CN117313529A - 转炉炼钢吹氧量预测方法、电子设备及存储介质 - Google Patents

转炉炼钢吹氧量预测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN117313529A
CN117313529A CN202311249921.7A CN202311249921A CN117313529A CN 117313529 A CN117313529 A CN 117313529A CN 202311249921 A CN202311249921 A CN 202311249921A CN 117313529 A CN117313529 A CN 117313529A
Authority
CN
China
Prior art keywords
oxygen blowing
data
steelmaking
network layer
representing
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
CN202311249921.7A
Other languages
English (en)
Inventor
李玉涛
苗海涛
袁海燕
来博文
张丛灿
陈云朋
韩建辉
刘培培
刘立环
刘丽冉
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.)
Hegang Xiongan Digital Technology Co ltd
Hegang Digital Technology Co ltd
Original Assignee
Hegang Xiongan Digital Technology Co ltd
Hegang Digital Technology Co ltd
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 Hegang Xiongan Digital Technology Co ltd, Hegang Digital Technology Co ltd filed Critical Hegang Xiongan Digital Technology Co ltd
Priority to CN202311249921.7A priority Critical patent/CN117313529A/zh
Publication of CN117313529A publication Critical patent/CN117313529A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • C21C5/32—Blowing from above
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—Learning methods
    • 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
    • C21C2300/00—Process aspects
    • C21C2300/06—Modeling of the process, e.g. for control purposes; CII

Landscapes

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

Abstract

本发明提供了一种转炉炼钢吹氧量预测方法、电子设备及存储介质。本发明属于预测技术领域，该方法包括：获取第一吹氧阶段的第一检测数据，将第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量；获取第二吹氧阶段的第二检测数据，根据第二检测数据判断钢水是否达到出钢要求；第二检测数据包括第二次副枪检测获得的数据；若钢水没有达到出钢要求，则将第二检测数据和第一检测数据输入至吹氧量预测模型中，预测得到补吹阶段的吹氧量。本发明通过预设的吹氧量预测模型可以实现吹氧量的自动预测，提高了吹氧量预测的准确度和稳定性，且本发明仅需一个吹氧量预测模型即可完成两个阶段的吹氧量的预测，减少了内存资源的占用。

Description

转炉炼钢吹氧量预测方法、电子设备及存储介质
技术领域
本发明涉及预测技术领域，尤其涉及一种转炉炼钢吹氧量预测方法、电子设备及存储介质。
背景技术
