【技术实现步骤摘要】
本专利技术涉及冶金行业高炉炼铁，尤其涉及一种基于深度强化学习的高炉成本最优配料方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、高炉配料是高炉生产的基础，合理的高炉配料则对降低高炉生产工序能耗有巨大的影响。配料计算模型恰当、配料方案合理，不仅关系到产品的产量和质量，而且直接影响到最终的配矿成本和经济效益。
3、高炉配料计算是为满足炼铁生产工艺和炼钢对铁水质量的要求，保证炼铁产品的物理性能和化学成分的稳定，同时获得较高的生产率和较低的成本，把具有不同物理性能和化学成分的原料按一定过程和质量要求进行精确组合配料的过程，也是根据己知的原料条件和冶炼条件，确定矿石和熔剂的消耗量，为冶炼规定成份的生铁，获得最合适的炉渣成分的过程。高炉冶金过程是一个高度复杂的非线性过程，主要是将铁从铁矿石等含铁化合物中还原出来。在正常生产时，高炉内部发生复杂的气、液、固、粉相间反应，并伴随有高温、高压、多相共存、化学反应与传递现象同时发生等特点。高炉炼铁过程的复杂性为对高炉进行有效...
【技术保护点】
1.一种基于深度强化学习的高炉成本最优配料方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，高炉成本最优配料模型训练的主要内容包括：
3.如权利要求2所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，对获取的高炉布料历史数据进行规则化处理；规则化数据格式为五元组，包括：t时段原燃料数据信息、炼铁的需求信息以及高炉炉况信息，t时段的原燃料配比，执行t时段原燃料配比的长期奖励值以及执行执行t时刻原燃料配比动作后t+1时段的高炉炉况信息。
4.如权利要求2所述的一种基于深度...
【技术特征摘要】
1.一种基于深度强化学习的高炉成本最优配料方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，高炉成本最优配料模型训练的主要内容包括：
3.如权利要求2所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，对获取的高炉布料历史数据进行规则化处理；规则化数据格式为五元组，包括：t时段原燃料数据信息、炼铁的需求信息以及高炉炉况信息，t时段的原燃料配比，执行t时段原燃料配比的长期奖励值以及执行执行t时刻原燃料配比动作后t+1时段的高炉炉况信息。
4.如权利要求2所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，瞬时奖励为高炉实际铁水产量与原燃料成本的差值。
5.如权利要求2所述的一种基于深度强化学习的高炉成本最优配料方法，其特征在于，在训练过程中，目标网络和预测网络沿损失函...
【专利技术属性】
技术研发人员：周春晖，李小健，周建，马志坚，陈璐，尹青青，肖雨，张涌泉，王刚，田媛，戴鸣光，栾晓东，李智杰，
申请(专利权)人：中冶东方工程技术有限公司，
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。