多目标协同预测的转炉终点控制系统、方法、设备及介质

技术领域

本申请涉及转炉终点控制技术领域，尤其涉及一种多目标协同预测的转炉终点控制系统、方法、设备及介质。

背景技术

转炉（炼钢）终点控制是控制转炉炼钢过程的进行时间，以保证钢水温度和成分在吹炼结束时符合要求的操作技术。

转炉终点控制的具体目标是：（1）钢水的碳含量应达到所炼钢种要求的目标范围；（2）钢中磷、硫含量应低于规格下限要求的范围；（3）出钢温度应保证下一步工序的顺利进行；（4）钢水合适的氧化性。终点控制实质上也就是对转炉吹炼过程的控制。终点控制的好坏关系着炼钢的生产率、金属收得率、生产成本和钢的品质等指标，因而它在转炉炼钢工艺操作中是非常重要的环节。

现有的，转炉炼钢终点控制可分为经验控制和自动控制两大类。所谓经验控制，是指在常规吹炼条件下，借助一些常规监测手段，对终点(终碳)进行人工控制。经验控制常采用“拉碳”和“增碳”两种操作方法，常用的辅助手段为测温定碳和炉前取样快速分析。由于控制主要依靠人工经验判断，因此终点的命中率较低，且波动起伏较大。自动控制转炉炉口部分存在炉气溢出和空气混入、炉气分析精度较低、导致模型预报精度降低，以及没有预报终点温度的功能等局限，仍需要做进一步的探索和研究。

发明内容

针对现有技术的上述不足，本申请提供一种多目标协同预测的转炉终点控制系统、方法、设备及介质，以解决现有的人工经验判断精度低，自动控制判断存在功能局限性的问题。

第一方面，本申请提供了一种多目标协同预测的转炉终点控制系统，系统包括：数据获取模块，用于获取本炉次入炉条件和预设计算公式，确定本炉次入炉条件对应的本炉次计算终点数据；确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法；数据处理模块，用于获取历史时间段内的历史炉次入炉条件集合，通过预设聚类算法，确定本炉次入炉条件在历史炉次入炉条件集合中所属的聚类集合；基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据；循环神经网络处理模块，用于通过本炉次计算终点数据、本炉次预测终点数据和训练好的预设循环神经网络算法，确定输出的终点数据；对称连接神经网络计算模块，用于通过训练好的预设对称连接神经网络算法和输出的终点数据，获得最终的预测终点数据。

进一步地，数据获取模块包括数据获取单元，用于通过预设炉次数据获取界面，获取本炉次入炉条件；通过预设公式编辑界面，获取预设计算公式。

进一步地，数据处理模块包括算法更新单元，用于从预设聚类算法集合中随机抽取备用聚类算法；获取预设检测周期内的历史炉次入炉条件集合和历史炉次终点数据集合，以训练备用聚类算法；以预设检测周期为更新节点，将备用聚类算法更新为预设聚类算法。

进一步地，系统还包括危险告警模块，用于将最终的预测终点数据导入预设阈值检测程序，以在预测终点数据超过预设阈值时，生成告警任务至预设维护终端，同时触发告警装置。

第二方面，本申请提供了一种多目标协同预测的转炉终点控制方法，方法包括：获取本炉次入炉条件和预设计算公式，确定本炉次入炉条件对应的本炉次计算终点数据；确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法；获取历史时间段内的历史炉次入炉条件集合，通过预设聚类算法，确定本炉次入炉条件在历史炉次入炉条件集合中所属的聚类集合；基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据；通过本炉次计算终点数据、本炉次预测终点数据和训练好的预设循环神经网络算法，确定输出的终点数据；通过训练好的预设对称连接神经网络算法和输出的终点数据，获得最终的预测终点数据。

进一步地，获取本炉次入炉条件和预设计算公式，具体包括：通过预设炉次数据获取界面，获取本炉次入炉条件；通过预设公式编辑界面，获取预设计算公式。

进一步地，方法还包括：从预设聚类算法集合中随机抽取备用聚类算法；获取预设检测周期内的历史炉次入炉条件集合和历史炉次终点数据集合，以训练备用聚类算法；以预设检测周期为更新节点，将备用聚类算法更新为预设聚类算法。

进一步地，方法还包括：将最终的预测终点数据导入预设阈值检测程序，以在预测终点数据超过预设阈值时，生成告警任务至预设维护终端，同时触发告警装置。

第三方面，本申请提供了一种多目标协同预测的转炉终点控制设备，设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述任一项的一种多目标协同预测的转炉终点控制方法。

