一种基于机器学习的冶炼工艺参数优化方法

本发明涉及机器学习，尤其涉及一种基于机器学习的冶炼工艺参数优化方法。

背景技术：

1、冶炼生产过程中，供氧流量、电极功率、燃料加入量、还原剂加入量和造渣剂加入量等工艺参数会直接影响炉内温度、炉内压力、烟气成分、金属液成分以及产品终点成分。现有冶炼工艺控制通常依赖工艺经验、固定工艺制度、历史炉次统计结果和在线检测数据，由操作人员或控制系统根据温度、成分和设备状态对工艺参数进行调整。随着冶炼过程数据规模增大，部分生产系统开始采用数据分析模型预测炉况变化和终点质量，并根据预测结果给出参数调整建议，以降低人工经验差异对冶炼稳定性的影响。

2、现有机器学习优化方法通常将历史炉次划分为相似工况样本，再利用聚类模型、时间序列模型或图神经网络模型预测温度变化、成分变化或终点质量，并根据预测值选择参数调整方案。此类方法能够提高部分场景下的参数推荐效率，但多数方法仍以变量相关性或单步预测结果作为调整依据，对工艺参数调整事件、炉况响应时滞、设备执行状态和终点成分合格性之间的连续关系刻画不足，导致推荐轨迹容易出现响应错位、路径不连续和执行后偏差无法及时修正的问题。

3、因此，如何提供一种基于机器学习的冶炼工艺参数优化方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于机器学习的冶炼工艺参数优化方法，本发明利用denclue算法和改进mtgnn模型，对炉次冶炼运行数据中的工艺参数调整事件、炉况响应状态、设备运行状态和产品终点成分数据进行联合分析，详细描述了从参数响应密度吸引子构建、目标质量吸引路径检索、当前炉况吸引子匹配、候选工艺参数轨迹预测到执行反馈更新的完整过程，实现了冶炼工艺参数轨迹的连续优化。相较于仅依据单点预测值或经验规则调整参数的方式，本发明能够保持参数调整路径连续，降低炉况响应时滞造成的预测偏差，提高终点成分合格率、设备执行安全性和冶炼控制稳定性。

2、根据本发明实施例的一种基于机器学习的冶炼工艺参数优化方法，包括：

3、采集炉次冶炼运行数据，并对炉次冶炼运行数据进行预处理，得到历史炉次冶炼工艺状态序列和当前炉次冶炼工艺状态序列；

4、提取历史炉次状态序列中的工艺参数调整事件，构建参数响应状态节点序列；

5、基于参数响应状态节点序列执行denclue算法，进行参数作用相位约束、参数响应转移可达性约束和目标质量路径约束，计算密度贡献，形成参数响应密度吸引子、参数响应转移边、参数响应吸引路径图和目标质量吸引子；

6、基于当前炉次状态序列定位当前起始吸引子，检索通向目标质量吸引子的合格参数响应吸引路径，提取参数响应转移边并组合候选工艺参数轨迹集合；

7、基于当前炉况状态、当前起始吸引子和候选工艺参数轨迹集合构建改进mtgnn模型，结合参数响应转移边执行路径约束传播、时滞对齐传播和吸引子顺序保持预测，生成预测吸引路径；

8、将预测吸引路径与合格参数响应吸引路径进行匹配校核，并结合目标质量吸引子到达状态、设备运行状态和产品成分状态筛选候选工艺参数轨迹集合，形成目标工艺参数轨迹；

9、发送目标工艺参数轨迹的当前参数控制段，结合参数响应密度吸引子匹配炉况响应与终止吸引子，按匹配结果发送下一参数控制段或更新目标工艺参数轨迹。

10、可选的，所述炉次冶炼运行数据具体包括炉次标识、采集时间戳、供氧流量数据、电极功率数据、燃料加入量数据、还原剂加入量数据、造渣剂加入量数据、炉内温度数据、炉内压力数据、烟气成分数据、金属液成分数据、设备运行状态数据和产品终点成分数据。

11、可选的，所述对炉次冶炼运行数据进行预处理，包括

12、按照炉次标识对炉次冶炼运行数据进行分组，将炉次生产状态为已完成且具有产品终点成分数据的炉次划分为历史炉次，将炉次生产状态为正在冶炼且尚未形成产品终点成分数据的炉次划分为当前炉次；

