EA045556B1 - METHOD AND COMPUTER SYSTEM FOR FORMING WORKING INSTRUCTIONS FOR THERMAL CONTROL OF A BLAST FURNACE - Google Patents
METHOD AND COMPUTER SYSTEM FOR FORMING WORKING INSTRUCTIONS FOR THERMAL CONTROL OF A BLAST FURNACE Download PDFInfo
- Publication number
- EA045556B1 EA045556B1 EA202390995 EA045556B1 EA 045556 B1 EA045556 B1 EA 045556B1 EA 202390995 EA202390995 EA 202390995 EA 045556 B1 EA045556 B1 EA 045556B1
- Authority
- EA
- Eurasian Patent Office
- Prior art keywords
- data
- blast furnace
- model
- machine learning
- domain
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 91
- 238000010801 machine learning Methods 0.000 claims description 66
- 239000007789 gas Substances 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 46
- 230000002787 reinforcement Effects 0.000 claims description 43
- 239000002184 metal Substances 0.000 claims description 33
- 229910052751 metal Inorganic materials 0.000 claims description 33
- 239000012071 phase Substances 0.000 claims description 32
- 230000009471 action Effects 0.000 claims description 26
- 238000011022 operating instruction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 239000007790 solid phase Substances 0.000 claims description 23
- 230000001052 transient effect Effects 0.000 claims description 22
- 210000004027 cell Anatomy 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 230000001331 thermoregulatory effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 14
- 239000003245 coal Substances 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000011068 loading method Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 210000005056 cell body Anatomy 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 33
- 238000003860 storage Methods 0.000 description 15
- 238000013459 approach Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 239000000571 coke Substances 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011157 data evaluation Methods 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 229910052774 Proactinium Inorganic materials 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000005085 air analysis Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002801 charged material Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000013064 process characterization Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000028016 temperature homeostasis Effects 0.000 description 1
- 229910052716 thallium Inorganic materials 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Description
Область техникиTechnical field
Настоящее изобретение относится к системе для управления доменной печью, и более конкретно относится к способу, компьютерным программным продуктам и системам для использования способа машинного обучения для генерирования рабочих инструкций для доменной печи.The present invention relates to a system for controlling a blast furnace, and more particularly relates to a method, computer program products and systems for using a machine learning method to generate operating instructions for a blast furnace.
Предпосылки создания изобретенияPrerequisites for creating the invention
Доменные печи используются для производства расплавленного чугуна в качестве сырьевого материала для стали. Доменная печь имеет много подлежащих моделированию сложных процессов, поскольку они зависят от многовариантных входных данных процессов и помех. Целью является снижение потребления топлива для оптимизации общей эффективности печи и стабильности, качества плавленого чугуна, а также улучшение срока службы печи. Следовательно, желательно обеспечить оптимизированные рабочие инструкции для определения комплексной цели производства.Blast furnaces are used to produce molten pig iron as a raw material for steel. A blast furnace has many complex processes to model because they depend on multiple process inputs and disturbances. The goal is to reduce fuel consumption to optimize overall furnace efficiency and stability, molten iron quality, and improve furnace life. Therefore, it is desirable to provide optimized work instructions to define a comprehensive production goal.
Краткое изложение сущности изобретенияSummary of the invention
Эта техническая проблема решена посредством признаков независимых пунктов формулы изобретения посредством модели обучения с подкреплением (RL), реализованной посредством рекуррентной нейронной сети для формирования рабочих инструкций для терморегулирования доменной печи. Рабочие инструкции относятся к соответствующим терморегулирующим действиям.This technical problem is solved by the features of the independent claims through a reinforcement learning (RL) model implemented through a recurrent neural network to generate operating instructions for thermal control of a blast furnace. Operating instructions refer to appropriate temperature control actions.
Использованное здесь терморегулирующее действие относится к любому действию, которое воздействует на исполнительный механизм с целью осуществления терморегулирования процесса доменной печи. В зависимости от уровня автоматизации регулирования рабочие инструкции могут иметь целью человека-оператора, чтобы обеспечить ему руководство по правильному регулированию доменной печи, или они могут напрямую давать команду регулятору температуры доменной печи, который может выполнять такие инструкции без взаимодействия с человеком.As used herein, thermal control action refers to any action that acts on the actuator to effect thermal control of the blast furnace process. Depending on the level of control automation, operating instructions may be intended to provide guidance to a human operator to properly regulate the blast furnace, or they may directly command the blast furnace temperature controller, which can carry out such instructions without human interaction.
Таким образом, реальные (измеренные) эксплуатационные данные от нескольких доменных печей используются вместе с имитационной моделью (переходной моделью - transient model''-англ.) процесса доменной печи для тренировки модели рекуррентной нейронной сети посредством обучения с подкреплением. Это может быть понято как тренировка рекуррентной нейронной сети в режиме офлайн на уровне данных и уровне имитационной модели. Из записанных в прошлом данных могут быть сгенерированы многочисленные дополнительные признаки, обеспечивающие лучшее понимание характеристик процесса доменной печи. Эти признаки являются явлениями, определенными посредством правил, реализованных из записанных необработанных данных или прогноза явлений процесса, доступных в виде прогноза, обеспеченного моделью машинного обучения.Thus, real (measured) operational data from multiple blast furnaces is used together with a simulation model (transient model) of the blast furnace process to train a recurrent neural network model through reinforcement learning. This can be understood as offline training of a recurrent neural network at the data level and the simulation model level. Numerous additional features can be generated from historically recorded data to provide a better understanding of blast furnace process characteristics. These features are phenomena defined through rules implemented from recorded raw data or a prediction of process phenomena available as a prediction provided by a machine learning model.
Во время тренировки RL модель обеспечивает рекомендации для рабочих инструкций главным исполнительным механизмам доменной печи, такие как, например, установки режима фурм и дутья, такие как скорость ввода порошкообразного угля (PCI) (кг/с), скорость потока дутья (нм3/с), обогащение кислородом (%) и т.п. и/или состав шихты и установки загрузки, такие как расход кокса (кг/загрузка), основность, распределение шихты и т.п. Разработанные рекомендации обеспечивают, что целевая функция будет оптимизирована, когда процесс находится в его тепловом равновесии, следуя реализации вышеупомянутых рекомендаций или посредством виртуального оператора (уровень 5 максимального уровня автономии) или вручную посредством человека-оператора. Цель определяется экспертом по доменным печам и может быть сформирована из нескольких целей, таких как, например, (1) минимизация потребления топлива, (2) максимизация срока службы доменной печи. (3) минимизация выбросом СО2, (4) качество чугуна и количество, стабилизируя работу печи. Каждая цель взвешивается (например, экспертом) для определения общей цели, используемой для тренировки RL модели. Когда модель натренирована и используется в производстве, она может продолжать обучение непрерывно (онлайн тренировка RL модели) из отклонений между общей целью и фактической целью, которая была достигнута после выполнения рекомендованных рабочих инструкций для теплового контроля соответствующей доменной печи.During RL training, the model provides recommendations for operating instructions to the main actuators of the blast furnace, such as, for example, tuyere and blast mode settings, such as powdered coal injection (PCI) speed (kg/s), blast flow rate (nm 3 /s ), oxygen enrichment (%), etc. and/or composition of the charge and loading settings, such as coke consumption (kg/load), basicity, charge distribution, etc. The developed recommendations ensure that the objective function will be optimized when the process is in its thermal equilibrium, following the implementation of the above recommendations either through a virtual operator (level 5 of the maximum level of autonomy) or manually through a human operator. The goal is determined by the blast furnace expert and can be formed from several goals, such as, for example, (1) minimizing fuel consumption, (2) maximizing the life of the blast furnace. (3) minimizing CO 2 emissions, (4) cast iron quality and quantity, stabilizing the operation of the furnace. Each goal is weighted (e.g., by an expert) to determine the overall goal used to train the RL model. Once the model is trained and used in production, it can continue to learn continuously (RL model online training) from the deviations between the overall target and the actual target that was achieved after following the recommended operating instructions for the thermal control of the corresponding blast furnace.
В одном варианте осуществления разработан компьютеризированный способ тренировки модели обучения с подкреплением для формирования рабочих инструкций для терморегулирования доменной печи. Например, модель обучения с подкреплением может быть реализована посредством рекуррентной нейронной сети.In one embodiment, a computerized method is developed for training a reinforcement learning model to generate operating instructions for thermal control of a blast furnace. For example, a reinforcement learning model can be implemented using a recurrent neural network.
Модель машинного обучения в доменной адаптации, которая была натренирована посредством трансферного обучения, обрабатывает ретроспективные эксплуатационные данные, полученных в виде многопараметрических временных рядов из нескольких доменных печей из множества доменов. Ретроспективные эксплуатационные данные отражают тепловые состояние соответствующих доменных печей из множества доменов. Типичным образом несколько тысяч датчиков на доменную печь измеряют эксплуатационные параметры, такие как, например, температура, давление, химические составы и т.п. Такие измеренные в отдельные моменты времени параметры определяют соответствующее тепловое состояние доменной печи в этот момент времени. В силу множественных характеристик каждой доменной печи (например, рабочий режим, размер, используемый материал (состав материала) и т.п.) невозможно сравниваться непосредственно две доменные печи (исходную и целевую доменные печи) без применения специальных преобразований данных многопараметрических временных рядов.The domain adaptation machine learning model, which was trained through transfer learning, processes historical operational data obtained as multi-parameter time series from multiple blast furnaces from multiple domains. Historical operating data reflects the thermal state of the respective blast furnaces from multiple blast furnaces. Typically, several thousand sensors per blast furnace measure operational parameters such as, for example, temperature, pressure, chemical compositions, etc. Such parameters measured at individual points in time determine the corresponding thermal state of the blast furnace at that point in time. Due to the multiple characteristics of each blast furnace (e.g. operating mode, size, material used (material composition), etc.), it is not possible to directly compare two blast furnaces (source and target blast furnaces) without applying special transformations to multi-parameter time series data.
- 1 045556- 1 045556
Модель машинного обучения в доменной адаптации генерирует в качестве выходных данных первый инвариантный набор (массив) данных домена (предметной области), представляющих тепловое состояние любой из доменных печей независимо от домена. Ретроспективные эксплуатационные данные типичным образом были собраны в прошлом от нескольких разных доменных печей (например, разного размера, эксплуатируемых в разных условиях и т.п.) в ответ на соответствующие терморегулирующего действия. Типичным образом, каждая доменная печь соответствует отдельному домену, но домен может быть также отдельным действием доменной печи. Модель машинного обучения в доменной адаптации тренируется для выполнения некоторого вида операции нормализации данных, полученных из разных доменов так, что в конечном счете такие данные становятся сравнимыми.The machine learning model in domain adaptation generates as output the first invariant set (array) of domain data representing the thermal state of any of the blast furnaces, regardless of the domain. Historical operating data have typically been collected in the past from several different blast furnaces (eg, different sizes, operated under different conditions, etc.) in response to appropriate temperature control actions. Typically, each blast furnace corresponds to a separate domain, but a domain can also be a separate operation of the blast furnace. A machine learning model in domain adaptation is trained to perform some kind of normalization operation on data obtained from different domains so that such data eventually becomes comparable.
Могут быть использованы разные подходы к трансферному обучению. Например, модель машинного обучения в доменной адаптации может быть реализована посредством нейронной сети глубокого обучения со сверточными и/или рекуррентными слоями, обученными извлекать доменные постоянные признаки из ретроспективных эксплуатационных данных в качестве первого инвариантного признака домена. В данном варианте осуществления трансферное обучение реализовано для извлечения инвариантных признаков домена из ретроспективных эксплуатационных данных. Признак в глубоком обучении является абстрактным представлением характеристик конкретной доменной печи, извлеченных из данных многопараметрических временных рядов, которые генерированы при эксплуатации этой конкретной доменной печи. Путем применения трансферного обучения можно извлекать инвариантные признаки домена от нескольких реальных доменных печей, которые является независимыми от определенной печи (то есть, независимыми от разных доменов).Different approaches to transfer learning can be used. For example, a machine learning model in domain adaptation may be implemented through a deep learning neural network with convolutional and/or recurrent layers trained to extract domain invariant features from historical operational data as the first domain invariant feature. In this embodiment, transfer learning is implemented to extract domain invariant features from historical operational data. A feature in deep learning is an abstract representation of the characteristics of a particular blast furnace, extracted from multi-parameter time series data that is generated during the operation of that particular blast furnace. By applying transfer learning, it is possible to extract domain invariant features from multiple real blast furnaces that are independent of a particular furnace (that is, independent of different domains).
В альтернативном подходе модель машинного обучения в доменной адаптации тренировалась для обучения множеству отображений соответствующих необработанных данных от нескольких доменных печей в эталонную доменную печь. Эталонная доменная печь может быть виртуальной доменной печью, которая представляет разновидность средней доменной печи или фактической доменной печи. Каждое отображение является представлением преобразования соответствующей конкретной доменной печи в эталонную доменную печь. В этом подходе несколько отображений соответствуют первому инвариантному набору данных (датасету - data set англ.) домена. Например, такая модель машинного обучения в доменной адаптации может быть реализована посредством генерирующей архитектуры глубокого обучения, основанной на CycleGAN архитектуре, популярной для генерирования фальшивых изображений. CycleGAN архитектура является расширением GAN архитектуры, которая включает в себя одновременную тренировку двух моделей генератора и двух моделей дискриминатора. Один генератор берет данные из первого домена в качестве входных данных и выдает данные для второго домена, и другой генератор берет данные из второго домена в качестве входных данных и генерирует данные для первого домена. Затем модели дискриминатора используются для определения, насколько правдоподобными являются сгенерированные данные и соответственно этому обновляет модели генератора. CycleGAN использует дополнительное расширение к архитектуре, называемое связностью цикла. Лежащей в основе идеей является то, что выходные данные от первого генератора могут быть использованы в качестве входных данных для второго генератора, и входные данные от второго генератора должны совпадать с исходными данными. Возможно также обратное: что выходные данные от второго генератора могут подаваться в качестве входных данных к первому генератору, и результат должен совпадать с входными данными второго генератора.In an alternative approach, a machine learning model in blast furnace was trained to learn multiple mappings of relevant raw data from multiple blast furnaces to a reference blast furnace. The reference blast furnace may be a virtual blast furnace that represents a variation of an average blast furnace or an actual blast furnace. Each mapping is a representation of the transformation of the corresponding specific blast furnace to a reference blast furnace. In this approach, several mappings correspond to the first invariant data set of the domain. For example, such a domain adaptation machine learning model can be implemented through a deep learning generative architecture based on the CycleGAN architecture, popular for generating fake images. The CycleGAN architecture is an extension of the GAN architecture, which involves simultaneous training of two generator models and two discriminator models. One generator takes data from the first domain as input and produces data for the second domain, and another generator takes data from the second domain as input and generates data for the first domain. The discriminator models are then used to determine how plausible the generated data is and updates the generator models accordingly. CycleGAN uses an additional extension to the architecture called cycle connectivity. The underlying idea is that the output from the first generator can be used as input to the second generator, and the input from the second generator must match the original data. The reverse is also possible: that the output from the second generator can be fed as input to the first generator, and the result must match the input to the second generator.
Связность цикла является концепцией из машинного перевода, где переведенная с английского языка на французский язык должна переводиться с французского языка на английский и быть идентичной исходной фразе. Должен быть также действительным обратный процесс. CycleGAN поддерживает связность цикла посредством добавления дополнительных потерь для измерения разности между сгенерированными выходными данными второго генератора и исходным изображением, и наоборот. Это действует как регуляризация модели генератора, направляя процесс генерации изображения в новый домен в направлении преобразования изображения. Для адаптации исходной CycieGA архитектуры из обработки изображений в обработку данных многопараметрических временных рядов для получения для инвариантного набора данных первого домена могут быть реализованы следующие модификации посредством использования рекуррентных слоев (как пример LSTM), объединенных со сверточным слоем для изучения временной зависимости данных многопараметрических временных рядов, подробно описанной С. Schockaert, H. Hoyez, (2020) MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the lronmaking Industry, In arXiv: 2007.07518 (Основанная на состязательности сеть глубокого обучения с отображением для многопараметрических временных рядов доменной адаптации в приложении к чугунолитейной промышленности).Loop coherence is a concept from machine translation, where the translated phrase from English to French must be translated from French to English and be identical to the original phrase. The reverse process must also be valid. CycleGAN maintains cycle coherence by adding additional loss to measure the difference between the generated output of the second generator and the original image, and vice versa. This acts as a regularization of the generator model, driving the image generation process to a new domain in the direction of image transformation. To adapt the original CycieGA architecture from image processing to multi-parameter time series data processing to obtain the first domain for an invariant data set, the following modifications can be implemented by using recurrent layers (as an example of LSTM) combined with a convolutional layer to learn the time dependence of multi-parameter time series data. described in detail by S. Schockaert, H. Hoyez, (2020) MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the lronmaking Industry, In arXiv: 2007.07518 (Adversarial-based Deep Mapping Network for multi-parameter time series of domain adaptation in application to the iron foundry industry).