转炉炼钢对生产过程有着严格的把控，转炉炼钢中吹入氧气的总量对炼钢质量有着极大的影响，它不仅决定着出钢质量，同时对生产流程的开源节流有着很大的影响。
目前，转炉炼钢工艺流程中对于吹氧量的预测主要依赖于现场工作人员的人工预测，现场工作人员根据副枪检测结果结合炼钢经验预测出需要吹入多少氧气，才能保证炼制的钢水达到出钢标准。这种方式需要现场工作人员具备丰富的炼钢经验，能够判断各阶段的吹氧量并灵活控制炼钢流程，这种方式过分依赖人工，吹氧量预测的准确度也会随着现场工作人员的作业经验有所不同，预测准确度较低且不够稳定。
发明内容
本发明实施例提供了一种转炉炼钢吹氧量预测方法、电子设备及存储介质，以解决相关技术中通过现场工作人员人工预测吹氧量准确度较低且不够稳定的问题。
第一方面，本发明实施例提供了一种转炉炼钢吹氧量预测方法，包括：
获取第一吹氧阶段的第一检测数据，将所述第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量；其中，所述第一检测数据包括炼钢原料数据和转炉在第一吹氧阶段结束时进行第一次副枪检测获得的数据；
获取第二吹氧阶段的第二检测数据，根据所述第二检测数据判断钢水是否达到出钢要求；所述第二检测数据包括所述转炉在第二吹氧阶段结束时进行第二次副枪检测获得的数据；
若所述钢水没有达到出钢要求，则将所述第二检测数据和所述第一检测数据输入至所述吹氧量预测模型中，预测得到补吹阶段的吹氧量，其中，所述第一检测数据用于校准所述补吹阶段的吹氧量。
在一种可能的实现方式中，所述吹氧量预测模型包括多层网络层，每层网络层中均包括记忆强化模块；其中，在预测所述第二吹氧阶段的吹氧量时，所述记忆强化模块的输入值为空；在预测所述补吹阶段的吹氧量时，所述记忆强化模块的输入值为所述第二检测数据。
在一种可能的实现方式中，所述记忆强化模块对应的参数计算公式为：
其中，表示当前时刻记忆强化模块的输出信息，/>表示sigmoid函数，/>表示记忆强化模块的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第二检测数据，/>表示记忆强化模块的偏置项，/>表示当前时刻输入的网络层状态，/>表示当前时刻输入的网络层状态的权重矩阵，/>表示当前时刻输入的网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示当前时刻遗忘门的输出信息，/>表示当前时刻记忆门的输出信息，/>表示当前时刻的临时网络层状态，/>表示上一时刻的网络层状态。
在一种可能的实现方式中，所述每层网络层中均还包括依次连接的遗忘门、记忆门和输出门；所述记忆强化模块连接所述输出门；
所述遗忘门用于剔除上一时刻网络层输出信息中待删除的信息；
所述记忆门用于根据所述遗忘门的输出信息确定所述上一时刻网络层输出信息中待记忆的信息；
所述输出门用于根据所述记忆门的输出信息确定当前时刻输出门初始输出数据和当前时刻网络层输出信息。
在一种可能的实现方式中，所述遗忘门对应的参数计算公式为：
其中，表示当前时刻遗忘门的输出信息，/>表示sigmoid激活函数，/>表示遗忘门的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第一检测数据，/>表示遗忘门的偏置项；
所述记忆门对应的参数计算公式为：
其中，表示当前时刻记忆门的输出信息，/>表示记忆门的权重矩阵，/>表示记忆门的偏置项，/>表示当前时刻的临时网络层状态，/>表示临时网络层状态的权重矩阵，/>表示临时网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示上一时刻的网络层状态；
所述输出门对应的参数计算公式为：
其中，表示当前时刻输出门初始输出数据，/>表示输出门的权重矩阵，/>表示输出门的偏置项，/>表示当前时刻网络层输出信息。
在一种可能的实现方式中，所述吹氧量预测模型的训练方法，包括：
确定所述吹氧量预测模型的输入参数；所述吹氧量预测模型为基于注意力机制构建的吹氧量预测模型；
将所述输入参数输入至所述吹氧量预测模型中得到预测值；
根据所述预测值和真实值计算损失值，若所述损失值不符合预设指标，则继续进行训练直至所述损失值符合所述预设指标，获得训练好的吹氧量预测模型。
在一种可能的实现方式中，所述确定所述吹氧量预测模型的输入参数，包括：
获取历史炼钢数据；
对所述历史炼钢数据进行降维处理，得到降维后的历史炼钢数据；
将所述降维后的历史炼钢数据确定为所述吹氧量预测模型的输入参数。
