CN117093868A - 一种基于多任务学习的转炉终点预测方法和装置 - Google Patents

一种基于多任务学习的转炉终点预测方法和装置 Download PDF

Info

Publication number
CN117093868A
CN117093868A CN202311077621.5A CN202311077621A CN117093868A CN 117093868 A CN117093868 A CN 117093868A CN 202311077621 A CN202311077621 A CN 202311077621A CN 117093868 A CN117093868 A CN 117093868A
Authority
CN
China
Prior art keywords
converter
predicted
molten iron
carbon content
task
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.)
Pending
Application number
CN202311077621.5A
Other languages
English (en)
Inventor
徐安军
刘旋
谷茂强
王慧贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202311077621.5A priority Critical patent/CN117093868A/zh
Publication of CN117093868A publication Critical patent/CN117093868A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本公开提供一种基于多任务学习的转炉终点预测方法，包括：获取转炉的参数信息；对转炉的参数信息进行预处理，得到输入向量；将输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量；基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。本公开能够考虑工艺条件的多样性和钢材冶炼过程的复杂性，还可以避免传统的数据驱动模型容易陷入局部最小值的问题，实现了转炉终点温度和碳含量的精准同时预测。

Description

一种基于多任务学习的转炉终点预测方法和装置
技术领域
本公开涉及炼钢自动化控制技术领域，尤其涉及一种基于多任务学习的转炉终点预测方法。
背景技术
转炉炼钢是钢铁工业生产制造的关键环节，实现智能制造具有一定的行业引领和示范作用。转炉炼钢是一个复杂的高温物理化学变化过程，它是通过在铁水熔池上吹氧达到脱碳、升温和改变钢液成分的目的，其最终目的是获得合格的钢水温度和成分。随着钢厂精细化生产的发展，对钢水温度和成分的控制要求越来越严格。为了缩短转炉到出钢的时间，减少快速直接出钢的负面影响，开发预测精度高的模型才可以满足高效、紧凑、现代化炼钢的生产需求。
转炉终点钢水温度是保证钢水和铸坯质量的关键指标，更是保证精炼、连铸生产节奏顺行的必要因素。精确的控制转炉终点碳含量不仅可以避免钢水过氧化，减少炉后合金燃烧损失，还可以在一定程度上减少炼钢过程中的碳排放。因此，准确地控制钢水终点温度和终点碳含量是转炉冶炼工艺的重点。
转炉终点的高精度预测是实现转炉智能冶炼的重要基础。转炉终点的预测方法分为机理方法和数据驱动方法。机理模型因为可以更好的解析影响因素与转炉终点温度和成分的关系而对转炉终点温度和成分的预测具有重要意义，但由于机理方法涉及的理论假设多、参数多，而且由于转炉过程的非线性和复杂性，机理模型很难得取得较高的预测精度，因此，为了提高转炉终点控制的预测精度，许多研究人员提出了用数据驱动的方法来预测转炉终点的温度和成分。面对工艺条件的多样性和钢材冶炼过程的复杂性时，数据驱动模型缺乏目标值之间存在的相关性解析，并且传统的数据驱动模型容易陷入局部最小值。
发明内容
本公开提供了一种基于多任务学习的转炉终点预测方法。针对数据驱动模型缺乏目标值之间存在的相关性解析的问题，本公开不仅可以考虑工艺条件的多样性和钢材冶炼过程的复杂性，还可以避免传统的数据驱动模型容易陷入局部最小值的问题。
为解决上述发明目的，本公开提供的技术方案如下：
一方面，提供一种基于多任务学习的转炉终点预测方法，包括：
S1：获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
S2：对转炉的参数信息进行预处理，得到输入向量，所述预处理包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
S3：将所述输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
S4：基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
S5：对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。
优选地，在所述S3之前，所述方法还包括：
S0：通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型；
所述S0的通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型，包括：
S01:搜集训练数据；
S02:构建用于预测的转炉钢水温度和转炉碳含量的初始多任务学习的神经网络模型，所述初始模型包括：输入层、共享网络层、任务一、任务一的隐含层、任务二和任务二的隐含层；
S03:为任务一和任务二定义损失函数，所述损失函数的具体公式如下：
式中：α为任务一损失权重系数，m为样本数量，YT为实际转炉钢水温度，Y′T为转炉钢水温度预测值；β为任务二损失权重系数，YC为实际转炉碳含量，Y′C：转炉碳含量预测值，α+β＝1；
S04：利用遗传算法优化初始多任务学习的神经网络模型，得到优化模型参数；
