System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及转炉冶炼控制,尤其涉及一种基于ai的转炉冶炼过程自动优化方法及设备。
技术介绍
1、转炉是一种炼钢设备,主要用于将生铁炼成钢。它的结构特点是圆筒状,可以倾动,并且架在一个水平轴架上,能够转动。在转炉炼钢的过程中,通常会将高压空气或氧气从转炉的顶部、底部或侧面吹入炉内,使生铁中的杂质被氧化去除,从而得到纯净的钢水。转炉炼钢的具体步骤包括:向转炉内注入1300摄氏度的液态生铁,并加入一定量的生石灰,然后鼓入空气并转动转炉使其直立。这时液态生铁表面的反应会生成炉渣,通过熔化的钢铁和炉渣的对流作用,使反应遍及整个炉内。冶炼过程中钢铁中的碳氧化生成一氧化碳,使钢液剧烈沸腾。磷发生氧化并生成磷酸亚铁,进一步与生石灰反应生成稳定的磷酸钙和硫化钙,成为炉渣。当磷与硫逐渐减少,火焰退落时,表明钢已炼成。这时应立即停止鼓风,并把转炉转到水平位置,加脱氧剂进行脱氧。转炉冶炼过程中,需要根据冶炼状态控制生石灰、脱氧剂等试剂的添加,控制氧枪的高度、供氧流量、压力,现有技术多通过数字孪生体,基于音频设备、温度传感器感知转炉状态,数字孪生体难以通过视觉分析状态,感知状态的稳定性和准确性较差。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,本专利技术提供一种基于ai的转炉冶炼过程自动优化方法及设备。
2、第一方面,本专利技术提供一种基于ai的转炉冶炼过程自动优化方法,包括:通过同轴成像的工业相机和红外相机逐帧获取冶炼过程中转炉内的rgb图像和红外图像;通过音频设备
3、将所采集到的rgb图像和红外图像沿通道维度拼接得到视觉特征,将音频数据按帧切片,并将每个切片转化为梅尔谱图作为音频特征;
4、将视觉特征和音频特征输入到预训练的转炉状态监测模型,所述转炉状态监测模型基于视觉特征和音频特征输出表征转炉状态的状态张量;
5、将状态张量提供给预训练的ai智能体,所述ai智能体基于dqn强化学习架构训练,用于在当前状态张量下选取使得q值最大动作,由转炉的螺旋填料机和氧枪执行,其中,转炉冶炼动作包括:冶炼过程中螺旋填料机的加料量,氧枪的高度,氧枪流量和压强。
6、更进一步地,所述转炉状态监测模型包括:所述转炉状态监测模型包括:视觉特征提取模块、音频特征提取模块、基于多头自注意力模块的两支自注意力transformer、基于交叉注意力模块的两支交叉注意力transformer和两个多层感知机;通过两个自注意力transformer分别提取视觉特征和音频特征内部的关联,而后通过两个交叉注意力transformer提取音频特征和视觉特征之间的关联;两个交叉注意力transformer分别通过两个多层感知机处理融合,通过激活函数和标准化处理获取表征转炉状态的张量。
7、更进一步地,视觉特征提取模块包括:基于卷积的补丁嵌入层和基于扩张卷积的扩张卷积补丁嵌入层;补丁嵌入层和扩张卷积补丁嵌入层分别从不同尺度将视觉特征处理成两组补丁;通过线性层处理两组补丁得到视觉特征的嵌入特征,将视觉特征的嵌入特征与位置编码相加结合,而后通过线性层分别映射成、、三个向量,将、、三个向量输入到视觉特征提取模块的自注意力transformer中建模视觉特征内部的关联,其中所述自注意力transformer采用多头自注意力机制模块;多头自注意力机制模块的输出特征通过线性层分别映射成、、三个向量;其中,、与基于音频特征得到的向量、交换,通过交叉注意力transformer进行交叉注意力,即:
8、;为视觉交叉注意力特征,为视觉特征的交叉注意力函数。
9、更进一步地,所述音频特征提取模块包括:基于卷积的补丁嵌入层;补丁嵌入层将作为音频特征的梅尔谱图处理成补丁,通过线性层处理补丁得到音频特征的嵌入特征,将音频特征的嵌入特征与位置编码相加结合,而后通过线性层分别映射成、、三个向量,将、、三个向量输入到音频特征提取模块的自注意力transformer中建模音频特征内部的关联,实际上是建模梅尔谱图时频特征之间的关联,其中,所述自注意力transformer采用多头自注意力机制模块;多头自注意力机制模块的输出特征通过线性层分别映射成、、三个向量;其中,、与基于视频特征得到的向量、交换,通过交叉注意力transformer进行交叉注意力,即:
10、;为音频交叉注意力特征,为音频特征的交叉注意力函数。
11、更进一步地,在训练过程中,额外在标准化后引入状态类型全连接网络;训练时,随机将训练数据中的视觉特征和梅尔谱图输入转炉状态监测模型,转炉状态监测模型预测得到相应的状态张量,状态张量被输入到所述状态类型全连接网络,所述状态类型全连接网络基于状态张量得到预测转炉状态标签;将预测转炉状态标签和真实的转炉状态标签之间的交叉熵作为损失函数,基于所述损失函数,利用梯度下降算法更新转炉状态监测模型和状态类型全连接网络的参数,使得训练数据集中的数据的损失函数稳定低于设定阈值。
12、更进一步地,将状态张量作为dqn强化学习架构中的状态;
13、将转炉、氧枪和螺旋加料机作为dqn强化学习架构中的环境;
14、构建ai智能体,所述ai智能体包括:基于全连接网络的q值网络和目标q值网络,目标q值网络的参数定期从q值网络同步;所述q值网络将状态张量映射到q值,其中,q值的维度为ai智能体所能决策的动作的数量;
15、初始化经验回放池和q值表;经验回放池中存放ai智能体与环境互动的经验,包含由当前时刻状态张量、当前时刻动作、奖励和下一时刻状态张量组成的经验元组;q值表中记录任意状态张量下执行任意动作的q值;
16、其中,奖励,为所处冶炼阶段中,预先设定的可行状态范围上限;为所处冶炼阶段中,预先设定的可行状态范围下限;表示欧式距离。
17、更进一步地,训练所述ai智能体的过程包括:
18、初始化q值网络参数,初始化目标q值网络的参数;
19、迭代的执行,直到达到预定的训练轮数或者满足损失函数小于设定阈值:
20、使用q值网络计算在当前时刻状态张量下可选动作的最大q值;
21、贪心算法以概率选具有最大q值的动作:,以概率随机选择动作,其中,为ai智能体所能决策的动作的集合;
22、在环境中,执行被选中的动作,得到奖励和下一个时刻的状态张量,将当前时刻状态张量、当前时刻动作、奖励和下一时刻状态张量组成的经验元组存入经验回放池;
23、从经验回放池中随机抽取经验元组,通过目标q值网络计算被选中经验元组中下一个状态的最大q值:
24、如果经验元组中的下一个状态是终止状态,则目标值等于经验元组中的奖励;否则,目标值等于经验元组中的奖励加上衰减因子乘以目标q值网络预测的下一个状态的最大q值;
25、在抽取的经验元组范围内,以目标值和q值网络预测值之间的均方误差为损失函数,使用梯度下降算法更新q值网络的参数。<本文档来自技高网...
【技术保护点】
1.一种基于AI的转炉冶炼过程自动优化方法,其特征在于,包括:通过同轴成像的工业相机和红外相机逐帧获取冶炼过程中转炉内的RGB图像和红外图像;通过音频设备采集冶炼过程中的音频数据;
2.根据权利要求1所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,所述转炉状态监测模型包括:所述转炉状态监测模型包括:视觉特征提取模块、音频特征提取模块、基于多头自注意力模块的两支自注意力Transformer、基于交叉注意力模块的两支交叉注意力Transformer和两个多层感知机;通过两个自注意力Transformer分别提取视觉特征和音频特征内部的关联,而后通过两个交叉注意力Transformer提取音频特征和视觉特征之间的关联;两个交叉注意力Transformer分别通过两个多层感知机处理融合,通过激活函数和标准化处理获取表征转炉状态的张量。
3.根据权利要求2所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,视觉特征提取模块包括:基于卷积的补丁嵌入层和基于扩张卷积的扩张卷积补丁嵌入层;补丁嵌入层和扩张卷积补丁嵌入层分别从不同尺度将视觉特征处理成两组补丁;通过
4.根据权利要求2所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,所述音频特征提取模块包括:基于卷积的补丁嵌入层;补丁嵌入层将作为音频特征的梅尔谱图处理成补丁,通过线性层处理补丁得到音频特征的嵌入特征,将音频特征的嵌入特征与位置编码相加结合,而后通过线性层分别映射成、、三个向量,将、、三个向量输入到音频特征提取模块的自注意力Transformer中建模音频特征内部的关联,实际上是建模梅尔谱图时频特征之间的关联,其中,所述自注意力Transformer采用多头自注意力机制模块;多头自注意力机制模块的输出特征通过线性层分别映射成、、三个向量;其中,、与基于视频特征得到的向量、交换,通过交叉注意力Transformer进行交叉注意力,即:
5.根据权利要求2所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,在训练过程中,额外在标准化后引入状态类型全连接网络;训练时,随机将训练数据中的视觉特征和梅尔谱图输入转炉状态监测模型,转炉状态监测模型预测得到相应的状态张量,状态张量被输入到所述状态类型全连接网络,所述状态类型全连接网络基于状态张量得到预测转炉状态标签;将预测转炉状态标签和真实的转炉状态标签之间的交叉熵作为损失函数,基于所述损失函数,利用梯度下降算法更新转炉状态监测模型和状态类型全连接网络的参数,使得训练数据集中的数据的损失函数稳定低于设定阈值。
6.根据权利要求1所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,将状态张量作为DQN强化学习架构中的状态;
7.根据权利要求6所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,训练所述AI智能体的过程包括:
8.根据权利要求7所述的基于AI的转炉冶炼过程自动优化方法,其特征在于,为每个可能动作设置一个计数器,初始值设为0;
9.一种基于AI智能体的转炉冶炼过程自动优化设备,其特征在于,包括:至少一处理单元,所述处理单元通过总线单元连接存储单元、采集单元和执行单元,所述采集单元包括同轴成像的工业相机和红外相机,音频设备;所述执行单元包括:螺旋填料机和氧枪;所述存储单元存储计算机程序,所述计算机程序被所述处理单元执行时,实现如权利要求1-8任一所述的基于AI的转炉冶炼过程自动优化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-8任一所述的基于AI的转炉冶炼过程自动优化方法。
...【技术特征摘要】
1.一种基于ai的转炉冶炼过程自动优化方法,其特征在于,包括:通过同轴成像的工业相机和红外相机逐帧获取冶炼过程中转炉内的rgb图像和红外图像;通过音频设备采集冶炼过程中的音频数据;
2.根据权利要求1所述的基于ai的转炉冶炼过程自动优化方法,其特征在于,所述转炉状态监测模型包括:所述转炉状态监测模型包括:视觉特征提取模块、音频特征提取模块、基于多头自注意力模块的两支自注意力transformer、基于交叉注意力模块的两支交叉注意力transformer和两个多层感知机;通过两个自注意力transformer分别提取视觉特征和音频特征内部的关联,而后通过两个交叉注意力transformer提取音频特征和视觉特征之间的关联;两个交叉注意力transformer分别通过两个多层感知机处理融合,通过激活函数和标准化处理获取表征转炉状态的张量。
3.根据权利要求2所述的基于ai的转炉冶炼过程自动优化方法,其特征在于,视觉特征提取模块包括:基于卷积的补丁嵌入层和基于扩张卷积的扩张卷积补丁嵌入层;补丁嵌入层和扩张卷积补丁嵌入层分别从不同尺度将视觉特征处理成两组补丁;通过线性层处理两组补丁得到视觉特征的嵌入特征,将视觉特征的嵌入特征与位置编码相加结合,而后通过线性层分别映射成、、三个向量,将、、三个向量输入到视觉特征提取模块的自注意力transformer中建模视觉特征内部的关联,其中,所述自注意力transformer采用多头自注意力机制模块;多头自注意力机制模块的输出特征通过线性层分别映射成、、三个向量;其中,、与基于音频特征得到的向量、交换,通过交叉注意力transformer进行交叉注意力,即:
4.根据权利要求2所述的基于ai的转炉冶炼过程自动优化方法,其特征在于,所述音频特征提取模块包括:基于卷积的补丁嵌入层;补丁嵌入层将作为音频特征的梅尔谱图处理成补丁,通过线性层处理补丁得到音频特征的嵌入特征,将音频特征的嵌入特征与位置编码相加结合,而后通过线性层分别映射成、、三个向量,将、、三个向量输入到音频特征提取模块的自注意力tra...
【专利技术属性】
技术研发人员:吴奇,庞龙强,吴娟,高振华,张倩倩,平凡,
申请(专利权)人:山东智慧云通网络科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。