13、对划分后的历史炉次和当前炉次内的炉次冶炼运行数据，按照采集时间戳进行排序、时间对齐、缺失补全、异常剔除和数值归一化，分别形成历史炉次状态序列和当前炉次状态序列。

14、可选的，所述构建参数响应状态节点序列，包括：

15、基于历史炉次状态序列中的工艺参数数据和设备运行状态数据，筛选工艺参数发生变化且设备运行状态为正常执行状态的采样位置，确定工艺参数调整事件；

16、围绕工艺参数调整事件提取调整前炉况状态、工艺参数变化过程、响应时间和炉况响应状态，组成参数响应状态节点；

17、按照采集时间戳排列同一工艺参数调整事件对应的参数响应状态节点，构建参数响应状态节点序列。

18、可选的，所述形成参数响应密度吸引子、参数响应转移边、参数响应吸引路径图和目标质量吸引子，包括：

19、基于参数响应状态节点序列执行denclue算法，按照工艺参数调整事件、调整前炉况状态和炉况响应状态检索调整前炉况匹配且未发生同类工艺参数调整事件的历史片段，得到实际响应片段和对照响应片段；

20、对实际响应片段和对照响应片段执行反事实参数响应消融，保留由供氧流量数据、电极功率数据、燃料加入量数据、还原剂加入量数据或造渣剂加入量数据变化引起的节点，得到有效参数响应状态节点序列；

21、按照烟气成分数据、炉内温度数据、炉内压力数据和金属液成分数据的变化位置执行响应时滞流形折叠，并通过参数作用相位约束保留顺序相位节点、抑制逆向相位节点和跳跃相位节点，得到相位约束节点序列；

22、从产品终点成分数据合格且设备运行状态数据正常的历史炉次中确定目标质量吸引子种子，沿工艺参数调整事件和相位约束节点序列执行目标质量回溯生长，并通过目标质量路径约束保留可达节点、抑制不可达节点，得到目标质量回溯节点序列；

23、对目标质量回溯节点序列中相邻节点执行参数响应转移可达性约束，保留转移可达节点，计算密度贡献并确定参数响应密度吸引子，连接相邻参数响应密度吸引子生成参数响应转移边和参数响应吸引路径图，将产品终点成分数据合格且设备运行状态数据正常的路径终点确定为目标质量吸引子。

24、可选的，所述提取参数响应转移边并组合候选工艺参数轨迹集合，包括：

25、基于当前炉次状态序列中的工艺参数状态和炉况响应状态，将当前炉况响应状态与参数响应密度吸引子进行匹配，确定当前起始吸引子；

26、以当前起始吸引子为路径起点、目标质量吸引子为路径终点，在参数响应吸引路径图中检索参数响应吸引路径，并按照设备运行状态正常、产品终点成分合格和参数响应转移边连续筛选，得到合格参数响应吸引路径；

27、基于合格参数响应吸引路径中的参数响应转移边，提取供氧流量数据、电极功率数据、燃料加入量数据、还原剂加入量数据和造渣剂加入量数据的调整方向、调整幅度和执行顺序，组合形成候选工艺参数轨迹集合。

28、可选的，所述生成预测吸引路径，包括：

29、构建改进mtgnn模型，改进mtgnn模型包括状态编码模块、转移图构建模块、转移传播模块和路径预测模块；

30、状态编码模块基于当前炉况状态、当前起始吸引子、参数响应密度吸引子和历史执行反馈记录，执行吸引子态空间重参数化和反馈同化，将当前炉况状态及执行后炉况响应映射为当前吸引子态编码；

31、转移图构建模块基于候选工艺参数轨迹集合中的工艺参数调整事件和参数响应转移边，执行转移边事件驱动构建，将参数响应密度吸引子作为图节点，将参数响应转移边作为事件触发有向边，生成候选参数响应转移图；

32、转移传播模块基于当前吸引子态编码和候选参数响应转移图，沿候选工艺参数轨迹集合限定的参数响应转移边执行路径约束传播，沿当前起始吸引子至目标质量吸引子的方向执行正向传播，沿目标质量吸引子至当前起始吸引子的方向执行反向牵引，并沿产品终点成分数据不合格、设备运行状态数据异常的路径执行反证阻断和时滞对齐传播，生成双向约束转移传播序列；