第四方面，本申请提供了一种非易失性计算机存储介质，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种多目标协同预测的转炉终点控制方法。

本领域技术人员能够理解的是，本申请至少具有如下有益效果：

本申请通过数据获取模块实时获取预设计算公式，实现了灵活的处理本炉次入炉条件，使得本炉次计算终点数据不受时间限制，能够通过预设计算公式的更新，获得更为精确的本炉次计算终点数据。为了防止预设计算公式的更新影响神经网络算法的准确性，在获得预设计算公式后，自动将神经网络算法更新为该预设计算公式对应的训练好的神经网络算法。实现了结合场景需求的循环神经网络的计算与应用。通过数据处理模块获得历史炉次终点数据集合对应的本炉次预测终点数据，实现了结合本炉次入炉条件和历史炉次终点数据集合，有效精准的获取本炉次预测终点数据。另外，本申请中的本炉次入炉条件能够包含各个功能条件（例如，温度等），降低了功能局限性。

附图说明

下面参照附图来描述本公开的部分实施例，附图中：

图1是本申请实施例提供的一种多目标协同预测的转炉终点控制系统内部结构示意图。

图2是本申请实施例提供的一种多目标协同预测的转炉终点控制方法流程图。

图3是本申请实施例提供的一种多目标协同预测的转炉终点控制设备内部结构示意图。

具体实施方式

本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。

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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

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多目标协同预测的转炉终点控制系统。如图1所示，本申请实施例提供的系统，主要包括：

系统通过数据获取模块110获取本炉次入炉条件和预设计算公式，确定本炉次入炉条件对应的本炉次计算终点数据；确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法。

需要说明的是，数据获取模块110可以为任意可行的能够进行数据获取以及确定对应的神经网络算法（训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法）的设备或装置等。本炉次入炉条件（以及本申请中涉及的入炉条件）可以具体为入炉铁水温度、铁水成分（例如，Si、Mn、P、S各自含量）、废钢+铁水加入量、造渣料及合金加入量（例如，石灰、白云石、矿石等含量）、氧气消耗量等。预设计算公式为本领域技术人员根据实际情况确定的能够计算本炉次计算终点数据的公式，本申请对预设计算公式本身的具体内容不做限定。本炉次计算终点数据（以及本申请中涉及的终点数据）可以具体为终点碳含量、终点温度、终点炉渣成分、终点熔池液位高度等的多目标。

上述，确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法对应的训练数据的获取过程可以为：获取预设历史时间段内的历史炉次入炉条件集合和历史炉次终点数据集合，通过预设计算公式获得预设历史时间段内的计算炉次入炉条件集合，进而训练预设循环神经网络算法和预设对称连接神经网络算法，以获得训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法。其中，神经网络算法的具体训练过程为现有过程，本申请对此不做限定。

另外，本申请中获取本炉次入炉条件和预设计算公式的具体方案可以为：数据获取模块110中的数据获取单元111，通过预设炉次数据获取界面，获取本炉次入炉条件；通过预设公式编辑界面，获取预设计算公式。

需要说明的是，数据获取单元111可以为任意可行的能够通过预设界面获取数据或公式的设备或装置等。

系统通过数据处理模块120获取历史时间段内的历史炉次入炉条件集合，通过预设聚类算法，确定本炉次入炉条件在历史炉次入炉条件集合中所属的聚类集合；基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据。

需要说明的是，历史时间段可以为任意可行的时间段。数据处理模块120可以为任意可行的能够调用算法进行数据处理的设备或装置等。

上述，基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据，可以具体为：通过文本相似度计算公式（例如，曼哈顿距离计算方法），获取聚类集合中与本炉次入炉条件相似度最高的历史炉次入炉条件，进而从历史炉次终点数据集合中获取相似度最高的历史炉次入炉条件对应的历史炉次终点数据为本炉次预测终点数据。

另外，为了使预设聚类算法能够具有较高的精确性且能够避免训练预设聚类算法带来的时间空缺，本申请可以通过训练备用聚类算法，实现及时替换预设聚类算法，进而使聚类精度保持较高数值。

具体过程可以为：通过数据处理模块120中的算法更新单元121从预设聚类算法集合中随机抽取备用聚类算法；获取预设检测周期内的历史炉次入炉条件集合和历史炉次终点数据集合，以训练备用聚类算法；以预设检测周期为更新节点，将备用聚类算法更新为预设聚类算法。

