参数调整及预测模型获取方法、装置及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及深度学习以及大数据处理等领域的参数调整及预测模型获取方法、装置及存储介质。

背景技术

镀锌带钢广泛应用在汽车、家电、建筑以及农业机械等行业，连续热镀锌技术是镀锌带钢的主要生产工艺。在连续热镀锌生产过程中，冷轧或热轧后的钢带以一定的速度在生产线上不间断地运行，并分别经历退火和热镀锌两个主要工艺过程。

其中，退火炉温度和钢带运行速度决定了退火炉出口的钢带温度，进而直接影响了钢带退火后的力学性能、热镀锌层的粘附能力和表面质量、产线产能以及单位产能能耗等，因此，退火炉温度和钢带运行速度是整个生产过程中最关键的控制因素。

发明内容

本公开提供了参数调整及预测模型获取方法、装置及存储介质。

一种参数调整方法，包括：

在利用加热设备对加热对象进行加热过程中，确定待进入的生产阶段，并获取所述生产阶段对应的预测模型；

利用所述预测模型预测出所述生产阶段的参数调整方式，所述参数为预定的加热相关参数；

按照所述参数调整方式，对所述生产阶段的所述参数进行调整。

一种预测模型获取方法，包括：

针对利用加热设备对加热对象进行加热过程中的预定的生产阶段，获取所述生产阶段对应的训练数据，所述训练数据为基于真实的历史生产数据生成的训练数据；

利用所述训练数据训练得到所述生产阶段对应的预测模型，所述预测模型用于在所述加热过程中、预测出所述生产阶段的参数调整方式以便按照所述参数调整方式对所述生产阶段的所述参数进行调整，所述参数为预定的加热相关参数。

一种参数调整装置，包括：第一获取模块、预测模块以及调整模块；

所述第一获取模块，用于在利用加热设备对加热对象进行加热过程中，确定待进入的生产阶段，并获取所述生产阶段对应的预测模型；

所述预测模块，用于利用所述预测模型预测出所述生产阶段的参数调整方式，所述参数为预定的加热相关参数；

所述调整模块，用于按照所述参数调整方式，对所述生产阶段的所述参数进行调整。

一种预测模型获取装置，包括：第二获取模块以及训练模块；

所述第二获取模块，用于针对利用加热设备对加热对象进行加热过程中的预定的生产阶段，获取所述生产阶段对应的训练数据，所述训练数据为基于真实的历史生产数据生成的训练数据；

所述训练模块，用于利用所述训练数据训练得到所述生产阶段对应的预测模型，所述预测模型用于在所述加热过程中、预测出所述生产阶段的参数调整方式以便按照所述参数调整方式对所述生产阶段的所述参数进行调整，所述参数为预定的加热相关参数。

一种电子设备，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执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述参数调整方法实施例的流程图；

图2为本公开所述预测模型获取方法实施例的流程图；

图3为本公开所述第一预测模型的物理信息神经网络架构示意图；

图4为本公开所述第二预测模型的物理信息神经网络架构示意图；

图5为本公开所述参数调整装置实施例500的组成结构示意图；

图6为本公开所述预测模型获取装置实施例600的组成结构示意图；

图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述参数调整方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，在利用加热设备对加热对象进行加热过程中，确定待进入的生产阶段，并获取所述生产阶段对应的预测模型。

在步骤102中，利用所述预测模型预测出所述生产阶段的参数调整方式，所述参数为预定的加热相关参数。

在步骤103中，按照所述参数调整方式，对所述生产阶段的所述参数进行调整。

本公开的一个实施例中，加热设备可为退火炉，加热对象可为钢带，所述参数可为退火炉的明火加热段的炉温以及钢带运行速度。

传统方式中，主要依赖人工经验来调整退火炉温度(如上述的退火炉的明火加热段的炉温)以及钢带运行速度，准确性较差。

而采用本公开方法实施例所述方案，可利用预测模型预测出参数调整方式，如上述的明火加热段的炉温以及钢带运行速度的调整方式，进而可对明火加热段的炉温以及钢带运行速度进行相应的调整，从而提升了调整结果的准确性，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性等。