Полученный первый инвариантный набор данных отражает тепловые состояния доменных печей, которые имелись после соответствующих терморегулирующих действий, были применены к соответствующим печам. После доменной адаптации это отображение больше не привязано к конкретной доменной печи (или в виде выученного отображения для эталонной доменной печи или в виде извлеченных общих признаков).The resulting first invariant data set reflects the thermal states of the blast furnaces that existed after appropriate thermoregulatory actions were applied to the corresponding furnaces. After domain adaptation, this mapping is no longer tied to a specific blast furnace (either as a learned mapping for a reference blast furnace or as learned general features).
Параллельно динамическая модель процесса типовой доменной печи используется для генерироваIn parallel, a dynamic process model of a typical blast furnace is used to generate
- 2 045556 ния моделированных эксплуатационных данных в виде многопараметрических временных рядов для конкретного терморегулирующего действия, отображающего тепловое состояние, в которое типовая доменная печь переходит после приложения определенного управляющего действия. Типовая доменная печь является виртуальным устройством (подобным эталонной доменной печи). Переходная модель является основанной на переходе цифровой моделью с соответствующими физическими, химическими, тепловыми условиями и условиями потока для генерирования приемлемых моделированных данных, представляющих тепловые состояние типовой доменной печи.- 2 045556 analysis of simulated operational data in the form of multi-parameter time series for a specific thermal control action, representing the thermal state into which a typical blast furnace goes after the application of a specific control action. A typical blast furnace is a virtual device (similar to a reference blast furnace). The transient model is a transient-based digital model with appropriate physical, chemical, thermal and flow conditions to generate acceptable simulated data representing the thermal conditions of a typical blast furnace.
Переходная модель отражает соответствующие физические, химические, тепловые и потоковые условия типовой доменной печи и обеспечивает решения для восходящего потока газа и нисходящего перемещения слоев твердой фазы, как структурировано в типовой доменной печи при обмене тепла, массы и переносе импульса.The transition model reflects the relevant physical, chemical, thermal and flow conditions of a typical blast furnace and provides solutions for the upward gas flow and downward movement of solid layers as structured in a typical blast furnace for heat, mass and momentum transfer.
Модель получает в качестве входных параметров количество шихтового материала и результаты химического анализа вместе с условиями горячего дутья, такими как температура, давление, скорость ввода порошкообразного угля и обогащение кислородом. Переходная модель имеет: уравнение энергии для прогнозирования температуры горячего металла, уравнения компонентов для вычисления химического состава горячего металла и уравнения газовой фазы для прогнозирования температуры доменного газа, эффективности (Eta СО) и давления. В силу переходной природы модели, моделированные динамические данные временных рядов могут быть сгенерированы посредством изменения входных параметров во времени, имеющих сходство с работой реальных доменных печей. Является благоприятным, что переходная модель может использовать диапазон данных входных параметров, который превосходит диапазон данных, который перекрывается ретроспективными эксплуатационными данными реальных доменных печей. Другими словами диапазон параметров для типовой доменной печи может быть расширен до пространства эксплуатационных параметров, который не может быть перекрыт эксплуатационными данными реальной доменной печи.The model receives as input parameters the amount of charge material and the results of chemical analysis along with hot blast conditions such as temperature, pressure, powdered coal injection rate and oxygen enrichment. The transient model has: an energy equation to predict the hot metal temperature, a component equation to calculate the chemical composition of the hot metal, and a gas phase equation to predict the blast furnace gas temperature, efficiency (Eta CO), and pressure. Due to the transient nature of the model, simulated dynamic time series data can be generated by changing input parameters over time that are similar to the operation of real blast furnaces. It is advantageous that the transient model can use a data range of input parameters that exceeds the data range that overlaps with historical operational data from actual blast furnaces. In other words, the range of parameters for a typical blast furnace can be expanded to a space of operational parameters that cannot be covered by the operational data of a real blast furnace.
Типовая доменная печь разделена на конечное число слоев по высоте печи. Каждый слой состоит из одной загрузки сырьевого материала (например, железной руды и кокса). Эти слои представляют вычислительные ячейки, для которых происходит цифровое решение уравнений. Граничные условия свойств газовой фазы, такие как состав, скорость и температура, определяются с использованием субмодели канала, в то время как граничные условия для твердой фазы определяются как составы загружаемого материала при комнатной температуре. Такая модель канала описана, например, в Deepak Sau et. AI. A reduced order mathematical model of the blast furnace raceway with and without pulverized coal injection for real time plant application. International Journal of Modelling and Simulation, DOI: 10.1080/02286203.2018.1435759. Февраль 2018. (Математическая модель пониженного порядка канала доменной печи с вводом и без ввода порошкообразного угля для применения установки в реальном времени). Порошкообразный уголь вводится в фурмы доменной печи для снижения расхода кокса, а также для снижения стоимости производства горячего металла. Являются важными сведения о процессе горения порошкообразного угля в зоне канала доменной печи и накоплении несгоревшего угля. Эта статья описывает модель канала пониженного порядка доменной печи для применения установки в реальном времени. Модель способна прогнозировать радиальные температуры и профили состава газа в зоне канала с вводом и без ввода порошкообразного угля (PCI). Влияние всех основных параметров рабочего процесса, таких как скорость ввода порошкообразного угля, температура дутья, объем дутья, обогащение кислородом и добавление пара на поведение при сжигании в канале, температуру и профили состава газа, а также глубину канала были исследованы и проверены по мере возможности на правильность с помощью литературы и заводской базой данных.A typical blast furnace is divided into a finite number of layers along the height of the furnace. Each layer consists of one load of raw material (eg iron ore and coke). These layers represent computational cells for which equations are solved digitally. The gas phase property boundary conditions such as composition, velocity and temperature are defined using the channel submodel, while the solid phase boundary conditions are defined as the feed material compositions at room temperature. Such a channel model is described, for example, in Deepak Sau et. AI. A reduced order mathematical model of the blast furnace raceway with and without pulverized coal injection for real time plant application. International Journal of Modeling and Simulation, DOI: 10.1080/02286203.2018.1435759. February 2018. (Mathematical model of a reduced order of a blast furnace channel with and without powdered coal input for real-time plant application). Powdered coal is introduced into the blast furnace tuyeres to reduce coke consumption and also to reduce the cost of hot metal production. Information about the combustion process of powdered coal in the blast furnace channel area and the accumulation of unburnt coal is important. This paper describes a blast furnace reduced order channel model for real-time plant application. The model is capable of predicting radial temperatures and gas composition profiles in the channel zone with and without powdered coal injection (PCI). The influence of all key operating parameters such as powdered coal injection rate, blast temperature, blast volume, oxygen enrichment and steam addition on duct combustion behavior, temperature and gas composition profiles, and duct depth were investigated and tested to the extent possible on correctness using literature and factory database.
Полное решение для газовой и твердой фазы вычислительным путем является очень дорогостоящим. Поэтому согласно одному варианту осуществления для экономии вычислительных ресурсов (и, следовательно, энергии), газовая фаза может рассматриваться как устойчивое состояние, поскольку время устойчивости газа (примерно 3 с) намного меньше, чем временной шаг (примерно 2 мин). Однако твердая фаза рассматривается как переходная фаза. Алгоритм решения сначала решает уравнение газовой фазы итеративным последовательным путем, чтобы удовлетворять относительному допуску параметров в каждом временном шаге. Когда параметры газовой фазы сходятся к предварительно заданному значению допуска, тогда на том же временном шаге последовательно решаются уравнения твердой фазы. Временной цикл продолжается до конца моделирования. Параметры газа и твердой фазы, а также параметры переноса, такие как перенос тепла и массы, обновляются в начале каждого временного шага. В последовательном подходе при решении для одного параметра другие параметры рассматриваются как известные, подразумевая, что используются старые значения. Таким образом, нелинейные члены и связанные параметры могут быть решены, избегая сложных и дорогостоящих решающих устройств.A complete solution for gas and solid phase computationally is very expensive. Therefore, according to one embodiment, to save computational resources (and therefore energy), the gas phase can be considered as a steady state since the gas stability time (about 3 s) is much shorter than the time step (about 2 min). However, the solid phase is considered as a transition phase. The solution algorithm first solves the gas phase equation in an iterative, sequential way to satisfy the relative tolerance of the parameters at each time step. When the gas phase parameters converge to a predetermined tolerance value, then the solid phase equations are solved sequentially at the same time step. The time cycle continues until the end of the simulation. Gas and solid parameters, as well as transport parameters such as heat and mass transfer, are updated at the beginning of each time step. In the sequential approach, when solving for one parameter, the other parameters are treated as known, implying that the old values are used. In this way, nonlinear terms and related parameters can be solved while avoiding complex and expensive solvers.
В одном варианте осуществления переходная модель имеет несколько расчетных ячеек, причем каждая ячейка представляют соответствующий слой типовой доменной печи, составленный из одной загрузки сырого материала. Каждая расчетная ячейка решает уравнения газовой фазы итеративным последовательным путем, чтобы удовлетворять относительным допускам параметра газовой фазы на каждом временном шаге. Когда параметры газовой фазы сходятся к предварительно заданному значению допус- 3 045556 ка, тогда в том же временном шаге последовательно решаются уравнения твердой фазы.In one embodiment, the transition model has multiple calculation cells, with each cell representing a corresponding layer of a typical blast furnace composed of a single charge of raw material. Each computational cell solves the gas phase equations in an iterative, sequential manner to satisfy the relative tolerances of the gas phase parameter at each time step. When the gas phase parameters converge to a predetermined tolerance value, then the solid phase equations are solved sequentially in the same time step.
Итеративное решение уравнений газовой фазы включает для каждой корректирующей давлениескорость итерации: вычисление свойств газа, твердой фазы и жидкости, вычисление скоростей реакции и коэффициентов теплопередачи, и вычисление температуры газа, компонентов, скорости и падения давления.Iterative solving of the gas phase equations involves, for each pressure-correcting rate, iterations: calculating gas, solid, and liquid properties, calculating reaction rates and heat transfer coefficients, and calculating gas temperature, components, velocity, and pressure drop.
После того как параметры газовой фазы сошлись до заданного значения допуска, вычисление продолжается с последовательным решением уравнения твердой фазы в том же временном шаге, включающем в себя: вычисление температуры твердой фазы и компонентов, вычисление температуры жидкости и компонентов, и вычисление скорости твердой фазы.After the gas phase parameters have converged to a specified tolerance value, the calculation continues with a sequential solution of the solid phase equation in the same time step, including: calculating the temperature of the solid phase and components, calculating the temperature of the liquid and components, and calculating the velocity of the solid phase.
Моделированные эксплуатационные данные, полученные от переходной модели, затем обрабатываются посредством сети генеративного глубокого обучения, натренированной на многопараметрических временных рядах ретроспективных эксплуатационных данных. Это позволяет пополнять моделированные эксплуатационные данные признаками реальных эксплуатационных данных, чтобы сделать их более реалистичными.The simulated operational data obtained from the transient model is then processed through a generative deep learning network trained on multi-parameter time series of historical operational data. This allows simulated operational data to be enriched with features from real operational data to make it more realistic.
Надлежащим образом натренированная генеративная сеть глубокого обучения может дополнять моделированные данные таким образом, что дополненные синтетические эксплуатационные данные становятся неотличимыми для эксперта от реальных эксплуатационных данных. Является предпочтительным для тренировки модели обучения с подкреплением с данными, которые имеют характеристики, подобные входным данным реальных тестов, которые ожидаются при работе модели обучения с подкреплением в фазе прогнозирования. То есть, обработка моделированных эксплуатационных данных генерирует второй инвариантный набор данных домена, который дополнен признаками, выученными из ретроспективных эксплуатационных данных. Хотя второй инвариантный набор данных домена является всего лишь синтетическим набором данных, основанным на вычислениях переходной модели, тем не менее, он является инвариантным набором данных домена, который проявляет характерные признаки, которые присутствуют в реальных временных рядах ретроспективных эксплуатационных данных.A properly trained generative deep learning network can augment simulated data in such a way that the augmented synthetic operational data becomes indistinguishable to an expert from real operational data. It is preferable to train a reinforcement learning model with data that has characteristics similar to real-world test inputs that are expected when running a reinforcement learning model in the prediction phase. That is, processing the simulated operational data generates a second invariant domain data set that is augmented with features learned from the historical operational data. Although the second domain invariant dataset is merely a synthetic dataset based on transient model calculations, it is nonetheless a domain invariant dataset that exhibits characteristics that are present in real time series of historical operational data.
Теперь модель обучения с подкреплением тренируется с объединенными первым и вторым инвариантными наборами данных домена. Если тренировка будет основываться только на первом наборе данных, модель обучения с подкреплением не сможет обучиться оптимизированным командам управления, которые не были приложены к нескольким доменным печам. Путем объединения таких реальных тренирующих наборов данных со смоделировано сгенерированными наборами данных, переходная модель может быть использована для моделирования реакции типовой доменной печи на альтернативные команды управления, приложенные к данному тепловому состоянию типичной доменной печи при переменных целях оптимизации. При обработке объединенных первого и второго инвариантных наборов данных модель обучения с подкреплением определяет вознаграждение (reward - англ.) для отдельного действия терморегулирования, которое было использовано переходной моделью для вычисления второго инвариантного набора данных, принимая во внимание данную целевую функцию и текущее состояние доменной печи.The reinforcement learning model is now trained on the combined first and second domain invariant datasets. If the training is based only on the first data set, the reinforcement learning model will not be able to learn optimized control commands that have not been applied to multiple blast furnaces. By combining such real training data sets with simulated generated data sets, the transient model can be used to simulate the response of a typical blast furnace to alternative control commands applied to a given thermal state of a typical blast furnace under varying optimization objectives. When processing the combined first and second invariant data sets, the reinforcement learning model determines the reward for the individual thermal control action that was used by the transient model to compute the second invariant data set, taking into account the given objective function and the current state of the blast furnace.
Функция вознаграждения теперь описывает, как модель обучения с подкреплением (то есть, агент) должна себя вести. Другими словами, они имеют нормативное содержание, предусматривающее, какой агент должен быть завершен. Абсолютных ограничений нет, но если функция вознаграждения ведет себя лучше, тогда агент обучается лучше. Практически это означает, что скорость схождения увеличена, и агент не застревает на локальном минимуме. Как пример, функция вознаграждения может измерять, как далеко от Парето-фронта многоцелевой функции отдельное действие терморегулирования ведет процесс. По определению Парето-фронт является набором недоминируемых решений, выбираемых в качестве оптимальных, если никакая цель не может быть улучшена без жертвования по меньшей мере одной целью. Для данной цели измерение допустимой ошибки улучшения другой цели может быть, например, измерена посредством градиентного анализа. Функция вознаграждения может быть функцией измерений, характеризующих свойства Парето-фронта. Специалист в данной области может использовать другие подходящие функции вознаграждения.The reward function now describes how the reinforcement learning model (i.e., the agent) should behave. In other words, they have normative content specifying which agent should be completed. There are no absolute limits, but if the reward function behaves better, then the agent learns better. In practice, this means that the convergence rate is increased and the agent does not get stuck at a local minimum. As an example, a reward function can measure how far from the Pareto front of a multi-objective function an individual thermal control action drives a process. By definition, a Pareto front is a set of non-dominated solutions that are chosen as optimal if no objective can be improved without sacrificing at least one objective. For a given goal, measuring the acceptable improvement error of another goal can, for example, be measured by gradient analysis. The reward function can be a function of measurements characterizing the properties of the Pareto front. One skilled in the art may use other suitable reward functions.