在一种可能的实现方式中，所述对所述历史炼钢数据进行降维处理，得到降维后的历史炼钢数据，包括：
将所述历史炼钢数据转化成数据矩阵；
计算所述数据矩阵的协方差矩阵，并对所述协方差矩阵进行特征分解，得到所述协方差矩阵的特征值，以及与所述特征值对应的特征向量；所述特征向量组成原始矩阵；
将所述特征值按照从大到小的顺序排序，选取最大的前K个特征值对应的特征向量组成变换矩阵；
将所述变换矩阵和所述原始矩阵相乘，得到降维后的历史炼钢数据。
第二方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第三方面，本发明实施例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计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供的转炉炼钢吹氧量预测方法、电子设备及存储介质的有益效果在于：
在本发明实施例中，将第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量，将第二检测数据和第一检测数据输入至预设的吹氧量预测模型中，预测得到补吹阶段的吹氧量。通过预设的吹氧量预测模型可以实现吹氧量的自动预测，提高了吹氧量预测的准确度和稳定性，且本发明预设的吹氧量预测模型可以预测第二吹氧阶段和补吹阶段，两个阶段的吹氧量，本发明提供的方案仅需一个吹氧量预测模型即可完成两个阶段的吹氧量的预测，减少了内存资源的占用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的转炉炼钢吹氧量预测方法的流程示意图；
图2是本发明另一实施例提供的转炉炼钢吹氧量预测方法的流程示意图；
图3是本发明一实施例提供的吹氧量预测模型的结构示意图；
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1是本发明一实施例提供的转炉炼钢吹氧量预测方法的流程示意图。如图1所示，该方法包括：
S101：获取第一吹氧阶段的第一检测数据，将第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量。
在本实施例中，第一检测数据包括炼钢原料数据和转炉在第一吹氧阶段结束时进行第一次副枪检测获得的数据。
在本实施例中，在将第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量之前，对第一检测数据进行降维处理，得到降维后的第一检测数据，将降维后的第一检测数据确定为预设的吹氧量预测模型的输入数据。降维处理的具体方法可以采用主成分分析的方法。
在本实施例中，炼钢原料数据包括：废钢重量、石灰石重量、铁水温度和炉内温度等数据。
在本实施例中，根据吹氧量的预设值进行第一吹氧阶段的吹氧，可以将吹氧达到预设值的预设比例作为第一吹氧阶段的结束标志。吹氧量的预设值可以是现场工作人员根据历史经验设置的，预设比例可以根据实际需要设定并可以进行修改，例如，预设比例可以是85%，也就是说，在吹炼过程中消耗的吹氧量达到预设值的85%时，表示第一吹氧阶段结束，在第一吹氧阶段结束时进行第一次副枪检测，根据第一检测数据也就是炼钢原料数据和第一次副枪检测获得的数据预测第二吹氧阶段的吹氧量。第二吹氧阶段的吹氧量用于第二吹氧阶段的吹炼。
S102：获取第二吹氧阶段的第二检测数据，根据第二检测数据判断钢水是否达到出钢要求。
在本实施例中，第二检测数据包括转炉在第二吹氧阶段结束时进行第二次副枪检测获得的数据。
在本实施例中，第二吹氧阶段结束时接近转炉炼钢吹炼过程的终点，在第二吹氧阶段结束时，进行第二次副枪检测，根据第二检测数据也就是第二次副枪检测获得的数据判断钢水是否达到出钢要求，若钢水达到出钢要求，则结束吹炼。
S103：若钢水没有达到出钢要求，则将第二检测数据和第一检测数据输入至吹氧量预测模型中，预测得到补吹阶段的吹氧量。
在本实施例中，第一检测数据用于校准补吹阶段的吹氧量。
在本实施例中，在将第二检测数据和第一检测数据输入至吹氧量预测模型中，预测得到补吹阶段的吹氧量之前，对第二检测数据进行降维处理，得到降维后的第二检测数据，将降维后的第一检测数据和降维后的第二检测数据确定为吹氧量预测模型的输入数据。
在本实施例中，在预测补吹阶段的吹氧量时，结合第一检测数据和第二检测数据进行预测，第一检测数据可以校准补吹阶段吹氧量的预测结果，提高补吹阶段吹氧量预测结果的准确度。
如图2所示的本发明另一实施例提供的转炉炼钢吹氧量预测方法的流程示意图可知，本发明在获取第一检测数据和第二检测数据之后，对第一检测数据和第二检测数据进行了主成分分析。