另外，本公开所述方案中的加热设备和加热对象不限于退火炉和钢带，对于其它的加热设备和加热对象同样适用。

本公开所述方案可适用于各种需要进行智能温控以及智能热管理的场景，比如，本公开所述方案可适用于冶金行业连续热镀锌退火炉智能温控、工业炉窑(熔炼炉、熔化炉、煅烧炉、加热炉、热处理炉、干燥炉、焦炉、煤气发生炉等)智能温控、石油化工反应釜智能温控、电厂加热设备智能温控以及航天器设备智能热管理等场景，相应地，在不同的场景下，加热设备和加热对象的具体形式也会不同。

以下即以加热设备为退火炉、加热对象为钢带以及所述参数为退火炉的明火加热段的炉温以及钢带运行速度为例，对本公开所述方案进行进一步说明。

本公开的一个实施例中，所述生产阶段可包括：钢带规格未发生变化的稳态阶段，相应地，利用预测模型预测出所述生产阶段的参数调整方式包括：利用稳态阶段对应的第一预测模型，预测出稳态阶段的所述参数的参数值，对所述生产阶段的所述参数进行调整可包括：将所述参数调整为所述参数值。

本公开的一个实施例中，可将稳态阶段的钢带规格作为第一预测模型的输入，得到输出的所述参数值。

本公开的一个实施例中，所述生产阶段还可包括：钢带规格发生变化的过渡阶段，相应地，利用预测模型预测出所述生产阶段的参数调整方式可包括：利用过渡阶段对应的第二预测模型，预测出过渡阶段的所述参数的动态调整曲线，对所述生产阶段的所述参数进行调整可包括：按照所述动态调整曲线对过渡阶段的所述参数进行实时调整。动态调整曲线即指明火加热段的炉温及钢带运行速度随时间的变化曲线。

本公开的一个实施例中，可获取过渡阶段之前的稳态阶段的操作点(OP，Operation Point)变量以及过渡阶段之后的稳态阶段的操作点变量，所述操作点变量包括：钢带规格、钢带运行速度以及明火加热段的炉温，将获取到的操作点变量作为第二预测模型的输入，得到输出的动态调整曲线。

在实际的生产过程中，主要包括上述两个生产阶段，即稳态阶段以及过渡阶段，其中，稳态阶段即指钢带规格未发生变化的阶段，该阶段退火炉稳定运行，过渡阶段即指钢带规格发生变化的阶段，比如，前一钢带的规格与后一钢带的规格不同，那么可通过焊接的方式将两个钢带前后连接，理论上来说，可将从焊点进入退火炉到焊点离开退火炉的过程/阶段作为过渡阶段，但实际上，通常会将焊点未进入退火炉并与退火炉的进口之间的距离达到预定值(如12米)的时刻作为过渡阶段的开始，将焊点离开退火炉并与退火炉之间的距离达到预定值的时刻作为过渡阶段的结束。

在实际的生产过程中，大多数时间都是处于稳态阶段，只有少数时间是处于过渡阶段，过渡阶段之前和之后均为稳态阶段。

当确定将进入稳态阶段时，可将稳态阶段的钢带规格作为稳态阶段对应的第一预测模型的输入，得到输出的稳态阶段的所述参数的参数值，即预测出的稳态阶段的明火加热段的炉温以及钢带运行速度，进一步地，假设稳态阶段持续200秒，那么在这200秒内，明火加热段的炉温以及钢带运行速度可始终采用预测出的参数值。

