CN112359159B - 一种基于深度强化学习的热风炉自动烧炉方法及*** - Google Patents
一种基于深度强化学习的热风炉自动烧炉方法及*** Download PDFInfo
- Publication number
- CN112359159B CN112359159B CN202011247353.3A CN202011247353A CN112359159B CN 112359159 B CN112359159 B CN 112359159B CN 202011247353 A CN202011247353 A CN 202011247353A CN 112359159 B CN112359159 B CN 112359159B
- Authority
- CN
- China
- Prior art keywords
- hot blast
- blast stove
- burning
- action
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B9/00—Stoves for heating the blast in blast furnaces
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B9/00—Stoves for heating the blast in blast furnaces
- C21B9/10—Other details, e.g. blast mains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于深度强化学习的热风炉自动烧炉方法及***,包括:获取热风炉历史烧炉数据;根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行训练;所述训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;根据不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。采用深度强化学习离线学习的方法实现热风炉的自动烧炉,控制精度高,泛化性好,抗干扰能力强。
Description
技术领域
本发明涉及冶金行业高炉炼铁技术领域,特别是涉及一种基于深度强化学习的热风炉自动烧炉方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
钢铁工业生产生铁的主要设备为高炉,其原理是将热风炉产生的高温热风鼓入高炉燃烧焦炭,将铁矿石还原为铁水。炼铁生产过程中消耗的大约四分之一的热量是热风炉供给高炉的热风提供的,高炉热风炉的作用是在安全平稳的前提下为高炉提供尽可能高的风温,进而降低高炉焦炭用量,实现节能降耗。
为了提高高炉热风炉送风温度,需要提高热风炉的拱顶温度和蓄热量,实现热风炉助燃空气及煤气的合理燃烧,从而充分利用煤气能量,实现最低能源消耗条件下的最大蓄热量,保证送风期间冷风与热风炉内的蓄热耐火砖之间的最大程度热交换,实现高温度风量的送风。因此,热风炉燃烧控制效果的好坏直接影响着热风炉的送风温度及高炉炼铁的整体能耗水平。
目前关于热风炉自动烧炉的方法涉及多种,发明人认为,现有方法虽然在一定程度上能够解决热风炉自动烧炉的控制问题,但是又分别存在较多的局限性,具体为:
(1)数学模型方法。该方法的优点是控制合理、准确、效率高,缺点是需要测量的参数较多,成本高,尤其在中小型企业中很难实现,因此该方法的使用受到限制。
(2)模糊控制方法。该方法的优点是能够较好控制热风炉拱顶温度,缺点是空燃比的调节方向需要摸索和试探,因而造成调节时间长,效率低。
(3)模糊神经网络控制方法。该方法属于混合控制方式,采用模糊模型将一些参数的经验知识转换到神经网络中,修正物理模型的参数;该方法优点是自学习能力强,缺点是控制***的输出与输入关系不容易被接受,抗干扰能力差。
(4)专家***控制方法。该方法控制精度高,实效性好,且相对较为灵活,可靠性高;但这种方法存在“知识获取瓶颈”难题,较难归纳和提取控制规则。
发明内容
为了解决上述问题,本发明提出了一种基于深度强化学习的热风炉自动烧炉方法及***,获取热风炉历史烧炉数据,并对其进行规则化处理,利用深度强化学习对热风炉不同燃烧阶段进行离线训练与学习生成各阶段模型,热风炉二级***通过各阶段模型实现对热风炉的自动烧炉控制。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于深度强化学习的热风炉自动烧炉方法,包括:
获取热风炉历史烧炉数据;
根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行训练;
所述训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
第二方面,本发明提供一种基于深度强化学习的热风炉自动烧炉***,包括:
数据获取模块,用于获取热风炉历史烧炉数据;
模型训练模块,用于根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行训练;
所述训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