本发明考虑到转炉炼钢的整个吹炼过程时间长、吹氧量大、转炉内的化学反应是快速且不可控的，因此，本发明将转炉炼钢整个吹炼过程分为第一吹氧阶段、第二吹氧阶段和补吹阶段，考虑到影响炼钢出钢质量的主要是第二吹氧阶段和补吹阶段。本发明基于上述考虑并没有预测整个吹炼过程的吹氧量，而是分阶段进行预测，分别预测第二吹氧阶段的吹氧量和补吹阶段的吹氧量，根据每个阶段的吹氧量的预测结果进行吹炼，吹氧量的预测结果可以自适应当前吹炼情况，可以提高吹氧量预测结果的准确度，减少能源消耗，提高吹炼结束时的出钢质量，同时减少了人工观察的次数，保证了作业的安全性。基于本发明的方案，可以避免由于转炉内化学反应的变化导致预测的整个吹炼过程的吹氧量并不适用于当前吹炼过程，进而影响出钢质量的问题。
在本实施例中，根据副枪检测结果可以得到转炉内部的碳含量、炉内温度以及碳磷硫等金属化合物的含量。
在本发明实施例中，将第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量，将第二检测数据和第一检测数据输入至预设的吹氧量预测模型中，预测得到补吹阶段的吹氧量。通过预设的吹氧量预测模型可以实现吹氧量的自动预测，提高了吹氧量预测的准确度和稳定性，且本发明预设的吹氧量预测模型可以预测第二吹氧阶段和补吹阶段，两个阶段的吹氧量，本发明提供的方案仅需一个吹氧量预测模型即可完成两个阶段的吹氧量的预测，减少了内存资源的占用。
在一种可能的实现方式中，吹氧量预测模型包括多层网络层，每层网络层中均包括记忆强化模块。其中，在预测第二吹氧阶段的吹氧量时，记忆强化模块的输入值为空。在预测补吹阶段的吹氧量时，记忆强化模块的输入值为第二检测数据。
在本实施例中，当前时刻网络层的输入为上一时刻网络层的输出，当前时刻网络层的输出为下一时刻网络层的输入。
在本实施例中，为实现一个吹氧量预测模型完成两个阶段的吹氧量的预测，本发明设置了记忆强化模块，如图3所示的本发明一实施例提供的吹氧量预测模型的结构示意图可知，每层网络层均包括遗忘门、记忆门、输出门和记忆强化模块，在预测第二吹氧阶段的吹氧量时，记忆强化模块的输入值为空，也就是input2为空，将第一检测数据作为input1输入遗忘门、记忆门和输出门，预测得到第二吹氧阶段的吹氧量。在预测补吹阶段的吹氧量时，将第二检测数据作为input2输入记忆强化模块，将第一检测数据作为input1输入遗忘门、记忆门和输出门，预测得到补吹阶段的吹氧量。
在一种可能的实现方式中，记忆强化模块对应的参数计算公式为：
其中，表示当前时刻记忆强化模块的输出信息，/>表示sigmoid函数，/>表示记忆强化模块的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第二检测数据，/>表示记忆强化模块的偏置项，/>表示当前时刻输入的网络层状态，/>表示当前时刻输入的网络层状态的权重矩阵，/>表示当前时刻输入的网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示当前时刻遗忘门的输出信息，/>表示当前时刻记忆门的输出信息，/>表示当前时刻的临时网络层状态，/>表示上一时刻的网络层状态。
在本实施例中，表示sigmoid函数用于将/>调整至[0,1]范围，tanh表示激活函数用于将/>调整至[-1,1]范围。
在一种可能的实现方式中，每层网络层中均还包括依次连接的遗忘门、记忆门和输出门，记忆强化模块连接输出门。
遗忘门用于剔除上一时刻网络层输出信息中待删除的信息。
记忆门用于根据遗忘门的输出信息确定上一时刻网络层输出信息中待记忆的信息。
输出门用于根据记忆门的输出信息确定当前时刻输出门初始输出数据和当前时刻网络层输出信息。
在本实施例中，遗忘门对应的参数计算公式为：
其中，表示当前时刻遗忘门的输出信息，/>表示sigmoid激活函数，/>表示遗忘门的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第一检测数据，/>表示遗忘门的偏置项；
所述记忆门对应的参数计算公式为：
其中，表示当前时刻记忆门的输出信息，/>表示记忆门的权重矩阵，/>表示记忆门的偏置项，/>表示当前时刻的临时网络层状态，/>表示临时网络层状态的权重矩阵，/>表示临时网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示上一时刻的网络层状态；
所述输出门对应的参数计算公式为：