系统中的循环神经网络处理模块130通过本炉次计算终点数据、本炉次预测终点数据和训练好的预设循环神经网络算法，确定输出的终点数据。

需要说明的是，循环神经网络处理模块130为任意可行的能够调用预设循环神经网络算法进行数据处理的设备或装置等。算法的具体实现过程可以通过现有方法或设备实现，本申请对此不做限定。

系统中的对称连接神经网络计算模块140通过训练好的预设对称连接神经网络算法和输出的终点数据，获得最终的预测终点数据。

需要说明的是，对称连接神经网络计算模块140为任意可行的能够调用预设对称连接神经网络算法进行数据处理的设备或装置等。算法的具体实现过程可以通过现有方法或设备实现，本申请对此不做限定。

另外，为了避免数据异常，本申请可以通过阈值检测的方法进行告警处理。具体过程可以为：系统通过危险告警模块150将最终的预测终点数据导入预设阈值检测程序，以在预测终点数据超过预设阈值时，生成告警任务至预设维护终端，同时触发告警装置。

需要说明的是，危险告警模块150可以为任意可行的能够调用预设阈值检测程序进行数据检测、生成并传输任务以及触发告警装置的设备或装置等。

另外，预设阈值检测程序包含了预测终点数据对应的预设阈值，程序能够进行预测终点数据与预设阈值的比对，以检测是否超过预设阈值。

除此之外，本申请实施例还提供了一种多目标协同预测的转炉终点控制方法，如图2所示，本申请实施例提供的方法，主要包括以下步骤：

步骤210、获取本炉次入炉条件和预设计算公式，确定本炉次入炉条件对应的本炉次计算终点数据；确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法。

其中，获取本炉次入炉条件和预设计算公式，具体可以为：通过预设炉次数据获取界面，获取本炉次入炉条件；通过预设公式编辑界面，获取预设计算公式。

步骤220、获取历史时间段内的历史炉次入炉条件集合，通过预设聚类算法，确定本炉次入炉条件在历史炉次入炉条件集合中所属的聚类集合；基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据。

为了使预设聚类算法能够具有较高的精确性且能够避免训练预设聚类算法带来的时间空缺，本申请可以通过训练备用聚类算法，实现及时替换预设聚类算法，进而使聚类精度保持较高数值。

具体过程可以为：从预设聚类算法集合中随机抽取备用聚类算法；获取预设检测周期内的历史炉次入炉条件集合和历史炉次终点数据集合，以训练备用聚类算法；以预设检测周期为更新节点，将备用聚类算法更新为预设聚类算法。

步骤230、通过本炉次计算终点数据、本炉次预测终点数据和训练好的预设循环神经网络算法，确定输出的终点数据。

步骤240、通过训练好的预设对称连接神经网络算法和输出的终点数据，获得最终的预测终点数据。

另外，为了避免数据异常，本申请可以通过阈值检测的方法进行告警处理。具体过程可以为：

将最终的预测终点数据导入预设阈值检测程序，以在预测终点数据超过预设阈值时，生成告警任务至预设维护终端，同时触发告警装置。

以上为本申请中的方法实施例，基于同样的发明构思，本申请实施例还提供了一种多目标协同预测的转炉终点控制设备。如图3所示，该设备包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述实施例中的一种多目标协同预测的转炉终点控制方法。

具体地，服务器端获取本炉次入炉条件和预设计算公式，确定本炉次入炉条件对应的本炉次计算终点数据；确定预设计算公式对应的训练好的预设循环神经网络算法和训练好的预设对称连接神经网络算法；获取历史时间段内的历史炉次入炉条件集合，通过预设聚类算法，确定本炉次入炉条件在历史炉次入炉条件集合中所属的聚类集合；基于聚类集合和历史时间段内的历史炉次终点数据集合，进而获得历史炉次终点数据集合对应的本炉次预测终点数据；通过本炉次计算终点数据、本炉次预测终点数据和训练好的预设循环神经网络算法，确定输出的终点数据；通过训练好的预设对称连接神经网络算法和输出的终点数据，获得最终的预测终点数据。

除此之外，本申请实施例还提供了一种非易失性计算机存储介质，其上存储有可执行指令，在该可执行指令被执行时，实现如上述的一种多目标协同预测的转炉终点控制方法。

至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。