钢带规格可包括钢带的宽度和厚度。

通过上述处理，确保了稳态阶段的明火加热段的炉温以及钢带运行速度的准确性，进而提升了稳态阶段的加热效果。

当确定将进入过渡阶段时，可获取过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量，所述操作点变量可包括：钢带规格、钢带运行速度以及明火加热段的炉温，并可将获取到的操作点变量作为过渡阶段对应的第二预测模型的输入，得到输出的动态调整曲线，即得到关于明火加热段的炉温以及钢带运行速度两个参数的动态调整曲线，进一步地，假设过渡阶段持续50秒，那么在这50秒内，可按照所述动态调整曲线，对明火加热段的炉温以及钢带运行速度进行实时调整。

过渡阶段之前的稳态阶段以及过渡阶段之后的稳态阶段为与过渡阶段相邻的两个稳态阶段，过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量中的钢带规格均是已知的，另外，过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量中的钢带运行速度以及明火加热段的炉温均可通过第一预测模型得到。

由于过渡阶段钢带规格会发生变化，而不同规格的钢带对退火炉的加热需求不同，因此过渡阶段需要实时地动态调整明火加热段的炉温以及钢带运行速度，以使得不同规格的钢带在退火炉出口均能达到目标温度。

也就是说，通过上述处理，可满足退火炉实时优化控制的需求。

在实际应用中，退火炉通常包括预热段和明火加热段，如包括1个预热段和3个明火加热段，相应地，上述明火加热段的炉温可包括3个明火加热段的炉温，即第一明火加热段的炉温、第二明火加热段的炉温以及第三明火加热段的炉温。

在实际的生产过程中，钢带依次通过预热段和3个明火加热段，明火加热段内设置有燃烧器，可采用天然气燃烧方式直接加热炉膛和钢带，钢带与烟气和炉膛的换热方式包括辐射和对流，预热段中不存在燃烧器，明火加热段的烟气流向预热段，利用烟气余热对钢带进行加热，钢带在预热段升高温度后再进入明火加热段，钢带在预热段与烟气和炉膛的换热方式同样包括辐射和对流。预热段的炉温不受控制，只能跟随，因此，本公开所述方案中只会预测明火加热段的炉温。

通过上述介绍可以看出，本公开所述参数调整方法的实现需要依赖于预先获取到的预测模型，以下即对预测模型的获取方法进行说明。

图2为本公开所述预测模型获取方法实施例的流程图。如图2所示，包括以下具体实现方式。

在步骤201中，针对利用加热设备对加热对象进行加热过程中的预定的生产阶段，获取所述生产阶段对应的训练数据，所述训练数据为基于真实的历史生产数据生成的训练数据。

在步骤202中，利用所述训练数据训练得到所述生产阶段对应的预测模型，所述预测模型用于在所述加热过程中、预测出所述生产阶段的参数调整方式以便按照所述参数调整方式对所述生产阶段的所述参数进行调整，所述参数为预定的加热相关参数。

采用上述方法实施例所述方案，可利用真实的历史生产数据训练得到预测模型，进而可利用预测模型预测出参数调整方式，进而可进行相应的参数调整，从而提升了调整结果的准确性，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性等。

本公开的一个实施例中，加热设备可为退火炉，加热对象可为钢带，所述参数可为退火炉的明火加热段的炉温以及钢带运行速度。

本公开的一个实施例中，所述生产阶段可包括：钢带规格未发生变化的稳态阶段，相应地，可利用所述训练数据训练得到稳态阶段对应的第一预测模型。

本公开的一个实施例中，所述生产阶段还可包括：钢带规格发生变化的过渡阶段，相应地，可利用所述训练数据训练得到过渡阶段对应的第二预测模型。

也就是说，针对不同的生产阶段，可分别获取对应的预测模型，从而使得模型的预测结果更具针对性，进而进一步提升了预测结果的准确性等。

以下分别对第一预测模型和第二预测模型的获取方式进行说明。

1)第一预测模型

本公开的一个实施例中，针对当前的训练数据，可执行以下第一处理：获取第一预测模型对应于训练数据的第一输出结果；根据训练数据以及第一输出结果确定出预定的中间参数；根据第一输出结果以及中间参数确定出损失(loss)，利用损失对第一预测模型进行更新；响应于确定第一预测模型收敛，将最新得到的第一预测模型作为稳态阶段对应的第一预测模型，否则，针对下一条训练数据，重复执行所述第一处理。