其中，表示当前时刻输出门初始输出数据，/>表示输出门的权重矩阵，/>表示输出门的偏置项，/>表示当前时刻网络层输出信息。
在本实施例中，吹氧量预测模型是基于记忆强化机制的神经网络构建的，吹氧量预测模型为具有多层网络层的神经网络，每层网络层为一个基础网络层，包括如图3所示的结构，初始化网络层状态，在对第二吹氧阶段的吹氧量进行预测时，将第一检测数据作为input1输入，经过遗忘门、记忆门和输出门三重结构转化后，获得两个输出，一个是根据第一检测数据预测得到的第二吹氧阶段的吹氧量，另一个是当前时刻的临时网络层状态/>，将第二检测数据作为input2输入到记忆强化模块，此时/>经过记忆强化，获得当前时刻的网络层状态/>，作为下一时刻网络层状态的输入，影响下一时刻网络层的预测。根据初始输入的第一检测数据、第二检测数据和转炉炼钢的出钢数据，构建时序特征数组，获得吹炼过程吹氧量变化学习能力，从而实现吹氧量的预测。
在一种可能的实现方式中，吹氧量预测模型的训练方法，包括：
确定吹氧量预测模型的输入参数。吹氧量预测模型为基于注意力机制构建的吹氧量预测模型。
将输入参数输入至吹氧量预测模型中得到预测值。
根据预测值和真实值计算损失值，若损失值不符合预设指标，则继续进行训练直至损失值符合预设指标，获得训练好的吹氧量预测模型。
在本实施例中，获取历史炼钢数据，按照9：1的比例制作训练集和验证集，利用Adam优化函数求解吹氧量预测模型的参数，对吹氧量预测模型进行训练，当Loss值也就是损失值达到预设指标时停止训练，获得训练好的吹氧量预测模型。在获得训练好的吹氧量预测模型之后，对训练好的吹氧量预测模型测试预测效果，若测试效果达到预期需求，则保存该吹氧量预测模型，若测试效果没有达到预期需求，则继续进行训练，直至测试效果达到预期需求。
在一种可能的实现方式中，确定吹氧量预测模型的输入参数，包括：
获取历史炼钢数据。
对历史炼钢数据进行降维处理，得到降维后的历史炼钢数据。
将降维后的历史炼钢数据确定为吹氧量预测模型的输入参数。
在本实施例中，在吹氧量预测模型中可以结合注意力机制对降维后的历史炼钢数据中的重要炼钢数据进行挖掘，具体包括：对降维后的历史炼钢数据进行处理得到向量，每个降维后的历史炼钢数据对应一个向量，每个向量分别与权值矩阵、/>、/>相乘，得到Q、K、V矩阵，计算每两个向量之间的相似度，将得到的相似度进行Softmax操作，进行归一化，得到权重，将权重与V中的实际值进行加权求和，得到Attention向量。Attention向量的计算函数为：
其中，Q、K、V分别为查询、键、值的向量矩阵，是特征维度，用于归一化处理。
在一种可能的实现方式中，对历史炼钢数据进行降维处理，得到降维后的历史炼钢数据，包括：
将历史炼钢数据转化成数据矩阵。
计算数据矩阵的协方差矩阵，并对协方差矩阵进行特征分解，得到协方差矩阵的特征值，以及与特征值对应的特征向量。特征向量组成原始矩阵。
将特征值按照从大到小的顺序排序，选取最大的前K个特征值对应的特征向量组成变换矩阵。
将变换矩阵和原始矩阵相乘，得到降维后的历史炼钢数据。
在本发明中，对第一检测数据、第二检测数据和历史炼钢数据进行降维处理的具体方法可以采用主成分分析的方法。基于本发明的方案，可以在进行吹氧量预测模型的训练过程中，对历史炼钢数据进行主成分分析，在实际应用时，可以对第一检测数据和第二检测数据进行主成分分析，基于主成分分析结果确定吹氧量预测模型的输入参数。主成分分析可以对转炉炼钢吹炼过程中的各项炼钢数据进行关联分析和重要性分析，可以将转炉内化学成分和炉内温度等关系紧密的变量变成尽可能少的新变量，使这些变量两两不相关，实现去中心化，实现对关键数据的锁定，可以减少待分析炼钢数据数量的同时，减少炼钢数据所包含的信息损失，实现关键数据的全面分析，并初步筛选数据，将满足权重系数的数据，保留作为吹氧量预测模型的输入参数，也就是模型的训练数据，可以从大量复杂的炼钢数据中找到影响每一吹氧阶段吹氧量的主要因素，通过吹氧量预测模型可以将影响多个吹氧阶段的主要因素进行关联。
在本实施例中，历史炼钢数据可以包括：炼钢原料数据、第一次副枪检测获得的数据、第二次副枪检测获得的数据以及炼钢过程中的炼钢数据。炼钢原料数据可以包括：废钢质量，钢水等的温度和重量等原料数据，炼钢过程中的炼钢数据包括：炼钢过程中碳硅磷硫等元素的含量，转炉内部的氧气含量，目标钢水的出钢温度，碳含量，硅含量等，以及转炉的炉龄、隔热砖的使用次数等。炼钢数据具体可以包括：出钢温度、钢水净重量、废钢重量、铁水重量、氧气总耗量、氩气总耗量、氟气总耗量、TSC测量温度、TSC测量定碳含量、TSO测量温度、TSO测量定碳含量、铁水温度、吹止温度、吹止碳、吹止磷、吹止硫等炼钢数据。