S05：根据优化模型参数，构建优化后的多任务学习的神经网络模型，所述优化模型参数包括任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数；
S06：将训练数据输入优化后的多任务学习的神经网络模型，基于损失模型进行训练，得到预训练的预测模型。
优选地，所述S01的搜集训练数据，包括：
从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；
从实际生产数据中，提取转炉参数，所述转炉参数包括炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
对转炉参数进行预处理，一个炉次作为一个样本输入向量；
按照选定比例随机选取部分样本输入向量作为训练集，剩余样本输入向量作为测试集。
优选地，所述S04的利用遗传算法优化初始多任务学习的神经网络模型，获取优化模型参数，包括：
S041：确定种群个数，生成初始群体；
S042：设定个体适应度函数，所述个体适应度函数的具体公式如下所示：
式中，F(C,T)为适应度函数，n为炉次数，n(C,T)为转炉钢水温度和转炉碳含量在误差范围内的炉个数/次数；
S043：设定交叉和变异算子；
S044：对初始群体进行选择操作后确定个体，并按照交叉运算或变异运算操作，将选择个体生成为代表新解集的种群；
S045：设定终止条件，重复步骤S044直到满足终止条件；
S046：当达到终止条件后，对最后种群中的最优个体进行解码，获取任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数。
优选地，所述S4的基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围，包括：
将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
另一方面，提供一种基于多任务学习的转炉终点预测装置。装置包括：
参数单元：用于获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
预处理单元：用于对转炉的参数信息进行预处理，得到输入向量，所述预处理包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
预测单元：用于将所述输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
终点单元：用于基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
提醒单元：用于对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提。
优选的，所述参数单元，包括：
生产数据模块：用于从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；
参数模块，用于从实际生产数据中，提取转炉参数，所述转炉参数包括炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
预处理模块：用于对转炉参数进行预处理，一个炉次作为一个样本输入向量；
训练数据模块：用于按照选定比例随机选取部分样本输入向量作为训练集，剩余样本输入向量作为测试集。
优选的，所述终点单元，包括：
钢水温度模块：用于将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
碳含量模块：用于将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
终点范围模块：用合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
另一方面，提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述评估辅助方法。
另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的评估辅助方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，基于多任务学习的转炉终点预测方法，通过利用多任务学习神经网络算法考虑到预测目标之间潜在的互相影响和联系，并在此基础上，采用遗传算法优化任务的权重系数和神经元节点数，实现了转炉终点温度和碳含量的精准同时预测。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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为本公开提供的一种基于多任务学习的转炉终点预测方法流程图；
图2为本公开提供的一种基于多任务学习的神经网络模型的示意图；
图3为本公开提供的一种基于多任务学习的转炉终点预测装置示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
需要说明的是，本公开中使用的“上”、“下”、“左”、“右”“前”“后”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本公开针对现有数据驱动模型缺乏目标值之间存在的相关性解析的问题，提供了一种能够通过利用多任务学习神经网络算法考虑到预测目标之间潜在的互相影响和联系，并能够实现了转炉终点温度和碳含量的同时精准预测的方法。
如图1所示，本公开实施例提供了一种基于多任务学习的转炉终点预测方法，所述方法包括以下步骤：
S1：获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
需要进一步说明的是，转炉炼钢原料加入量的大致范围是通过机理模型计算得到或者是人为设定值，在进行冶炼之前铁水量、铁水成分、造渣料(白云石、石灰等)加入量、成分及废钢加入量等参数已被钢厂所测量确定。
S2：对转炉的参数信息进行预处理，得到输入向量，所述预处理包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
S3：将所述输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