Если определенное вознаграждение находится ниже предварительно заданного минимального вознаграждения, тогда рекомендованное терморегулирующее действие (команда управления) была не оптимальной относительно намеченного влияния не тепловое состояние доменной печи. В таких случаях переходной моделью могут быть смоделированы альтернативные управляющие действия. С этой целью поиск измененных параметров (то есть, входных параметров для переходной модели) для другого (альтернативного) действия терморегулирования, основанного на текущем окружении модели обучения с подкреплением и выходном результате терморегулирующего действия данного шага обучения (то есть, управляющем действии, которое приводило к слишком низкому вознаграждению) направляется алгоритмом генетического поиска и/или байесовской оптимизации). Переходная модель теперь регенерирует (генерирует заново) второй инвариантный набор данных домена (обновленный второй набор данных), основанный на измененных параметрах. Затем обновленный второй набор данных подается во входной слой модели обучения с подкреплением, и для второго обновленного набора данных определяется новое вознаграждение. Этот процесс повторяется многократно до тех пор, пока модель обучения с подкрепле- 4 045556 нием не научилась выдавать оптимизированные рабочие инструкции для оптимизированных терморегулирующих действий для предсказуемых ситуаций.If the determined reward is below the predetermined minimum reward, then the recommended thermoregulatory action (control command) was not optimal relative to the intended influence of the blast furnace's thermal condition. In such cases, alternative control actions can be modeled by the transient model. To this end, searching for changed parameters (i.e., input parameters to the transient model) for a different (alternative) thermoregulation action based on the current environment of the reinforcement learning model and the output of the thermoregulatory action of a given training step (i.e., the control action that led to too low reward) is guided by a genetic search and/or Bayesian optimization algorithm). The transition model now regenerates (regenerates) a second invariant domain dataset (updated second dataset) based on the changed parameters. The updated second data set is then fed to the input layer of the reinforcement learning model, and a new reward is determined for the second updated data set. This process is repeated many times until the reinforcement learning model learns to produce optimized operating instructions for optimized thermoregulatory actions for predictable situations.
После того как модель обучения с подкреплением была натренирована как описано, она может эксплуатироваться для предсказания оптимизированных рабочих инструкций по меньшей мере для одного исполнительного механизма конкретной доменной печи в производстве, основанных на текущих данных рабочего состояния этой конкретной доменной печи. Другими словами, натренированная модель обучения с подкреплением получает входные данные тестов, которые включают в себя эксплуатационные данные, согласующиеся с входным слоем модели обучения с подкреплением, и которые определяют текущее (тепловое) состояние доменной печи. Модель обрабатывает входные данные теста и обеспечивает в качестве выходных данных прогноз для оптимизированной рабочей инструкции, соответствующей терморегулирующему действию, которая должна быть применена к доменной печи для достижения оптимизированного результата, принимая во внимание данную целевую функцию.Once the reinforcement learning model has been trained as described, it can be used to predict optimized operating instructions for at least one actuator of a particular blast furnace in production based on the current operating state data of that particular blast furnace. In other words, the trained reinforcement learning model receives test input data that includes operational data consistent with the input layer of the reinforcement learning model and which determines the current (thermal) state of the blast furnace. The model processes the test input data and provides as output a prediction for the optimized operating instruction corresponding to the thermal control action to be applied to the blast furnace to achieve the optimized result, given the objective function.
Предпочтительно, каждый набор данных прогноза может быть использован для дальнейшего улучшения тренировки модели обучения с подкреплением. С этой целью модель определяет вознаграждение после применения терморегулирующего действия в соответствии с оптимизированной рабочей инструкцией (прогнозированные выходные данные) по меньшей мере для одного исполнительного механизма, основанное на новом состоянии конкретной доменной печи после выполнения терморегулирующего действия. Если вознаграждение находится ниже предварительно заданного порога, переходная модель генерирует второй инвариантный набор данных домена для одной или более альтернативных рабочих инструкций для повторной тренировки модели обучения с подкреплением. Эта повторная тренировка может быть использована после применения любого терморегулирующего действия в соответствии с соответствующей спрогнозированной оптимизированной рабочей инструкцией.Preferably, each prediction data set can be used to further improve the training of the reinforcement learning model. To this end, the model determines a reward after applying the thermal control action in accordance with the optimized operating instruction (predicted output) for at least one actuator, based on the new state of the particular blast furnace after performing the thermal control action. If the reward is below a predefined threshold, the transition model generates a second domain invariant data set for one or more alternative work instructions to retrain the reinforcement learning model. This retraining can be used after any thermoregulatory action has been applied according to the corresponding predicted optimized work instructions.
Предпочтительно, модель обучения с подкреплением тренируется для обучения оптимизированным рабочим инструкциям, так что связанное целевое измерение лежит в предварительно заданном диапазоне от Парето-фронта для соответствующей многомерной целевой функции.Preferably, the reinforcement learning model is trained to learn optimized operating instructions such that the associated target dimension lies within a predefined range from the Pareto front for the corresponding multivariate target function.
В одном варианте осуществления переходная модель имеет несколько вычислительных ячеек с каждой ячейкой, представляющей соответствующий слой типовой доменной печи, состоящий из одной загрузки сырьевого материала. Каждая вычислительная ячейка решает уравнение газовой фазы многократным последовательным путем для удовлетворения относительным допускам параметра газовой фазы на каждом временном шаге. Когда параметры газовой фазы сойдутся к предварительно заданному значению допуска, вычислительная ячейка последовательно решает уравнения твердой фазы в том же временном шаге.In one embodiment, the transition model has multiple computational cells, with each cell representing a corresponding layer of a typical blast furnace consisting of a single charge of raw material. Each computational cell solves the gas phase equation in a multiple sequential manner to satisfy the relative tolerances of the gas phase parameter at each time step. When the gas phase parameters converge to a predetermined tolerance value, the computational cell sequentially solves the solid phase equations in the same time step.
Таблица 1. Уровни автоматизации терморегулирования для управления доменной печьюTable 1. Thermal control automation levels for blast furnace control
Табл. 1 описывает уровни автоматизации для управления доменной печью. Комбинация рекомендаций модели обучения с подкреплением и других связанных моделей машинного обучения (пример: прогнозирование технологических процессов, температуры горячего металла и т.п.), генерирующая расширенную контекстную информацию для характеризации процесса, может быть использована для достижения уровня 4 и 5 автоматизации, в то время как одиночные связанные модели машинного обученияTable 1 describes the automation levels for blast furnace control. The combination of recommendations from a reinforcement learning model and other related machine learning models (example: process prediction, hot metal temperature, etc.), generating enhanced contextual information for process characterization, can be used to achieve level 4 and 5 automation, while time as single coupled machine learning models
- 5 045556 могут только вносить вклад в уровни 2 и 3 автоматизации. Тренировка модели рекомендаций без связанных моделей машинного обучения могут привести к уровню 3 автоматизации. Раскрытый здесь подход для тренировки модели обучения с подкреплением для рекомендаций (прогнозирования) оптимальных терморегулирующее действие может быть использован для достижения уровня 4 или 5 автоматизации при условии, что процесс точно представлен расширенными контекстными данными, сгенерированными моделями машинного обучения и дополнительным датчиками для характеризации процесса, как описано более подробно в подробном описании. Такие связанные модели машинного обучения могут быть использованы для добавления других способностей дополнения данных для улучшения тренировочного набора данных для обучения с подкреплением тем, что они обеспечивают прогнозы, основанные на полученных эксплуатационных данных (необработанных данные датчиков), служащих в качестве других входных данных для тренировки модели обучения с подкреплением, выходящих за домен инвариантных эксплуатационных данных. С такой дополнительной контекстуальной информацией модель обучения с подкреплением получает информацию о новых измерениях, которые могут быть использованы для более точного обучения лучшим терморегулирующим действиям.- 5 045556 can only contribute to automation levels 2 and 3. Training a recommendation model without associated machine learning models can lead to level 3 automation. The approach disclosed here for training a reinforcement learning model to recommend (predict) optimal thermoregulatory action can be used to achieve level 4 or 5 automation, provided the process is accurately represented by enhanced contextual data, generated machine learning models, and additional sensors to characterize the process, such as described in more detail in the detailed description. Such coupled machine learning models can be used to add other data augmentation capabilities to improve the training set for reinforcement learning in that they provide predictions based on acquired operational data (raw sensor data) serving as other inputs to train the model. reinforcement learning beyond the domain of invariant operational data. With this additional contextual information, the reinforcement learning model gains information about new dimensions that can be used to more accurately learn better thermoregulatory actions.
При использовании таких связанных моделей машинного обучения для прогнозирования информации о будущих тепловых изменениях отдельного состояния доменной печи, основанных на ретроспективных эксплуатационных данных, и/или других измеренных данных об окружающей среде, связанных с окружающей средой доменной печи, связанные модели машинного обучения должны быть тренированы соответствующим образом для дополнения ретроспективных эксплуатационных данных (полученных от датчиков) с будущими данными многопараметрических временных рядов, которые связаны с будущими моментами времени. Сгенерированные будущие многопараметрические временные ряды затем могут быть обработаны посредством модели машинного обучения в доменной адаптации таким же образом, как и ретроспективные эксплуатационные данные для дополнения первого инвариантного набора данных домена данными, которые связаны с будущими моментами времени.When using such coupled machine learning models to predict information about future thermal changes of an individual blast furnace condition based on historical operational data, and/or other measured environmental data associated with the blast furnace environment, the coupled machine learning models must be trained with appropriate way to complement historical operational data (obtained from sensors) with future multi-parameter time series data that is associated with future points in time. The generated future multivariate time series can then be processed through a domain adaptation machine learning model in the same way as historical operational data to augment the first invariant domain data set with data that is associated with future time points.
Связанная модель машинного обучения может быть тренирована следующим образом. В первом шаге тренировки несколько базовых моделей тренируются с разными наборами эксплуатационных данных и/или данными об окружающей среде с использованием одного или более алгоритмов машинного обучения для обеспечения особых будущих данных многопараметрических временных рядов в качестве входных данных для обучения для конкретной модели из моделей машинного обучения. Посредством этого каждая базовая модель фокусируется на единичном отдельном аспекте процесса доменной печи (например, прогнозировании тенденции температуры горячего металла во время данного будущего интервала времени). Во втором шаге тренировки связанная модель машинного обучения тренируется с особыми будущими данными многопараметрических временных рядов базовой модели для обучения, какая комбинация базовых моделей является наиболее подходящей для какого состояния доменной печи.The associated machine learning model can be trained as follows. In the first training step, several base models are trained on different sets of operational and/or environmental data using one or more machine learning algorithms to provide specific future multivariable time series data as model-specific training input from the machine learning models. Through this, each base model focuses on a single, distinct aspect of the blast furnace process (eg, predicting the hot metal temperature trend during a given future time interval). In the second training step, the associated machine learning model is trained with specific future multivariable time series data of the base model to learn which combination of base models is most suitable for which blast furnace condition.
Другие аспекты изобретения будут реализованы и достигнуты посредством элементов и комбинаций особо описанных в прилагаемой формуле изобретения. Следует понимать, что как предшествующее общее описание, так и следующее подробное описание являются приведенным только в качестве примера и пояснительными и не являются ограничивающими изобретение, как оно описано.Other aspects of the invention will be embodied and achieved by elements and combinations specifically described in the appended claims. It is to be understood that both the foregoing general description and the following detailed description are by way of example and explanatory only and are not intended to be limiting of the invention as described.
Краткое описание чертежейBrief description of drawings
Фиг. 1 показывает упрощенную схему варианта осуществления компьютерной системы для тренировки модели обучения с подкреплением для обеспечения рабочих инструкция для терморегулирования доменной печи;Fig. 1 shows a simplified diagram of an embodiment of a computer system for training a reinforcement learning model for providing operating instructions for thermal control of a blast furnace;
фиг. 2 является упрощенной блок-схемой компьютеризированного способа, который может выполняться посредством вариантов осуществления компьютерной системы;fig. 2 is a simplified flow diagram of a computerized method that may be performed by computer system embodiments;
фиг. 3А показывает упрощенную блок-схему, отображающую обработку переходной модели согласно одному варианту осуществления с несколькими вычислительными ячейками с каждой ячейкой, представляющей соответствующий слой типовой доменной печи;fig. 3A shows a simplified block diagram depicting transient model processing according to one embodiment with multiple computational cells, with each cell representing a corresponding layer of a typical blast furnace;
фиг. 3Б показывает вычислительные ячейки в визуальном представлении доменной печи;fig. 3B shows computational cells in a visual representation of a blast furnace;
фиг. 4 показывает пример осуществления расчета вознаграждения для модели обучения с подкреплением;fig. 4 shows an example implementation of reward calculation for a reinforcement learning model;
фиг. 5 показывает Парето-фронт как границу облака точек в целевом пространстве для функции вознаграждения;fig. 5 shows the Pareto front as the boundary of a point cloud in the target space for the reward function;
фиг. 6А, 6Б показывают примеры Парето-фронта в целевом пространстве двухмерной целевой функции для соответствующей доменной печи с целью визуализации;fig. 6A, 6B show examples of the Pareto front in the target space of a two-dimensional objective function for a corresponding blast furnace for visualization purposes;
фиг. 7 показывает использование дополнительной модели машинного обучения для дополнения согласно одному варианту осуществления;fig. 7 shows the use of an additional machine learning model for augmentation according to one embodiment;
фиг. 8 показывает использование образов фурм для дополнения тренировочных данных путем использования дополнительных моделей глубокого обучения согласно одному варианту осуществления;fig. 8 shows the use of tuyere images to augment training data by using additional deep learning models, according to one embodiment;
фиг. 9 показывает использование дополнительных датчиков для характеризации состояния доменной печи для тренировки модели обучения с подкреплением и фиг. 10 является примером типового компьютерного устройства и типового мобильного компьютерного устройства, которые могут быть использованы с описанными здесь способами.fig. 9 shows the use of additional sensors to characterize the state of a blast furnace to train a reinforcement learning model and FIG. 10 is an example of a typical computing device and a typical mobile computing device that can be used with the methods described herein.
- 6 045556- 6 045556
Подробное описаниеDetailed description
Фиг. 1 показывает упрощенную схему базового осуществления компьютерной системы 100 для тренировки модели 130 обучения с подкреплением для формирования рабочих инструкций для терморегулирования доменной печи. Фиг. 1 описана в контексте фиг. 2, которая является упрощенной блоксхемой компьютеризированного способа 1000, который может выполняться посредством вариантов осуществления компьютерной системы 100. Поэтому следующее описание фиг. 1 в контексте фиг. 2 ссылается на ссылочные обозначения обеих фигур.Fig. 1 shows a simplified diagram of a basic implementation of a computer system 100 for training a reinforcement learning model 130 to generate operating instructions for thermal control of a blast furnace. Fig. 1 is described in the context of FIG. 2, which is a simplified flow diagram of a computerized method 1000 that may be performed by embodiments of a computer system 100. Therefore, the following description of FIG. 1 in the context of FIG. 2 refers to the reference symbols of both figures.
В одном варианте осуществления компьютерная система коммуникативно связана с несколькими доменными печами BF1-BFn. Доменные печи BF1-BFn могут принадлежать разным доменам и обеспечивать ретроспективные эксплуатационные данные 21, полученные в виде многопараметрических временных рядов и отражающие тепловые состояния соответствующих доменных печей. Примеры таких ретроспективных эксплуатационных данных включают в себя, но не ограничены ими, количество шихтовых материалов и результаты химического анализа, температуру, давление, скорость подачи порошкообразного угля и обогащение кислородом с уравнением энергии для прогнозирования температуры горячего металла, одним или более уравнениями компонентов для вычисления химического состава горячего металла и одно или более уравнение газовой фазы для прогнозирования температуры доменного газа, эффективности (Eta CO) и давления.In one embodiment, the computer system is in communicative communication with multiple blast furnaces BF1-BFn. BF1-BFn blast furnaces can belong to different domains and provide historical operational data 21 obtained in the form of multi-parameter time series and reflecting the thermal states of the corresponding blast furnaces. Examples of such historical operational data include, but are not limited to, charge quantities and chemical analysis results, temperature, pressure, powdered coal feed rate and oxygen enrichment with an energy equation to predict hot metal temperature, one or more component equations to calculate chemical hot metal composition and one or more gas phase equations to predict blast furnace gas temperature, efficiency (Eta CO) and pressure.
В реальных печах разные домены могут быть связаны с разными комбинациями значений параметров в ретроспективных эксплуатационных 21 данных, описывающих тепловые состояния доменных печей в разных доменах, хотя существует сходство между такими тепловыми состояниями.In real furnaces, different domains may be associated with different combinations of parameter values in historical operational 21 data describing the thermal states of blast furnaces in different domains, although there are similarities between such thermal states.
Следовательно, система 100 имеет модель DAM 110 машинного обучения в доменной адаптации для генерирования 1100 первого инвариантного набора 22 данных домена, представляющего тепловое состояние любой из доменных печей BF1-BFn независимо от домена. DAM 110 была тренирована посредством использования способа TL 111 трансферного обучения. В одном осуществлении DAM 110 может быть реализована посредством генеративной нейронной сети GDL1 113 глубокого обучения со сверточными и рекуррентными слоями, тренированными для извлечения инвариантных признаков домена из ретроспективных эксплуатационных 21 данных в качестве первого инвариантного набора 22 данных домена.Therefore, the system 100 has a domain-adaptive machine learning model DAM 110 to generate 1100 a first invariant domain data set 22 representing the thermal state of any of the blast furnaces BF1-BFn regardless of the domain. DAM 110 was trained using the TL 111 transfer learning method. In one implementation, the DAM 110 may be implemented by a deep learning generative neural network GDL1 113 with convolutional and recurrent layers trained to extract invariant domain features from historical operational 21 data as the first invariant domain data set 22 .