在本实施例中，将历史炼钢数据转化成数据矩阵，包括：可以将历史炼钢数据按组分列形成数据矩阵，并可以对数据矩阵中的每一行数据进行均值化处理，将数据矩阵表示成向量的形式，即数据矩阵，/>表示矩阵A中第1行的向量，/>表示矩阵A中第m行的向量，矩阵A中包含m个样本，T表示向量的转置。
两个向量的协方差计算公式如下：
其中，表示/>和/>两个向量的协方差，/>表示矩阵A中第i行的向量，/>表示矩阵A中第j行的向量，m表示数据矩阵中的样本数，/>表示向量/>的均值，/>表示向量/>的均值。在本实施例中，通过计算每两个向量之间的协方差得到协方差矩阵，协方差矩阵为一个对称矩阵。
在本发明实施例中，根据炼钢流程，将转炉炼钢整个吹炼过程分为第一吹氧阶段、第二吹氧阶段和补吹阶段，本发明可以将历史炼钢数据分不同的阶段输入吹氧量预测模型中，并建立炼钢数据之间的联系，利用第一吹氧阶段的炼钢数据和第二吹氧阶段的炼钢数据联合训练模型，在实际应用是根据第一检测数据和第二检测数据预测本次炼钢的第二吹氧阶段的吹氧量和补吹阶段的吹氧量，可以提高转炉炼钢的效率，减少能源的损耗。
本发明方案的有益效果为：
本发明构建了一种基于记忆强化机制的吹氧量预测模型，可以实现转炉炼钢每一吹氧阶段吹氧量的预测，提升转炉炼钢工人对转炉钢水炼制的效率和准确性，以及当炼制出现问题时，及时进行补吹。例如在第二吹氧阶段结束时进行第二次副枪检测，根据第二次副枪检测获得的数据判断钢水没有达到出钢要求，基于本发明的方案可以对补吹阶段的吹氧量进行预测，根据补吹阶段吹氧量的预测结果能够及时进行补吹，降低炼钢过程中的风险。
本发明提出利用主成分分析对原始数据（模型训练过程中的历史炼钢数据，实际应用过程中的第一检测数据和第二检测数据）进行处理，原始数据具有一定的模糊性，通过主成分分析对原始数据进行降维，将原始数据映射到更低维空间中，可以最小化降维造成的损失，去除冗余数据简化数据集，提取多尺度特征，增加数据的可解释性。
本发明提出的吹氧量预测模型，根据转炉炼钢吹炼过程，将吹炼过程阶段化，并提出了一种记忆门强化机制，利用第二检测数据作为记忆强化模块的输入，增加到吹氧量预测模型中，增加了数据的时序特征，具有更深层次的数据维度，预测结果更贴合炼钢过程，同时，这种分阶段进行预测的机制只需要一个预测模型就能实现吹氧量的动态预测和微调，避免了根据不同阶段还需要训练多个模型的情况。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明一实施例提供的电子设备的结构示意图。如图4所示，该实施例的电子设备40包括：处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。处理器41执行计算机程序43时实现上述各个转炉炼钢吹氧量预测方法实施例中的步骤，例如图1所示的S101至S103。
示例性的，计算机程序43可以被分割成一个或多个模块，一个或者多个模块被存储在存储器42中，并由处理器41执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序43在电子设备40中的执行过程。
电子设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备40可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是电子设备40的示例，并不构成对电子设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是电子设备40的内部存储单元，例如电子设备40的硬盘或内存。存储器42也可以是电子设备40的外部存储设备，例如电子设备40上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器42还可以既包括电子设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及电子设备所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个转炉炼钢吹氧量预测方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种转炉炼钢吹氧量预测方法，其特征在于，包括：
