基于人工智能的转炉炼钢终点控制方法及系统与流程

本发明涉及转炉炼钢，具体是涉及基于人工智能的转炉炼钢终点控制方法及系统。

背景技术：

1、转炉炼钢是现代钢铁生产中最核心的工序之一，其终点控制（即终点含碳量和终点温度的命中率）直接决定了钢水的质量、冶炼周期、合金消耗以及生产成本。传统的转炉炼钢终点控制主要依赖于静态模型计算和人工经验判断。

2、在现有的工业实践中，通常采用基于物料平衡和热平衡的静态模型进行初步计算，并在吹炼末期通过副枪进行单次检测，根据检测结果进行人工或半自动的补吹操作。然而，随着对钢材质量要求的日益提高以及生产节奏的加快，现有的控制方法暴露出以下显著的技术缺陷：

3、首先，模型泛化能力差，抗干扰能力弱。具体为，传统的静态模型通常基于理想状态下的化学反应方程式建立，参数设定较为固定。然而，实际生产中铁水成分（如硅、磷、硫含量）波动大、废钢比变化频繁、供氧流量受管网压力波动影响，导致脱碳速率和升温速率呈现高度非线性。现有的bp神经网络或标准支持向量机（svm）模型在处理这种多变量、强耦合的工艺数据时，容易陷入局部最优，且对异常工况（如喷溅、返干）的预测精度急剧下降，无法精准捕捉终点前的微小变化。

4、其次，数据利用率低，特征提取粗糙。虽然转炉装备了大量的传感器（如氧枪流量计、副枪测温定碳仪、炉气分析仪等），但现有系统大多仅利用了简单的标量数据（如流量、温度数值）。对于炉口火焰的光谱图像、炉内爆发的音频信号等蕴含丰富热力学信息的非结构化数据，现有技术缺乏有效的处理手段。通常仅凭肉眼观察火焰颜色或简单的阈值判断，无法量化火焰光谱特征与熔池含碳量的非线性映射关系，导致大量有价值的过程信息被浪费。

5、再次，模型参数寻优效率低，适应性不足。在构建预测模型时，关键超参数（如惩罚系数、核函数参数）的选取往往依赖人工试错或简单的网格搜索，计算量大且难以找到全局最优解。更重要的是，转炉工况随炉役期、季节、原料批次的变化而发生“概念漂移”，现有的模型更新机制通常采用“覆盖式”重训，即用新数据直接覆盖旧模型，这会导致模型遗忘历史工况下的关键知识（灾难性遗忘），使得新炉次的预测稳定性差。

6、以上的技术缺陷导致资源利用率低，终点控制的精度与稳定性差。

7、本背景技术所公开的上述信息仅仅用于增加对本技术背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。

技术实现思路

1、针对现有技术中资源利用率低弧终点控制精度及稳定性差的问题，提出基于人工智能的转炉炼钢终点控制方法及系统，融合转炉炼钢过程中的多远异构数据与人工智能算法，提高各传感器的利用率，降低资源浪费，提高终点控制的精度及稳定性。

2、为解决上述技术问题，本发明采用以下技术方案予以实现：

3、基于人工智能的转炉炼钢终点控制方法，包括以下步骤：

4、获取转炉炼钢过程的历史冶炼数据，其包括铁水成分、废钢量、供氧流量、副枪检测的温度及含碳量、炉口火焰光谱图像及音频信号；

5、对所述历史冶炼数据进行数据清洗与特征工程处理，通过独立性分析与相关性分析筛选出关键输入变量，构建训练样本集；

6、基于小波权重的非平行支持向量回归机算法，利用所述训练样本集构建终点参数预测模型，并引入鲸群优化算法对训练模型的超参数进行寻优，用于对转炉炼钢终点的含碳量与温度进行预测；

7、在吹炼过程中，获取转炉炼钢过程的实时工艺数据，并将其输入所述终点参数预测模型，滚动获取冶炼终点的预测含碳量、预测温度；

8、当预测冶炼进入末期时，对所述炉口火焰光谱图像进行主成分分析降维处理，结合由所述音频信号分析获得的炉内声响特征，计算实时含碳量与实时温度；由所述预测含碳量、所述预测温度、所述实时含碳量、所述实时温度及静态模型计算的物料平衡利用动态规划算法计算补吹所需的吹氧量及冷却剂量，执行补吹操作；

