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技术

本发明专利技术公开了一种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，包括：获取若干历史样本的生产数据并进行预处理，构建历史样本数据集；构建深度聚类生成对抗网络模型，并利用历史样本数据集进行训练；以待设计工艺模式的炉次作为新样本，获取新样本的初始信息，并对初始信息进行预处理，基于预处理后的初始信息对新样本进行聚类；根据新样本的聚类结果，生成新样本对应的工艺随机向量，将新样本对应的工艺随机向量与其对应的预处理后的初始信息一起输入训练好的深度聚类生成对抗网络模型中，生成新样本对应的工艺模式；基于生成的新样本的工艺模式，确定新样本最终的工艺模式。本发明专利技术对提高钢铁生产企业的产品质量和经济效益有很大帮助。量和经济效益有很大帮助。量和经济效益有很大帮助。

【技术实现步骤摘要】
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


[0001]本专利技术涉及冶金
，特别涉及一种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。

技术介绍

[0002]转炉炼钢是钢铁生产过程中的重要组成部分，其目的是获得终点成分和温度均命中目标要求的钢水，因此转炉炼钢的核心是终点控制。静态控制模型是转炉炼钢终点准确控制的基础，良好的静态模型对转炉工艺参数的设定、后期的动态控制和终点命中率的提升起着至关重要的作用。为此，国内外学者对如何建立静态控制模型开展了相应的研究工作。
[0003]转炉炼钢静态控制模型通常包括如下模型：机理模型，增量模型，统计模型以及人工智能模型。早在1961年，美国琼斯
·
劳夫林钢铁公司基于机理模型建立了第一个转炉炼钢静态模型并应用于炼钢生产，根据对冶炼过程中各种参数的分析再加上一系列的假设，通过进行热平衡计算，得到了关于废钢、铁水和石灰的装料模型。然而，由于机理模型是从炉内的化学反应表达式出发，因此，该类模型的开发极为复杂，且容易受到不可测量的干扰因素的影响，往往难以满足实际生产的需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种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，其特征在于，所述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包括：将终点命中的炉次作为历史样本，获取若干历史样本的生产数据，并对获取的历史样本的生产数据进行预处理，构建历史样本数据集；构建深度聚类生成对抗网络模型，并利用所述历史样本数据集对构建的深度聚类生成对抗网络模型进行训练；其中，利用训练好的深度聚类生成对抗网络模型可获得样本所属类别及每一类别的阈值，以及每类样本对应的工艺模式；以待设计工艺模式的炉次作为新样本，获取新样本的初始信息，并对获取的新样本的初始信息进行预处理，基于预处理后的初始信息对新样本进行聚类；根据新样本的聚类结果，生成新样本对应的工艺随机向量，将新样本对应的工艺随机向量与其对应的预处理后的初始信息一起输入训练好的深度聚类生成对抗网络模型中，生成新样本对应的工艺模式；基于生成的新样本的工艺模式，确定新样本最终的工艺模式。2.如权利要求1所述的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，其特征在于，所述生产数据包括：原料信息、辅料信息、工艺控制过程信息和目标出钢信息；其中，所述原料信息包括：钢种、入炉铁水温度、铁水重量、铁水元素含量和废钢重量；其中，所述铁水元素包括C、Si、Mn、P和S；所述辅料信息包括：活性加入总量、轻烧加入总量、原石加入总量、小粒加入总量、焦炭加入总量、硅铁加入总量和矿石加入总量；所述工艺控制过程信息包括：实际氧枪高度、实际氧气流量、实际底吹速率、底吹气体类型和实际氧气压力；所述目标出钢信息包括：目标出钢温度和目标终点碳含量；所述预处理的过程，包括：针对标量型数据，对存在缺失值的样本进行剔除；对存在过程异常的数据进行剔除，其中，异常数据采用3σ方法进行判断；针对时序型数据，根据实际冶炼时间作对齐处理；针对辅料信息，采用最近邻插值的方法进行插值处理；针对工艺控制过程信息，采用线性插值的手段进行插值处理；对所有样本沿变量维度进行归一化处理，将数据映射到[0,1]区间内；针对分类型变量，进行one
‑
hot编码处理。3.如权利要求1所述的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，其特征在于，所述工艺模式包括控枪模式、加料模式和顶底复吹模式。4.如权利要求2所述的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，其特征在于，所述初始信息包括原料信息和目标出钢信息。5.如权利要求1所述的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，其特征在于，所述对新样本进行聚类，包括：在完成聚类的历史样本数据集中寻找与新样本最相近的聚类中心；根据每一类别的阈值，判断新样本是否属于已有的聚类类别；
相应地，根据新样本的聚类结果，生成新样本对应的工艺随机向量，包括：若新样本属于已有类别，则根据其所属类别生成对应的工艺随机向量；若新样本不属于已有类别，则根据与其最相近的类别生成对应的工艺随机向量。6.如权利要求1所述的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，其特征在于，所述基于生成的新样本的工艺模式，确定新样本最终的工艺模式，包括：将生成的新样本的工艺模式及新样本对应的预处理后的初始信息输入训练好的深度聚类生成对抗网络模型中，预测终点是否命中；如果不能命中，则结合现场的人工经验进行调整，直至终点命中；如果命中，则直接将生成的工艺模式用于新样本的实际生产中。7.如权利要求6所述的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，其特征在于，在得到终点能够命中时所对应的新样本的工艺模式后，所述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还包括：将新样本的生产数据添加到历史样本数据集中进行增量训练。8.如权利要求1所述的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，其特征在于，所述深度聚类生成对抗网络模型包括生成器、聚类器、判别器和预测器；其中，所述生成器用于获得与训练样本KL散度差异最小的重构样本；所述聚类器用于获得训练样本所属的聚类类别；所述判别器用于对训练样本和重构样本进行判别；所述预测器用于对终点碳温进...

【专利技术属性】
技术研发人员：黎敏，董倩倩，胡帅杰，吕志民，阳建宏，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：