基于神经网络的冶炼过程优化控制系统及方法与流程

本申请涉及智能优化领域，且更为具体地，涉及一种基于神经网络的冶炼过程优化控制系统及方法。

背景技术：

1、在现代钢铁冶炼过程中，转炉法是一种重要的炼钢方法。在钢铁行业，市场不稳定性、废钢需求量逐渐加大以及高炉利用系数不断提高，给转炉冶炼带来了新的挑战。为了应对不同铁水比下的生产，转炉需要优化冶炼造渣工艺，稳定冶炼过程控制，防止铁钢比高导致冶炼喷溅，从而减少对钢铁料消耗和辅料消耗的影响。

2、转炉法的核心在于通过吹氧来去除杂质，提高钢的质量。然而，在吹氧过程中，如何控制倒渣速度是一个技术难题。传统的倒渣控制方法主要依赖于操作工的经验和直觉，这种方法不仅效率低下，而且难以适应复杂多变的炉况，可能会导致不一致性和次优的结果。

3、因此，期望一种基于神经网络的冶炼过程优化控制系统。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于神经网络的冶炼过程优化控制系统及方法，其在进行冶炼的过程中，通过摄像头实时监测采集当前炉况图像，并在后端引入基于机器视觉和神经网络的人工智能算法来进行该当前炉况图像的处理和分析，以此来判断当前的炉况状态，从而进行倒渣速度的自适应控制。这样，能够根据炉况实现实时、自动化的倒渣控制，从而优化冶炼过程，提高冶炼控制的智能化程度。

2、根据本申请的一个方面，提供了一种基于神经网络的冶炼过程优化控制系统，其包括：

3、炉况图像采集模块，用于获取由摄像头采集的当前炉况图像；

4、炉况亮度补偿模块，用于对所述当前炉况图像进行亮度分量补偿以得到补偿后当前炉况图像；

5、炉况状态特征提取模块，用于通过基于深度神经网络模型的炉况实时状态特征提取器对所述补偿后当前炉况图像进行特征提取以得到炉况状态特征图；

6、炉况状态特征多维交互强化模块，用于将所述炉况状态特征图通过多维交互关注强化模块以得到强化炉况状态特征图；

7、炉况状态特征残差融合模块，用于对所述强化炉况状态特征图和所述炉况状态特征图进行全局残差注意力融合以得到残差注意力融合炉况状态特征；

8、倒渣速度控制模块，用于基于所述残差注意力融合炉况状态特征，确定倒渣速度应增大、应减小或应保持不变。

9、根据本申请的另一个方面，提供了一种基于神经网络的冶炼过程优化控制方法，其包括：

10、获取由摄像头采集的当前炉况图像；

11、对所述当前炉况图像进行亮度分量补偿以得到补偿后当前炉况图像；

12、通过基于深度神经网络模型的炉况实时状态特征提取器对所述补偿后当前炉况图像进行特征提取以得到炉况状态特征图；

13、将所述炉况状态特征图通过多维交互关注强化模块以得到强化炉况状态特征图；

14、对所述强化炉况状态特征图和所述炉况状态特征图进行全局残差注意力融合以得到残差注意力融合炉况状态特征；

15、基于所述残差注意力融合炉况状态特征，确定倒渣速度应增大、应减小或应保持不变。

16、与现有技术相比，本申请提供的一种基于神经网络的冶炼过程优化控制系统及方法，其在进行冶炼的过程中，通过摄像头实时监测采集当前炉况图像，并在后端引入基于机器视觉和神经网络的人工智能算法来进行该当前炉况图像的处理和分析，以此来判断当前的炉况状态，从而进行倒渣速度的自适应控制。这样，能够根据炉况实现实时、自动化的倒渣控制，从而优化冶炼过程，提高冶炼控制的智能化程度。

技术特征：

1.一种基于神经网络的冶炼过程优化控制系统，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述炉况亮度补偿模块，用于：以如下亮度补偿公式对所述当前炉况图像进行亮度分量补偿以得到所述补偿后当前炉况图像；

3.根据权利要求2所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。

4.根据权利要求3所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述炉况状态特征多维交互强化模块，用于：将所述炉况状态特征图通过所述多维交互关注强化模块以如下多维交互关注公式进行处理以得到所述强化炉况状态特征图；

5.根据权利要求4所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述炉况状态特征残差融合模块，用于：将所述强化炉况状态特征图和所述炉况状态特征图通过全局残差注意力融合网络以得到残差注意力融合炉况状态特征图作为所述残差注意力融合炉况状态特征。

6.根据权利要求5所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述炉况状态特征残差融合模块，包括：

7.根据权利要求6所述的基于神经网络的冶炼过程优化控制系统，其特征在于，所述倒渣速度控制模块，用于：将所述残差注意力融合炉况状态特征图通过基于分类器的倒渣速度控制器以得到控制指令，所述控制指令用于表示倒渣速度应增大、应减小或应保持不变。

8.根据权利要求7所述的基于神经网络的冶炼过程优化控制系统，其特征在于，还包括用于对所述基于卷积神经网络模型的路况实时状态特征提取器、所述多维交互关注强化模块、所述全局残差注意力融合网络和所述基于分类器的倒渣速度控制器进行训练的训练模块；

9.一种基于神经网络的冶炼过程优化控制方法，其特征在于，包括：

技术总结本申请公开了一种基于神经网络的冶炼过程优化控制系统及方法，其在进行冶炼的过程中，通过摄像头实时监测采集当前炉况图像，并在后端引入基于机器视觉和神经网络的人工智能算法来进行该当前炉况图像的处理和分析，以此来判断当前的炉况状态，从而进行倒渣速度的自适应控制。这样，能够根据炉况实现实时、自动化的倒渣控制，从而优化冶炼过程，提高冶炼控制的智能化程度。技术研发人员：曾权受保护的技术使用者：洪江市三兴冶金炉料有限责任公司技术研发日：技术公布日：2024/11/4