本公开的一个实施例中，可将训练数据中的钢带规格以及空间坐标作为第一预测模型的输入，得到第一输出结果，第一输出结果可包括：钢带温度、钢带运行速度以及明火加热段的炉温，空间坐标为从退火炉的进口到出口的任一位置的坐标。

比如，退火炉从进口到出口的长度为52米，那么可每隔0.5米取一个空间坐标，并对应生成一条训练数据。空间坐标的原点可为退火炉进口，即预热段进口，终点可为退火炉出口，即最后一个明火加热段出口。训练数据中可包括空间坐标以及实际的钢带宽度和厚度等。

基于所述输入，可得到第一预测模型的第一输出结果，包括钢带温度、钢带运行速度以及明火加热段的炉温，如3个明火加热段的炉温。

另外，本公开的一个实施例中，可将训练数据中的钢带规格、第一输出结果中的钢带运行速度以及第一输出结果中的明火加热段的炉温作为预先训练得到的预热段炉温预测模型的输入，得到输出的预热段的炉温，退火炉中包括预热段以及明火加热段，并可将训练数据中的钢带规格、第一输出结果中的钢带运行速度以及第一输出结果中的明火加热段的炉温作为预先训练得到的退火炉热参数预测模型的输入，得到输出的预热段复合对流换热系数以及明火加热段复合对流换热系数。

即可预先训练得到预热段炉温预测模型以及退火炉热参数预测模型，如可利用真实的历史生产数据生成训练数据，进而训练得到预热段炉温预测模型以及退火炉热参数预测模型。

其中，预热段炉温预测模型可为纯数据驱动的深度神经网络模型，如回归模型，以包括3个明火加热段为例，模型的输入可为钢带的宽度、厚度、钢带运行速度、3个明火加热段的炉温这6个特征，这6个特征可统称为操作点变量，模型的输出为预热段的炉温。

退火炉热参数预测模型可为基于物理信息的神经网络(PINN，Physics-InformedNeural Networks)模型，如回归模型，模型的输入同样为钢带的宽度、厚度、钢带运行速度以及3个明火加热段的炉温，模型输出为预热段和加热段的复合对流换热系数。

根据第一输出结果以及中间参数，可确定出损失，并可利用所述损失对第一预测模型进行更新。

本公开的一个实施例中，第一预测模型可为基于物理信息的神经网络模型，另外，可根据第一输出结果以及中间参数，确定出满足传热机理约束的损失。

在实际的生产过程中，钢带依次通过预热段和明火加热段进行加热，以钢带温度Ts为研究对象，可得到钢带的能量微分方程如下：

可以看出，钢带温度Ts为空间坐标x和时间坐标τ的函数，空间坐标的原点可为退火炉进口，终点可为退火炉出口，时间坐标的原点可以任意选取，ρ表示钢带密度，c

当退火炉处于稳态阶段时，钢带温度不随时间变化，因此方程(1)可以简化为：

基于上述公式，图3为本公开所述第一预测模型的物理信息神经网络架构示意图。

如图3所示，第一预测模型的输入为钢带的宽度、厚度以及空间坐标，输出为钢带温度、钢带运行带速以及3个明火加热段的炉温。

如图3所示，可将钢带的宽度、厚度、钢带运行速度以及3个明火加热段的炉温作为预热段炉温预测模型以及退火炉热参数预测模型的输入，并分别得到两个模型输出的预热段的炉温、预热段复合对流换热系数以及加热段复合对流换热系数。

如图3所示，进一步地，可计算模型的损失，如可包括微分方程损失、退火炉出口目标带温损失、退火炉进口边界条件损失等。

通常来说，对于不同的训练数据来说，微分方程损失是都具有的，但退火炉出口目标带温损失以及退火炉进口边界条件损失则只有部分训练数据具有，如空间坐标为0和52(假设退火炉的长度为52米)的训练数据。