В одном альтернативном варианте осуществления DAM 110 может быть реализована посредством архитектуры генеративного глубокого обучения (например, основанной на описанной ранее архитектуре CycleGAN), которая была тренирована для обучения множеству отображений 112 соответствующих необработанных данных от нескольких доменных печей BF1-BFn в эталонную доменную печь BFr. В этом осуществления несколько отображений соответствуют первому инвариантному набору 22 данных.In one alternative embodiment, the DAM 110 may be implemented through a generative deep learning architecture (e.g., based on the previously described CycleGAN architecture) that has been trained to learn multiple mappings 112 of the corresponding raw data from multiple blast furnaces BF1-BFn to a reference blast furnace BFr. In this implementation, multiple mappings correspond to the first invariant data set 22.
Система 100 также имеет модуль ADG 120 генератора моделированных данных для генерирования 1200 моделированных эксплуатационных данных 24а в качестве многопараметрических временных рядов, отображающих тепловое состояние типовой доменной печи BFg для конкретного терморегулирующего действия 26а. С этой целью ADG 120 использует переходную модель 121 процесса типовой доменной печи. Переходная модель 121 является имитационной моделью, которая отображает соответствующие физические, химические, тепловые и потоковые условия типовой доменной печи и обеспечивает решения для восходящего потока газа и нисходящего перемещения слоев твердой фазы, как они структурированы в типовой доменной печи при обмене тепла, массы и переносе импульса. В общем, имитационная модель основана на имитационных параметрах, которые соответствуют таким параметрам состояния, контролируемых в ретроспективных эксплуатационных данных.System 100 also has a simulated data generator module ADG 120 for generating 1200 simulated operating data 24a as multi-parameter time series representing the thermal state of a typical blast furnace BFg for a particular temperature control action 26a. To this end, ADG 120 uses a transition model 121 of a typical blast furnace process. Transient Model 121 is a simulation model that represents the relevant physical, chemical, thermal and flow conditions of a typical blast furnace and provides solutions for the upward gas flow and downward movement of solid layers as they are structured in a typical blast furnace during heat, mass and momentum transfer. . In general, a simulation model is based on simulated parameters that correspond to those state parameters monitored in historical operational data.
Возвращаясь к фиг. 3А, переходная модель 121 включает в себя несколько вычислительных ячеек с каждой из ячеек представляющей соответствующий слой типовой доменной печи BFg, составленный из одной загрузки сырьевого материала. Каждая вычислительная ячейка решает уравнение газовой фазы итеративным последовательным образом для удовлетворения относительным допускам параметра газовой фазы на каждом временном шаге (временном интервале итерации). После того как параметры газовой фазы сходятся к предварительно заданному значению допуска, уравнения твердой фазы последовательно решаются на том же временном шаге. Шаг итеративного решения уравнений газовой фазы может включать в себя для каждой итерации цикл коррекции давление-скорость вычисление 3300 свойств газа, твердой фазы и жидкости, вычисление 3400 скоростей реакции и коэффициентов теплопередачи и вычисление 3500 температуры газа, компонентов, скорости и падения давления.Returning to FIG. 3A, transition model 121 includes multiple computational cells with each cell representing a corresponding layer of a typical BFg blast furnace composed of a single charge of raw material. Each computational cell solves the gas phase equation in an iterative, sequential manner to satisfy the relative tolerances of the gas phase parameter at each time step (iteration time interval). Once the gas phase parameters converge to a predefined tolerance value, the solid phase equations are solved sequentially at the same time step. The step of iteratively solving the gas phase equations may include, for each iteration, a pressure-velocity correction cycle, 3300 calculations of gas, solid, and liquid properties, 3400 calculations of reaction rates and heat transfer coefficients, and 3500 calculations of gas temperature, components, velocity, and pressure drop.
Последовательно решение уравнения твердой фазы может включать в себя вычисление 3600 температуры твердой фазы и компонентов, вычисление 3700 температуры жидкости и компонентов, и вычисление 3800 скорости твердой фазы.Sequentially, solving the solid phase equation may include calculating 3600 the temperature of the solid phase and components, calculating 3700 the temperature of the liquid and components, and calculating 3800 the velocity of the solid phase.
Обращаясь теперь к фиг. 3Б, которая показывает вычислительные ячейки СС в визуальном представлении 300 доменной печи, переходная модель 121 может получать один или более следующих входных параметров 302: количество шихтового материала 302-1 и результаты химического анализа, температура, давление, скорость 302-2 подачи порошкообразного угля и обогащение кислородом. Далее проReferring now to FIG. 3B, which shows CC computational cells in the blast furnace visualization 300, transition model 121 may receive one or more of the following input parameters 302: amount of charge material 302-1 and chemical analysis results, temperature, pressure, powdered coal feed rate 302-2, and oxygen enrichment. More about
- 7 045556 филь 302-3 описывает геометрию доменной печи и, следовательно, оказывает воздействие на время перемещения загруженного материала (например, высокая доменная печь может иметь время перемещения 8 ч, в то время как для короткой доменной печи оно может быть только 6 ч). Профиль печи 302-3 является постоянным параметром на доменную печь, который используется для генерирования моделированных данных. Для специалиста понятно, что переходная модель принимает во внимание геометрию доменной печи. Переходная модель генерирует выходные данные 303, например, с уравнением энергии для прогнозирования температуры горячего металла, одним или более уравнениями компонентов для вычисления химического состава 303-2 и одним или более уравнениями газовой фазы для прогнозирования температуры доменного газа, эффективности (Eta CO) и давления (условия 303-1 доменного газа).- 7 045556 fil 302-3 describes the geometry of the blast furnace and therefore affects the transfer time of the charged material (for example, a tall blast furnace may have a transfer time of 8 hours, while for a short blast furnace it may only be 6 hours) . Furnace profile 302-3 is a constant parameter per blast furnace that is used to generate simulated data. It will be clear to those skilled in the art that the transition model takes into account the geometry of the blast furnace. The transient model generates output 303, for example, with an energy equation to predict hot metal temperature, one or more component equations to calculate chemical composition 303-2, and one or more gas phase equations to predict blast gas temperature, efficiency (Eta CO), and pressure (conditions 303-1 blast furnace gas).
Другими словами, переходная (моделирующая) модель является цифровой моделью с соответствующими физическими, химическими, тепловыми условиями и условиями потока для генерирования приемлемых моделированных данных. В силу переходной природы модели, моделированные динамические данные временных рядов могут быть сгенерированы посредством изменения по времени входных параметров, напоминающего работу реальной печи. Как следствие, диапазон (параметров) данных может быть расширен до расширенного рабочего пространства, которое не может быть обеспечено фактическими данными доменной печи, полученными из реальных доменных печей.In other words, the transient (simulation) model is a digital model with appropriate physical, chemical, thermal and flow conditions to generate acceptable simulated data. Due to the transient nature of the model, simulated dynamic time series data can be generated by varying the input parameters over time, reminiscent of the operation of a real furnace. As a consequence, the range of data can be extended to an extended workspace that cannot be provided by actual blast furnace data obtained from real blast furnaces.
В переходной модели печь разделена на конечное число слоев по высоте печи. На фиг. 3Б разные слои разделены посредством сплошных горизонтальных линий 301. Каждый слой состоит из одной загрузки сырьевого материала, в данном случае железной руды и кокса. Эти слои представляют вычислительные ячейки СС 310, как описано ранее, для которых уравнения решаются в цифровом виде. В одном варианте осуществления граничное условие для свойств газовой фазы, такие как состав, скорость и температура, определяются с использованием субмодели 310 канала, в то время как граничное условие для твердой фазы определяются в виде состава загружаемого материала при комнатной температуре. Внутреннее состояние 304 доменной печи 300 включает в себя подуровни для газа, твердой и жидкой фаз. Подуровень для газовой фазы может характеризоваться посредством: температуры (Tg, К), давления (р, Па), скорости (Vg, м/с), компонентов (СО, СО2, Н2, Н2О, N2). Подуровень для твердой фазы может характеризоваться посредством: температуры (Tg, К), скорости (Vs, м/с), компонентов (Fe2O3, Fe3O4, FeO, Fe, шлака, углерода кокса, золы кокса). И подуровень жидкой фазы может характеризоваться посредством: температуры (Tl, К) и компонентов (Fe, шлак, FeO).In the transition model, the furnace is divided into a finite number of layers along the height of the furnace. In fig. 3B, the different layers are separated by continuous horizontal lines 301. Each layer consists of one batch of raw material, in this case iron ore and coke. These layers represent computational cells CC 310, as described previously, for which equations are solved digitally. In one embodiment, the boundary condition for gas phase properties, such as composition, velocity, and temperature, are defined using the channel submodel 310, while the boundary condition for the solid phase is defined in terms of the composition of the feed material at room temperature. The internal state 304 of the blast furnace 300 includes gas, solid, and liquid sublevels. The sublevel for the gas phase can be characterized by: temperature (Tg, K), pressure (p, Pa), speed (Vg, m/s), components (CO, CO 2 , H 2 , H 2 O, N2). The sublevel for the solid phase can be characterized by: temperature (Tg, K), speed (Vs, m/s), components (Fe2O 3 , Fe 3 O 4 , FeO, Fe, slag, coke carbon, coke ash). And the sublevel of the liquid phase can be characterized by: temperature (Tl, K) and components (Fe, slag, FeO).
Полное решение для газовой и твердой фаз является вычислительно очень дорогостоящим (и продолжительным). Поэтому для экономии времени и энергии газовая фаза может рассматриваться как устойчивое состояние, поскольку время устойчивости газа (примерно 3 с) намного меньше, чем временной шаг (примерно 2 мин), определенный как интервал итерации. Однако твердая фаза рассматривается как переходная фаза. Алгоритм (фиг. 3А) решения сначала решает уравнение газовой фазы итеративным последовательным путем, чтобы удовлетворять относительному допуску параметров в каждом временном шаге. Когда параметры газовой фазы сходятся к предварительно заданному значению допуска, тогда уравнения твердой фазы решаются последовательно в том же временном шаге. Временной цикл продолжается до конца моделирования. Параметры газа и твердой фазы, а также параметры переноса, такие как перенос тепла и массы, обновляются в начале каждого временного шага. В последовательном подходе после решения для одного параметра другие параметры рассматриваются как известные, подразумевая, что используются старые значения. Таким образом, нелинейные члены и связанные параметры могут быть решены, избегая сложных и дорогостоящих решающих устройств.A complete solution for gas and solid phases is computationally very expensive (and time consuming). Therefore, to save time and energy, the gas phase can be considered as a steady state, since the gas stability time (about 3 s) is much smaller than the time step (about 2 min) defined as the iteration interval. However, the solid phase is considered as a transition phase. The solution algorithm (Figure 3A) first solves the gas phase equation in an iterative, sequential way to satisfy the relative tolerance of the parameters at each time step. When the gas phase parameters converge to a preset tolerance value, then the solid phase equations are solved sequentially in the same time step. The time cycle continues until the end of the simulation. Gas and solid parameters, as well as transport parameters such as heat and mass transfer, are updated at the beginning of each time step. In the sequential approach, after solving for one parameter, the other parameters are treated as known, implying that the old values are used. In this way, nonlinear terms and related parameters can be solved while avoiding complex and expensive solvers.
Как описано выше, моделированные эксплуатационные данные 24а, сгенерированные посредством переходной модели 121, сгенерированы согласно математическим уравнениям, которые приводят к чистым данным в том смысле, что моделированные эксплуатационные данные 24а не показывают какиелибо реальные характеристики, такие как, например, шум или сдвиг, обусловленные соответствующими измерительными/сенсорными устройствами. Для тренировки модели RILM 130 обучения с подкреплением для создания в высшей степени точных прогнозов желательно обеспечить тренировочные данные для модели 130, которые отражают характеристики реальных эксплуатационных данных, использованных в качестве тестовых входных данных для RILM 130. Поэтому ADG 120 использует генеративную сеть GDL2 122 глубокого обучения с рекуррентными слоями для генерирования 1300 второго инвариантного набора 23 данных домена посредством передачи признаков, выученных из ретроспективных эксплуатационных 21 данных, к моделированным эксплуатационным данным 24а. GDL2 122 была натренирована на многопараметрических временных рядах ретроспективных эксплуатационных 21 данных для того, чтобы узнать реальные характеристики из ретроспективных эксплуатационных данных и применить изученные признаки к имитированным моделированным эксплуатационным данным 24а. Это приводит к чисто синтетическому набору 23 данных, отражающему тепловое состояние типовой доменной печи BFg в ответ на терморегулирующее действие 26а. Следует отметить, что изучение естественных характеристик каждого сигнала в контексте, заданном другими сигналами посредством использования сети генеративного глубокого обучения с использованием рекуррентных слоев, подобно хорошо известным способам, применяемым к изображениям для обучения стилю отдельного набора рисунков и применения этого стиля к любому другому изображению. Подобные способы могут применяться на многопараметрическихAs described above, the simulated performance data 24a generated by the transient model 121 is generated according to mathematical equations that result in pure data in the sense that the simulated performance data 24a does not show any real characteristics, such as, for example, noise or shear, due to appropriate measuring/sensing devices. To train the reinforcement learning model RILM 130 to make highly accurate predictions, it is desirable to provide training data for the model 130 that reflects the characteristics of the real-world operational data used as test input to the RILM 130. Therefore, ADG 120 uses a generative deep learning network GDL2 122 with recurrent layers to generate 1300 a second invariant domain data set 23 by transferring features learned from historical operational data 21 to simulated operational data 24a. GDL2 122 was trained on multi-parameter time series of historical operational 21 data to learn real-world characteristics from historical operational data and apply the learned characteristics to simulated simulated operational data 24a. This results in a purely synthetic data set 23 reflecting the thermal state of a typical BFg blast furnace in response to thermal control action 26a. It should be noted that learning the natural characteristics of each signal in the context given by other signals through the use of a generative deep learning network using recurrent layers is similar to the well-known methods applied to images to learn the style of a particular set of drawings and apply that style to any other image. Similar methods can be used on multi-parameter
- 8 045556 временных рядах и являются подходами, которые могут быть решены, например посредством основанного на упомянутом ранее CycleGAN алгоритме, когда он адаптирован к данным многопараметрических временных рядов.- 8 045556 time series and are approaches that can be solved, for example, through the CycleGAN algorithm based on the previously mentioned CycleGAN algorithm, when it is adapted to multi-parameter time series data.
Оба набора данных, первый инвариантный набор 22 данных домена и синтетический второй набор 23 данных обеспечены в качестве тренировочных данных RILM 130. RILM 130 определяет 1400 вознаграждение 131 для отдельного терморегулирующего действия 26а с учетом данной целевой функции путем обработки объединенных первого и второго инвариантных наборов 22 данных, 23 а домена. Основываясь на таких тренировочных данных, RILM 130 учится терморегулирующим действиям, которые зависят от состояния (типовой) доменной печи (окружения). Например, это окружение может определяться посредством, для иллюстрации, работы доменной печи, состава материала и т.п.Both data sets, the first invariant domain data set 22 and the synthetic second data set 23 are provided as training data to the RILM 130. The RILM 130 determines 1400 the reward 131 for an individual thermoregulatory action 26a given a given objective function by processing the combined first and second invariant data sets 22 , 23 a domain. Based on such training data, RILM 130 learns thermoregulatory actions that depend on the state of the (typical) blast furnace (environment). For example, this environment may be determined by, for illustration, the operation of a blast furnace, the composition of a material, or the like.
В зависимости от вознаграждения 131, ADG 120 регенерирует 1300 второй инвариантный набор данных домена, основанный на измененных параметрах 123-2. Генератор PG 123 параметров использует алгоритм 123-1 генетического поиска и/или байесовской оптимизации для направления поиска измененных параметров для другого терморегулирующего действия, основанного на текущем окружении 25а RILM 130 и выходных данных терморегулирующего действия 26а текущего шага обучения. С измененными параметрами переходная модель моделирует тепловое состояние для другого управляющего действия. Затем, к RILM 130 в качестве новых тренировочных входных данных направляется повторно сгенерированный второй инвариантный набор данных домена, и для новых тренировочных входных данных снова определяется вознаграждение. Этот процесс повторяется до тех пор, пока текущее вознаграждение не превысит 1500 предварительно заданное значение порога вознаграждения для обучения оптимизированным рабочим инструкциям для оптимизированных терморегулирующих действий.Depending on the reward 131, ADG 120 regenerates 1300 a second invariant domain data set based on the modified parameters 123-2. The parameter generator PG 123 uses a genetic search and/or Bayesian optimization algorithm 123-1 to direct a search for modified parameters for another thermoregulatory action based on the current RILM 130 environment 25a and the output of the thermoregulatory action 26a of the current training step. With the changed parameters, the transient model simulates the thermal state for a different control action. Then, the regenerated second invariant domain data set is sent to RILM 130 as new training inputs, and a reward is again determined for the new training inputs. This process is repeated until the current reward exceeds 1500 a preset reward threshold value for learning optimized work instructions for optimized thermoregulatory actions.