获取第一吹氧阶段的第一检测数据，将所述第一检测数据输入至预设的吹氧量预测模型中，预测得到第二吹氧阶段的吹氧量；其中，所述第一检测数据包括炼钢原料数据和转炉在第一吹氧阶段结束时进行第一次副枪检测获得的数据；
获取第二吹氧阶段的第二检测数据，根据所述第二检测数据判断钢水是否达到出钢要求；所述第二检测数据包括所述转炉在第二吹氧阶段结束时进行第二次副枪检测获得的数据；
若所述钢水没有达到出钢要求，则将所述第二检测数据和所述第一检测数据输入至所述吹氧量预测模型中，预测得到补吹阶段的吹氧量，其中，所述第一检测数据用于校准所述补吹阶段的吹氧量。
2.根据权利要求1所述的转炉炼钢吹氧量预测方法，其特征在于，所述吹氧量预测模型包括多层网络层，每层网络层中均包括记忆强化模块；其中，在预测所述第二吹氧阶段的吹氧量时，所述记忆强化模块的输入值为空；在预测所述补吹阶段的吹氧量时，所述记忆强化模块的输入值为所述第二检测数据。
3.根据权利要求2所述的转炉炼钢吹氧量预测方法，其特征在于，所述记忆强化模块对应的参数计算公式为：
其中，表示当前时刻记忆强化模块的输出信息，/>表示sigmoid函数，/>表示记忆强化模块的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第二检测数据，/>表示记忆强化模块的偏置项，/>表示当前时刻输入的网络层状态，/>表示当前时刻输入的网络层状态的权重矩阵，/>表示当前时刻输入的网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示当前时刻遗忘门的输出信息，/>表示当前时刻记忆门的输出信息，/>表示当前时刻的临时网络层状态，/>表示上一时刻的网络层状态。
4.根据权利要求2所述的转炉炼钢吹氧量预测方法，其特征在于，所述每层网络层中均还包括依次连接的遗忘门、记忆门和输出门；所述记忆强化模块连接所述输出门；
所述遗忘门用于剔除上一时刻网络层输出信息中待删除的信息；
所述记忆门用于根据所述遗忘门的输出信息确定所述上一时刻网络层输出信息中待记忆的信息；
所述输出门用于根据所述记忆门的输出信息确定当前时刻输出门初始输出数据和当前时刻网络层输出信息。
5.根据权利要求3所述的转炉炼钢吹氧量预测方法，其特征在于，所述遗忘门对应的参数计算公式为：
其中，表示当前时刻遗忘门的输出信息，/>表示sigmoid激活函数，/>表示遗忘门的权重矩阵，/>表示上一时刻网络层输出信息，/>表示当前时刻输入的第一检测数据，/>表示遗忘门的偏置项；
所述记忆门对应的参数计算公式为：
其中，表示当前时刻记忆门的输出信息，/>表示记忆门的权重矩阵，/>表示记忆门的偏置项，/>表示当前时刻的临时网络层状态，/>表示临时网络层状态的权重矩阵，/>表示临时网络层状态的偏置项，/>表示当前时刻的网络层状态，/>表示上一时刻的网络层状态；
所述输出门对应的参数计算公式为：
其中，表示当前时刻输出门初始输出数据，/>表示输出门的权重矩阵，/>表示输出门的偏置项，/>表示当前时刻网络层输出信息。
6.根据权利要求1所述的转炉炼钢吹氧量预测方法，其特征在于，所述吹氧量预测模型的训练方法，包括：
确定所述吹氧量预测模型的输入参数；所述吹氧量预测模型为基于注意力机制构建的吹氧量预测模型；
将所述输入参数输入至所述吹氧量预测模型中得到预测值；
根据所述预测值和真实值计算损失值，若所述损失值不符合预设指标，则继续进行训练直至所述损失值符合所述预设指标，获得训练好的吹氧量预测模型。
7.根据权利要求6所述的转炉炼钢吹氧量预测方法，其特征在于，所述确定所述吹氧量预测模型的输入参数，包括：
获取历史炼钢数据；
对所述历史炼钢数据进行降维处理，得到降维后的历史炼钢数据；
将所述降维后的历史炼钢数据确定为所述吹氧量预测模型的输入参数。
8.根据权利要求7所述的转炉炼钢吹氧量预测方法，其特征在于，所述对所述历史炼钢数据进行降维处理，得到降维后的历史炼钢数据，包括：
将所述历史炼钢数据转化成数据矩阵；
计算所述数据矩阵的协方差矩阵，并对所述协方差矩阵进行特征分解，得到所述协方差矩阵的特征值，以及与所述特征值对应的特征向量；所述特征向量组成原始矩阵；
将所述特征值按照从大到小的顺序排序，选取最大的前K个特征值对应的特征向量组成变换矩阵；