需要说明的是，神经网络是一种数据驱动的智能算法，其通过模拟生物神经中神经元之间的传递过程，实现信息的处理和预测。因此神经网络可以用来进行各种预测任务。其中，反向传播神经网络(Back propagation neural network，BPNN)是最常用的一种神经网络，它通过反向传播算法训练网络，使网络可以学习输入和输出之间的映射关系，对于解决非线性问题有较高的精度，求解复杂问题具有一定的优势。转炉炼钢过程是复杂且非线性的，因此使用BPNN可以有效减少不良因素对预测结果的影响。
多任务学习是一种归纳迁移的方法。在给定几个相关联任务的输入数据和输出数据的情况下，它能够充分利用多个任务之间的相关信息来提升任务之间的可辨识度或预测能力，同时学习多个模型。与单任务学习相比，多任务学习可以避免由于训练样本数量有限导致部分数据特征被忽视从而引起的模型欠拟合问题；另外，由于同时学习多个相关任务，可以挖掘任务之间潜在的数据特征，提升模型的训练效果，得到的共享模型具有更好的泛化能力。因此根据BPNN结构建立转炉终点碳温预测多任务神经网络模型。与单任务学习神经网络相比，多任务学习神经网络由于在每个任务之前有共享层的设置，使后续单独任务之间的共同信息能被有效识别并学习。
在所述S3之前，所述方法还包括以下步骤：
S0：通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型；
所述S0的通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型，包括：
S01:搜集训练数据；
需要说明的是，训练数据是从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；从实际生产数据中，提取转炉参数，所述转炉参数包括炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量、供氧量；对转炉参数进行预处理，一个炉次作为一个输入向量；按照选定比例随机选取部分输入向量作为训练集，剩余输入向量作为测试集。
S02:构建用于预测的转炉钢水温度和转炉碳含量的初始多任务学习的神经网络模型，如图2所示，所述初始模型包括：输入层、共享网络层、任务一、任务一的隐含层、任务二和任务二的隐含层；
一些实施例中，初始多任务学习的神经网络模型选用一个共享网络层，每个单独任务有一个隐含层，各任务损失函数权重为0.5；则输入层节点为11，共享网络层节点为9，单独任务隐含层的节点为3，输出层节点为1，共享层之间使用ReLU激活函数，网络的输出层使用sigmoid激活函数，使用Adam优化器来更新参数。
优选的，学习率设置为0.005，迭代次数为500次。
S03:为任务一和任务二定义损失函数，所述损失函数的具体公式如下：
式中：α为任务一损失权重系数，m为样本数量，YT为实际转炉钢水温度，Y′T为转炉钢水温度预测值；β为任务二损失权重系数，YC为实际转炉碳含量，Y′C：转炉碳含量预测值，α+β＝1；
S04：利用遗传算法优化初始多任务学习的神经网络模型，得到优化模型参数；
一些实施例中，把终点温度和碳含量作为预测对象和不同任务(任务一、任务二)，对温度预测任务和碳含量预测任务分配不同的损失函数比重，不同的比重决定了碳温任务对最终训练效果的影响水平，采用遗传算法优化损失函数权重，使多任务学习有更好的训练效果。
具体来说，所述S04包括：
S041：确定种群个数，生成初始群体；
在一些实施例中，初始群体的确定即是种群个数的确定。种群个数过多会使算法运行效率降低，运算时间较长，过小的种群个数又会导致训练过程中达不到全局最优解，从而影响算法的训练效果。
优选的，种群个数可以选取50。
S042：设定个体适应度函数，所述个体适应度函数的具体公式如下所示：
式中，F(C,T)为适应度函数，n为炉次数，n(C,T)为转炉钢水温度和转炉碳含量在误差范围内的炉个数/次数；
需要说明的是，适应度函数的定义方法应是针对不同问题进行不同的设计。通过适应度函数来判断种群中个体的好与坏，若适应度函数值越高，被选择的概率也就越高，同时其个体作为问题的解的质量越好。
优选的，本公开的适应度函数为碳温双命中率的倒数。
S043：设定交叉和变异算子；
需要说明的是，交叉概率的大小会影响寻找最优个体的速度；变异算子可避免算法陷入局部最优解，太大会导致算法成为随机搜索算法，太小不利于新个体的产生。
优选的，交叉概率一般取为0.4～0.9；通常变异算子取值在0.001到0.1之间。
优选的，为获取较佳效果，交叉概率设置为0.8，变异概率设置为0.01。
S044：对初始群体进行选择操作后确定个体，并按照交叉运算或变异运算操作，将选择个体生成为代表新解集的种群；
S045：设定终止条件，重复步骤S0234直到满足终止条件；
需要说明的是，在遗传算法中，要预先设置一个最大迭代次数，当进化达到最大迭代次数后，对最后种群中的最优个体进行解码，其解可作为待求解问题的最优解。
优选的，最大迭代次数设置为100。
S046：当达到终止条件后，对最后种群中的最优个体进行解码，获取任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数。
需要说明的是，遗传算法是一种模仿生物学的遗传变异过程的随机全局搜索优化方法，根据自然选择和遗传学原理进行寻优，模拟了自然选择和遗传中发生的复制、交叉和变异等现象。遗传算法依据是生物进化的原理“优胜劣汰，适者生存”，从初始种群开始，形成编码串联群体，后通过随机选择、交叉和变异等操作，按所设计的适应度函数进行筛选，保留适应度高的个体，形成新种群不断繁衍进化，直到满足限制条件为止，从而解决经典数学难以求解出的复杂难题。遗传算法原理简单，可并行处理。
需要进一步说明的是，在本公开中，遗传算法主要对多任务学习神经网络模型的各任务损失权重系数和神经网络的各层神经元节点数进行优化，使用适应度函数来反应个体的优劣性，并且在经过遗传算子处理，达到最终迭代次数后选出最好的适应度个体，其结果可近似作为当前问题的近似解，即各任务损失权重系数和神经网络的各层神经元节点数，然后将结果应用在多任务学习神经网络模型中训练以提升终点温度和终点碳含量的命中率。