Ниже описан пример реального сценария для вычисления вознаграждения, как показано на фиг. 4. Следует отметить, что специалист в данной области может использовать другие подходящие функции вознаграждения для реализации модели обучения с подкреплением. Следующий пример сценария описывает оптимизацию для установления оптимального значения исполнительного механизма для подлежащей оптимизации простой двухцелевой функции посредством использования типового алгоритма поиска.Below is an example of a real scenario for calculating the reward as shown in FIG. 4. It should be noted that one skilled in the art may use other suitable reward functions to implement the reinforcement learning model. The following example scenario describes an optimization to determine the optimal actuator value for a simple two-objective function to be optimized by using a generic search algorithm.
Цель: максимизация качества (постоянное содержание Si) и максимизация производительностиGoal: maximizing quality (constant Si content) and maximizing productivity
Исполнительные механизмы: скорость ввода порошкообразного угля (кг/с), скорость дутья (нм /с), расход кокса (кг/загрузка)Actuators: powdered coal input speed (kg/s), blast speed (nm/s), coke consumption (kg/load)
Вознаграждение:Reward:
= 1/(эвклидово_расстояние_ доПаретофронта)= 1/(Euclidean_distance_toParetofront)
Аппроксимировано, в качестве примера, посредством улучшенного дельта анализа каждой цели: 1/эвклидово_растояние((качество_предыдущее, производительность _предыдущая),(качество_новое, производительность новая))Approximated, as an example, by improved delta analysis of each target: 1/Euclidean_distance((quality_previous, performance_previous),(quality_new, performance new))
В этом примере определение вознаграждения действительно только с типовым алгоритмом поиска, обеспечивающим, что имеется схождение к Парето-фронту. То есть, в этом примере подлежащей оптимизации двухцелевой функции улучшение качества и производительности являются положительными между двумя последовательными итерациями.In this example, the reward determination is only valid with a generic search algorithm ensuring that there is convergence to the Pareto front. That is, in this example of a bi-objective function to be optimized, the improvements in quality and performance are positive between two successive iterations.
- 9 045556- 9 045556
Начальное тепловое состояние доменной печи (текущее окружение): Sinit - итерация 1: значение исполнительных механизмов =Initial thermal state of the blast furnace (current environment): Sinit - iteration 1: actuator value =
[скорость_ввода_порошкообразного_ угля_1, скоростьдутья!, расход_кокса_1] измерение цели = качество !, производительность ![powdered_coal_input_speed_1, blowing_speed!, coke_consumption_1] goal measurement = quality !, productivity !
- итерация 2:- iteration 2:
значение исполнительных механизмов =actuator value =
[скорость_ввода_порошкообразного_ угля_2, скорость_дутья_2, расход_кокса_2] измерение цели = качество_2, производительность_2 вознаграждение=К_2=1/эвклидово_растояние((качество_1, производительность! ),(качество_2, производительность_2)) - итерация 3:[powdered_coal_input_rate_2, blast_rate_2, coke_consumption_2] goal measurement = quality_2, productivity_2 reward=K_2=1/Euclidean_distance((quality_1, productivity! ),(quality_2, productivity_2)) - iteration 3:
значение исполнительных механизмов =actuator value =
[скорость_ввода_порошкообразного_ угля_3, скоростьдутьяЗ, расход_кокса_3] измерение цели = качествоЗ, производительностьЗ вознаграждение=К_3 = 1/эвклидово_растояние((качество_2, производительность_2),(качество_3, производительность З))[powdered_coal_input_speed_3, blast_speed3, coke_consumption_3] goal measurement = quality3, productivity3 reward = K_3 = 1/Euclidean_distance((quality_2, productivity_2),(quality_3, productivity3))
- итерация ι:- iteration ι:
значение исполнительных механизмов =actuator value =
[скорость_ввода_порошкообразного_ угля_1, скорость дутья !, расход_кокса_1] измерение цели = качество !, производительность ![powdered_coal_input_speed_1, blast_speed !, coke_consumption_1] target measurement = quality !, productivity !
вознаграждение=К1=1/эвклидово_растояние((качество_!-1, производительность !-1),(качество !, производительность !)) итерация opt: (достигнут Парето- фронт) значение исполнительных механизмов =reward=К1=1/Euclidean_distance((quality_!-1, productivity !-1),(quality !, productivity !)) iteration opt: (Pareto front reached) value of actuators =
[скорость_ввода_порошкообразного_ угля_ор1, скорость дутья ор!, расходкоксаор!] измерение цели = качество ор, производительностьор![input_speed of_powdered_coal_or1, blowing speed or!, coke consumption!] goal measurement = quality or, productivityor!
вознаграждение=К_ор11=1/эвклидово_растояние((качество_ор1 -1, производительность_ор1-1),(качество_ор1, производительность орф)reward=K_or11=1/Euclidean_distance((quality_or1 -1, productivity_or1-1),(quality_or1, productivity ORF)
Без использования алгоритма генетического поиска может быть выполнен времязатратный случайный поиск. На фиг. 5 Парето-фронт для такого случая определяется точками (quality_i, prod_i) [(качество_1, производительность^) прим. переводчика] с точечным заполнением (на границе облака точек в целевом пространстве). В этом случае вознаграждение для каждой точки (quality_i, prod_i) может быть вычислено как обратная величина эвклидова расстояния и рассчитывается после того как Парето-фронт был идентифицирован (не во время процесса случайного поиска).Without using a genetic search algorithm, time-consuming random searches can be performed. In fig. 5 The Pareto front for this case is determined by the points (quality_i, prod_i) [(quality_1, productivity^) approx. translator] with point filling (at the boundary of the point cloud in the target space). In this case, the reward for each point (quality_i, prod_i) can be calculated as the inverse of the Euclidean distance and is calculated after the Pareto front has been identified (not during the random search process).
Таким образом, модель 130 обучения с подкреплением натренирована для обучения оптимизированным рабочим инструкциям, так что связанное целевое измерение лежит на предварительно заданном расстоянии от Парето-фронта для соответствующей многомерной целевой функции.Thus, reinforcement learning model 130 is trained to learn optimized operating instructions such that the associated target dimension lies at a predetermined distance from the Pareto front for the corresponding multivariate objective function.
После завершения обучения RILM 130 была натренирована для обеспечения 1600 оптимизированных рабочих инструкций для терморегулирования доменной печи в ответ на тестовые входные данные с текущими эксплуатационными данными, описывающими текущее состояние доменной печи (данные фиг. 2). Факультативно, тренировка RILM 130 может продолжаться в онлайновом режиме во время работы доменной печи.Once training was completed, RILM 130 was trained to provide 1600 optimized operating instructions for blast furnace thermal control in response to test inputs with current operating data describing the current state of the blast furnace (data from FIG. 2). Optionally, RILM 130 training can continue online while the blast furnace is running.
В онлайновом режиме модель 130 обучения с подкреплением прогнозирует 1700 (данные фиг. 2) оптимизированную рабочую инструкцию по меньшей мере для одного исполнительного механизма конкретной доменной печи в производстве, основанную на данных текущего рабочего состояния доменной печи. Предполагается, что терморегулирующее действие для оптимизированной рабочей инструкции применяется для доменной печи (или посредством оператора или автоматически через соответствующую систему управления). После того как терморегулирующее действие было применено по меньшей мере для одного исполнительного механизма в соответствии с оптимизированной рабочей инструкцией, вознаграждение определяется на основании нового состояния доменной печи, которое достигнуто послеOnline, the reinforcement learning model 130 predicts 1700 (data from FIG. 2) an optimized operating instruction for at least one actuator of a particular blast furnace in production based on data from the current operational state of the blast furnace. It is assumed that the thermal control action for the optimized operating instruction is applied to the blast furnace (either by an operator or automatically through an appropriate control system). After the thermoregulatory action has been applied to at least one actuator in accordance with the optimized operating instruction, the reward is determined based on the new blast furnace state that is achieved after
- 10 045556 выполнения терморегулирующего действия. Снова определенное вознаграждение сравнивается 1500 с предварительно заданной пороговой величиной вознаграждения. Если вознаграждение находится ниже этой пороговой величины, ADG 120 регенерирует (используя переходную модель 121) вторые инвариантные данные домена для одной или более альтернативных рабочих инструкций для повторного обучения модели 130.- 10 045556 performance of thermoregulatory action. Again the determined reward is compared 1500 with the predefined reward threshold. If the reward is below this threshold, ADG 120 regenerates (using transition model 121) the second domain invariant data for one or more alternative operating instructions to retrain the model 130.
Фиг. 6А и 6Б показывают Парето-фронт в целевом пространстве двухмерной целевой функции (с двумя целями 01, 02) для соответствующего состояния BFS1, BFS2 (для целей визуализации). Модель RILM должна обучиться оптимальным управляющим инструкциям для доменной печи, так что связанное целевое измерение лежит на Парето-фронте. В этих фигурах цель была вычислена для каждого определенного ранее и моделированного образца данных. Фигуры показывают ограничение ретроспективных данных, которые часто ограничены только немногими эксплуатационными режимами доменной печи, приводя к скоплениям в целевом пространстве. Таким образом, крупные точки типа 22-2 связаны с инвариантным набором данных домена, найденным из ретроспективных данных. Квадраты типа 23а связаны с инвариантным набором данных домена, основанном на моделированных (имитированных) данных. Крупные точки типа 22-1 связаны с данными, сгенерированными посредством глубокой генеративной модели, натренированной на ретроспективных 21 данных (необработанные данные) или 22 (инвариантные необработанные данные домена). Эта глубокая генеративная модель действует как усовершенствованный интерполирующий алгоритм, обеспечивающий новые необработанные данные, сгенерированные из ретроспективных данных. Следовательно, сгенерированные данные могут быть только относительно близкими к существующим ретроспективным данным. Генерирование таких связанных с типом 23 а данных описано более подробно на фиг. 1 и 2. На фиг. 6Б треугольники типа 22-3 связаны с онлайновыми данными, полученными во время работы доменной печи и использованными для онлайнового режима тренировки RILM 130. Треугольники типа 22-3 находятся, естественно, ближе к Парето-фронту, поскольку они происходят из натренированной модели, обеспечивающей рекомендации оптимизированной рабочей инструкции (прогнозирование данных 1700 на фиг. 2). Однако для дальнейшей оптимизации рекомендаций рабочей инструкции в отношении этих данных запускается повторная онлайновая тренировка RILM 130.Fig. 6A and 6B show the Pareto front in the target space of a 2D objective function (with two targets 01, 02) for the corresponding state BFS1, BFS2 (for visualization purposes). The RILM model must learn optimal control instructions for the blast furnace such that the associated target dimension lies on the Pareto front. In these figures, a target was computed for each previously defined and simulated data sample. The figures show the limitation of historical data, which is often limited to only a few blast furnace operating modes, resulting in clusters in the target space. Thus, large points of type 22-2 are associated with an invariant domain data set found from the historical data. Type 23a squares are associated with an invariant domain data set based on simulated data. Large points of type 22-1 are associated with data generated through a deep generative model trained on historical 21 data (raw data) or 22 (invariant raw domain data). This deep generative model acts as an advanced interpolating algorithm, providing new raw data generated from historical data. Therefore, the generated data can only be relatively close to existing historical data. The generation of such type 23a associated data is described in more detail in FIG. 1 and 2. In FIG. 6B, triangles of type 22-3 are associated with online data obtained during blast furnace operation and used for the online training mode of RILM 130. Triangles of type 22-3 are naturally closer to the Pareto front, since they come from a trained model providing recommendations optimized work instruction (prediction of data 1700 in Fig. 2). However, to further optimize the recommendations of the work instructions regarding this data, a re-run of the RILM 130 online training is run.
В одном варианте осуществления система 100 может включать в себя модуль DA 140 дополнения данных для дополнения необработанных эксплуатационных 21 данных, измеренных посредством датчиков на доменной печи посредством использования одной или более специально натренированных моделей ML1-MLn машинного обучения для прогнозирования информации о будущем тепловом развитии состояния доменной печи или другой информации, связанной с текущим тепловым состоянием (пример: прогнозирование технологических явлений, виртуальный датчик, обеспечивающий измерение при более высокой частоте, чем, например, фактический датчик). Такие прогнозы служат такой же цели, как и необработанные данные для тренировки модели RILM 130, и используются таким же образом, как и необработанные данные 21 (ретроспективные эксплуатационные данные). Примером такой специально натренированной модели машинного обучения является модель, прогнозирующая температуру горячего металла в течение 3 часов. Этот прогноз температуры горячего металла может быть затем использован для тренировки RILM 130. Такое дополнение данных дополнительно улучшает тренировочный набор данных, используемый для обучения с подкреплением RILM 130, и приводит к улучшенной точности прогноза модели обучения с подкреплением. Альтернативно, могут быть добавлены новые датчики, как показано на фиг. 9. Это позволяет более точно охарактеризовать состояние доменной печи для тренировки RILM 130. Как пример, если некоторые характеристики загруженного в доменную печь сырьевого материала отсутствуют (например, пористость, влажность), они могут быть или измерены (используя дополнительные датчики) или они могут быть потенциально оценены с использованием моделей ML1MLn машинного обучения.In one embodiment, the system 100 may include a data augmentation module DA 140 for augmenting the raw operational 21 data measured by sensors on the blast furnace by using one or more specially trained machine learning models ML1-MLn to predict information about the future thermal evolution of the blast furnace condition. furnace or other information related to the current thermal state (example: prediction of process phenomena, virtual sensor providing measurement at a higher frequency than, for example, the actual sensor). Such forecasts serve the same purpose as raw data for training the RILM 130 model, and are used in the same way as raw data 21 (retrospective operational data). An example of such a specially trained machine learning model is a model that predicts the temperature of a hot metal over a 3-hour period. This hot metal temperature prediction can then be used to train the RILM 130. This data augmentation further improves the training data set used for the RILM 130 reinforcement learning and results in improved prediction accuracy of the reinforcement learning model. Alternatively, new sensors can be added as shown in FIG. 9. This allows a more accurate characterization of the blast furnace condition for RILM 130 training. As an example, if some characteristics of the raw material loaded into the blast furnace are missing (e.g. porosity, moisture content), they can either be measured (using additional sensors) or they can be potentially assessed using ML1MLn machine learning models.
Перечень моделей (ML) машинного обучения, которые являются предпочтительными для добавления данных, чтобы сделать возможным более точное описание состояния доменной печи и, как следствие, сделать более точной тренировку RILM 130, перечислены ниже:A list of machine learning models (ML) that are preferred for adding data to enable a more accurate description of the blast furnace condition and, as a result, make the RILM 130 training more accurate are listed below:
A) ML для улучшенной оценки: любые аномалии в необработанных данных, обеспеченных посредством датчиков доменной печи, могут быть обнаружены перед тренировкой модели машинного обучения или могут быть использованы в качестве входных данных в воздании развернутой модели машинного обучения;A) ML for improved estimation: any anomalies in the raw data provided through blast furnace sensors can be detected before training the machine learning model or can be used as input in producing a deployed machine learning model;
Б) ML для прогнозирования теплового состояния доменной печи и производства горячего металла KPIs (главные индикаторы эксплуатационных качеств);B) ML for predicting the thermal state of a blast furnace and the production of hot metal KPIs (key performance indicators);
В) ML для оптимизации матрицы загрузки;C) ML to optimize the loading matrix;
Г) ML для основанной на съемочной камере фурмы инспекции процесса;D) ML for camera-based tuyere process inspection;
Д) ML для рекомендаций устройству открывания летки для оптимальной работы;E) ML for recommendations to the taphole opening device for optimal operation;
Е) ML для обнаружения основанных на ТМТ SOMA (акустическое измерение температуры газа) явлений и расчет/прогнозирование главных индикаторов эксплуатационных качеств;E) ML for detection of TMT-based SOMA (acoustic gas temperature measurement) phenomena and calculation/prediction of leading performance indicators;
Ж) ML для маркировки явлений посредством технологических правил (возможное использование выходных данных, сгенерированных посредством модели машинного обучения), определенных техноло- 11 045556 гом, или посредством моделей контролируемого или неконтролируемого машинного обучения или моделей обнаружения шаблона;G) ML for labeling phenomena through process rules (possibly using output data generated through a machine learning model) defined by the technologist, or through supervised or unsupervised machine learning models or pattern detection models;
И) ML для прогнозирования явлений из сгенерированных в Ж) меток;I) ML for predicting phenomena from labels generated in G);
К) ML для прогнозирования процесса;K) ML for process forecasting;
Л) ML для прогнозируемого и предписанного технического обслуживания;K) ML for predictive and prescribed maintenance;
М) ML для расширенного контекстного обучения представлениям: датчики окружающей среды могут быть использованы для тренировки неконтролируемой модели глубокого обучения для изучения представления, использованного для дополнения набора данных, для вышеупомянутых случаев требуемого использования.M) ML for Advanced Contextual Representation Learning: Environmental sensors can be used to train an unsupervised deep learning model to learn the representation used to augment the dataset for the above-mentioned required use cases.
