度阈值表示所述熔炼过程中实际最低温度。

在本申请的一种实现方式中，所述将所述异常的温度过滤之后，还包括：确定出所述第一能源消耗数据对应的时间段，并在所述时间段内，获取所述第一能源消耗数据之前的历史温度；按照预设时间间隔，从所述历史温度中获取温度，并生成所述时间段内的温度曲线，以根据所述温度曲线，预测所述第一能源消耗数据中的温度。

在本申请的一种实现方式中，所述通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果，具体包括：将过滤后的所述第二能源消耗数据中的若干属性特征对应的数据，分别与更新后的所述能耗数据模型中，所述第二能源消耗数据对应的属性特征阈值进行对比；在所述属性特征对应的数据超过所述属性特征阈值时，确定所述熔炼设备对应的能源消耗异常，以确定所述熔炼设备对应的决策结果。

另一方面，本申请实施例还提供了一种基于大数据的熔炼过程能耗控制设备，设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行。

另一方面，本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行。

本申请实施例提供了一种基于大数据的熔炼过程能耗控制方法、设备及介质，至少包括以下有益效果：通过对采集到的第一能源消耗数据进行过滤，能够捕捉到第一能源消耗数据中的有用信息；通过第一能源消耗数据确定出熔炼过程对应的下降梯度，并确定出的预先训练好的能耗数据模型对应的模型参数，从而更新预先训练好的能耗数据模型，这样能够有效地避免能耗数据模型与实际数据之间的偏差；通过将当前时间段内的第二能源消耗数据输入至能耗数据模型，得到第二能源消耗数据对应的决策结果，从而根据决策结果控制熔炼设备的运行，实现对熔炼过程中的能源消耗的精准控制与优化，节约了能源，降低了能耗。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种基于大数据的熔炼过程能耗控制方法的流程图；

图2为本申请实施例提供的一种基于大数据的熔炼过程能耗控制设备的内部结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种基于大数据的熔炼过程能耗控制方法、设备及介质，通过对采集到的第一能源消耗数据进行过滤，能够捕捉到第一能源消耗数据中的有用信息；通过第一能源消耗数据确定出熔炼过程对应的下降梯度，并确定出的预先训练好的能耗数据模型对应的模型参数，从而更新预先训练好的能耗数据模型，这样能够有效地避免能耗数据模型与实际数据之间的偏差；通过将当前时间段内的第二能源消耗数据输入至能耗数据模型，得到第二能源消耗数据对应的决策结果，从而根据决策结果控制熔炼设备的运行。解决了现有的熔炼过程通过人工进行能耗监控，在管理人员操作不及时的情况下，能源消耗存在较多浪费的技术问题。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的一种基于大数据的熔炼过程能耗控制方法的流程图。如图1所示，本申请实施例提供的基于大数据的熔炼过程能耗控制方法主要包括以下步骤：

S101、采集熔炼过程中的第一能源消耗数据，并对第一能源消耗数据进行过滤。

在熔炼场景中，熔炼设备的能源消耗数据对应的决策结果，是使熔炼过程节能降耗的主要技术手段。因此，服务器首先需要采集熔炼过程中的第一能源消耗数据，然后通过第一能源消耗数据，对预先训练好的能耗数据模型进行再训练，从而根据当前时间段内的任一能源消耗数据，准确预测出该能源消耗数据对应的决策结果。

在本申请实施例中，服务器通过实时计算引擎，计算出熔炼过程中的流式能源消耗数据，然后从计算出的流式能源消耗数据中，识别出乱序数据，并通过实时计算引擎，对乱序数据重新进行计算，得到对应的计算结果，从而根据对应的计算结果，更新流式能源消耗数据。

并且，服务器还需要对采集到的第一能源消耗数据进行过滤，从而将第一能源消耗数据中的异常数据删除，得到第一能源消耗数据中的有用数据，以便于根据过滤后的第一能源消耗数据进行后续操作。

具体地，针对熔炼过程中第一能源消耗数据中的温度，若服务器确定出第一能源消耗数据中的温度大于第一温度阈值，则说明采集到的第一能源消耗数据中的温度超出了熔炼过程中温度范围的最大值，即该温度不符合实际，为异常数据；或者服务器确定出第一能源消耗数据中的温度小于第二温度阈值，则说明采集到的第一能源消耗数据中的温度超出了熔炼过程中温度范围的最小值，也说明该温度不符合实际，为异常数据。此时，服务器将采集到的异常的温度数据过滤掉，从而确保采集到的第一能源消耗数据的真实性。

在本申请的一个实施例中，服务器在采集到第一能源消耗数据之后，抽取第一能源数据中的任一属性特征对应的数据，并在抽取到的属性特征对应的数据为空值的其情况下，对该属性特征进行空值填充。