自动控制模块,用于根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明通过采集真实热风炉烧炉过程中的传感器数据,并对其进行规则化处理,利用深度强化学习对其不同燃烧阶段进行离线训练与学习生成各阶段模型,热风炉二级***通过各阶段模型对热风炉进行自动烧炉控制。基于深度强化离线学习的方法为高炉提供高温热风的热风炉自动烧炉智能控制,实现热风炉的自动烧炉,具备控制精度高、泛化性好、抗干扰能力强、灵活性高、寻优效率高等优点。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于深度强化学习的热风炉自动烧炉方法流程图;
图2为本发明实施例1提供的深度强化学习结构框图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于深度强化学习的热风炉自动烧炉方法,包括:
S1:获取热风炉历史烧炉数据;
S2:根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行训练;
所述训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
S3:根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
所述步骤S1中,所述热风炉历史烧炉数据包括拱顶温度,废气温度,废气残氧量,煤气流量,空气流量、不同阶段烧炉时间等;
所述步骤S1中,对获取的热风炉历史烧炉数据按照不同的燃烧阶段进行规则化处理,还可将热风炉历史烧炉数据按照不同的燃烧阶段,存储到不同的数据表中;
规则化数据格式为五元组(sj,aj,Rj,s′j,is_endj),其中,sj为当前时刻热风炉状态,aj为当前时刻的烧炉控制动作,可以为空气流量增大还是减小,Rj为当前动作获得的奖励值,该值按照设定好的奖惩规则计算,s′j为执行aj动作后下一时刻的热风炉反馈的状态,is_endj为阶段结束标识符,如当拱顶温度、废气残氧量不在安全区间内或阶段正常燃烧结束时is_endj=True。
所述步骤S2中,利用规则化数据建立热风炉深度强化学习模型;本实施例采用深度学习和强化学习相结合的学习方式,是一种智能体基于环境模型的自学习方法,本实施例的智能体是热风炉煤气、空气流量调节阀门,根据环境状态的反馈动态,调节阀门的开大与关小;
不同燃烧阶段的热风炉深度强化模型包括热风炉快速燃烧期深度强化模型和热风炉蓄热期深度强化模型,
其中,热风炉快速燃烧期中,根据热风炉快速燃烧期规则化数据建立热风炉快速燃烧期深度强化模型,该燃烧阶段需要以最快的速度和最佳的空燃比烧至设定的拱顶温度,控制方式主要通过保持煤气最大流量状态不变,不断调节空气流量,寻找最优空燃比;深度强化学习的输入状态值sj为连续4个采样时刻的拱顶温度、空气流量、废气残氧量,输出控制量为aj空气流量增大或减小;
在本实施例中,热风炉快速燃烧期深度强化模型包括目标网络模块和预测网络模块,如图2所示,其中,目标网络模块用于抽象热风炉拱顶温度和废气残氧量的状态,并输出热风炉在该状态下对应不同空气流量调节动作时的价值,根据抽象出的热风炉状态对应的动作价值进行最优空气流量调节动作的选择,并将选择到的最优空气流量调节动作反馈到预测网络模块中;
预测网络模块给予强化学习智能体奖惩值和状态转移信息,并确定可供智能体选择的动作空间,同时使用预测网络估计目标网络中Qmax(s',a')的最大动作值,然后预测网络估计出的动作选择目标网络中的Q(s'),有效解决过估计问题。
在本实施例中,强化学习部分还包括状态转移单元、动作空间单元以及奖惩函数单元。其中,状态转移单元根据热风炉前一时刻的状态值和当前时刻动作对当前时刻热风炉状态值实施状态转移;动作空间单元用于根据热风炉当前状态值确定可供调节的动作范围;奖惩函数单元用于根据当前动作和环境反馈的下一状态计算输出的奖惩值。
奖惩函数公式如下:
R=R1(A)+R2(B)
其中,R为奖惩值,R1(A)和R2(B)分别为拱顶温度变化率差值评分和废气残氧量评分。
在本实施例中,燃烧阶段还包括热风炉蓄热期,根据热风炉蓄热期规则化数据建立热风炉蓄热期深度强化模型,该燃烧阶段需要维持拱顶温度在目标值,同时保持废气中残氧在正常值区间,节省煤气量,控制方式主要通过保持空气流量状态不变,不断的调节煤气流量;深度强化学习的输入状态值为拱顶温度、煤气流量、废气残氧量,输出控制量为煤气流量;
热风炉蓄热期深度强化模型与热风炉快速燃烧期深度强化模型相同,不同之处在于:(1)输入输出不同;(2)奖惩函数不同。
热风炉蓄热期深度强化模型的奖惩函数为:
正常拱顶温度区间为[1250,1350],正常废气残氧量区间为[0.2%~0.8%],当不在这两个区间时代表一个周期结束,计算周期内总得分,结束的越早得分越低。
本实施例对热风炉深度强化模型的训练迭代过程为:
(1)将规则化的烧炉数据放入回放记忆单元;
(2)均匀的从回放记忆单元抽取小批量样本;
(3)使用目标网络计算目标值;
(5)迭代结束后利用生成的热风炉深度强化模型进行模拟测试。
所述步骤S3中,对训练好的各阶段热风炉深度强化模型进行封装集成为独立的***,按照不同燃烧阶段开放不同接口用于与热风炉二级***进行通信;
热风炉二级***包含有燃烧状态判断器,根据不同燃烧阶段调用深度强化模型进行下一步流量的控制,以实现对热风炉的自动烧炉控制。