Фиг. 7 описывает более подробно подход к реализации DA 140 для тренировки модели машинного обучения для прогнозирования температуры горячего металла в течение 3 ч. Фиг. 7 показывает процедуру тренировки 706 модели MLT машинного обучения для прогнозирования температуры горячего металла в будущий момент времени (например, в течение 3 ч) из прогнозов BMP 704 множества моделей машинного обучения, называемых базовыми моделями. Эти базовые модели тренируются 703 для генерирования прогнозов для дополнения измеренных необработанных данных.Fig. 7 describes in more detail an approach to implementing DA 140 for training a machine learning model to predict hot metal temperature over a 3 hour period. FIG. 7 shows a procedure for training 706 a machine learning MLT model to predict the temperature of a hot metal at a future point in time (eg, within 3 hours) from the BMP predictions 704 of a plurality of machine learning models, called base models. These base models are trained 703 to generate predictions to complement the measured raw data.
Для этой цели несколько базовых моделей тренировались 703 с разными наборами переменных (технологические параметры 701 и/или контекстные параметры 702) и/или алгоритмами машинного обучения. Технологическими параметрами 701 являются необработанные данные (эксплуатационные данные), измеренные посредством соответствующих датчиков непосредственно на доменной печи. Контекстные данные 702 измеряются посредством любого другого датчика, измеряющего переменные окружающей среды, такие как шум, изображения и т.п. Технологические параметры и контекстные параметры являются переменными, которые имеются в наличии для тренировки моделей машинного обучения.For this purpose, several base models were trained 703 with different sets of variables (technological parameters 701 and/or contextual parameters 702) and/or machine learning algorithms. Process parameters 701 are raw data (operational data) measured by corresponding sensors directly at the blast furnace. Contextual data 702 is measured by any other sensor that measures environmental variables such as noise, images, and the like. Technology parameters and context parameters are the variables that are available for training machine learning models.
Каждая базовая модель обеспечивает выходные данные 704, 705, которые могут быть использованы для тренировки 706 MLT (в общем для тренировки модели машинного обучения для прогнозирования также иных параметров, чем температура горячего металла в течение 3 ч) для прогнозирования обсуждаемых параметров, которые лучше, чем любой прогноз базовых моделей.Each base model provides outputs 704, 705 that can be used to train the MLT 706 (generally to train a machine learning model to predict parameters other than hot metal temperature for 3 hours as well) to predict the parameters in question that are better than any forecast of the underlying models.
Целью базовых моделей является генерирование дополнительной информации для тренировки более точной модели прогнозирования (то есть, метамодели, такой как MLT). Модель прогнозирования MLT также использует технологические параметры и контекстные параметры 701, 702 в качестве входных данных для изучения, какая комбинация базовых моделей является наиболее подходящей для какого состояния доменной печи. То есть, метамодель учится, как объединять выходные данные всех базовых моделей, чтобы сделать правильный и точный прогноз параметра состояние конкретной доменной печи. Некоторые базовые модели могут не прогнозировать температуру горячего металла в течение 3 ч, но могут прогнозировать тенденцию температуры горячего металла, например, будет ли температура повышаться, снижаться или будет постоянной, или они могут прогнозировать появление особого технологического события в близком будущем, и т.д. Другими словами, базовые модели генерируют в качества выходных данных дополнительную информацию, которая или связана с процессом (технологическая информация PI 705), или уже является прогнозом BMP 704 базовой модели для температуры горячего металла, или характеристикой температуры горячего металла (пример: прогнозирование тенденции). Когда MLT была натренирована 706 на основании выходных данных разных базовых моделей, она обеспечивает более правильный прогноз MLTP 705, чем любая из базовых моделей (BMP 704).The purpose of the base models is to generate additional information to train a more accurate prediction model (i.e., a meta-model such as MLT). The MLT prediction model also uses process parameters and contextual parameters 701, 702 as input to learn which combination of base models is most appropriate for which blast furnace condition. That is, the metamodel learns how to combine the outputs of all the underlying models to make a correct and accurate prediction of the parameter state of a particular blast furnace. Some basic models may not predict the temperature of the hot metal within 3 hours, but can predict the trend of the temperature of the hot metal, such as whether the temperature will rise, fall, or be constant, or they may predict the occurrence of a special technological event in the near future, etc. . In other words, the base models generate as output data additional information that is either related to the process (process information PI 705), or is already the base model's BMP 704 prediction for the hot metal temperature, or a characteristic of the hot metal temperature (example: trend forecast). When MLT has been trained 706 on the outputs of different base models, it provides a better MLTP 705 prediction than either base model (BMP 704).
В примере технологическая информация PI 705 может обеспечивать входную информацию для MLT, такую как будущие прогнозы в области [0, 6 ч], включающие в себя, но не ограниченные кластером, технологическими явлениями, технологическими/контекстными параметрами или признаками. Эти выходные данные связаны с процессом и обеспечивают новые входные данные с потенциально более высокой корреляцией с температурой горячего металла, спрогнозированной посредством MLT. Прогнозы BMP 704 базовой модели для температуры горячего метала могут обеспечивать информацию, такую как тенденция температуры горячего металла в течение 3 и 6 ч (например, быстрое повышение, среднее повышение, медленное повышение, стабильность, медленное снижение, среднее снижение быстрое снижение) или спрогнозированное качество производства горячего металла в течение промежутка времени. BMP 704 являются выходными данными базовых моделей, которые непосредственно связаны с выходными данными MLT, или теми же выходными данными или их характеристиками. Примером тех же выходных данных является температура горячего металла в течение 3 ч и примером характеристик этих выходных данных является тенденция температуры, спрогнозированная посредством базовой модели.In an example, technology information PI 705 may provide input information to the MLT, such as future forecasts in the region [0, 6 hours], including, but not limited to, cluster, technology events, technology/contextual parameters, or attributes. These outputs are process related and provide new inputs with potentially higher correlation to the hot metal temperature predicted by MLT. BMP 704 base model predictions for hot metal temperature can provide information such as 3 and 6 hour hot metal temperature trend (e.g., fast rise, medium rise, slow rise, stability, slow decline, medium decline, fast decline) or predicted quality producing hot metal over a period of time. BMP 704 are base model outputs that are directly related to MLT outputs, or the same outputs or their characteristics. An example of the same output is the temperature of a hot metal for 3 hours and an example of the characteristics of this output is the temperature trend predicted by the base model.
Ниже некоторые примеры из приведенного выше перечня моделей машинного обучения будут описаны более подробно.Below, some examples from the above list of machine learning models will be described in more detail.
Улучшенная оценка данныхImproved data evaluation
Пирамида оценки данных может быть определена посредством нескольких уровней оценки данных, как описано ниже, начиная с самого низкого уровня и заканчивая самым высоким уровнем пирамиды.The data evaluation pyramid can be defined through several levels of data evaluation as described below, starting from the lowest level and ending with the highest level of the pyramid.
Техническое обслуживание датчиков и калибровка:Sensor maintenance and calibration:
Может быть реализована процедура технического обслуживания и калибровки. Может быть привлечен моделированный интеллект (AI) для оптимального графика технического обслуживания и пред- 12 045556 писания наилучших действий, подлежащих выполнению для поддержания как можно дольше датчика в рабочем режиме.A maintenance and calibration procedure can be implemented. Simulated intelligence (AI) can be deployed to optimize the maintenance schedule and prescribe the best actions to be taken to keep the sensor operational for as long as possible.
Способ мин/макс по отдельным сигналам датчика:Min/max method for individual sensor signals:
Первым уровнем обнаружения аномалий является определение минимальных и максимальных значений, допустимых для каждого сигнала датчика необработанных данных. Минимальное и максимальное значения являются постоянными и поэтому независимыми от технологического процесса. Основанные на условиях способа мин/макс значения могут быть сконфигурированы согласно правилам, определенным специалистом по технологическому процессу, чтобы привести к некоторому контексту.The first level of anomaly detection is to determine the minimum and maximum values allowed for each raw data sensor signal. The minimum and maximum values are constant and therefore independent of the process. Based on the min/max method conditions, the values can be configured according to rules defined by the process specialist to give some context.
Обнаружение выпадающих значений и аномалий на отдельных сигналах датчика:Detection of outliers and anomalies on individual sensor signals:
ниже приведены типичные способы в порядке возрастающей сложности:Below are typical methods in order of increasing difficulty:
i) статистические амплитудные выпадающие значения: Способ анализа данных для обнаружения точечных аномалий, которые по определению являются значениями, смещенными от среднего значения в движущемся временном окне длиной L, подлежащими заданию посредством специалиста по технологическому процессу и основанными на типичной глубине автокорреляции временных рядов, записанных датчиком.i) statistical amplitude outliers: A method of analyzing data to detect point anomalies, which by definition are values offset from the average value in a moving time window of length L, to be specified by a process specialist and based on the typical autocorrelation depth of the time series recorded by the sensor .
ii) Контролируемое обнаружение аномалии:ii) Supervised anomaly detection:
Контролируемый алгоритм заучивает известные образы в сигнале датчика для обнаружения аномалии.A supervised algorithm learns known patterns in the sensor signal to detect an anomaly.
iii) Неконтролируемое обнаружение выпадающих значений:iii) Unsupervised outlier detection:
Способы этой категории обнаруживают выпадающие значения посредством алгоритма группирования после того, как вычислены признаки из сигнала датчика. Следовательно, такой подход не ограничен необычными амплитудными значениями для данного контекста, но может также принимать во внимание спектральную информацию или любые другие характеристики, определенные признаками.Methods in this category detect outliers through a clustering algorithm after features from the sensor signal are computed. Therefore, such an approach is not limited to unusual amplitude values for a given context, but can also take into account spectral information or any other characteristics defined by the features.
Обнаружение аномалий многодатчиковых сигналов:Multi-sensor signal anomaly detection:
В силу большого числа датчиков ручные перекрестные проверки между избыточными сигналами датчиками являются недостаточными для обнаружения сложных контекстных аномалий в данных. Основанные на правилах подходы обычно ограничены, потому что оцениваются только известные отношения. Такое же ограничение сохраняется для контролируемой управляемой данными модели, которая была натренирована для определения известных аномалий. Неконтролируемый управляемый данными подход является дополняющим шагом проверки для обеспечения обнаружения известных и неизвестных аномалий. Контекстные аномалии могут быть обнаружены посредством управляемой данными модели, которая изучила корреляцию между сигналами датчиков и, следовательно, способна обнаруживать, отклоняются ли измерения датчиком от его нормальной работы в данном контексте, как определено процессом. Обнаружение причинной связи посредством машинного обучения совмещенного с неконтролируемым управляемым данными обнаружением аномалий делает возможным анализ первопричин.Due to the large number of sensors, manual cross-validations between redundant sensor signals are insufficient to detect complex contextual anomalies in the data. Rule-based approaches are usually limited because only known relationships are evaluated. The same limitation holds for a supervised data-driven model that has been trained to identify known anomalies. The unsupervised data-driven approach is a complementary verification step to ensure detection of known and unknown anomalies. Contextual anomalies can be detected through a data-driven model that has learned the correlation between sensor signals and is therefore capable of detecting whether a sensor's measurements deviate from its normal operation in a given context, as determined by the process. Causality detection through machine learning coupled with unsupervised data-driven anomaly detection makes root cause analysis possible.
Перекрестная проверка датчиков в сопоставлении с результатами имитационной модели: Если имеется имитационная модель, описывающая процесс, перекрестная проверка результатов модели с необработанными данными датчиков обеспечивает оценку автономных данных на уровне экспертов. Однако оценка данных ограничивается рабочими условиями, свойственными гипотезе имитационной модели.Cross-validation of sensors against simulation model results: If there is a simulation model describing the process, cross-validation of the model's results against raw sensor data provides expert-level assessment of offline data. However, evaluation of the data is limited by the operating conditions inherent in the simulation model hypothesis.
Пирамида оценки данных направлена на обнаружение аномалий в полученных эксплуатационных данных (необработанные данные). Аномалии могут быть связаны с неисправными датчиками, но также с процессом. В случае аномалий процесса редкие события процесса могут быть должным образом снабжены метками для разработки особой модели машинного обучения, такой как обучение по ограниченному числу попыток (Few-Shot Learning (FSL)) для их правильного обнаружения или прогнозирования. FSL является известным примером машинного обучения по ограниченному числу примеров с контролируемой информацией. Способ, нацеленный на различение аномалий процесса от связанной с неисправными датчиками аномалией, является анализом первопричин. Анализ причинной связи, приводящий к обнаружению аномалии, способен делить аномалии на связанные с процессом или датчиком аномалии. В этой связи технолог определяет правила или модель машинного обучения, и полуконтролируемый классификатор тренируется на причинных связях и метках, сгенерированных исходя из вышеупомянутых правил. Прогнозирование теплового состояния доменной печи Это связано с моделью MLT машинного обучения, использованной посредством примера на фиг. 7. MLT обеспечивает представление о будущем теплового состояния доменной печи и характеристиках производства горячего металла. На подходящих технологических параметрах и других контекстных параметрах, которые являются полезными для прогнозирования теплового состояния доменной печи или характеристик производства горячего металла, MLT тренируется для прогнозирования в данном временном горизонте следующих показателей:The Data Evaluation Pyramid aims to detect anomalies in acquired operational data (raw data). Anomalies may be related to faulty sensors, but also to the process. In the case of process anomalies, rare process events can be properly labeled to develop a specific machine learning model such as Few-Shot Learning (FSL) to correctly detect or predict them. FSL is a well-known example of machine learning from a limited number of examples with supervised information. A method aimed at distinguishing process anomalies from those associated with faulty sensors is root cause analysis. The causality analysis leading to the detection of an anomaly is capable of dividing the anomalies into process-related or sensor-related anomalies. In this regard, the technologist defines the rules or machine learning model, and a semi-supervised classifier is trained on the causal relationships and labels generated from the above rules. Blast Furnace Thermal State Prediction This is related to the MLT machine learning model used through the example in FIG. 7. MLT provides insight into the future blast furnace thermal state and hot metal production performance. Given suitable process parameters and other contextual parameters that are useful for predicting the thermal state of a blast furnace or hot metal production performance, MLT is trained to predict, over a given time horizon, the following:
тенденции температуры горячего металла в течение 3 и 6 ч: быстрое повышение, среднее повышение, медленное повышение, стабильность, медленное снижение, среднее снижение быстрое снижение;hot metal temperature trends for 3 and 6 hours: fast increase, medium increase, slow increase, stability, slow decrease, medium decrease, rapid decrease;
прогноз содержания кремния при нескольких временных горизонтах от 1 до 6 ч в будущем;forecast of silicon content at several time horizons from 1 to 6 hours in the future;
качество горячего металла при нескольких временных горизонтах от 1 до 6 ч в будущем.quality of hot metal at several time horizons from 1 to 6 hours in the future.
Модель может тренироваться с температурой горячего металла, измеренной вручную для каждой отливки, или непрерывно автономным образом посредством специального датчика. Посредством объе- 13 045556 динения прогнозов нескольких базовых моделей в качестве новых входных данных для тренировки метамодели MLT может быть реализован подход ансамблевого моделирования, приводящий к прогнозу, имеющему уменьшенное прогнозируемое смещение или прогнозируемое изменение.The model can be trained with hot metal temperature measured manually for each casting, or continuously offline using a dedicated sensor. By combining the predictions of several base models as new input to training the MLT metamodel, an ensemble modeling approach can be implemented, resulting in a forecast having a reduced predicted bias or predicted change.
Оптимизация матрицы загрузкиLoad Matrix Optimization
Распределитель шихты находится среди наиболее важных доступных оператору исполнительных механизмов для оптимизации использования газа (Eta CO) для минимизации удельного расхода кокса и уменьшения выбросов СО2. Распределение шихты всегда должно быть приспособлено к работе доменной печи и является компромиссом между оптимальным использованием газа, плавным опусканием шихты и температурой стенка/шахта (поверхностного потока).The charge distributor is among the most important actuators available to the operator to optimize the use of gas (Eta CO) to minimize specific coke consumption and reduce CO2 emissions. The charge distribution must always be adapted to the operation of the blast furnace and is a compromise between optimal gas utilization, smooth descent of the charge and the wall/shaft (surface flow) temperature.