在本申请的一个实施例中，服务器在将该异常的温度过滤之后，确定出第一能源消耗数据对应的时间段，从而在当前时间段内，获取第一能源消耗数据对应时刻之前的历史温度；然后从该历史温度中，按照预设的时间间隔获取温度，从而生成当前时间段内对应的温度曲线，以便于根据当前时间段内的温度曲线，预测出第一能源消耗数据中的温度，实现对第一能源消耗数据的控制填充。

S102、根据过滤后的第一能源消耗数据，确定熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据模型参数，更新能耗数据模型。

服务器在对能耗数据模型的模型参数进行一次更新之后，如果熔炼过程对应的时间段发生变化，那么服务器会采用新的任务，对已经更新过的模型参数进行二次训练，从而使更新后的模型参数对应任务的损失函数最小，使得能耗数据模型的适应性更强。

需要说明的是，本申请实施例中的下降梯度指的是，通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度。

具体地，服务器确定出过滤后的第一能源消耗数据中的若干属性特征，根据损失函数，计算出模型输出与预先测量出的输出之间的偏差，并通过梯度下降法，调整损失函数的权重，使能耗数据模型的预测误差最小；然后再根据计算出来的偏差以及调整好的权重，分别确定出每个属性特征对应的下降梯度，并将每个属性特征对应的下降梯度相加，从而得到对应的总下降梯度，再根据总下降梯度，确定出预先训练好的你呢个号数据模型对应的模型参数，以便于进行后续操作。

在本申请的一个实施例中，服务器在根据过滤后的第一能源消耗数据，确定出熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数之前，需要测量出指定时间段内若干能源消耗数据对应的决策结果，然后将测量出决策结果的若干能源消耗数据，输入至卷积神经网络进行训练；通过卷积神经网络中的卷积层、池化层以及全连接层，对能源消耗数据进行处理，从而得到能源消耗数据对应的决策结果；再将通过卷积神经网络输出的能源消耗数据对应的决策结果，与预先测量出的该能源消耗数据对应的决策结果进行对比，直到两者相匹配，才得到训练好的能耗数据模型。在卷积神经网络中进行训练时，服务器根据预先测量好的能源消耗数据对应的决策结果，不断地调整能耗数据模型，并最终得到训练好的能耗数据模型，以便于后续通过该能耗数据模型，直接确定出能源消耗数据对应的决策结果。

S103、获取熔炼过程中的第二能源消耗数据，并将过滤后的第二能源消耗数据，输入至更新后的能耗数据模型。

服务器在更新完能耗数据模型之后，能够通过能耗数据模型，更加准确的确定出能源消耗数据对应的决策结果。

具体地，服务器获取新的样本数据，例如，获取第二能源消耗数据，然后通过流式计算方法，对第二能源消耗数据进行过滤，从而将过滤后的第二能源消耗数据输入至更新后的能耗数据模型

需要说明的是，本申请实施例中的第二能源消耗数据与第一能源消耗数据为同一时间段内不同时刻对应的数据。本申请是通过第一能源消耗数据确定出的模型参数，更新的能耗数据模型，那么更新后的能耗数据模型便适用于第一能源消耗数据对应时间段内的任一时刻的能源消耗数据。该对应时间段内的能源消耗数据对应的损失函数最小，确定出的能源消耗数据对应的决策结果更加准确。

S104、通过更新后的能耗数据模型，对第二能源消耗数据进行分析处理，得到对应的决策结果。

具体地，服务器会将过滤后的第二能源消耗数据中的若干属性特征对应的数据，分别与更新后的能耗数据模型中对应的属性阈值进行对比，并在属性特征对应的数据超过属性特征阈值的情况下，确定出熔炼设备对应的能源消耗数据异常，从而得到熔炼设备对应的决策结果。

S105、将对应的决策结果，发送至熔炼过程对应的熔炼设备，以根据决策结果，控制熔炼设备的运行。

具体地，服务器在根据确定出的决策结果，确定出第二能源小哈奥数据大于预设能源消耗阈值时，将确定出的决策结果发送至当前熔炼过程对应的熔炼设备；并根据决策结果，生成对应的控制指令，然后再根据具体地控制指令，调整第二能源消耗数据中对应的属性特征，实现控制对应熔炼设备的运行。本申请通过上述方式，实现了对指定时间段内的能源消耗数据的控制和优化，不仅节省了能源，还降低了能耗。