S05：根据优化模型参数，构建优化后的多任务学习的神经网络模型，所述优化模型参数包括任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数；
在一些实施例中，利用遗传算法对各任务损失权重系数和各层网络神经元节点数进行优化，求解结果为多任务学习神经网络模型的任务一损失权重系数为0.710、任务二损失权重系数为0.290、神经网络结构中输入层节点数为11个，共享网络层节点数是13个，各任务单独隐含层的节点数是5个，输出层节点数为1个。据此重新构建多任务学习神经网络模。
S06：将训练数据输入优化后的多任务学习的神经网络模型，基于损失模型进行训练，得到预训练的预测模型。
进一步的，如表1所示，使用某钢厂300t转炉的实际生产数据对初始多任务学习的神经网络模型进行训练，预测的转炉钢水温度和转炉碳含量与实际值之间的误差集中在±15℃和±0.02％之内，双命中率达到73.75％；但将误差范围选择为温度±5℃和碳含量±0.01％时预测精度并不高，碳温双命中率较低仅为28.75％。
表1：初始多任务学习的神经网络模型的预测结果误差分布。
如表2所示，对优化后的多任务学习的神经网络模型进行训练，预测的转炉钢水温度和转炉碳含量与实际值之间的误差集中在±15℃和±0.02％之内，命中率提高了13.75％；将误差范围选择为温度±5℃和碳含量±0.01％时预测精度并不高，命中率提高了12.5％。
表2：优化后的多任务学习的神经网络模型的预测结果误差分布。
S4：基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
需要说明的是：所述S4包括：
将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
在一些实施例中，预测的转炉钢水温度范围和预测的转炉碳含量范围和双命中率有关。本公开中，通过遗传算法优化过的多任务学习模型转炉钢水温度和转炉碳含量误差在±5℃和±0.01％、±10℃和±0.015％、±15℃和±0.02％内的双命中率为41.25％、65％和87.5％。因为±15℃和±0.02％有较高的双命中率，因此选为最终的终点范围。
S5：对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
如图3所示，本公开提供了一种基于多任务学习的转炉终点预测装置。装置包括：
参数单元310：用于在进行冶炼之前获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量、供氧量；
预处理单元320：用于对转炉的参数信息进行预处理，所述预处理，包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
预测单元330：用于将输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
终点单元340：用于基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
提醒单元350：用于当确定所述转炉钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。
优选的，所述参数单元，包括：
生产数据模块：用于从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；
参数模块，用于提取转炉参数，所述转炉参数包括：炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量、供氧量；
预处理模块：用于对转炉参数进行预处理，一个炉次作为一个输入向量；
训练数据模块：用于按照选定比例随机选取部分输入向量作为训练集，剩余输入向量作为测试集。
优选的，所述终点单元，包括：
钢水温度模块：用于将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
碳含量模块：用于将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
终点范围模块：用合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
在示例性实施例中，还提供了一种电子设备。所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序。
在示例性实施例中，还提供了一种计算机可读存储介质。所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行。
有以下几点需要说明：
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)为了清晰起见，在用于描述本公开的实施例的附图中，层或区域的厚度被放大或缩小，即这些附图并非按照实际的比例绘制。可以理解，当诸如层、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”或者可以存在中间元件。
(3)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于多任务学习的转炉终点预测方法，其特征在于，包括：
S1：获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
S2：对转炉的参数信息进行预处理，得到输入向量，所述预处理包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
S3：将所述输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
S4：基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
S5：对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。
2.根据权利要求1所述的基于多任务学习的转炉终点预测方法，其特征在于，在所述S3的将输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量之前，所述方法还包括：
