CN113637819B - 一种基于深度强化学习的高炉布料方法及*** - Google Patents

一种基于深度强化学习的高炉布料方法及*** Download PDF

Info

Publication number
CN113637819B
CN113637819B CN202110937412.8A CN202110937412A CN113637819B CN 113637819 B CN113637819 B CN 113637819B CN 202110937412 A CN202110937412 A CN 202110937412A CN 113637819 B CN113637819 B CN 113637819B
Authority
CN
China
Prior art keywords
blast furnace
burden
reinforcement learning
burden distribution
distribution matrix
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
Application number
CN202110937412.8A
Other languages
English (en)
Other versions
CN113637819A (zh
Inventor
何树营
赵春鹏
李智杰
周春晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beris Engineering and Research Corp
Original Assignee
Beris Engineering and Research Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beris Engineering and Research Corp filed Critical Beris Engineering and Research Corp
Priority to CN202110937412.8A priority Critical patent/CN113637819B/zh
Publication of CN113637819A publication Critical patent/CN113637819A/zh
Application granted granted Critical
Publication of CN113637819B publication Critical patent/CN113637819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B7/00—Blast furnaces
    • C21B7/18—Bell-and-hopper arrangements
    • C21B7/20—Bell-and-hopper arrangements with appliances for distributing the burden
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本公开提供了一种基于深度强化学习的高炉布料方法，包括：获取高炉的实际料面状态数据；将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；通过优化的布料矩阵对高炉的布料***进行自主控制；其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响；本公开基于深度强化学习的方法，实现布料矩阵的优化，具备控制精度高、泛化性好、抗干扰能力强、灵活性高和寻优效率高等优点。