其中，微分方程损失可基于公式(2)得到，如可先计算出公式(2)“＝”左边部分的值，其中的Ts即为第一输出结果中的钢带温度、x即为训练数据中的空间坐标，v即为第一输出结果中的钢带运行速度，并可计算出公式(2)“＝”右边部分的值，其中的w和δ分别为训练数据中的钢带的宽度和厚度，Ф可以通过预热段的炉温、预热段复合对流换热系数、加热段复合对流换热系数以及第一输出结果中的3个明火加热段的炉温等计算得出。

退火炉出口目标带温损失可根据第一输出结果中的钢带温度以及训练数据对应的钢带的实际的出口温度(即目标温度)得到，如作差。退火炉进口边界条件损失可根据第一输出结果中的钢带温度以及训练数据对应的钢带的实际的进口温度得到，进口温度可为环境温度，即车间温度。

当确定第一预测模型收敛后，可停止训练，并可将其部署到实际的生产线中。

可以看出，本公开所述方案中的第一预测模型等模型的神经网络特征是基于物理机理进行选择的，神经网络的输入和输出变量存在明确的物理机理上的定性关系，从而增强了模型的可解释性。

另外，本公开所述方案中，所用损失均为满足传热机理约束的损失，从而使得神经网络的回归结果满足物理机理约束，使得神经网络的预测结果符合物理实际。

再有，本公开所述方案中的模型建模和训练过程耦合了物理机理与历史大数据，从而进一步提升了模型的准确性、可解释性以及泛化性。

2)第二预测模型

本公开的一个实施例中，针对当前的训练数据，可执行以下第二处理：获取第二预测模型对应于训练数据的第二输出结果；根据训练数据以及第二输出结果确定出预定的中间参数；根据第二输出结果以及中间参数确定出损失，利用损失对第二预测模型进行更新；响应于确定第二预测模型收敛，将最新得到的第二预测模型作为过渡阶段对应的第二预测模型，否则，针对下一条训练数据，重复执行所述第二处理。

本公开的一个实施例中，可将训练数据中的空间坐标、时间坐标、过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量作为第二预测模型的输入，得到第二输出结果。所述操作点变量可包括：钢带的宽度、厚度、钢带运行速度以及明火加热段的炉温，第二输出结果可包括：钢带温度、焊点的移动距离、钢带运行速度以及明火加热段的炉温，焊点用于连接不同规格的钢带，空间坐标为从退火炉的进口到出口的任一位置的坐标，时间坐标为过渡阶段的任一时间点的坐标，时间坐标为相对于选定的时间原点的相对时间。

比如，可将焊点未进入退火炉并与退火炉的进口之间的距离达到预定值(如12米)的时刻作为时间原点。

基于所述输入，可得到第二预测模型的第二输出结果，可包括钢带温度、焊点的移动距离、钢带运行速度以及明火加热段的炉温，如3个明火加热段的炉温。所述移动距离可以是指焊点相对于上述时间原点时的焊点位置的移动距离。

另外，本公开的一个实施例中，可根据过渡阶段之前的稳态阶段的操作点变量中的钢带规格以及过渡阶段之后的稳态阶段的操作点变量中的钢带规格，确定出综合钢带规格，并可将综合钢带规格、第二输出结果中的钢带运行速度以及第二输出结果中的明火加热段的炉温作为作为预先训练得到的预热段炉温预测模型的输入，得到输出的预热段的炉温，退火炉中包括预热段以及明火加热段，另外，可将综合钢带规格、第二输出结果中的钢带运行速度以及第二输出结果中的明火加热段的炉温作为预先训练得到的退火炉热参数预测模型的输入，得到输出的预热段复合对流换热系数以及明火加热段复合对流换热系数。

