一種智能工業大模型連鑄數據處理方法與流程

本發明涉及一種數據處理方法，具體地說，是一種智能工業大模型連鑄數據處理方法。

背景技術：

1、連鑄，即連續鑄鋼（continuous?steel?casting）的簡稱。在鋼鐵廠生產各類鋼鐵產品過程中，使鋼水凝固成型通常有兩種方法：傳統的模鑄法和連鑄法。與模鑄方法相比，連鑄技術具有大幅提高金屬收得率和鑄坯質量，以及節約能源等顯著優勢。連鑄工藝流程主要包括：將裝有精煉好鋼水的鋼包運至回轉臺，回轉臺轉動到澆注位置后，將鋼水注入中間包；中間包再由水口將鋼水分配到各個結晶器中去；結晶器使鋼水迅速凝固結晶成鑄件；然后拉矯機與結晶振動裝置共同作用，將結晶器內的鑄件拉出，經冷卻后，切割成一定長度的板坯。

2、目前，在連鑄生產線上應用的模型通常僅為機理模型，機理模型在復雜工況條件下，通常無法自動適應外圍的工況條件的變化，容易出現失效或者不準確的情況。

3、因此已知的連鑄生產線上應用的模型存在著上述種種不便和問題。

技術實現思路

1、本發明的目的，在于提出一種安全可靠的智能工業大模型連鑄數據處理方法。

2、為實現上述目的，本發明的技術解決方案是：

3、一種智能工業大模型連鑄數據處理方法，采用基于認知智能的工業模型集群,其特征在于包括以下步驟：

4、a、工業模型集群包括知識推理模型和至少一組計算模型，每組計算模型包括并聯的機理模型和神經網絡模型；

5、b、獲取連鑄生產數據，并采用所述知識推理模型至少基于所述連鑄生產數據，識別連鑄板坯的質量異常情況；

6、c、響應于所述質量異常情況，確定待修正工藝參數；將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至機理模型中，得到所述機理模型輸出的待修正工藝參數的第一目標值，所述機理模型的輸出變量為所述待修正工藝參數；

7、d、將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至所述機理模型并聯的神經網絡模型中，得到所述神經網絡模型輸出的所述待修正工藝參數的第二目標值；

8、e、根據所述第一目標值和所述第二目標值確定第三目標值。

9、本發明的智能工業大模型連鑄數據處理方法還可以采用以下的技術措施來進一步實現。

10、前述的方法，其中所述工業模型集群還包括知識重構模型，在獲取連鑄生產數據之前，獲取連鑄文本知識，并將所述連鑄文本知識輸入至所述知識重構模型，以構建連鑄知識圖譜；采用所述知識推理模型至少基于所述連鑄生產數據，識別連鑄板坯的質量異常情況,以識別所述連鑄板坯的質量異常情況。

11、前述的方法，其中所述連鑄知識圖譜中主節點與連鑄產線的工藝設備一一對應，所述主節點的子節點為工藝參數節點，所述工藝參數節點的子節點為閾值節點，所述工藝參數節點和所述閾值節點之間的連接線具有用于表征大小關系的表示，所述工藝參數節點之間的連接線具有用于表征關聯關系的表示。

12、前述的方法，其中所述工業模型集群還包括問答模型，所述問答模型包括獲取用戶輸入的問題；將所述問題輸入至所述問答模型，以得到所述問答模型輸出的答案；其中，所述問答模型通過語料文本對nlp模型進行訓練得到，獲取所述語料文本的方法包括：通過節點遍歷確定所述連鑄知識圖譜中所述主節點的后代節點中深度值小于等于n的后代節點，n為大于1的正整數；基于所述主節點和所述深度值小于等于n的后代節點之間的連接關系，生成所述語料文本。

13、前述的方法，其中還包括接收用戶對于所述質量異常情況的分數；響應于所述分數小于第一閾值，在可編輯窗口內向所述用戶展示所述質量異常情況的判定規則；接收用戶輸入的修正后的判定規則，并基于所述修正后的判定規則，更新所述知識推理模型。

14、前述的方法，其中還包括獲取用戶針對各組所述計算模型的評分值，所述評分值取決于所述計算模型輸出的工藝參數值；基于每組所述計算模型的評分值和每組所述計算模型對應的權重值，計算所述工業模型集群的總評分；響應于所述總評分小于或等于第二閾值，則將所述評分值小于第三閾值的計算模型進行重新訓練，且減小該組計算模型對應的權重值，直至所述總評分大于所述第二閾值，其中，所述第三閾值小于所述第二閾值。

15、前述的方法，其中提供工業模型集群的計算引擎，所述工業模型集群包括知識推理模型和至少一組計算模型，每組計算模型包括并聯的機理模型和神經網絡模型，所述計算引擎包括質量異常判定模塊，用于獲取連鑄生產數據，并采用所述知識推理模型至少基于所述連鑄生產數據，識別連鑄板坯的質量異常情況；參數確定模塊，用于響應于所述質量異常情況，確定待修正工藝參數；第一計算模塊用于將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至第一機理模型中，得到所述第一機理模型輸出的所述待修正工藝參數的第一目標值，所述第一機理模型的輸出變量為所述待修正工藝參數；第二計算模塊用于將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至所述第一機理模型并聯的第一神經網絡模型中，得到所述第一神經網絡模型輸出的所述待修正工藝參數的第二目標值；修正模塊用于基于第三目標值對所述待修正工藝參數的當前控制值進行修正，其中，所述第三目標值為所述第一目標值和所述第二目標值中更為接近所述當前控制值的目標值。

16、前述的方法，其中還提供一種計算機可讀存儲介質，計算機可讀存儲介質存儲計算機程序，所述計算機程序被處理器運行時，執行采用基于認知智能的工業模型集群的連鑄數據處理方法的步驟。

17、前述的方法，其中還提供一種計算設備，包括存儲器和處理器，所述存儲器存儲在所述處理器上運行的計算機程序，所述處理器運行所述計算機程序時執行基于認知智能的工業模型集群的連鑄數據處理方法的步驟。

18、采用上述技術方案后，本發明的智能工業大模型連鑄數據處理方法具有以下優點：

19、采用基于認知智能的工業模型集群的連鑄數據處理方法，工業模型集群包括：知識推理模型和至少一組計算模型，每組計算模型包括并聯的機理模型和神經網絡模型。在知識推理模型識別到質量異常情況時，確定當前控制值需要修正的工藝參數，將待修正工藝參數和與待修正工藝參數關聯的數據分別輸入至機理模型和神經網絡模型中，由機理模型和神經網絡模型分別計算待修正工藝參數的目標值，分別記為第一目標值和第二目標值。結合第一目標值和第二目標值綜合地確定待修正工藝參數的目標值，以優化待修正工藝參數的控制值。相較于單一地采用機理模型對工藝參數進行優化的方案，有利于更加準確地對工藝參數進行優化，保障連鑄板坯質量。

技術特征：

1.一種智能工業大模型連鑄數據處理方法，采用基于認知智能的工業模型集群,其特征在于包括以下步驟：

2.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，所述工業模型集群還包括知識重構模型，在獲取連鑄生產數據之前，獲取連鑄文本知識，并將所述連鑄文本知識輸入至所述知識重構模型，以構建連鑄知識圖譜；采用所述知識推理模型至少基于所述連鑄生產數據，識別連鑄板坯的質量異常情況,以識別所述連鑄板坯的質量異常情況。

3.如權利要求2所述的智能工業大模型連鑄數據處理方法，其特征在于，所述連鑄知識圖譜中主節點與連鑄產線的工藝設備一一對應，所述主節點的子節點為工藝參數節點，所述工藝參數節點的子節點為閾值節點，所述工藝參數節點和所述閾值節點之間的連接線具有用于表征大小關系的表示，所述工藝參數節點之間的連接線具有用于表征關聯關系的表示。

4.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，所述工業模型集群還包括問答模型，所述問答模型包括獲取用戶輸入的問題；將所述問題輸入至所述問答模型，以得到所述問答模型輸出的答案；其中，所述問答模型通過語料文本對nlp模型進行訓練得到，獲取所述語料文本的方法包括：通過節點遍歷確定所述連鑄知識圖譜中所述主節點的后代節點中深度值小于等于n的后代節點，n為大于1的正整數；基于所述主節點和所述深度值小于等于n的后代節點之間的連接關系，生成所述語料文本。

5.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，還包括接收用戶對于所述質量異常情況的分數；響應于所述分數小于第一閾值，在可編輯窗口內向所述用戶展示所述質量異常情況的判定規則；接收用戶輸入的修正后的判定規則，并基于所述修正后的判定規則，更新所述知識推理模型。

6.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，還包括獲取用戶針對各組所述計算模型的評分值，所述評分值取決于所述計算模型輸出的工藝參數值；基于每組所述計算模型的評分值和每組所述計算模型對應的權重值，計算所述工業模型集群的總評分；響應于所述總評分小于或等于第二閾值，則將所述評分值小于第三閾值的計算模型進行重新訓練，且減小該組計算模型對應的權重值，直至所述總評分大于所述第二閾值，其中，所述第三閾值小于所述第二閾值。

7.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，提供工業模型集群的計算引擎，所述工業模型集群包括知識推理模型和至少一組計算模型，每組計算模型包括并聯的機理模型和神經網絡模型，所述計算引擎包括質量異常判定模塊，用于獲取連鑄生產數據，并采用所述知識推理模型至少基于所述連鑄生產數據，識別連鑄板坯的質量異常情況；參數確定模塊，用于響應于所述質量異常情況，確定待修正工藝參數；第一計算模塊用于將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至第一機理模型中，得到所述第一機理模型輸出的所述待修正工藝參數的第一目標值，所述第一機理模型的輸出變量為所述待修正工藝參數；第二計算模塊用于將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至所述第一機理模型并聯的第一神經網絡模型中，得到所述第一神經網絡模型輸出的所述待修正工藝參數的第二目標值；修正模塊用于基于第三目標值對所述待修正工藝參數的當前控制值進行修正，其中，所述第三目標值為所述第一目標值和所述第二目標值中更為接近所述當前控制值的目標值。

8.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，還提供一種計算機可讀存儲介質，計算機可讀存儲介質存儲計算機程序，所述計算機程序被處理器運行時，執行采用基于認知智能的工業模型集群的連鑄數據處理方法的步驟。

9.如權利要求1所述的智能工業大模型連鑄數據處理方法，其特征在于，還提供一種計算設備，包括存儲器和處理器，所述存儲器存儲在所述處理器上運行的計算機程序，所述處理器運行所述計算機程序時執行基于認知智能的工業模型集群的連鑄數據處理方法的步驟。

技術總結
一種智能工業大模型連鑄數據處理方法，采用基于認知智能的工業模型集群,其特征在于包括以下步驟：a、工業模型集群包括知識推理模型和至少一組計算模型，b、獲取連鑄生產數據，并采用所述知識推理模型至少基于所述連鑄生產數據，c、響應于所述質量異常情況，確定待修正工藝參數；將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至機理模型中，d、將所述連鑄生產數據中與所述待修正工藝參數關聯的數據輸入至所述機理模型并聯的神經網絡模型中，e、根據所述第一目標值和所述第二目標值確定第三目標值。本發明的智能工業大模型連鑄數據處理方法具有以下有利于更加準確地對工藝參數進行優化和保障連鑄板坯質量的優點。

技術研發人員：金曉暉,余炯,牛井超
受保護的技術使用者：寶鋼工程技術集團有限公司
技術研發日：
技術公布日：2024/10/21