Description

一种基于深度强化学习的高炉布料方法及***
技术领域
本公开属于冶金技术领域，尤其涉及一种基于深度强化学习的高炉布料方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
高炉炼铁过程中存在着大量复杂的物理化学反应；高炉内部有两种物料反应；矿石、焦炭等固体原料采用无钟顶加料***加到炉膛内，利用一些辅助燃料，如氧气和煤粉，通过底部风口被装备到炉底，用一氧化碳热化学还原氧化铁矿石是高炉内部的主要原理；连续稳定的热环境是生产铁水的先决条件，炼铁过程的运行机理往往具有非线性、时滞大、噪声严重和参数分布等特点；因此，控制方法，特别是炉料的控制，主要是基于经验实现的；自动控制高炉炼铁工艺一直是学术界和工业界研究的热点。
炉料布料是高炉炼铁过程中非常重要的一环，最常用的炉料方式是无钟布料；矿石和焦炭进入平行或串联料斗后，通过旋转溜槽逐层布料；炉料面形状直接影响炼铁过程中的气流分布；一般情况下，V型料面配以合适的平台是有益的，能够满足气流量发展的标准：使中心气流量活跃，使边缘气流量抑制。炉料面的形状与高炉的运行状况密切相关，然而，关于如何根据实际料面情况设置布料矩阵布出最优料面形状的研究还很少；布料***输出的布料矩阵会影响炉料分布、配料周期、配料时间序列和铁的生产动态；此外，温度分布和气流分布还可以通过炉料分布输出特性进行调节，进而影响整个炉膛运行状态；实践和经验告诉我们，优化布料矩阵对于炉体稳定生产、平稳运行、降低事故率和燃料消耗具有重要意义。
发明内容
本公开为了解决上述问题，提出了一种基于深度强化学习的高炉布料方法及***，获取高炉炉料布料的历史数据，并将数据按照一定的规则存储在存储器中，利用历史数据和深度强化学习对高炉布料矩阵模型进行离线训练学习，高炉布料***利用已经训练好的模型通过观察高炉的实际环境对高炉布料实现自主控制。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本公开提供了一种基于深度强化学习的高炉布料方法，包括：
获取高炉的实际料面状态数据；
将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；
通过优化的布料矩阵对高炉的布料***进行自主控制；
其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响。
进一步的，高炉布料矩阵优化深度强化学习模型训练主要内容包括：
获取高炉布料历史数据，包括实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响；
从所述历史数据中批量选择一段数据；根据当前时刻的实际料面状态，制定当前时刻的布料策略设置布料矩阵；根据高炉料面实际反馈得到布料的实际奖励；并估计出下一时刻最优的料面状态和采取的最优的布料矩阵动作；
沿损失函数减小的梯度方向调整深度网络的权值；迭代训练直至深度网络达到最优。
进一步的，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，前时刻高炉料面状态、当前时刻的高炉布料的动作、当前动作获得的奖励值、该奖励值按设定好的奖励规则计算以及执行动作后下一时刻的高炉料面状态。
进一步的，所述高炉布料矩阵优化深度强化学习模型包括目标网络模块和预测网络模块，目标网络和预测网络沿损失函数梯度下降的方向交替更新权值，直至满足迭代条件生成最优布料矩阵优化模型。
进一步的，获取高炉的实际料面状态数据是连续的，获取每一时刻的实际料面的状态。
进一步的，所述高炉布料矩阵优化深度强化学习模型的输入状态值为连续获取的高炉实际的料面状态，输出的是布料矩阵，包括布料的角度和布料的圈数。
进一步的，对训练好的高炉布料矩阵优化深度强化学习模型进行封装集成为独立的***，并与布料和检测设备通信，实现布料的自主控制。
第二方面，本公开还提供了一种基于深度强化学习的高炉布料***，包括数据获取模块、优化模块和控制模块；
所述数据获取模块，被配置为：获取高炉的实际料面状态数据；
所述优化模块，被配置为：将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；
所述控制模块，被配置为：通过优化的布料矩阵对高炉的布料***进行自主控制；
其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响。
与现有技术相比，本公开的有益效果为：
本公开通过采集实际中高炉布料***的真实传感器数据，并对其进行规则化处理，利用深度强化学习对其布料矩阵的优化模型进行离线训练与学习生成各阶段最优模型，高炉的布料***通过训练后的高炉布料矩阵优化深度强化学习模型对高炉的布料进行自主控制；基于深度强化学习的高炉布料***自主布料智能控制，实现了布料矩阵的优化，具备控制精度高、泛化性好、抗干扰能力强、灵活性高和寻优效率高等优点。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本公开实施例1的流程图；
图2为本公开实施例1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公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
如图1所示，本实施例提供了一种基于深度强化学习的高炉布料方法及***，包括：
