基于改进自编码器的转炉炼钢工艺模式提取方法

摘要

转炉炼钢吹炼过程的控制主要包括供氧、造渣和底吹等工艺操作，吹炼过程控制的稳定性直接影响着终点钢水的质量.传统的静态控制模型以物料平衡和热平衡为基础获得吹炼过程工艺操作模式，未考虑以原料为主的标量型数据和以工艺参数为主的时序型数据之间的强耦合关系，导致传统静态模型的可靠性不高，需要依靠人工经验来调整工艺参数.为解决上述问题，提出一种基于改进自编码器的转炉炼钢工艺模式提取方法，该方法以自编码器为基础结构，使用全连接模块、长短期记忆网络模块、一维卷积模块和批量K-Means模块建立聚类模型，并联合聚类损失函数和重构损失函数实现模型的训练，获得原始高维数据在低维特征空间所对应的隐藏向量；在此基础上，利用隐藏向量完成聚类；最后，在属于不同聚类类别的数据中，寻找离各个聚类中心最近的样本，将最近样本的供氧、造渣和底吹工艺操作作为该类样本的工艺操作模式.利用转炉炼钢生产过程实际数据验证了所提方法的有效性，使用标量型数据和提取的工艺模式数据预测终点碳温，终点碳的质量分数在±0.02%误差范围内的平均命中率为95.06%，终点温度在±20℃误差范围内的平均命中率为91.48%，在终点碳的质量分数±0.02%、温度±20℃误差范围内的平均双命中率为90.80%.

关键词

转炉炼钢 / 多变量时间序列 / 工艺模式提取 / 长短期记忆网络 / 一维卷积神经网络

基金资助

5G+智慧钢铁行业应用研究资助项目(2020B0101130007)