S0：通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型；
所述S0的通过训练数据对初始多任务学习的神经网络模型进行训练，得到预训练的预测模型，包括：
S01:搜集训练数据；
S02:构建用于预测的转炉钢水温度和转炉碳含量的初始多任务学习的神经网络模型，所述初始模型包括：输入层、共享网络层、任务一、任务一的隐含层、任务二和任务二的隐含层；
S03:为任务一和任务二定义损失函数，所述损失函数的具体公式如下：
式中：α为任务一损失权重系数，m为样本数量，YT为实际转炉钢水温度，Y′T为转炉钢水温度预测值；β为任务二损失权重系数，YC为实际转炉碳含量，Y′C：转炉碳含量预测值，α+β＝1；
S04：利用遗传算法优化初始多任务学习的神经网络模型，得到优化模型参数；
S05：根据优化模型参数，构建优化后的多任务学习的神经网络模型，所述优化模型参数包括任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数；
S06：将训练数据输入优化后的多任务学习的神经网络模型，基于损失模型进行训练，得到预训练的预测模型。
3.根据权利要求2所述的基于多任务学习的转炉终点预测方法，其特征在于，所述S01的搜集训练数据，包括：
从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；
从实际生产数据中，提取转炉参数，所述转炉参数包括炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
对转炉参数进行预处理，一个炉次作为一个样本输入向量；
按照选定比例随机选取部分样本输入向量作为训练集，剩余样本输入向量作为测试集。
4.根据权利要求1所述的基于多任务学习的转炉终点预测方法，其特征在于，所述S04的利用遗传算法优化初始多任务学习的神经网络模型，获取优化模型参数，包括：
S041：确定种群个数，生成初始群体；
S042：设定个体适应度函数，所述个体适应度函数的具体公式如下所示：
式中，F(C,T)为适应度函数，n为炉次数，n(C,T)为转炉钢水温度和转炉碳含量在误差范围内的炉个数/次数；
S043：设定交叉和变异算子；
S044：对初始群体进行选择操作后确定个体，并按照交叉运算或变异运算操作，将选择个体生成为代表新解集的种群；
S045：设定终止条件，重复步骤S044直到满足终止条件；
S046：当达到终止条件后，对最后种群中的最优个体进行解码，获取任务一损失权重系数、任务二损失权重系数、神经网络结构中共享网络层节点数和单独各任务隐含层的节点数。
5.根据权利要求1所述的基于多任务学习的转炉终点预测方法，其特征在于，所述S4的基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围，包括：
将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
6.一种基于多任务学习的转炉终点预测装置，其特征在于，所述装置适用于上述权利要求1-5中任意一项的方法，装置包括：
参数单元：用于获取转炉的参数信息，所述转炉的参数信息包括：炉号、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
预处理单元：用于对转炉的参数信息进行预处理，得到输入向量，所述预处理包括数据筛选、数据清理、标准化和根据炉号构建输入向量；
预测单元：用于将所述输入向量输入预训练的预测模型，同时得到预测的转炉钢水温度和转炉碳含量，所述预测模型是基于遗传算法优化的多任务学习模型，所述多任务学习模型有共享的全连接层和两个任务，所述两个任务包含有单独的隐含层；
终点单元：用于基于预测的转炉钢水温度和转炉碳含量，得到预测的转炉终点范围；
提醒单元：用于对铁水开始冶炼，当确定所述转炉的钢水温度和所述转炉碳含量达到预测的转炉终点范围时，生成终止提醒。
7.根据权利要求6所述的基于多任务学习的转炉终点预测装置，其特征在于，所述参数单元，包括：
生产数据模块：用于从钢厂不同的转炉或是同一转炉不同炉次收集转炉冶炼过程的实际生产数据；
参数模块，用于从实际生产数据中，提取转炉参数，所述转炉参数包括炉号/炉次、入炉铁水重量、铁水温度、铁水碳含量、铁水硅含量、铁水锰含量、铁水磷含量、铁水硫含量、废钢加入量、高钙石灰重量、白云石重量以及供氧量；
预处理模块：用于对转炉参数进行预处理，一个炉次作为一个样本输入向量；
训练数据模块：用于按照选定比例随机选取部分样本输入向量作为训练集，剩余样本输入向量作为测试集。
8.根据权利要求6所述的基于多任务学习的转炉终点预测装置，其特征在于，所述终点单元，包括：
钢水温度模块：用于将预测的转炉钢水温度添加±15℃误差范围，得到预测的转炉钢水温度范围；
碳含量模块：用于将预测的转炉碳含量添加±0.02％的误差范围，得到预测的转炉碳含量范围；
终点范围模块：用合并预测的转炉钢水温度范围和预测的转炉碳含量范围，得到预测的转炉终点范围。
9.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1至5任一项所述的评估辅助方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求1至5中任一项所述的评估辅助方法。
CN202311077621.5A 2023-08-24 2023-08-24 一种基于多任务学习的转炉终点预测方法和装置 Pending CN117093868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311077621.5A CN117093868A (zh) 2023-08-24 2023-08-24 一种基于多任务学习的转炉终点预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311077621.5A CN117093868A (zh) 2023-08-24 2023-08-24 一种基于多任务学习的转炉终点预测方法和装置