9、所述补吹操作结束时，采集钢水样本进行化验；若化验结果未命中目标范围，则获取所述预测含碳量、所述预测温度及所述实时含碳量、所述实时温度、所述物料平衡，获得补吹所需的吹氧量及冷却剂量，再次执行补吹操作；重复以上操作至所述化验结果命中所述目标范围；

10、获取本炉次的实际冶炼数据，利用产生式数据库进行存储，并基于自学习模块采用弹性权重固化算法对所述终点参数预测模型的参数进行在线更新。

11、在一些具体的实施例中，对所述历史冶炼数据进行数据清洗与特征工程处理，通过独立性分析与相关性分析筛选出关键输入变量，构建训练样本集，包括：

12、采用准则剔除历史冶炼数据中的异常值，包括供氧流量突变点及温度跳变点；

13、对剔除所述异常值后的所述历史冶炼数据进行缺失值填补，其为基于k近邻算法的插值法对缺失的非铁含量数据的填补，获得历史冶炼数据样本；

14、利用小波变换理论对补吹阶段的氧气流量时间序列数据进行降噪处理，基于降噪结果量化所述历史冶炼数据样本的信号置信度，确定所述历史冶炼数据样本的权重向量；所述权重向量作为所述历史冶炼数据样本的权重用于所述终点参数预测模型的训练；n为样本序列长度；权重系数通过高斯函数计算，具体为：

15、；

16、其中，为第个原始数据点与降噪后数据的欧氏距离；为高斯核宽度；

17、所述历史冶炼数据还包括铁水装入量、废钢比、总供氧量及石灰加入量的工艺参数，与所述铁水成分、所述供氧流量一起构成候选输入变量集，对所述候选输入变量集执行独立性分析：

18、采用方差膨胀因子vif法检验所述候选输入变量集中各所述工艺参数间的多重共线性程度，计算其方差膨胀因子：

19、；

20、其中，为将第个所述工艺参数作为因变量、其余所述工艺参数作为自变量进行线性回归得到的决定系数；设定独立性判定阈值，剔除超过所述独立性判断阈值的所述工艺参数；

21、采用皮尔逊相关系数矩阵分析各所述工艺参数与终点含碳量、终点温度的相关性，选取相关系数绝对值大于0.6的所述工艺参数作为所述关键输入变量。

22、在一些具体的实施例中，基于小波权重的非平行支持向量回归机算法，利用所述训练样本集构建终点参数预测模型，并引入鲸群优化算法对训练模型的超参数进行寻优，包括：

23、初始化非平行支持向量回归机的参数及，设置核函数为径向基函数；将所述训练样本集拆分为训练子集与验证子集；

24、构建所述非平行支持向量回归机的优化求解框架，该框架由包含加权经验风险项和结构风险项的目标函数、样本预测值与实际值的偏差不超过的约束条件构成；所述加权经验风险项引入所述权重向量，按所述信号置信度对各所述训练子集的样本的拟合松弛变量进行加权约束；

25、将所述训练子集输入所述优化求解框架，通过求解对偶问题得到最优解向量；

26、回归函数为；其中，ω为所述非平行支持向量回归机在高维特征空间中回归超平面的模型权重向量，由所述最优解向量推导得到；为非线性映射函数；为偏置项；

27、以所述终点参数预测模型在所述验证子集上的预测值与实际值的均方根误差rmse作为所述适应度函数，迭代更新种群位置向量，适应度函数计算公式为：

28、；

29、其中，为所述验证子集的样本总数；为第个样本的实际终点含碳量或温度值；为第个样本的模型预测值；

30、利用鲸群优化算法在所述非平行支持向量回归机的参数空间内进行搜索，直至适应度函数值小于预设阈值或达到最大迭代次数。

31、在一些具体的实施例中，对所述炉口火焰光谱图像进行主成分分析降维处理，结合由所述音频信号分析获得的炉内声响特征，计算实时含碳量与实时温度；包括：

32、获取所述炉口火焰光谱图像，其波长范围覆盖400nm至1000nm；

33、提取所述炉口火焰光谱图像中的炉口火焰核心区、炉口火焰边缘区目标区域；

34、采用主成分分析法pca对所述目标区域进行降维，计算其协方差矩阵的特征值，选取前个累计贡献率大于95%的主成分作为待处理光谱图像；值通过交叉验证确定；累计贡献率通过下式计算：