如何获取综合钢带规格不作限制。比如，针对过渡阶段之前的稳态阶段的操作点变量中的钢带的宽度以及过渡阶段之后的稳态阶段的操作点变量中的钢带的宽度，可根据不同规格的钢带在退火炉内的长度加权平均，从而得到综合宽度，针对过渡阶段之前的稳态阶段的操作点变量中的钢带的厚度以及过渡阶段之后的稳态阶段的操作点变量中的钢带的厚度，可获取加权的钢带截面积，如可根据不同规格的钢带在退火炉内的长度加权平均得到加权的钢带截面积)，进而可除以综合宽度，得到综合厚度，将得到的综合宽度和综合厚度作为综合钢带规格。

另外，可预先训练得到预热段炉温预测模型以及退火炉热参数预测模型。

其中，预热段炉温预测模型可为纯数据驱动的深度神经网络模型，如回归模型，以包括3个明火加热段为例，模型的输入可为钢带的宽度、厚度、钢带运行速度以及3个明火加热段的炉温，模型的输出为预热段的炉温。

退火炉热参数预测模型可为基于物理信息的神经网络模型，如回归模型，模型的输入同样为钢带的宽度、厚度、钢带运行速度以及3个明火加热段的炉温，模型的输出为预热段和加热段的复合对流换热系数。

根据第二输出结果以及中间参数，可确定出损失，并可利用所述损失对第二预测模型进行更新。

本公开的一个实施例中，第二预测模型可为基于物理信息的神经网络模型，另外，可根据第二输出结果以及中间参数，确定出满足传热机理约束的损失。

基于上述介绍，图4为本公开所述第二预测模型的物理信息神经网络架构示意图。

如图4所示，第二预测模型的输入为空间坐标、时间坐标以及过渡阶段之前的稳态阶段的操作点变量(即第一操作点变量)和过渡阶段之后的稳态阶段的操作点变量(即第二操作点变量)，输出为钢带温度、焊点的移动距离、钢带运行带速以及3个明火加热段的炉温。

如图4所示，可将综合钢带规格、钢带运行速度以及3个明火加热段的炉温作为预热段炉温预测模型以及退火炉热参数预测模型的输入，并分别得到两个模型输出的预热段的炉温、预热段复合对流换热系数以及加热段复合对流换热系数。

如图4所示，进一步地，可计算模型的损失，如可包括：微分方程损失、退火炉出口目标带温损失、退火炉进口边界条件损失、退火炉初始条件损失、位移导数速度损失、位移初始条件损失、稳态速度损失、稳态炉温损失等。

通常来说，对于不同的训练数据来说，微分方程损失是都具有的，但某些损失视具体情况，只有部分训练数据具有。

其中，微分方程损失、退火炉出口目标带温损失以及退火炉进口边界条件损失与前述相同。

退火炉初始条件损失是指当时间坐标为时间原点时，即当τ＝0时，退火炉的进口和出口的温度损失。位移导数速度损失可以是指dl/dτ-v，其中，l表示焊点的移动距离，τ表示时间坐标，v表示预测出的钢带运行速度。位移初始条件损失用于评估当τ＝0时，焊点的移动距离是否正确。稳态速度损失用于评估在τ＝0时预测出的钢带运行速度是否等于过渡阶段之前的稳态阶段的钢带运行速度，以及在过渡阶段结束时如τ＝50(假设过渡阶段持续了50秒)时预测出的钢带运行速度是否等于过渡阶段之后的稳态阶段的钢带运行速度。稳态炉温损失与稳态速度损失类似，只是钢带运行速度变为了炉温。

当确定第二预测模型收敛后，可停止训练，并可将其部署到实际的生产线中。

可以看出，本公开所述方案中的第二预测模型等模型的神经网络特征是基于物理机理进行选择的，神经网络的输入和输出变量存在明确的物理机理上的定性关系，从而增强了模型的可解释性。