实施例2
本实施例提供一种基于深度强化学习的热风炉自动烧炉***,包括:
数据获取模块,用于获取热风炉历史烧炉数据;
模型训练模块,用于根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行训练;
所述训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
自动控制模块,用于根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
此处需要说明的是,上述模块对应于实施例1中的步骤S1至S3,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于深度强化学习的热风炉自动烧炉方法,其特征在于,包括:
获取热风炉历史烧炉数据;
所述热风炉历史烧炉数据包括拱顶温度、废气温度、废气残氧量、煤气流量、空气流量和不同燃烧阶段的烧炉时刻;
根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行离线训练;
所述热风炉深度强化模型包括目标网络模块和预测网络模块,所述目标网络计算目标烧炉动作值,根据目标烧炉动作值采用均方差损失函数,通过梯度反向传播更新预测网络模块,直至满足迭代条件生成热风炉深度强化模型;
所述离线训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
2.如权利要求1所述的一种基于深度强化学习的热风炉自动烧炉方法,其特征在于,对获取的热风炉历史烧炉数据按照不同的燃烧阶段进行规则化处理,所述规则化处理的数据格式为五元组(sj,aj,Rj,s′j,is_endj),其中,sj为当前时刻热风炉状态,aj为当前时刻的烧炉动作,Rj为当前烧炉动作的奖惩值,s′j为执行aj动作后下一时刻的热风炉反馈状态,is_endj为燃烧阶段结束标识符。
3.如权利要求1所述的一种基于深度强化学习的热风炉自动烧炉方法,其特征在于,不同燃烧阶段的热风炉深度强化模型包括热风炉快速燃烧期深度强化模型和热风炉蓄热期深度强化模型。
4.如权利要求3所述的一种基于深度强化学习的热风炉自动烧炉方法,其特征在于,所述热风炉快速燃烧期深度强化模型的输入状态值为连续采样时刻的拱顶温度、空气流量和废气残氧量,输出控制量为空气流量增大或减小。
5.如权利要求3所述的一种基于深度强化学习的热风炉自动烧炉方法,其特征在于,所述热风炉蓄热期深度强化模型的输入状态值为拱顶温度、煤气流量和废气残氧量,输出控制量为煤气流量,保持空气流量状态不变,调节煤气流量。
6.一种基于深度强化学习的热风炉自动烧炉***,其特征在于,包括:
数据获取模块,用于获取热风炉历史烧炉数据;
所述热风炉历史烧炉数据包括拱顶温度、废气温度、废气残氧量、煤气流量、空气流量和不同燃烧阶段的烧炉时刻;
模型训练模块,用于根据历史烧炉数据对不同燃烧阶段的热风炉深度强化模型进行离线训练;
所述热风炉深度强化模型包括目标网络模块和预测网络模块,所述目标网络计算目标烧炉动作值,根据目标烧炉动作值采用均方差损失函数,通过梯度反向传播更新预测网络模块,直至满足迭代条件生成热风炉深度强化模型;
所述离线训练包括:根据前一时刻热风炉状态和烧炉动作,预测当前热风炉状态下烧炉动作的动作范围以及执行烧炉动作后下一时刻的热风炉反馈状态;根据热风炉反馈状态得到烧炉动作奖惩值,并以此选择当前热风炉状态下的最优烧炉动作;迭代计算当前燃烧阶段下每个时刻的最优烧炉动作;
自动控制模块,用于根据训练后的不同燃烧阶段的热风炉深度强化模型对热风炉进行自动烧炉控制。
7.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247353.3A CN112359159B (zh) | 2020-11-10 | 2020-11-10 | 一种基于深度强化学习的热风炉自动烧炉方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247353.3A CN112359159B (zh) | 2020-11-10 | 2020-11-10 | 一种基于深度强化学习的热风炉自动烧炉方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112359159A CN112359159A (zh) | 2021-02-12 |
CN112359159B true CN112359159B (zh) | 2022-05-03 |
Family
ID=74508590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011247353.3A Active CN112359159B (zh) | 2020-11-10 | 2020-11-10 | 一种基于深度强化学习的热风炉自动烧炉方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112359159B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113251670B (zh) * | 2021-05-28 | 2021-10-26 | 江苏永联慧科物联技术有限公司 | 热风炉控制、训练方法、装置、设备、热风炉***及介质 |
