System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及预测,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。
技术介绍
1、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。
2、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。
技术实现思路
1、本专利技术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。
2、第一方面,本专利技术实施例提供了一种转炉炼钢吹氧量预测方法,包括:
3、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;
4、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;
5、若所述钢水没有达到出钢
6、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。
7、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:
8、
9、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。
10、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;
11、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;
12、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;
13、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。
14、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:
15、
16、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;
17、所述记忆门对应的参数计算公式为:
18、
19、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;
20、所述输出门对应的参数计算公式为:
21、
22、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。
23、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:
24、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;
25、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;
26、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。
27、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:
28、获取历史炼钢数据;
29、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;
30、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。
31、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:
32、将所述历史炼钢数据转化成数据矩阵;
33、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;
34、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;
35、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。
36、第二方面,本专利技术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。
37、第三方面,本专利技术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。
38、本专利技术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:
39、在本专利技术实施例中,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,且本专利技术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,本专利技术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。
本文档来自技高网...【技术保护点】
1.一种转炉炼钢吹氧量预测方法,其特征在于,包括:
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:
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;
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:
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:
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:
8.根据权利要求7所述的转炉炼钢吹氧
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。
...【技术特征摘要】
1.一种转炉炼钢吹氧量预测方法,其特征在于,包括:
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:
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;
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:
【专利技术属性】
技术研发人员: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,
申请(专利权)人:河钢数字技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。