另外，本公开所述方案中，所用损失均为满足传热机理约束的损失，从而使得神经网络的回归结果满足物理机理约束，使得神经网络的预测结果符合物理实际。

再有，本公开所述方案中的模型建模和训练过程耦合了物理机理与历史大数据，从而进一步提升了模型的准确性、可解释性以及泛化性。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可实现稳态阶段以及过渡阶段的退火炉炉温及钢带运行速度的实时优化推荐，进而实现退火炉炉温及钢带运行速度的实时优化控制，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性，另外，模型建模和训练过程中耦合了物理机理与历史生产大数据，提升了模型的准确性、可解释性和泛化性等。

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。

图5为本公开所述参数调整装置实施例500的组成结构示意图。如图5所示，包括：第一获取模块501、预测模块502以及调整模块503。

第一获取模块501，用于在利用加热设备对加热对象进行加热过程中，确定待进入的生产阶段，并获取所述生产阶段对应的预测模型。

预测模块502，用于利用所述预测模型预测出所述生产阶段的参数调整方式，所述参数为预定的加热相关参数。

调整模块503，用于按照所述参数调整方式，对所述生产阶段的所述参数进行调整。

本公开的一个实施例中，加热设备可为退火炉，加热对象可为钢带，所述参数可为退火炉的明火加热段的炉温以及钢带运行速度。

采用上述装置实施例所述方案，可利用预测模型预测出参数调整方式，如上述的明火加热段的炉温以及钢带运行速度的调整方式，进而可对明火加热段的炉温以及钢带运行速度进行相应的调整，从而提升了调整结果的准确性，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性等。

本公开的一个实施例中，所述生产阶段可包括：钢带规格未发生变化的稳态阶段，相应地，预测模块502可利用稳态阶段对应的第一预测模型，预测出稳态阶段的所述参数的参数值，调整模块503可将所述参数调整为所述参数值。

本公开的一个实施例中，预测模块502可将稳态阶段的钢带规格作为第一预测模型的输入，得到输出的所述参数值。

本公开的一个实施例中，所述生产阶段还可包括：钢带规格发生变化的过渡阶段，相应地，预测模块502可利用过渡阶段对应的第二预测模型，预测出过渡阶段的所述参数的动态调整曲线，调整模块503可按照所述动态调整曲线对过渡阶段的所述参数进行实时调整。

本公开的一个实施例中，预测模块502可获取过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量，所述操作点变量包括：钢带规格、钢带运行速度以及明火加热段的炉温，将获取到的操作点变量作为第二预测模型的输入，得到输出的动态调整曲线。

图6为本公开所述预测模型获取装置实施例600的组成结构示意图。如图6所示，包括：第二获取模块601以及训练模块602。

第二获取模块601，用于针对利用加热设备对加热对象进行加热过程中的预定的生产阶段，获取所述生产阶段对应的训练数据，所述训练数据为基于真实的历史生产数据生成的训练数据。

训练模块602，用于利用所述训练数据训练得到所述生产阶段对应的预测模型，所述预测模型用于在所述加热过程中、预测出所述生产阶段的参数调整方式以便按照所述参数调整方式对所述生产阶段的所述参数进行调整，所述参数为预定的加热相关参数。

采用上述装置实施例所述方案，可利用真实的历史生产数据训练得到预测模型，进而可利用预测模型预测出参数调整方式，进而可进行相应的参数调整，从而提升了调整结果的准确性，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性等。

本公开的一个实施例中，加热设备可为退火炉，加热对象可为钢带，所述参数可为退火炉的明火加热段的炉温以及钢带运行速度。

本公开的一个实施例中，所述生产阶段可包括：钢带规格未发生变化的稳态阶段，相应地，训练模块602可利用所述训练数据训练得到稳态阶段对应的第一预测模型。

本公开的一个实施例中，训练模块602可针对当前的训练数据，执行以下第一处理：获取第一预测模型对应于训练数据的第一输出结果；根据训练数据以及第一输出结果确定出预定的中间参数；根据第一输出结果以及中间参数确定出损失，利用所述损失对第一预测模型进行更新；响应于确定第一预测模型收敛，将最新得到的第一预测模型作为稳态阶段对应的第一预测模型，否则，针对下一条训练数据，重复执行所述第一处理。

具体地，本公开的一个实施例中，训练模块602可将训练数据中的钢带规格以及空间坐标作为第一预测模型的输入，得到第一输出结果，第一输出结果包括：钢带温度、钢带运行速度以及明火加热段的炉温，所述空间坐标为从退火炉的进口到出口的任一位置的坐标。

另外，本公开的一个实施例中，训练模块602可将训练数据中的钢带规格、第一输出结果中的钢带运行速度以及第一输出结果中的明火加热段的炉温作为预先训练得到的预热段炉温预测模型的输入，得到输出的预热段的炉温，退火炉中包括预热段以及明火加热段，并可将训练数据中的钢带规格、第一输出结果中的钢带运行速度以及第一输出结果中的明火加热段的炉温作为预先训练得到的退火炉热参数预测模型的输入，得到输出的预热段复合对流换热系数以及明火加热段复合对流换热系数。

本公开的一个实施例中，第一预测模型以及退火炉热参数预测模型均为基于物理信息的神经网络模型，训练模块602可根据第一输出结果以及中间参数，确定出满足传热机理约束的损失。

所述生产阶段还可包括：钢带规格发生变化的过渡阶段，相应地，训练模块602可利用训练数据训练得到过渡阶段对应的第二预测模型。

本公开的一个实施例中，训练模块602可针对当前的训练数据，执行以下第二处理：获取第二预测模型对应于训练数据的第二输出结果；根据训练数据以及第二输出结果确定出预定的中间参数；根据第二输出结果以及中间参数确定出损失，利用所述损失对第二预测模型进行更新；响应于确定第二预测模型收敛，将最新得到的第二预测模型作为过渡阶段对应的第二预测模型，否则，针对下一条训练数据，重复执行所述第二处理。

具体地，训练模块602可将训练数据中的空间坐标、时间坐标、过渡阶段之前的稳态阶段的操作点变量以及过渡阶段之后的稳态阶段的操作点变量作为第二预测模型的输入，得到第二输出结果，其中，操作点变量包括：钢带规格、钢带运行速度以及明火加热段的炉温，第二输出结果包括：钢带温度、焊点的移动距离、钢带运行速度以及明火加热段的炉温，焊点用于连接不同规格的钢带，空间坐标为从退火炉的进口到出口的任一位置的坐标，时间坐标为过渡阶段的任一时间点的坐标。

另外，本公开的一个实施例中，训练模块602可根据过渡阶段之前的稳态阶段的操作点变量中的钢带规格以及过渡阶段之后的稳态阶段的操作点变量中的钢带规格，确定出综合钢带规格，并可将综合钢带规格、第二输出结果中的钢带运行速度以及第二输出结果中的明火加热段的炉温作为作为预先训练得到的预热段炉温预测模型的输入，得到输出的预热段的炉温，退火炉中包括预热段以及明火加热段，另外，还可将综合钢带规格、第二输出结果中的钢带运行速度以及第二输出结果中的明火加热段的炉温作为预先训练得到的退火炉热参数预测模型的输入，得到输出的预热段复合对流换热系数以及明火加热段复合对流换热系数。

本公开的一个实施例中，第二预测模型以及退火炉热参数预测模型均为基于物理信息的神经网络模型，训练模块602可根据第二输出结果以及中间参数，确定出满足传热机理约束的损失。

图5和图6所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可实现稳态阶段以及过渡阶段的退火炉炉温及钢带运行速度的实时优化推荐，进而实现退火炉炉温及钢带运行速度的实时优化控制，并摆脱了对人工经验的依赖，提升了产品合格率以及产品性能的稳定性，另外，模型建模和训练过程中耦合了物理机理与历史生产大数据，提升了模型的准确性、可解释性和泛化性等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习以及大数据处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。