CN113637819B (zh) * | 2021-08-16 | 2022-10-18 | 中冶东方工程技术有限公司 | 一种基于深度强化学习的高炉布料方法及*** |
CN114875189B (zh) * | 2022-05-12 | 2024-02-02 | 南京科远智慧科技集团股份有限公司 | 一种基于数据分析的热风炉无流量计控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162731A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 一种高炉热风炉燃烧效果在线分析及量化方法 |
CN109489261A (zh) * | 2018-12-05 | 2019-03-19 | 江苏恒创软件有限公司 | 一种能够实时监控的热风炉智能化控制装置 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110766169A (zh) * | 2019-10-31 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 强化学习的迁移训练优化方法、装置、终端及存储介质 |
-
2020
- 2020-11-10 CN CN202011247353.3A patent/CN112359159B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162731A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 一种高炉热风炉燃烧效果在线分析及量化方法 |
CN109489261A (zh) * | 2018-12-05 | 2019-03-19 | 江苏恒创软件有限公司 | 一种能够实时监控的热风炉智能化控制装置 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110766169A (zh) * | 2019-10-31 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 强化学习的迁移训练优化方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112359159A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112359159B (zh) | 一种基于深度强化学习的热风炉自动烧炉方法及*** | |
CN102912055B (zh) | 一种高炉热风炉智能优化控制*** | |
CN110205427B (zh) | 一种智能热风炉优化控制***及方法 | |
CN100349081C (zh) | 一种高炉热风炉***协调控制方法 | |
CN105423334B (zh) | 热风炉燃烧过程智能控制***及方法 | |
CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制***及方法 | |
CN103019097B (zh) | 一种轧钢加热炉优化控制*** | |
CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
CN102031319B (zh) | 一种高炉铁水含硅量的预报方法 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN110427715B (zh) | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 | |
CN103243190B (zh) | 一种预测热风炉煤气消耗量的方法 | |
CN105907906A (zh) | 球式热风炉烧炉过程建模与能耗优化方法及*** | |
CN108426266A (zh) | 锅炉燃烧控制***和方法 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN114737003B (zh) | 一种基于蓄热模型的高炉热风炉燃烧自动控制方法及*** | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN111795584B (zh) | 降低加热炉燃烧废气中氮氧化物含量的控制方法和装置 | |
CN114675543B (zh) | 基于优化学习算法的热风炉智能燃烧控制方法 | |
CN114610093B (zh) | 一种基于热风炉可变周期预测的烧炉送风控制方法 | |
CN101403567A (zh) | 基于svm的电弧炉终点温度预报*** | |
CN106011353A (zh) | 一种高炉热风炉空燃比自寻优方法 | |
CN109055640B (zh) | 一种精确控制高炉热风炉烧炉烟道温度的方法及装置 | |
CN103162731A (zh) | 一种高炉热风炉燃烧效果在线分析及量化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |