[发明专利]一种基于人工智能算法的钢坯升温曲线设计方法及装置

权利要求书

1.一种基于人工智能算法的钢坯升温曲线设计方法，其特征在于，包括：

将加热炉每个控制段按控制段长度分别均分为多个子段；

获取每一子段对应的历史加热数据；其中，所述历史加热数据包括钢坯在子段出口处的段末出口温度和影响所述段末出口温度的温度影响因子；所述温度影响因子包括入段温度、目标出炉温度、在段时间和总在炉时间；其中，所述入段温度指的是钢坯在相应子段入口处的温度，所述目标出炉温度指的是钢坯经加热炉加热后的目标温度，所述在段时间指的是钢坯在相应子段中的停留时间，所述总在炉时间指的是钢坯在加热炉中的总停留时间；

以温度影响因子为输入，段末出口温度为输出，利用各子段对应的历史加热数据分别训练预设的神经网络模型，得到各子段对应的钢坯温度预测模型；

获取当前加热炉正常运行时，各子段对应的温度影响因子的当前值；

根据各子段对应的温度影响因子的当前值，针对每一子段，分别利用当前子段所对应的钢坯温度预测模型预测当前子段对应的段末出口温度预测值；

将各子段对应的段末出口温度预测值进行拟合，以前一个子段的段末出口温度作为后一个子段的入段温度，将各子段对应的段末出口温度预测值拟合为一条曲线，得到钢坯升温曲线。

2.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述将加热炉每个控制段按控制段长度分别均分为多个子段，包括：

将加热炉的4个控制段按控制段长度分别均分为3个子段，共分为12个子段。

3.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，利用各子段对应的历史加热数据分别训练预设的神经网络模型，包括：

对获取的历史加热数据进行预处理，利用预处理后的历史加热数据构建各子段对应的样本数据集；其中，所述预处理为：对获取的历史加热数据进行异常值筛除，并对筛除异常值后的历史加热数据进行平均取整处理；

利用各子段对应的样本数据集分别训练预设的神经网络模型。

4.如权利要求3所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述对获取的历史加热数据进行异常值筛除，包括：

若在段时间大于第一预设时间阈值，则将其筛除；

若总在炉时间大于第二预设时间阈值，则将其筛除。

5.如权利要求1所述的基于人工智能算法的钢坯升温曲线设计方法，其特征在于，所述预设的神经网络模型为BP神经网络模型；

所述BP神经网络模型的输入节点数为4，隐含层节点数为6，输出层节点数为1；所述BP神经网络模型的权值调整率为0.003，阈值调整率为0.008，最大训练次数为600，单个样本允许的误差为0.001，每次迭代允许的误差为0.005。