以上为本申请提出的方法实施例。基于同样的发明构思，本申请实施例还提供了一种基于大数据的熔炼过程能耗控制设备，其结构如图2所示。

图2为本申请实施例提供的一种基于大数据的熔炼过程能耗控制设备的内部结构示意图。如图2所示，设备包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：采集熔炼过程中的第一能源消耗数据，并对第一能源消耗数据进行过滤；根据过滤后的第一能源消耗数据，确定熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据模型参数，更新能耗数据模型；其中，下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；获取熔炼过程中的第二能源消耗数据，并将过滤后的第二能源消耗数据，输入至更新后的能耗数据模型；其中，第二能源消耗数据与第一能源消耗数据为同一时间段内不同时刻对应的数据；通过更新后的能耗数据模型，对第二能源消耗数据进行分析处理，得到对应的决策结果；将对应的决策结果，发送至熔炼过程对应的熔炼设备，以根据决策结果，控制熔炼设备的运行。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：采集熔炼过程中的第一能源消耗数据，并对第一能源消耗数据进行过滤；根据过滤后的第一能源消耗数据，确定熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据模型参数，更新能耗数据模型；其中，下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；获取熔炼过程中的第二能源消耗数据，并将过滤后的第二能源消耗数据，输入至更新后的能耗数据模型；其中，第二能源消耗数据与第一能源消耗数据为同一时间段内不同时刻对应的数据；通过更新后的能耗数据模型，对第二能源消耗数据进行分析处理，得到对应的决策结果；将对应的决策结果，发送至熔炼过程对应的熔炼设备，以根据决策结果，控制熔炼设备的运行。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种基于大数据的熔炼过程能耗控制方法，其特征在于，所述方法包括：

采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；

根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；

获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；

通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；

将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数之前，所述方法还包括：

测量出指定时间段内若干能源消耗数据对应的决策结果，并将具有决策结果的若干所述能源消耗数据，输入至卷积神经网络进行训练；

通过所述卷积神经网络的卷积层、池化层以及全连接层，对所述能源消耗数据进行处理，输出所述能源消耗数据对应的决策结果；

确定输出的所述能源消耗数据对应的决策结果，与测量出的所述能源消耗数据对应的决策结果相匹配，得到对应的能耗数据模型；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，具体包括：

确定出过滤后的所述第一能源消耗数据中的若干属性特征；

根据损失函数，计算出模型输出与预先测量出的输出之间的偏差，并通过梯度下降法，调整所述损失函数的权重，使所述能耗数据模型的预测误差最小；

根据所述偏差以及所述权重，分别确定出各所述属性特征对应的下降梯度，并将各所述属性特征对应的下降梯度相加，得到对应的总下降梯度；

根据所述总下降梯度，确定出预先训练好的所述能耗数据模型对应的模型参数；

所述对所述第一能源消耗数据进行过滤，具体包括：

针对熔炼过程中的温度，若采集到的所述第一能源消耗数据中的温度大于第一温度阈值，或者小于第二温度阈值，则确定所述第一能源消耗数据中的温度异常，并将所述异常的温度数据过滤掉；

其中，所述第一温度阈值表示所述熔炼过程中实际最高温度，所述第二温度阈值表示所述熔炼过程中实际最低温度；

所述将所述异常的温度过滤之后，所述方法还包括：

确定出所述第一能源消耗数据对应的时间段，并在所述时间段内，获取所述第一能源消耗数据之前的历史温度；

按照预设时间间隔，从所述历史温度中获取温度，并生成所述时间段内的温度曲线，以根据所述温度曲线，预测所述第一能源消耗数据中的温度。

2.根据权利要求1所述的一种基于大数据的熔炼过程能耗控制方法，其特征在于，所述将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行，具体包括：

根据所述对应的决策结果，确定所述第二能源消耗数据大于预设能源消耗阈值时，将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备；

根据所述决策结果，生成对应的控制指令，并根据所述对应的控制指令，调整所述第二能源消耗数据中对应的属性特征，以控制所述熔炼设备的运行。

3.根据权利要求1所述的一种基于大数据的熔炼过程能耗控制方法，其特征在于，所述采集熔炼过程中的第一能源消耗数据之后，所述方法还包括：

抽取所述第一能源消耗数据中各属性特征对应的数据，并对所述属性特征对应的数据进行空值填充。

4.根据权利要求1所述的一种基于大数据的熔炼过程能耗控制方法，其特征在于，所述通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果，具体包括：