35、；

36、其中，为前个主成分的累计贡献率；为第个特征值；为原始光谱波段总数；为第个特征值;

37、将所述待处理光谱图像输入深度卷积神经网络，通过多层卷积层提取火焰纹理特征，全连接层输出所述实时含碳量的预测值；网络激活函数采用relu函数。

38、在一些具体的实施例中，由所述预测含碳量、所述预测温度、所述实时含碳量、所述实时温度及静态模型计算的物料平衡利用动态规划算法计算补吹所需的吹氧量及冷却剂量，执行补吹操作；包括：

39、建立补吹氧气量与副枪检测的含碳量、目标含碳量及冷却剂加入量之间的非线性映射关系，采用三层bp神经网络进行拟合，隐含层节点数通过试错法确定为7个；

40、输入当前熔池温度与目标温度的差值，结合钢水当前氧含量，利用热力学平衡方程计算理论需氧量：

41、；

42、其中，为钢水质量；为当前副枪实测含碳量；为目标含碳量；为碳氧化反应焓变；为氧气利用系数；为当前氧含量；为脱碳效率系数；为温度对脱碳需氧的影响系数，由历史最优炉次数据回归得到；

43、通过所述理论需氧量对补吹氧气量初始预估值进行校准，得到补吹基准供氧量；

44、引入增量计算方法，以每3秒为一个控制周期，同步获取由炉口火焰光谱图像降维特征结合炉内声响特征计算得到的实时含碳量、实时温度，对含碳量偏差与温度偏差进行动态校正后，计算当前周期内的氧气流量修正值；

45、先构建综合含碳偏差与综合温度偏差：

46、；

47、；

48、其中，为预测值权重系数，取值范围为0.4-0.6，随补吹进程推进逐步减小，实时检测值的权重随吹炼深度增加逐步提升；

49、氧气流量修正值计算公式为：

50、；

51、其中，为预测含碳量偏差；为预测温度偏差；为所述预测含碳量；为预测温度；为含碳量修正系数，为温度修正系数，均通过历史最优炉次数据回归得到；

52、将所述氧气流量修正值实时叠加至所述补吹基准供氧量，生成当前控制周期的实际供氧流量指令；

53、冷却剂加入量根据熔池热平衡计算：

54、；

55、其中，为达到目标温度所需的总热量；为当前熔池实测热焓；为冷却剂比热容；为热效率系数。

56、在一些具体的实施例中，还包括异常工况干预步骤，其包括：

57、实时监测转炉托圈振动信号废气温度；

58、当振动信号能量谱密度超过设定阈值，且废气温度在10秒内下降幅度大于50℃时，判定为喷溅前兆，则降低氧枪的枪位至待吹位置，并增加底部氮气搅拌流量，直至所述能量谱密度与所述废气温度的变化幅度恢复正常；

59、所述振动信号能量谱密度通过下式计算：

60、；

61、其中，为振动信号的快速傅里叶变换结果；和分别为设定的频率下限和上限；

62、废气温度变化幅度通过下式计算：

63、；

64、其中，为当前时刻废气温度；为10秒前的废气温度。

65、在一些具体的实施例中，吹炼结束时，采集钢水样本进行化验，若化验结果未命中目标范围，则获取所述预测含碳量、所述预测温度及所述实时含碳量、所述实时温度、所述物料平衡，计算获得补吹所需的吹氧量及冷却剂量，再次执行补吹操作；重复以上操作至所述化验结果命中所述目标范围；包括：

66、获取结束吹炼后的钢水样本的化验数据，包括实际含碳量、实际温度；

67、计算所述终点参数预测模型的预测误差，；

68、若或，则判定为所述终点参数预测模型失配，基于化验误差对所述终点参数预测模型模型的可训练参数进行在线修正；所述可训练参数包含所述的回归超平面权重向量与偏置项，采用增量梯度下降法调整模型参数，其修正量计算公式为：