将所述变换矩阵和所述原始矩阵相乘，得到降维后的历史炼钢数据。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN202311249921.7A 2023-09-26 2023-09-26 转炉炼钢吹氧量预测方法、电子设备及存储介质 Pending CN117313529A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311249921.7A CN117313529A (zh) 2023-09-26 2023-09-26 转炉炼钢吹氧量预测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311249921.7A CN117313529A (zh) 2023-09-26 2023-09-26 转炉炼钢吹氧量预测方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117313529A true CN117313529A (zh) 2023-12-29

Family

ID=89245645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311249921.7A Pending CN117313529A (zh) 2023-09-26 2023-09-26 转炉炼钢吹氧量预测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117313529A (zh)

Similar Documents

Publication Publication Date Title
CN108009667A (zh) 一种能源需求总量及结构预测系统
CN108090629B (zh) 基于非线性自回归神经网络的负荷预测方法与系统
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
WO2021004198A1 (zh) 一种板材性能的预测方法及装置
CN110598958A (zh) 一种钢包分级管理分析方法及系统
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
Tang et al. An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process
CN110310012B (zh) 数据分析方法、装置、设备及计算机可读存储介质
Wang et al. Whale optimization end-point control model for 260 tons BOF steelmaking
Torquato et al. Multi-objective optimization of electric arc furnace using the non-dominated sorting genetic algorithm II
CN102968644A (zh) 一种氩氧精炼铁合金冶炼终点预测方法
CN117313529A (zh) 转炉炼钢吹氧量预测方法、电子设备及存储介质
CN117093868A (zh) 一种基于多任务学习的转炉终点预测方法和装置
CN114875196B (zh) 一种转炉出钢量的确定方法和系统
CN117196665A (zh) 预测对象的价值参数的方法、设备及装置
CN116341750A (zh) 一种钢材夹杂物级别预测方法、装置、终端及存储介质
Liu et al. XGBoost-based model for predicting hydrogen content in electroslag remelting
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN114242179A (zh) 精炼合金元素收得率预测方法、系统、电子设备及介质
CN114925895A (zh) 维修器材预测方法、终端及存储介质
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN114329805A (zh) 基于自适应代理模型的连接件多学科协同设计优化方法
Zhou et al. Terminal Temperature Prediction of Molten Steel in VD Furnace based on XGBoost and LightGBM Algorithms
CN116127345A (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法

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