将过滤后的所述第二能源消耗数据中的若干属性特征对应的数据，分别与更新后的所述能耗数据模型中，所述第二能源消耗数据对应的属性特征阈值进行对比；

在所述属性特征对应的数据超过所述属性特征阈值时，确定所述熔炼设备对应的能源消耗异常，以确定所述熔炼设备对应的决策结果。

5.一种基于大数据的熔炼过程能耗控制设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；

根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；

获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；

通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；

将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数之前，还包括：

测量出指定时间段内若干能源消耗数据对应的决策结果，并将具有决策结果的若干所述能源消耗数据，输入至卷积神经网络进行训练；

通过所述卷积神经网络的卷积层、池化层以及全连接层，对所述能源消耗数据进行处理，输出所述能源消耗数据对应的决策结果；

确定输出的所述能源消耗数据对应的决策结果，与测量出的所述能源消耗数据对应的决策结果相匹配，得到对应的能耗数据模型；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，具体包括：

确定出过滤后的所述第一能源消耗数据中的若干属性特征；

根据损失函数，计算出模型输出与预先测量出的输出之间的偏差，并通过梯度下降法，调整所述损失函数的权重，使所述能耗数据模型的预测误差最小；

根据所述偏差以及所述权重，分别确定出各所述属性特征对应的下降梯度，并将各所述属性特征对应的下降梯度相加，得到对应的总下降梯度；

根据所述总下降梯度，确定出预先训练好的所述能耗数据模型对应的模型参数；

所述对所述第一能源消耗数据进行过滤，具体包括：

针对熔炼过程中的温度，若采集到的所述第一能源消耗数据中的温度大于第一温度阈值，或者小于第二温度阈值，则确定所述第一能源消耗数据中的温度异常，并将所述异常的温度数据过滤掉；

其中，所述第一温度阈值表示所述熔炼过程中实际最高温度，所述第二温度阈值表示所述熔炼过程中实际最低温度；

所述将所述异常的温度过滤之后，还包括：

确定出所述第一能源消耗数据对应的时间段，并在所述时间段内，获取所述第一能源消耗数据之前的历史温度；

按照预设时间间隔，从所述历史温度中获取温度，并生成所述时间段内的温度曲线，以根据所述温度曲线，预测所述第一能源消耗数据中的温度。

6.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

采集熔炼过程中的第一能源消耗数据，并对所述第一能源消耗数据进行过滤；

根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，并根据所述模型参数，更新所述能耗数据模型；其中，所述下降梯度是通过梯度下降法确定出的使能耗数据模型收敛速度最快的梯度；

获取所述熔炼过程中的第二能源消耗数据，并将过滤后的所述第二能源消耗数据，输入至更新后的所述能耗数据模型；其中，所述第二能源消耗数据与所述第一能源消耗数据为同一时间段内不同时刻对应的数据；

通过更新后的所述能耗数据模型，对所述第二能源消耗数据进行分析处理，得到对应的决策结果；

将所述对应的决策结果，发送至所述熔炼过程对应的熔炼设备，以根据所述决策结果，控制所述熔炼设备的运行；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数之前，还包括：

测量出指定时间段内若干能源消耗数据对应的决策结果，并将具有决策结果的若干所述能源消耗数据，输入至卷积神经网络进行训练；

通过所述卷积神经网络的卷积层、池化层以及全连接层，对所述能源消耗数据进行处理，输出所述能源消耗数据对应的决策结果；

确定输出的所述能源消耗数据对应的决策结果，与测量出的所述能源消耗数据对应的决策结果相匹配，得到对应的能耗数据模型；

所述根据过滤后的第一能源消耗数据，确定所述熔炼过程对应的下降梯度，以确定出预先训练好的能耗数据模型对应的模型参数，具体包括：

确定出过滤后的所述第一能源消耗数据中的若干属性特征；

根据损失函数，计算出模型输出与预先测量出的输出之间的偏差，并通过梯度下降法，调整所述损失函数的权重，使所述能耗数据模型的预测误差最小；

根据所述偏差以及所述权重，分别确定出各所述属性特征对应的下降梯度，并将各所述属性特征对应的下降梯度相加，得到对应的总下降梯度；

根据所述总下降梯度，确定出预先训练好的所述能耗数据模型对应的模型参数；

所述对所述第一能源消耗数据进行过滤，具体包括：

针对熔炼过程中的温度，若采集到的所述第一能源消耗数据中的温度大于第一温度阈值，或者小于第二温度阈值，则确定所述第一能源消耗数据中的温度异常，并将所述异常的温度数据过滤掉；

其中，所述第一温度阈值表示所述熔炼过程中实际最高温度，所述第二温度阈值表示所述熔炼过程中实际最低温度；

所述将所述异常的温度过滤之后，还包括：

确定出所述第一能源消耗数据对应的时间段，并在所述时间段内，获取所述第一能源消耗数据之前的历史温度；

按照预设时间间隔，从所述历史温度中获取温度，并生成所述时间段内的温度曲线，以根据所述温度曲线，预测所述第一能源消耗数据中的温度。