(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111227244.X (22)申请日 2021.10.21 (71)申请人 中南大学 地址 410000 湖南省长 沙市麓山 南路932号 (72)发明人 蒋朝辉　朱既承　周科　潘冬　 许川　桂卫华　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 代理人 马家骏 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06N 3/12(2006.01)G06N 3/00(2006.01) G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 111/08(2020.01) (54)发明名称 一种高炉最优料面设定方法及系统 (57)摘要 本发明公开了一种高炉最优料面设定方法 及系统， 通过对获取的料面图像进行三维重建， 获得三维高炉料面形状， 并对三维高炉料面形状 进行特征提取， 获得料面形状特征， 基于料面形 状特征和 高炉炉况状态参数与高炉生产指标之 间的关系， 建立高炉料面优化过程模 型以及求解 高炉料面优化过程模型最优解集， 并从最优解集 中选取适合当前炉况的最优解对应的料面形状 特征作为决策变量， 从而完成高炉最优 料面的设 定， 解决了现有高炉最优料面设定方法精度低的 技术问题， 依据高炉生产指标与高炉料面形状和 高炉炉况状态 参数之间的内在联系， 从数据角度 出发， 将高炉最优料面的设定问题 转化为生产指 标优化问题， 并通过建立高炉料面优化过程模 型， 求解表征高炉最优料面的决策变量， 从而精 准地实现高炉最优料面的设定， 为后续高炉布料 提供理论指导。 权利要求书4页 说明书15页 附图5页 CN 114048671 A 2022.02.15 CN 114048671 A 1.一种高炉最优料面设定方法， 其特 征在于， 所述方法包括： 对获取的料面图像进行三维重建， 获得三维高炉料面形状， 并对三维高炉料面形状进 行特征提取， 获得 料面形状特 征； 基于料面形状特征和高炉炉 况状态参数与高炉生产指标之间的关系， 建立高炉料面优 化过程模型； 求解高炉料面优化过程模型最优解集， 并从最优解集中选取适合当前炉况的最优解对 应的料面形状特 征作为决策变量， 从而完成高炉最优料面的设定 。 2.根据权利要求1所述的高炉最优料面设定方法， 其特征在于， 基于料面形状特征和高 炉炉况状态参数与高炉生产指标之间的关系， 建立高炉料面优化过程模型包括： 确定料面形状特 征和高炉 炉况状态参数为高炉料面优化过程模型的原 始输入向量； 确定高炉生产指标为高炉料面优化过程模型的目标输出向量； 基于原始输入向量和目标输出向量， 采用降噪自动编码机， 建立高炉料面优化过程模 型。 3.根据权利要求2所述的高炉最优料面设定方法， 其特征在于， 基于所述原始输入向量 和目标输出向量， 采用降噪自动 编码机， 建立高炉料面优化过程模型包括： 在降噪自动编码机的编码和解码之间引入了注意力模块， 获得基于目标注意力 机制的 降噪自动 编码机模型； 将原始输入向量作为基于目标注意力 机制的降噪自动编码机模型的输入向量， 并将基 于目标注意力机制的降噪自动编码机模型的隐藏层特征向量和目标输出向量一同输入到 注意力模块， 并计算隐藏层特征向量中各个特征与目标输出向量中各个变量之间的相关 性， 具体计算公式为： 其中， g(·)表示基于目标注意力机制的降噪自动编码机模型的隐藏层至注意力模块 的激活函数， h表示隐藏层的特征向量， y表示基于目标注意力机制的降噪自动编码机模型 的输出向量， Wh表示特征向量h的权值矩阵， Wy表示输出向量y的权值矩阵， b0表示隐藏层至 注意力模块的偏置向量， r为归一化前的注意力权重向量， softmax为归一化指数函数， β 表 示归一化后的注意力 权重向量， dh表示特征向量h的维度， ri表示特征向量h 中第i个特征对 应的注意力权 重系数， 表示Hadamard积， hy为基于目标注意力的特 征向量； 将基于目标注意力的特 征向量hy映射至输出层， 得到 重构的输出向量； 以重构损失最小化为目标， 采用BP算法对基于目标注意力 机制的降噪自动编码机的模 型参数θe＝{W,b,W ′,b′}和 θa＝{Wh,Wy,b0}进行训练， 其中W和b分别表示基于目标注意力机 制的降噪自动编 码机模型的输入层至隐藏层的权值矩阵和偏置向量， W ′和b′分别表示基于 目标注意力机制的降噪自动 编码机模型的隐藏层至 输出层的权值矩阵和偏置向量；权　利　要　求　书 1/4 页 2 CN 114048671 A 2依次堆叠多个训练好的基于目标注意力 机制的降噪自动编码机模型， 获得基于目标注 意力机制的堆叠降噪自动 编码机模型； 在基于目标注意力机制的堆叠降噪自动编码机模型的最后一个隐藏层后面添加一个 输出层， 从而获得一个完整的高炉料面优化过程模型。 4.根据权利要求3所述的高炉最优料面设定方法， 其特征在于， 对三维高炉 料面形状进 行特征提取， 获得 料面形状特 征包括： 基于右手定则， 建立 三维料面 坐标系； 以第一预设采样间隔， 对炉料在炉喉处从炉墙至炉心呈环状分布的圆环进行逐次采 样， 获得圆环采样集； 以第二预设采样间隔， 对圆环采样集中的每一个圆环上的点进行逐次采样， 获得与圆 环对应的采样点； 计算与圆环对应的采样点与零料线之间的垂直距离的均值， 并根据所述均值对与圆环 对应的采样点进行均值处 理， 从而获得关于高炉中心线完全 对称的对称高炉料面； 根据对称高炉 料面的径向料线在径向上的相邻点之间的斜率， 将所述径向料线分为三 个区域， 所述 三个区域具体为 边缘区域、 平台区域和漏斗区域； 根据所述径向料线的三个区域， 对三维高炉料面形状进行特征提取， 获得料面形状特 征。 5.根据权利要求4所述的高炉最优料面设定方法， 其特征在于， 根据所述径向料线的三 个区域， 对三维高炉料面形状进行 特征提取， 获得 料面形状特 征包括： 建立径向料线坐标系， 所述径向料线坐标系以炉喉零料线位置为x轴， 炉心为坐标原 点， y轴垂直向下； 基于所述径向料线坐标系和径向料线的三个区域， 提取料面形状特征， 所述料面形状 特征具体为零料线至平台的垂 直距离、 炉墙倾角、 平台宽度、 漏斗宽度、 漏斗深度、 漏斗倾角 以及漏斗圆心角。 6.根据权利要求1 ‑5任一所述的高炉最优料面设定方法， 其特征在于， 求解高炉料面优 化过程模型最优解 集包括： Step1： 设种群P的规模为N， 迭代次数为tmax， 在设定值域内随机初始化粒子位置， Vmax为 最大允许速度， 初始化个体最优位置和全局最优位置， 即pbest＝gbest＝0， 当前迭代次数t＝ 0； Step2： 计算， 具体为计算当前种群P中所有粒子的各目标值； Step3： 更新最优粒子， 具体为令t＝t+1， 采用动态加权法计算各粒子的动态适应度， 计 算公式如下： 式中， p为当前粒子适应度， M为需优化目标的数量、 fj(x)为粒子在第j个目标函数上的 函数值， ωj为粒子在第j个目标 上被分配的权 重， 且 选取动态适应度最大的粒子为全局最优粒子， 个体最优粒子则通过比较当前粒子位置权　利　要　求　书 2/4 页 3 CN 114048671 A 3