69、

70、其中，为学习率，取值范围为0.01至0.1；为损失函数，，为所述钢水样本的化验数据，为终点的预测数据；为当前权重系数向量。

71、在一些具体的实施例中，基于自学习模块采用弹性权重固化算法对所述终点参数预测模型的参数进行在线更新，包括：

72、利用迁移学习中的领域对抗神经网络adda算法，将历史冶炼数据与本炉次的目标域数据进行特征对齐；

73、采用wgangp生成对抗网络生成虚拟冶炼数据，结合特征空间插值法扩充极端工况样本库；

74、基于弹性权重固化ewc算法计算fisher信息矩阵f，在更新所述终点参数预测模型的参数时加入正则化项；目标函数为：

75、；

76、其中，为新炉次数据的损失函数；为动态正则化系数，随新数据样本量增加而减小；为第个参数的fisher信息量；为当前模型参数；为历史最优模型参数。

77、在一些具体的实施例中，还包括：

78、吹炼结束后，获取钢水目标成分与当前成分的差值；

79、由所述差值、合金收得率的历史数据及线性规划模型计算各合金的最小成本加入量，其采用启发式算法求解目标函数；约束条件为：

80、；

81、其中，为第种合金的单价；为第种合金的加入量；为合金种类数；为第种元素的目标成分含量；为成分允许偏差范围；为当前钢水第种元素含量；为第种合金中第种元素的收得率预测值；为第种合金中第种元素的固有含量比例；

82、由合金收得率的历史数据构建合金收得率预测模型，输入变量包括出钢温度、钢水含氧量、合金块度及加入顺序，输出变量为各元素的所述收得率预测值。

83、一种基于人工智能的转炉炼钢终点精准控制系统，用于实现上述的转炉炼钢终点控制方法，包括：

84、获取模块，获取转炉炼钢过程的实时工艺数据与历史冶炼数据，其均包括铁水成分、废钢量、供氧流量、副枪检测的熔池温度及含碳量、炉口火焰光谱图像及音频信号；

85、数据处理模块，对历史冶炼数据进行数据清洗与特征工程处理，通过独立性分析与相关性分析筛选出关键输入变量，构建训练样本集；

86、模型构建模块，基于小波权重的非平行支持向量回归机算法，利用所述训练样本集构建终点参数预测模型，并引入鲸群优化算法对所述终点参数预测模型超参数进行寻优，用于预测转炉炼钢终点的含碳量、温度；

87、预测模块，在吹炼过程中，将所述实时工艺数据输入所述终点参数预测模型，滚动获取预测含碳量、预测温度；

88、第一计算模块，当预测冶炼进入末期时，利用ai视觉模型对炉口火焰光谱图像进行主成分分析降维处理，结合ai音频模型分析炉内声响特征，计算实时含碳量与实时温度；

89、第二计算模块，由所述预测含碳量、所述预测温度、所述实时含碳量、所述实时温度、静态模型计算的物料平衡利用动态规划算法计算补吹阶段所需的吹氧量及冷却剂加入量；

90、修正模块，其根据所述第二计算模块获得的吹氧量及冷却剂加入量执行补吹操作，并在吹炼结束时采集钢水样本进行化验；若化验结果未命中目标范围，则循环所述执行补吹操作直至所述化验结果命中目标范围；

91、模型更新模块，获取本炉次的实际冶炼数据，利用产生式数据库进行存储，并基于自学习模块采用弹性权重固化算法对所述终点参数预测模型的参数进行在线更新

92、与现有技术相比，本发明的优点和积极效果是：

93、本发明通过利用小波权重非平行支持向量回归机与鲸群优化算法构建终点参数预测模型，提高终点的预测含碳量、预测温度的准确性；通过卡尔曼滤波处理的副枪数据及火焰光谱、音频特征，实现了对实时含碳量与实时温度的高精度计算。结合高准确性的预测含碳量、预测温度及高精度的实时含碳量与实时温度，通过动态规划算法计算补吹量与冷却剂加入量，提高补吹量与冷却剂加入量的精度，进而提高终点参数控制的精度及稳定性；另外，采用弹性权重固化算法与迁移学习实现模型在线自更新，在适应新工况的同时避免灾难性遗忘，保证了终点参数预测模型长期运行的鲁棒性。