33、路径预测模块基于双向约束转移传播序列、候选工艺参数轨迹集合和历史执行反馈记录，执行吸引子顺序保持预测，根据预测目标端参数响应密度吸引子与候选工艺参数轨迹集合中对应目标端参数响应密度吸引子的匹配结果生成吸引子跃迁残差，并按照吸引子跃迁残差及历史执行反馈记录修正转移传播强度，生成预测吸引路径；

34、对改进mtgnn模型进行训练，采用路径匹配误差、目标质量吸引子到达误差和吸引子跃迁残差作为优化目标，持续优化状态编码模块、转移图构建模块、转移传播模块和路径预测模块的参数，当连续10轮训练的总误差下降幅度均小于0.001时，停止训练，得到训练完成的改进mtgnn模型。

35、可选的，所述执行吸引子态空间重参数化和反馈同化，包括：

36、基于当前炉况状态中的炉内温度数据、炉内压力数据、烟气成分数据和金属液成分数据，并与各参数响应密度吸引子对应的炉况响应状态进行偏差计算，得到吸引子匹配结果；

37、以参数响应密度吸引子作为状态坐标，以相位位置和邻接参数响应转移边作为转移坐标，构建吸引子态空间，并根据吸引子匹配结果将当前炉况状态投影至吸引子态空间，生成当前吸引子态编码；

38、基于历史执行反馈记录读取上一参数控制段执行后炉况响应对应的参数响应密度吸引子和上一参数响应转移边目标端参数响应密度吸引子，按照两者匹配结果修正当前吸引子态编码和对应参数响应转移边的传播强度，得到反馈同化后的当前吸引子态编码。

39、可选的，所述形成目标工艺参数轨迹，包括：

40、基于预测吸引路径和合格参数响应吸引路径中的参数响应密度吸引子排列顺序及参数响应转移边连接关系，进行匹配校核，得到路径匹配结果；

41、根据路径匹配结果校核预测吸引路径是否到达目标质量吸引子，及对应设备运行状态数据是否正常、产品终点成分数据是否合格，得到轨迹校核结果；

42、根据轨迹校核结果，从候选工艺参数轨迹集合中保留路径匹配、目标质量吸引子到达、设备运行状态正常且产品终点成分合格的候选工艺参数轨迹，形成目标工艺参数轨迹。

43、可选的，所述发送下一参数控制段或更新目标工艺参数轨迹，包括：

44、基于目标工艺参数轨迹的当前参数控制段，确定供氧流量数据、电极功率数据、燃料加入量数据、还原剂加入量数据和造渣剂加入量数据的调整方向、调整幅度和执行顺序，并发送至冶炼执行设备；

45、采集当前参数控制段执行后的炉内温度数据、炉内压力数据、烟气成分数据和金属液成分数据，确定执行后炉况响应对应的参数响应密度吸引子，并与当前参数响应转移边目标端参数响应密度吸引子匹配，生成执行反馈记录；

46、执行反馈记录为匹配一致时发送下一参数控制段，执行反馈记录为匹配不一致时，将执行后炉况响应对应的参数响应密度吸引子写入当前吸引子态编码，并更新目标工艺参数轨迹。

47、本发明的有益效果是：

48、本发明一种基于机器学习的冶炼工艺参数优化方法通过采集炉次冶炼运行数据，并对工艺参数调整事件、炉况响应状态、设备运行状态和产品终点成分数据进行统一处理，使冶炼工艺参数优化不再依赖单一预测值或人工经验判断。通过denclue算法形成参数响应密度吸引子、参数响应转移边和参数响应吸引路径图，能够将历史炉次中有效的参数调整过程转化为可检索、可校核的响应路径，提高当前炉况与历史有效工艺路径之间的匹配准确性。

49、本发明通过改进mtgnn模型对当前炉况状态、当前起始吸引子、候选工艺参数轨迹集合和历史执行反馈记录进行联合预测，能够在保持吸引子顺序和参数响应转移边连续的条件下生成预测吸引路径，减少炉况响应时滞、设备执行偏差和异常历史路径对参数推荐结果的影响。通过执行反馈记录对目标工艺参数轨迹进行更新，能够在当前参数控制段执行后及时校正后续控制段，提高产品终点成分合格率、冶炼过程稳定性和设备运行安全性。