S1：获取高炉布料的历史经验数据，将历史数据存储到存储器中，获取的历史数据包括：实际料面的状态，采取的动作(布料矩阵)，实施布料矩阵后获得的奖励或惩罚和进行布料后对实际料面产生的影响也就是下一时刻的料面状态；
S2：根据高炉布料历史数据对高炉布料矩阵优化深度强化学习模型进行训练；
所述训练包括：从存储的历史数据中批量的选择出一段数据；根据当前时刻的实际料面状态，制定当前时刻的布料策略设置布料矩阵；根据高炉料面实际反馈得到布料的实际奖励；并估计出下一时刻最优的料面状态和采取的最优的布料矩阵动作，直至布料结束；沿损失函数减小的梯度方向调整深度网络的权值；迭代训练直至深度网络达到最优；
S3：通过训练后的高炉布料矩阵优化深度强化学习模型对高炉的布料***进行自主控制。
所述步骤S1中，所述高炉布料历史数据包括当前时刻高炉料面状态、设置的布料矩阵、实施布料矩阵获得的奖励以及下一时刻的料面状态；
所述步骤S1中，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(st,at,Rt,st+1)，其中，st为当前时刻高炉料面状态，at为当前时刻的高炉布料的动作也就是布料矩阵，at为当前动作获得的奖励值，该奖励值按设定好的奖励规则计算，st+1为执行at动作后下一时刻的高炉炉料料面状态。
所述步骤S2中，利用采集的高炉布料数据训练高炉布料矩阵优化深度强化学习模型；本实施例采用深度学习和强化学习相结合的学习方式，是一种智能体根据历史经验数据与环境交互的自主学习方法，本实施例的智能体是高炉布料***，根据实时的高炉料面状态，设置布料矩阵实施布料；
如图2所示，在本实施例中，高炉布料矩阵优化深度强化模型包括目标网络模块和预测网络模块；其中，预测网络模块估计高炉料面的状态，并输出高炉布料***在该状态下采用不同布料矩阵时的价值，根据估计出的高炉料面状态对应的动作价值进行最优布料矩阵动作的选择，并将选择到的最优布料矩阵动作反馈到目标网络模块中；目标网络模块主要负责评价的功能，对预测网络估计的状态值、动作值、最优状态以及最优动作进行评价，这样就使神经网络的选择与评估功能分离防止选择高估的价值，从而导致估值过于乐观。
通过随机批量选择历史数据来学习两个价值函数，并且在每次学习中更新预测网络的权值θ，在固定的学习次数间隔下更新目标网络的权值θ’。目标网络权值θ’是直接预测网络网络权值θ，不参与学习过程的实时更新。对于每次更新，一组权值用于确定贪婪策略，另一组权值用于确定贪婪策略的价值。
在本公开中将布料***的瞬时奖励函数设置为高炉实际料面与理想料面的差值，公式表示为：
rt＝-[ψ(x)-ξ(x)]2
其中，ψ(x)与ξ(x)分别为高炉理想料面函数和高炉实际料面函数；注意，实际料面函数与理想料面函数计算方法已经有很多学者研究出许多成熟的方法，在此不再详细阐述，本公开的重点是高炉的布料矩阵优化方法。
在本公开中我们重点关注的是布料***的长期奖励Rt，Rt定义为当前瞬时奖励与未来(无限长)瞬时奖励的总和；为了保证这个奖励的有限性，我们引入了一个未来奖励对当前奖励的折扣因子；为简单起见，这种假设通常是权数列几何级数的特殊形式：γ∈[0,1)中的某个固定值，未来某一时刻的折现因子为γ乘以前一时刻的折现因子。因此，布料***的长期奖励Rt可以表示为：
Figure BDA0003213321930000071
本公开主要针对布料矩阵的优化，布料矩阵由布料溜槽的角度和在此角度上的布料的圈数构成；定义布料角度和布料圈数联合决策集为角度和圈数决策集的笛卡儿积，At＝A1×A2；其中，A1表示布料角度决策集，A2表示布料圈数决策集。那么，布料***目标在任意时刻t通过选择最优决策
Figure BDA0003213321930000072
使长期收益最大化；表达为：
Figure BDA0003213321930000073
本实施例对热风炉深度强化模型的训练迭代过程为：
(1)将规则化的高炉布料数据存储在存储单元；
(2)均匀的从历史数据中随机的抽取小批量样本用于模型训练；
(3)通过价值函数计算状态价值和动作价值；
Figure BDA0003213321930000074
Figure BDA0003213321930000081
Figure BDA0003213321930000082
其中，Qπ(st,at)为动作价值函数，Vπ(st)为状态价值函数。
(4)使用损失函数，通过神经网络的梯度反向传播更新预测网络的所有权值；
Wt+1＝Wt-αgt
其中，W为神经网络权值，α为学习率，g为损失下降的梯度。
(5)迭代结束后利用生成的高炉布料矩阵优化深度强化学习模型进行模拟测试。
所述步骤S3中，对训练好的高炉布料矩阵优化深度强化学习模型进行封装集成为独立的***，并与溜槽等布料和检测设备通信，实现布料的自主控制。
实施例2：
本实施例提供了一种基于深度强化学习的高炉布料***，包括数据获取模块、优化模块和控制模块；
所述数据获取模块，被配置为：获取高炉的实际料面状态数据；
所述优化模块，被配置为：将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；
所述控制模块，被配置为：通过优化的布料矩阵对高炉的布料***进行自主控制；