На сегодняшний день некоторые заводы используют модели распределения шихты для оценки влияния данной матрицы загрузки на профиль шихты и определения отношения С/(О+С) по диаметру колошника доменной печи. Эта информация является важной и дает приемлемо хорошие намеки о профиле температуры в зоне спекания. Тем не менее, определение матрицы загрузки в модели не является ясным, и модели только обеспечивают ограниченную помощь в нахождении оптимальной матрицы загрузки для данного процесса. Матрица загрузки определяется оператором для оптимального распределения материала в доменной печи. С этой целью матрица загрузки включает в себя параметры, такие как наклон спускного желоба и число вращений для каждого типа материала. Модель машинного обучения может быть натренирована для прогнозирования оптимальной матрицы загрузки в зависимости от текущего теплового состояния доменной печи, ее спрогнозированного изменения и ее главных индикаторов эксплуатационных качеств производства. Прогнозирующая модель матрицы загрузки может быть натренирована из необработанных данных нескольких доменных печей, если нет достаточного изменения элементов матрицы загрузки для тренировки модели машинного обучения для одной доменной печи.Today, some plants use charge distribution models to evaluate the influence of a given loading matrix on the charge profile and determine the C/(O+C) ratio along the diameter of the blast furnace top. This information is important and gives reasonably good hints about the temperature profile in the sintering zone. However, the definition of the loading matrix in a model is not clear, and models only provide limited assistance in finding the optimal loading matrix for a given process. The loading matrix is determined by the operator for optimal distribution of material in the blast furnace. For this purpose, the loading matrix includes parameters such as chute inclination and number of rotations for each type of material. The machine learning model can be trained to predict the optimal loading matrix depending on the current thermal state of the blast furnace, its predicted change, and its key production performance indicators. A load matrix predictive model can be trained from raw data from multiple blast furnaces if there is not enough variation in the load matrix elements to train a machine learning model for a single blast furnace.
Основанная на съемочной камере фурмы инспекция процессаLance camera-based process inspection
Этот пример связан с фиг. 8. Обеспеченные съемочной камерой фурмы изображения анализируются посредством комбинации сверточной нейронной сети (CNN) и компьютерного зрения 803, нацеленного на обнаружение 804 явлений путем применения компьютерного зрения в областях (например, круг, фурма для вдувания кислорода, область нагнетания в классифицированных изображениях 801с), обнаруженных основанным на CNN классификаторе 802 области. Вместе с изображениями 801 фурмы обнаруженные метки явлений могут служить в качестве входных данных для дальнейшего глубокого обучения 805, натренированного для прогнозирования явлений процесса.This example is related to FIG. 8. The images provided by the tuyere camera are analyzed through a combination of convolutional neural network (CNN) and computer vision 803, aiming to detect 804 phenomena by applying computer vision to areas (e.g., circle, oxygen injection tuyere, injection area in classified images 801c), 802 regions detected by the CNN-based classifier. Together with tuyere images 801, the detected phenomenon labels can serve as input to further deep learning 805 trained to predict process phenomena.
Другим применением анализа последовательности изображений фурмы с использованием машинного обучения является кодирование пространственно-временных признаков для обогащения образа состояния доменной печи, определяющего окружение для модели обучения с подкреплением. Для этой цели может быть использовано мультимодальное обучение 808 в качестве способа изучения образа 809 окружения из гетерогенных данных, таких как изображения, многопараметрические временные ряды 806 и звуки 807. Это делает возможным улучшенный подход по сравнению с унимодальным машинным обучением, предполагая независимость мод.Another application of tuyere image sequence analysis using machine learning is to encode spatiotemporal features to enrich the blast furnace state image defining the environment for a reinforcement learning model. For this purpose, multimodal learning 808 can be used as a way to learn an image 809 of the environment from heterogeneous data such as images, multi-parameter time series 806 and sounds 807. This allows an improved approach over unimodal machine learning by assuming mode independence.
Рекомендации устройству открывания летки для оптимальной работы:Recommendations for the taphole opening device for optimal performance:
Использование устройства пробивания летки, а также ее параметризация (например, тип глины и т.п.) может быть рекомендовано посредством модели машинного обучения.The use of a tap hole punching device, as well as its parameterization (e.g. clay type, etc.) can be recommended through a machine learning model.
Обнаружения основанных на ТМТ SOMA явлений и расчет главных индикаторов эксплуатационных качеств:Detection of TMT SOMA-based phenomena and calculation of main performance indicators:
SOMA является инструментом для обеспечения двухмерной информации о распределении температуры в верхней части доменной печи. Температурная карта может быть обработана посредством алгоритма машинного зрения, потенциально объединенного с моделью машинного обучения для целей прогнозирования. Конвейер обработки согласно фиг. 8 для основанной на съемочной камере фурмы инспекции процесса может быть также применен для SOMA.SOMA is a tool for providing two-dimensional information on the temperature distribution at the top of a blast furnace. The temperature map can be processed through a computer vision algorithm, potentially combined with a machine learning model for predictive purposes. The processing pipeline according to FIG. 8 for camera-based tuyere process inspection can also be applied to SOMA.
Маркировка явлений и прогнозирование:Event marking and forecasting:
Генерирование маркировок для явлений процесса обеспечивает создание богатой информации для улучшения обучения связям между действиями и окружением RILM 130. Метки могут быть сгенерированы посредством правил, определенных технологом или посредством модели обнаружения образов, натренированной на образах, выбранных в ретроспективных данных технологом. Присутствие образов может быть обнаружено посредством алгоритма, такого как алгоритм динамической трансформации временной шкалы для одномерных или многомерных данных временных рядов или посредством определения признаков для тренировки модели машинного обучения. В дополнение для обеспечения высокого уровня контекстной информации для RILM модели эти метки могут быть использованы для тренировки модели машинного обучения для обнаружения присутствия комбинации явлений или для прогнозирования появления одного явления или комбинации явлений. Тренировка модели контролированного машинного обучения из сгенерированных меток требует, чтобы имелось достаточно меток с достаточным числом изменений.Generating labels for process phenomena generates rich information to improve learning of connections between activities and the RILM 130 environment. Labels can be generated through rules defined by the technologist or through a pattern detection model trained on patterns selected from historical data by the technologist. The presence of patterns can be detected through an algorithm, such as a dynamic time scale transformation algorithm for univariate or multivariate time series data, or through feature detection to train a machine learning model. In addition to providing a high level of contextual information to the RILM model, these labels can be used to train a machine learning model to detect the presence of a combination of phenomena or to predict the occurrence of a single phenomenon or combination of phenomena. Training a supervised machine learning model from the generated labels requires that there are enough labels with a sufficient number of changes.
Прогнозируемое и предписанное техническое обслуживание:Predicted and prescribed maintenance:
Модели машинного обучения могут тренироваться для прогнозирования технического обслужива- 14 045556 ния и рекомендуемых действия, которые должны предприниматься для отсрочивания технического обслуживания и, как следствие, увеличения срока службы доменной печи или любых объектов, связанных с доменной печью. В этой связи известны многие подходы, такие как использование контролируемого обучения для прогнозирования остаточного срока эксплуатации или времени наработки на отказ связанных с доменной печью объектов. Неконтролируемые модели обучения могут тренироваться для обнаружения редких событий и для временного группирования обучающего набора данных, которые должны быть использованы для тренировки контролируемой модели, прогнозирующей эти редкие событий. Анализ первопричин прогнозов позволяет автономной системе, натренированной с действиями, записанными из прошлых технических обслуживаний, предписывать лучше всего известные действия для отсрочивания технического обслуживания.Machine learning models can be trained to predict maintenance and recommend actions that should be taken to defer maintenance and, as a result, increase the life of the blast furnace or any objects associated with the blast furnace. In this regard, many approaches are known, such as the use of supervised learning to predict the remaining life or time between failures of blast furnace-related assets. Unsupervised learning models can be trained to detect rare events and to temporally cluster the training data set to be used to train a supervised model to predict those rare events. Root cause analysis of the predictions allows the autonomous system, trained with actions recorded from past maintenance, to prescribe the best known actions to defer maintenance.
Расширенное контекстное обучение представлениям:Extended Contextual Representation Learning:
Модель обучения с подкреплением требует представление контекста для лучшего моделирования окружения и обучение оптимальным действиям, которые должны предприниматься для этого окружения. С этой целью могут быть разработаны и размещены вокруг печи 90 несколько датчиков для записи изображений (датчик-видеокамера 91), звуковых волн (звуковые датчики 92), вибрации (датчики 93 вибрации) и анализа воздуха (газовые датчики 94) в разных положениях, показанных на фиг. 9. Соответствующие мультимодальные временные ряды могут анализироваться посредством сети глубокого обучения для извлечения значимого представления контекста, которое потенциально может быть объединено с технологическими данными доменной печи или описательными данными материала, или другими характеристиками, которые могут оказать влияние на термогулирование доменной печи.The reinforcement learning model requires representation of context to better model the environment and learning the optimal actions to take for that environment. To this end, multiple sensors may be designed and placed around the oven 90 to record images (camera sensor 91), sound waves (sound sensors 92), vibration (vibration sensors 93), and air analysis (gas sensors 94) at various positions shown. in fig. 9. The corresponding multimodal time series can be analyzed through a deep learning network to extract a meaningful representation of the context, which can potentially be combined with blast furnace process data or material descriptive data, or other characteristics that may influence blast furnace thermal control.
Фиг. 10 является схемой, на которой показан пример типового компьютерного устройства 900 и типового мобильного компьютерного устройство 950, которые могут быть использованы с описанными здесь способами. Компьютерное устройство 900 предназначена для представления разных форм цифровых компьютеров, таких как лэптопы, настольные компьютеры, рабочие станции, персональные цифровые помощники, серверы, одноплатные серверы, большие ЭВМ и другие подходящие компьютеры.Fig. 10 is a diagram showing an example of a typical computing device 900 and a typical mobile computing device 950 that can be used with the methods described herein. Computer device 900 is intended to represent various forms of digital computers, such as laptops, desktop computers, workstations, personal digital assistants, servers, single board servers, mainframe computers, and other suitable computers.
Типовой компьютер 900 может соответствовать компьютерной системе 100 на фиг. 1. Вычислительное устройство 950 предназначено для представления разных форм мобильных устройств, таких как персональные цифровые помощники, сотовые телефоны, смартфоны, системы помощи при вождении транспорта или бортовые компьютеры автомобилей (например, автомобилей 401, 402, 403, данные фиг. 1) и другие подобные вычислительные устройства. Например, вычислительное устройство 950 может быть использовано как внешний интерфейс пользователем (например, оператором доменной печи) для взаимодействия с вычислительным устройством 900. Показанные здесь компоненты, их соединения и связи и их функции подразумеваются только приведенным в качестве примера и не подразумеваются огранивающими осуществление заявленных в данном документе изобретений.An exemplary computer 900 may correspond to the computer system 100 in FIG. 1. Computing device 950 is configured to represent various forms of mobile devices, such as personal digital assistants, cell phones, smartphones, driving assistance systems, or vehicle on-board computers (e.g., vehicles 401, 402, 403 of FIG. 1), and others. similar computing devices. For example, computing device 950 may be used as an external interface by a user (eg, a blast furnace operator) to interact with computing device 900. The components, their connections and relationships, and their functions shown herein are intended to be exemplary only and are not intended to limit the implementation of the claims claimed herein. this invention document.
Вычислительное устройство 900 включает в себя процессор 902, память 904, запоминающее устройство 906, высокоскоростной интерфейс 908, соединенный с памятью 904 и высокоскоростными портами расширения 910, и низкоскоростной интерфейс 912, соединенный с низкоскоростной шиной 914 и запоминающим устройством 906. Каждый из компонентов 902, 904, 906, 908, 910 и 912 соединены между собой с использованием различных шин и могут быть установлены на общей системной плате или другим подходящим образом. Процессор 902 может обрабатывать инструкции для выполнения в вычислительном устройстве 900, включая инструкции, хранящиеся в памяти 904 или в запоминающем устройстве 906 для демонстрации графической информации для графического интерфейса пользователя на внешнем устройстве ввода/вывода, таком как дисплей 916, соединенный с высокоскоростным интерфейсом 908. В других вариантах осуществления в случае необходимости могут быть использованы несколько процессоров и/или несколько шин, вместе с несколькими памятями и типами памяти. Также несколько вычислительных устройств 900 могут быть соединены друг с другом, причем каждое устройство обеспечивает части требуемых операций (например, банк сервера, группа одноплатных серверов или многопроцессорная система).The computing device 900 includes a processor 902, a memory 904, a storage device 906, a high-speed interface 908 coupled to memory 904 and high-speed expansion ports 910, and a low-speed interface 912 coupled to a low-speed bus 914 and storage device 906. Each of the components 902, The 904, 906, 908, 910 and 912 are interconnected using different buses and may be mounted on a common motherboard or other suitable means. Processor 902 may process instructions for execution on computing device 900, including instructions stored in memory 904 or storage device 906 for displaying graphical information for a graphical user interface on an external input/output device, such as a display 916 coupled to high-speed interface 908. In other embodiments, multiple processors and/or multiple buses may be used as needed, along with multiple memories and memory types. Also, multiple computing devices 900 may be connected to each other, with each device providing portions of the required operations (eg, a bank of servers, a group of single-board servers, or a multiprocessor system).
Память 904 хранит информацию в вычислительном устройстве 900. В одном варианте осуществления память 904 является блоком или блоками энергозависимой памяти. В другом варианте осуществления память 904 является блоком или блоками долговременной памяти. Память 904 может быть также другой формой машинно-читаемой среды, такой как магнитный или оптический диск.Memory 904 stores information on computing device 900. In one embodiment, memory 904 is a block or blocks of volatile memory. In another embodiment, memory 904 is a block or blocks of non-volatile memory. Memory 904 may also be another form of machine-readable media, such as a magnetic or optical disk.
Запоминающее устройство 906 может обеспечивать массовую память для вычислительного устройства 900. В одном варианте осуществления запоминающее устройство может быть или содержать машинно-читаемую среду, такую как накопитель на дискете, накопитель на жестком диске, накопитель на оптическом диске или ленточный накопитель, флэш-память или другие подобные устройства полупроводниковой памяти, или массив устройств, включая устройства в сети хранения данных или другие конфигурации. Компьютерный программный продукт может быть материально встроен в носитель информации. Компьютерный программный продукт может также содержать инструкции, которые при выполнении осуществляют один или более способов, таких как описанные выше. Носитель информации является компьютерно-читаемой или машинно-читаемой средой, такой как память 904, запоминающее устройство 906 или память на процессоре 902.Storage device 906 may provide mass storage for computing device 900. In one embodiment, the storage device may be or comprise a machine-readable medium such as a floppy disk drive, hard disk drive, optical disk drive or tape drive, flash memory, or other similar semiconductor memory devices, or an array of devices, including devices in a storage area network or other configurations. The computer program product may be materially embedded in a storage medium. The computer program product may also contain instructions that, when executed, perform one or more methods such as those described above. The storage medium is a computer-readable or machine-readable medium, such as memory 904, storage device 906, or memory on processor 902.
- 15 045556- 15 045556
Высокоскоростной контроллер 908 управляет требующими широкую полосу операциями для вычислительного устройства 900, в то время как низкоскоростной контроллер 912 управляет требующими более узкую полосу операциями. Такое распределение функций приведено только для примера. В одном варианте осуществления высокоскоростной контроллер 908 связан с памятью 904, дисплеем 916 (например, через графический процессор или ускоритель) и высокоскоростным портом 910 расширения, который может принимать разные расширительные платы (не показано). В варианте осуществления низкоскоростной контроллер 912 связан с запоминающим устройством 906 и низкоскоростным портом 914 расширения. Низкоскоростной порт расширения, который может включать в себя различные связные порты (например, USB, Bluetooth, Ethernet, беспроводной Ethernet), может быть связан с одним из устройств ввода/вывода, таким как клавиатура, указательное устройство, сканер или сетевое устройство, такое как переключатель или роутер, например, через сетевой адаптер.High-speed controller 908 manages high-bandwidth operations for computing device 900, while low-speed controller 912 manages lower-bandwidth operations. This distribution of functions is given as an example only. In one embodiment, high-speed controller 908 is coupled to memory 904, display 916 (eg, via a GPU or accelerator), and high-speed expansion port 910, which can accept various expansion cards (not shown). In an embodiment, low-speed controller 912 is coupled to storage device 906 and low-speed expansion port 914. A low-speed expansion port, which may include various communication ports (eg, USB, Bluetooth, Ethernet, wireless Ethernet), may be associated with one of the input/output devices such as a keyboard, pointing device, scanner, or network device such as switch or router, for example, via a network adapter.
