買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉昆明理工大學;云南錫業(yè)股份有限公司錫業(yè)分公司申請的專利一種錫熔煉過程動態(tài)優(yōu)化控制方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120215281B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510677737.5，技術領域涉及：G05B13/04；該發(fā)明授權一種錫熔煉過程動態(tài)優(yōu)化控制方法是由劉英莉;熊正;楊玲;沈韜;袁海濱設計研發(fā)完成，并于2025-05-26向國家知識產(chǎn)權局提交的專利申請。

本一種錫熔煉過程動態(tài)優(yōu)化控制方法在說明書摘要公布了：本發(fā)明涉及一種錫熔煉過程動態(tài)優(yōu)化控制方法，屬于冶金工程和人工智能的交叉技術領域。首先，收集數(shù)據(jù)并進行預處理，剔除異常值，利用cGAN生成缺失值，彌補數(shù)據(jù)空缺；然后，利用LSTM模型對錫熔煉過程中的關鍵狀態(tài)變量進行建模，捕捉復雜的時間序列變化規(guī)律，并嵌入冶金知識作為約束。接著，在強化學習環(huán)境中加入基于數(shù)據(jù)驅動的狀態(tài)更新模型。最后，引入深度強化學習算法，將噴槍操作參數(shù)作為動作空間，將錫熔煉過程中的狀態(tài)作為狀態(tài)空間。在獎勵函數(shù)設計中，融入關鍵參數(shù)的預測結果，通過智能體學習實現(xiàn)動態(tài)優(yōu)化控制策略。該方法在動態(tài)優(yōu)化錫純度、降低CO排放方面具有顯著優(yōu)勢，為冶金工業(yè)的智能化和高效生產(chǎn)提供了一種創(chuàng)新性解決方案。

本發(fā)明授權一種錫熔煉過程動態(tài)優(yōu)化控制方法在權利要求書中公布了：1.一種錫熔煉過程動態(tài)優(yōu)化控制方法，其特征在于，所述方法具體包括： Step1：收集錫熔煉過程中相關參數(shù)數(shù)據(jù)，所述相關參數(shù)數(shù)據(jù)包括熔煉爐中每個時刻的狀態(tài)變量值和噴槍操作參數(shù)值； Step2：對所述相關參數(shù)數(shù)據(jù)進行預處理，刪除傳感器記錄的異常值，并利用cGAN生成測量頻率低于預設閾值的變量； Step3：采用改進的LSTM模型對錫熔煉過程中的錫純度、CO濃度進行建模，捕捉狀態(tài)變量值和噴槍操作參數(shù)值的時間序列變化規(guī)律； Step4：構建強化學習環(huán)境，采用數(shù)據(jù)驅動的狀態(tài)更新模型，將錫熔煉過程中的狀態(tài)變量值和噴槍操作參數(shù)值作為輸入，利用深度學習模型預測下一時刻的狀態(tài)值； Step5：設計獎勵函數(shù)，基于捕捉的時間序列變化規(guī)律指導強化學習的智能體； Step6：引入深度強化學習算法，將噴槍操作參數(shù)設計為動作空間，將錫熔煉過程中的狀態(tài)設計為狀態(tài)空間，智能體與狀態(tài)更新模型進行交互學習，持續(xù)優(yōu)化控制策略以實現(xiàn)動態(tài)優(yōu)化目標； 所述Step3具體為： Step3.1：基于錫熔煉過程中已有的工業(yè)數(shù)據(jù)，提取反映爐內動態(tài)變化的核心變量，通過數(shù)學變換生成與熔煉過程的新特征列； Step3.2：在原始LSTM模型的損失函數(shù)中嵌入冶金領域的物理約束，通過約束懲罰項指導LSTM模型學習符合實際工藝規(guī)律的預測結果； Step3.3：采用改進的LSTM模型對錫熔煉過程中的指標變量進行預測訓練； Step3.4：在訓練完成后，利用獨立的測試數(shù)據(jù)集驗證模型的預測性能，評估錫純度、CO濃度的預測精度，并保存LSTM模型參數(shù)； 所述Step5具體為： Step5.1：制定優(yōu)化目標； Step5.2：利用保存的LSTM模型參數(shù)，預測當前工藝參數(shù)的調整對未來某一預設時間段錫純度和CO排放的影響，并利用預測結果作為獎勵函數(shù)計算的依據(jù)； Step5.3：設計獎勵函數(shù)，公式為： ； 式中，R是獎勵函數(shù)，、、為權重系數(shù)，用于平衡多個目標的重要性，是當前時刻錫純度含量，是當前時刻一氧化碳含量，是下一時刻錫純度含量，是下一時刻一氧化碳含量，是下一時刻能耗值； 所述Step6具體為： Step6.1：基于DDPG算法對噴槍操作參數(shù)進行調控，將熔爐內的噴槍執(zhí)行的操作定義為動作空間，將熔爐內：濃縮總量、熔池累加、氧氣含量百分比、爐底中部溫度、爐底外部溫度、爐底內溫、爐升高的溫度、爐壓、廢氣CO分析、總能耗共十個核心變量定義為狀態(tài)空間； Step6.2：使用DDPG算法中的Actor網(wǎng)絡基于當前狀態(tài)預測最優(yōu)動作，用于調節(jié)噴槍操作參數(shù)，使用Critic網(wǎng)絡評估當前策略的Q值，用于指導Actor優(yōu)化； Step6.3：將強化學習中的智能體與熔爐環(huán)境的交互數(shù)據(jù)存儲在經(jīng)驗池中，從中隨機采樣若干熔爐狀態(tài)與噴槍操作參數(shù)數(shù)據(jù)進行訓練，使強化學習智能體學習到之前連續(xù)爐期數(shù)據(jù)未有的操作經(jīng)驗； Step6.4：通過添加噪聲，模擬工廠遇到故障的情況，完成模型訓練； Step6.5：利用訓練好的模型，在錫熔煉過程中實現(xiàn)智能動態(tài)優(yōu)化控制； 所述Step3.2具體為： 在LSTM模型的損失函數(shù)中加入冶金知識約束，約束公式為： ； 其中，是總的損失值，是LSTM模型的預測損失值，是常數(shù)，函數(shù)則需要結合冶金知識，具體公式如下： ； 其中，是常數(shù)，是預測值與理論值的差值，CO的理論值計算如下： ； 式中，表示燃燒煤流量，是燃料煤熱值和燃燒效率相關的常數(shù)，是氧氣流量，是燃燒煤的理論化學計量比。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人昆明理工大學;云南錫業(yè)股份有限公司錫業(yè)分公司，其通訊地址為：650031 云南省昆明市一二一大街文昌路68號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。