其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1所述的基于深度强化学习的高炉布料方法。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1所述的基于深度强化学习的高炉布料方法。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.一种基于深度强化学习的高炉布料方法，其特征在于，包括：
获取高炉的实际料面状态数据；
将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；
通过优化的布料矩阵对高炉的布料***进行自主控制；
其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响；将布料***的瞬时奖励函数设置为高炉实际料面与理想料面的差值；
高炉布料矩阵优化深度强化学习模型训练内容包括：沿损失函数减小的梯度方向调整深度网络的权值；所述高炉布料矩阵优化深度强化学习模型包括目标网络模块和预测网络模块；目标网络和预测网络沿损失函数梯度下降的方向交替更新权值；预测网络模块估计高炉料面的状态，并输出高炉布料***在该状态下采用不同布料矩阵时的价值，根据估计出的高炉料面状态对应的动作价值进行布料矩阵动作的选择，并将选择到的最优布料矩阵动作反馈到目标网络模块中，目标网络模块负责评价功能，对预测网络估计的状态值、动作值、状态以及动作进行评价。
2.如权利要求1所述的一种基于深度强化学习的高炉布料方法，其特征在于，高炉布料矩阵优化深度强化学习模型训练主要内容包括：
获取高炉布料历史数据，包括实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响；
从所述历史数据中批量选择一段数据；根据当前时刻的实际料面状态，制定当前时刻的布料策略设置布料矩阵；根据高炉料面实际反馈得到布料的实际奖励；并估计出下一时刻最优的料面状态和采取的最优的布料矩阵动作；
沿损失函数减小的梯度方向调整深度网络的权值；迭代训练直至深度网络达到最优。
3.如权利要求2所述的一种基于深度强化学习的高炉布料方法，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，前时刻高炉料面状态、当前时刻的高炉布料的动作、当前动作获得的奖励值、该奖励值按设定好的奖励规则计算以及执行动作后下一时刻的高炉料面状态。
4.如权利要求2所述的一种基于深度强化学习的高炉布料方法，其特征在于，所述高炉布料矩阵优化深度强化学习模型包括目标网络模块和预测网络模块，目标网络和预测网络沿损失函数梯度下降的方向交替更新权值，直至满足迭代条件生成最优布料矩阵优化模型。
5.如权利要求1所述的一种基于深度强化学习的高炉布料方法，其特征在于，获取高炉的实际料面状态数据是连续的，获取每一时刻的实际料面的状态。
6.如权利要求1所述的一种基于深度强化学习的高炉布料方法，其特征在于，所述高炉布料矩阵优化深度强化学习模型的输入状态值为连续获取的高炉实际的料面状态，输出的是布料矩阵，包括布料的角度和布料的圈数。
7.如权利要求1所述的一种基于深度强化学习的高炉布料方法，其特征在于，对训练好的高炉布料矩阵优化深度强化学习模型进行封装集成为独立的***，并与布料和检测设备通信，实现布料的自主控制。
8.一种基于深度强化学习的高炉布料***，其特征在于，包括数据获取模块、优化模块和控制模块；
所述数据获取模块，被配置为：获取高炉的实际料面状态数据；
所述优化模块，被配置为：将所述实际料面状态数据输入到预设的高炉布料矩阵优化深度强化学习模型中，得到优化的布料矩阵；
所述控制模块，被配置为：通过优化的布料矩阵对高炉的布料***进行自主控制；
其中，所述高炉布料矩阵优化深度强化学习模型训练时，考虑实际料面状态、布料矩阵、实施布料矩阵后获得的奖励或惩罚以及进行布料后对实际料面产生的影响；将布料***的瞬时奖励函数设置为高炉实际料面与理想料面的差值；
高炉布料矩阵优化深度强化学习模型训练内容包括：沿损失函数减小的梯度方向调整深度网络的权值；所述高炉布料矩阵优化深度强化学习模型包括目标网络模块和预测网络模块；目标网络和预测网络沿损失函数梯度下降的方向交替更新权值；预测网络模块估计高炉料面的状态，并输出高炉布料***在该状态下采用不同布料矩阵时的价值，根据估计出的高炉料面状态对应的动作价值进行布料矩阵动作的选择，并将选择到的最优布料矩阵动作反馈到目标网络模块中，目标网络模块负责评价功能，对预测网络估计的状态值、动作值、状态以及动作进行评价。
9.一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于深度强化学习的高炉布料方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于深度强化学习的高炉布料方法。
CN202110937412.8A 2021-08-16 2021-08-16 一种基于深度强化学习的高炉布料方法及*** Active CN113637819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110937412.8A CN113637819B (zh) 2021-08-16 2021-08-16 一种基于深度强化学习的高炉布料方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110937412.8A CN113637819B (zh) 2021-08-16 2021-08-16 一种基于深度强化学习的高炉布料方法及***

Publications (2)

Publication Number Publication Date
CN113637819A CN113637819A (zh) 2021-11-12
CN113637819B true CN113637819B (zh) 2022-10-18

Family

ID=78422012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110937412.8A Active CN113637819B (zh) 2021-08-16 2021-08-16 一种基于深度强化学习的高炉布料方法及***

Country Status (1)

Country Link
CN (1) CN113637819B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106801114A (zh) * 2017-01-04 2017-06-06 东北大学 一种高炉布料过程布料矩阵优化方法及***
CN107119159A (zh) * 2017-06-14 2017-09-01 内蒙古科技大学 一种存在整数规划问题的高炉布料过程布料矩阵的优化方法
CN107245540A (zh) * 2017-06-14 2017-10-13 内蒙古科技大学 一种高炉布料过程径向料层厚度分布的控制策略
CN112359159A (zh) * 2020-11-10 2021-02-12 中冶东方工程技术有限公司 一种基于深度强化学习的热风炉自动烧炉方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106801114A (zh) * 2017-01-04 2017-06-06 东北大学 一种高炉布料过程布料矩阵优化方法及***
CN107119159A (zh) * 2017-06-14 2017-09-01 内蒙古科技大学 一种存在整数规划问题的高炉布料过程布料矩阵的优化方法
CN107245540A (zh) * 2017-06-14 2017-10-13 内蒙古科技大学 一种高炉布料过程径向料层厚度分布的控制策略
CN112359159A (zh) * 2020-11-10 2021-02-12 中冶东方工程技术有限公司 一种基于深度强化学习的热风炉自动烧炉方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机理、数据和知识的大型高炉冶炼过程建模研究;李军朋等;《上海交通大学学报》;20181028(第10期);全文 *
高炉料面形状双驱动模型研究;张森等;《控制理论与应用》;20200515(第05期);全文 *

Also Published As

Publication number Publication date
CN113637819A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN106096788B (zh) 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及***
CN108676955B (zh) 一种转炉炼钢终点碳含量和温度控制方法
Wang et al. Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction
CN106119458B (zh) 基于bp神经网络的转炉炼钢工艺成本控制方法及***
CN106022377A (zh) 一种铁矿烧结料层透气性状态的在线预测方法
Hu et al. Hybrid modeling and online optimization strategy for improving carbon efficiency in iron ore sintering process
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
CN106873379A (zh) 一种基于迭代adp算法的污水处理最优控制方法
CN106054836B (zh) 基于grnn的转炉炼钢工艺成本控制方法及***
CN107299170B (zh) 一种高炉铁水质量鲁棒软测量方法
CN109359320B (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
An et al. A multi-time-scale fusion prediction model for the gas utilization rate in a blast furnace
CN108153146B (zh) 一种高炉多元铁水质量无模型自适应控制***及方法
CN106096724B (zh) 基于elm神经网络的转炉炼钢工艺成本控制方法及***
CN112359159B (zh) 一种基于深度强化学习的热风炉自动烧炉方法及***
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
Li et al. Multi-model control of blast furnace burden surface based on fuzzy SVM
Liu et al. Reinforcement learning based decision making of operational indices in process industry under changing environment
CN105574297A (zh) 自适应高炉铁水硅含量趋势预报方法
Li et al. Burden surface decision using MODE with TOPSIS in blast furnace ironmkaing
CN110373510B (zh) 一种基于双模态切换的钢水质量窄窗口控制方法及***
CN115522012A (zh) 一种大型转炉控制tsc阶段吹氧量的方法
Huang et al. Two-stage decision-making method for burden distribution based on recognition of conditions in blast furnace
CN113637819B (zh) 一种基于深度强化学习的高炉布料方法及***
Yüzgeç Performance comparison of differential evolution techniques on optimization of feeding profile for an industrial scale baker’s yeast fermentation process

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