Вычислительное устройство может быть реализовано в нескольких разных формах, как показано на фигуре. Например, оно может быть реализовано в виде стандартного сервера 920 или нескольких в группе таких серверов. Оно также может быть реализовано в виде части системы 914 стоечных серверов. В дополнение оно может быть реализовано в персональном компьютере, таком как ноутбук 922. Альтернативно, компоненты из вычислительного устройства 900 могут быть объединены с другими компонентами в мобильное устройство (не показано), такое как устройство 950. Каждое из этих устройств может содержать одно или более вычислительных устройств 900, 950, и вся система может быть составлена из нескольких вычислительных устройств 900, 950, сообщающихся друг с другом.The computing device may be implemented in several different forms, as shown in the figure. For example, it may be implemented as a standard server 920 or several in a group of such servers. It may also be implemented as part of a rack server system 914. In addition, it may be implemented in a personal computer such as laptop 922. Alternatively, components from computing device 900 may be combined with other components into a mobile device (not shown) such as device 950. Each of these devices may include one or more computing devices 900, 950, and the entire system may be composed of several computing devices 900, 950 communicating with each other.
Вычислительное устройство 950 включает в себя наряду с другими компонентами процессор 952, память 964, устройство ввода/вывода, такое как дисплей 954, связной интерфейс 966 и приемопередатчик 968. Устройство 950 может быть также оснащено запоминающим устройством, таким как съемный жесткий диск или другое устройство для обеспечения дополнительной памяти.Computing device 950 includes, among other components, a processor 952, a memory 964, an input/output device such as a display 954, a communications interface 966, and a transceiver 968. The device 950 may also be equipped with a storage device such as a removable hard drive or other device to provide additional memory.
Каждый из компонентов 950, 952, 964, 954, 966 и 968 взаимосвязан с использованием различных шин, и некоторые из компонентов могут быть установлены на общей системной плате или в случае необходимости другим образом.Components 950, 952, 964, 954, 966, and 968 are each interconnected using a different bus, and some of the components may be mounted on a common system board or otherwise mounted as desired.
Процессор 952 может выполнять инструкции в вычислительном устройстве 950, включая сохраненные в памяти 964 инструкции. Процессор может быть реализован в виде набора микросхем или микросхем, которые включают в себя отдельные и множественные аналоговые и цифровые процессоры. Процессор может, например, обеспечивать координацию других компонентов устройства 950, такую как управление пользовательскими интерфейсами, выполняемыми устройством 950 приложениями и беспроводной связью посредством устройства 950.Processor 952 may execute instructions on computing device 950, including instructions stored in memory 964. The processor may be implemented as a chipset or chips that include individual and multiple analog and digital processors. The processor may, for example, provide coordination to other components of device 950, such as managing user interfaces, applications run by device 950, and wireless communications through device 950.
Процессор 952 может общаться с пользователем через управляющий интерфейс 958 и дисплейный интерфейс 956, связанный с дисплеем 954. Дисплей 954 может быть, например, TFT LCD (жидкокристаллическим дисплеем на тонкоплёночных транзисторах), OLED (дисплеем на органических светоизлучающих диодах) или другой соответствующей технологией дисплея.The processor 952 may communicate with the user through a control interface 958 and a display interface 956 coupled to the display 954. The display 954 may be, for example, a TFT LCD (thin film transistor liquid crystal display), OLED (organic light emitting diode display), or other suitable display technology .
Дисплейный интерфейс 956 может включать в себя соответствующие схемы для приведения в действие дисплея 954 для предоставления пользователю графической и другой информации. Управляющий интерфейс 958 может получать команды от пользователя и преобразовывать их для представления процессору 952. В дополнение может быть обеспечен внешний интерфейс 962 в связи с процессором 953, так чтобы делать возможной ближнюю связь устройства 950 с другими устройствами. Внешний интерфейс 962 может, например, обеспечивать проводную связь в некоторых вариантах осуществления или беспроводную связь в других вариантах осуществления, и могут быть использованы несколько интерфейсов.The display interface 956 may include suitable circuitry for driving the display 954 to provide graphical and other information to the user. The control interface 958 may receive commands from the user and translate them for presentation to the processor 952. In addition, an external interface 962 may be provided in communication with the processor 953 so as to allow close communication of the device 950 with other devices. External interface 962 may, for example, provide wired communications in some embodiments or wireless communications in other embodiments, and multiple interfaces may be used.
Память 964 хранит информацию в вычислительном устройстве 950. Память 964 может быть реализована в виде одной или более из компьютерно-читаемых среды или сред, блока или блоков энергозависимой памяти или блока или блоков долговременной памяти. Может быть также обеспечена расширительная память 984 и связана с устройством 950 через интерфейс 982 расширения, который может включать в себя, например интерфейс SIMM карты (модуль памяти с однорядным расположением выводов). Такая расширительная память 984 может обеспечивать дополнительное пространство для хранения данных для устройства 950 или также может хранить приложения или другую информацию для устройства 950. Прежде всего, расширительная память 984 может содержать инструкции для выполнения или дополнения описанных выше процессов, и может содержать защищенную информацию. Так, например, расширительная память 984 может действовать в качестве модуля безопасности для устройства 950 и может быть запрограммирована посредством инструкций, которые делают возможным безопасное использование устройства 950. В дополнение приложения безопасности могут быть обеспечены через SIMM карты вместе с дополнительной информацией, такой как размещение идентифицирующей информации на SIMM карте защищенным от хакерских атак образом.Memory 964 stores information in computing device 950. Memory 964 may be implemented as one or more of a computer-readable medium or media, a volatile memory block or blocks, or a non-volatile memory block or blocks. An expansion memory 984 may also be provided and coupled to the device 950 via an expansion interface 982, which may include, for example, a SIMM card interface. Such expansion memory 984 may provide additional data storage space for device 950 or may also store applications or other information for device 950. First, expansion memory 984 may contain instructions for performing or supplementing the processes described above, and may contain secure information. For example, expansion memory 984 may act as a security module for device 950 and may be programmed with instructions that enable secure use of device 950. In addition, security applications may be provided via SIMM cards along with additional information such as the location of identifying information. information on the SIMM card in a manner protected from hacker attacks.
Память может включать с себя, например, флэш-память и/или NVRAM память, как рассмотрено ниже. В одном варианте осуществления компьютерный программный продукт материально встроен в носитель информации. Компьютерный программный продукт содержит инструкции, которые при исполнении выполняют один или более способов, таких как описанные выше. Носитель информации являетсяThe memory may include, for example, flash memory and/or NVRAM memory, as discussed below. In one embodiment, the computer program product is materially embedded in a storage medium. The computer program product contains instructions that, when executed, perform one or more methods such as those described above. The storage medium is
- 16 045556 компьютерно-читаемой или машинно-читаемой средой, такой как память 964, расширительная память- 16 045556 computer-readable or machine-readable medium, such as 964 memory, expansion memory
984 или память на процессоре 952, которая может быть доступна, например, через приемопередатчик 968 или внешний интерфейс 962.984 or memory on the processor 952, which may be accessible, for example, through a transceiver 968 or an external interface 962.
Устройство 950 может связываться беспроводным образом через связной интерфейс 966, который при необходимости может включать в себя цифровые обрабатывающие сигнал схемы. Связной интерфейс 966 может обеспечивать связь согласно разным режимам или протоколам, таким как в том числе голосовая GSM связь, SMS, EMS или MMS сообщения, CDMA, TDMA, PDC, WCDMA, CDMA2000 или GPRS. Такая связь может происходить, например, через радиочастотный приемопередатчик 968. В дополнение связь на короткой дистанции может происходить через блютус, WiFi и другие подобные приемопередатчики (не показано). В дополнение модуль 980 GPS (системы глобального позиционирования) приемника может обеспечивать дополнительные беспроводные связанные с навигацией и местоположением данные для устройства 950, которые могут быть использованы выполняемыми на устройстве 950 приложениями.Device 950 may communicate wirelessly through communications interface 966, which may include digital signal processing circuitry as desired. The communications interface 966 can provide communications according to different modes or protocols, such as GSM voice, SMS, EMS or MMS messages, CDMA, TDMA, PDC, WCDMA, CDMA2000 or GPRS. Such communication may occur, for example, through RF transceiver 968. In addition, short range communication may occur through Bluetooth, WiFi, and other similar transceivers (not shown). In addition, the GPS (global positioning system) receiver module 980 may provide additional wireless navigation and location-related data to the device 950, which can be used by applications running on the device 950.
Устройство 950 может также осуществлять голосовую связь с использованием аудиокодека 960, которым может принимать речевую информацию от пользователя и преобразовывать ее в пригодную для применения цифровую информацию. Аудиокодек 960 может также генерировать слышимый звук для пользователя, например, через громкоговоритель, например, в телефонной трубке устройства 950. Такой звук может включать в себя звук голосового телефонного вызова, может включать в себя записанный звук (например, голосовое сообщение, музыкальные файлы и т.п.) и может также включать в себя звук, сгенерированный выполняемым на устройстве 950 приложением.The device 950 may also perform voice communications using an audio codec 960, which can receive speech information from a user and convert it into usable digital information. Audio codec 960 may also generate audible audio for the user, for example, through a speaker such as in the handset of device 950. Such audio may include the audio of a voice telephone call, may include recorded audio (e.g., a voice message, music files, etc.) .p.) and may also include audio generated by an application running on device 950.
Вычислительное устройство 950 может быть реализовано в нескольких разных формах, как показано на фигуре. Например, оно может быть реализовано в виде сотового телефона 980. Оно может быть также реализовано в виде части смартфона 982, личного цифрового помощника или другого подобного мобильного устройства.Computing device 950 may be implemented in several different forms, as shown in the figure. For example, it may be implemented as a cellular telephone 980. It may also be implemented as part of a smartphone 982, personal digital assistant, or other similar mobile device.
Различные реализации описанных здесь систем и технологий могут быть реализованы в цифровых электронных схемах, интегральных схемах, специально разработанных ASIC (заказных микросхемах), в компьютерном аппаратном обеспечении, встроенных программах, программном обеспечении или их комбинациях. Эти различные реализации могут включать в себя реализацию в одной или более компьютерных программах, которые являются выполняемыми или интерпретируемыми на программируемых системах, включающих в себя по меньшей мере один программируемый процессор, который может быть специальным или универсальным, связанными для получения данных и инструкций от и передавать данные и инструкции к запоминающей системе, по меньшей мере к одному устройству ввода и по меньшей мере к одному устройству вывода.Various implementations of the systems and technologies described herein may be implemented in digital electronic circuits, integrated circuits, custom-designed ASICs, computer hardware, firmware, software, or combinations thereof. These various implementations may include implementation in one or more computer programs that are executable or interpretable on programmable systems including at least one programmable processor, which may be specific or general-purpose, associated to receive data and instructions from and transmit data and instructions to a storage system, at least one input device and at least one output device.
Эти компьютерные программы (также известные как программы, программное обеспечение, программные приложения или код) включают в себя машинные команды для программируемого процессора и могут быть реализованы в высокоуровневом процедурном и/или объектно-ориентированном языке программирования или в языке ассемблера или машинном языке. В данном контексте термины машинно-читаемая среда или компьютерно-читаемая среда касаются компьютерного программного продукта, аппарата и/или устройства (например, магнитного диска, оптического диска, памяти, программируемых логических устройств (PLD), используемых для направления машинных команд и/или данных к программируемому процессору, включая машинно-читаемую среду, которая получает машинные команды в качестве машинно-читаемого сигнала. Термин машинно-читаемый сигнал относится к любому сигналу, используемому для направления машинных команд и/или данных к программируемому процессору.These computer programs (also known as programs, software, software applications or code) include machine instructions for a programmable processor and may be implemented in a high-level procedural and/or object-oriented programming language or in assembly or machine language. As used herein, the terms machine-readable media or computer-readable media refer to a computer program product, apparatus, and/or device (e.g., magnetic disk, optical disk, memory, programmable logic device (PLD)) used to route machine instructions and/or data. to a programmable processor, including a machine-readable environment that receives machine instructions as a machine-readable signal.The term machine-readable signal refers to any signal used to direct machine instructions and/or data to a programmable processor.
Для обеспечения связи с пользователем описанные здесь способы могут быть реализованы на компьютере, имеющем дисплейное устройство (например, CRT (катодно-лучевой) или LCD (жидкокристаллический) монитор) для отображения информации для пользователя и клавиатуру или указывающее устройство (например, мышку или шаровой манипулятор), посредством которого пользователь может обеспечить вывод к компьютеру. Другие разновидности устройств также могут быть использованы для обеспечения взаимодействия с пользователем, например обратная связь с пользователем может быть любой формой сенсорной обратной связи (например, визуальная обратная связь, слуховая обратная связь или тактильная обратная связь), и входные данные от пользователя могут быть получены в любой форме, включая акустические, речевые или тактильные входные данные.To provide communication with a user, the methods described herein may be implemented on a computer having a display device (eg, a CRT (cathode ray) or LCD (liquid crystal) monitor) to display information to the user and a keyboard or pointing device (eg, a mouse or trackball). ), through which the user can provide output to the computer. Other types of devices may also be used to provide user interaction, for example, user feedback may be any form of sensory feedback (eg, visual feedback, auditory feedback, or haptic feedback), and input from the user may be received in any form, including acoustic, speech or tactile input.
Описанные здесь система и способы могут быть реализованы в компьютерном устройстве, которое включает в себя серверный компонент (например, в виде сервера данных) или которое включает в себя промежуточное программное обеспечение (например, сервер приложений) или которое включает в себя клиентские компонент (например, компьютер клиента, имеющий графический пользовательский интерфейс или веб-браузер, через который пользователь может взаимодействовать с реализацией описанных здесь систем и способов), или любые комбинации таких серверных компонентов, промежуточного программного обеспечения или клиентских компонентов. Компоненты системы могут быть взаимосвязаны посредством любой формы или среды передачи данных (например, сети связи). Примеры сети связи включают в себя локальную сеть (LAN), глобальную сеть (WAN) и Интернет.The system and methods described herein may be implemented in a computing device that includes a server component (e.g., in the form of a data server) or that includes middleware (e.g., an application server) or that includes client components (e.g., a client computer having a graphical user interface or web browser through which a user can interact with an implementation of the systems and methods described herein), or any combination of such server components, middleware or client components. System components can be interconnected through any form or communication medium (for example, a communications network). Examples of communication networks include a local area network (LAN), a wide area network (WAN), and the Internet.
--
Claims (13)
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LULU102103 | 2020-09-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| EA045556B1 true EA045556B1 (en) | 2023-12-05 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU102103B1 (en) | Computer System and Method Providing Operating Instructions for Thermal Control of a Blast Furnace | |
| US20210110262A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| Guo et al. | Remaining useful life prediction for rolling bearings using EMD-RISI-LSTM | |
| US20190094842A1 (en) | Orchestration of learning and execution of model predictive control tool for manufacturing processes | |
| US20200134510A1 (en) | Iterative clustering for machine learning model building | |
| JP2018195308A (en) | Method and system for data-based optimization of performance indicators in process and manufacturing industries | |
| US11900645B2 (en) | Systems and methods for modeling and controlling physical dynamical systems using artificial intelligence | |
| JP2016062258A (en) | Detection device, detection method, and program | |
| EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
| JP7081728B1 (en) | Driving support equipment, driving support methods and programs | |
| JPWO2020075771A1 (en) | Planning equipment, planning methods, and planning programs | |
| EP4040343A1 (en) | Method and system for building digital twin by leveraging prior knowledge | |
| CN117063190A (en) | Multi-level machine learning for predictive and prescribing applications | |
| Li et al. | A CM&CP framework with a GIACC method and an ensemble model for remaining useful life prediction | |
| Takalo-Mattila et al. | Explainable steel quality prediction system based on gradient boosting decision trees | |
| JP2022151049A (en) | Device, method and program | |
| EA045556B1 (en) | METHOD AND COMPUTER SYSTEM FOR FORMING WORKING INSTRUCTIONS FOR THERMAL CONTROL OF A BLAST FURNACE | |
| US20240152750A1 (en) | Generating virtual sensors for use in industrial machines | |
| JP7490807B2 (en) | Training artificial intelligence modules for industrial applications | |
| CN116324323A (en) | Method for generating learned prediction model for predicting energy efficiency of melting furnace, method for predicting energy efficiency of melting furnace, and computer program | |
| JP2021165414A (en) | Furnace condition evaluation device, furnace condition evaluation method, furnace condition evaluation program, and method for generating learned model | |
| JP2022148258A (en) | Simulation device, simulation system, simulation method, and simulation program | |
| JP7384311B1 (en) | Driving support device, driving support method and program | |
| JP7513798B2 (en) | Learning device, learning method, and learning program | |
| US20240126222A1 (en) | Predicting Process Variables by Simulation Based on an Only Partially Measurable Initial State |