Publications (1)

Publication Number Publication Date
CN117093868A true CN117093868A (zh) 2023-11-21

Family

ID=88773000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311077621.5A Pending CN117093868A (zh) 2023-08-24 2023-08-24 一种基于多任务学习的转炉终点预测方法和装置

Country Status (1)

Country Link
CN (1) CN117093868A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553921A (zh) * 2024-01-12 2024-02-13 山东钢铁股份有限公司 转炉钢水温度预测方法、系统、终端及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553921A (zh) * 2024-01-12 2024-02-13 山东钢铁股份有限公司 转炉钢水温度预测方法、系统、终端及存储介质
CN117553921B (zh) * 2024-01-12 2024-04-19 山东钢铁股份有限公司 转炉钢水温度预测方法、系统、终端及存储介质

Similar Documents

Publication Publication Date Title
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
Zhou et al. Hybrid-model-based intelligent optimization of ironmaking process
Liu et al. A dynamic analytics method based on multistage modeling for a BOF steelmaking process
CN117093868A (zh) 一种基于多任务学习的转炉终点预测方法和装置
Liu et al. A stacked autoencoder with sparse Bayesian regression for end-point prediction problems in steelmaking process
CN109359723A (zh) 基于改进正则化极限学习机的转炉终点锰含量预测方法
CN105740984A (zh) 一种基于性能预测的产品概念性能评价方法
CN113031983B (zh) 一种基于深度强化学习的软件智能升级方法及装置
CN113255102A (zh) 一种转炉终点钢水碳含量与温度预测方法及装置
CN111008685A (zh) 基于生产者依概率反向再生机制的改进人工生态系统优化算法
CN111914492A (zh) 一种基于进化优化的半监督学习工业过程软测量建模方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN114511159B (zh) 基于条件变分自编码器的电力负荷概率预测方法和系统
CN116307246A (zh) 一种基于lstm-cnn和icbam长短期特征提取的铝电解槽温预测方法
Tang et al. An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process
Wang et al. Whale optimization end-point control model for 260 tons BOF steelmaking
Liu et al. A novel dynamic operation optimization method based on multiobjective deep reinforcement learning for steelmaking process
Duan et al. A hybrid genetic-particle swarm optimization algorithm for multi-constraint optimization problems
Liu et al. An estimation of distribution algorithm with multiple intensification strategies for two-stage hybrid flow-shop scheduling problem with sequence-dependent setup time
CN117454765A (zh) 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法
CN117035074A (zh) 基于反馈强化的多模态知识生成方法及装置
Jalali et al. Novel uncertainty-aware deep neuroevolution algorithm to quantify tidal forecasting
CN116384254A (zh) 一种用于lf精炼炉钢水温度预测的误差修正方法及系统
CN116258087A (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN116127201A (zh) 一种基于进化多任务的大规模用户推荐方法

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