(57) 1. Компьютеризированный способ (1000) обучения модели (130) обучения с подкреплением для формирования рабочих инструкций для терморегулирования доменной печи, причем способ включает в себя
обработку посредством натренированной посредством трансферного обучения модели (110) машинного обучения в доменной адаптации ретроспективных эксплуатационных (21) данных, полученных в виде многопараметрических временных рядов и отражающих тепловые состояния соответствующих доменных печей (BF1-BFn) множества доменов, для генерирования (1100) первого инвариантного набора (22) данных домена, представляющего тепловое состояние любой из доменных печей (BF1-BFn) независимо от домена,
генерирование (1200) моделированных эксплуатационных данных (24а) в виде многопараметрических временных рядов, отображающих тепловое состояние типовой доменной печи (BFg) для конкретного терморегулирующего действия (26а) посредством использования переходной модели (121) типового процесса доменной печи, причем переходная модель (121) отображает соответствующие физические, химические, тепловые и потоковые условия типовой доменной печи и обеспечивает решения для восходящего потока газа и нисходящего перемещения слоев твердой фазы, как они структурированы в типовой доменной печи при обмене тепла, массы и переносе импульса,
обработку моделированных эксплуатационных данных (24а) посредством генеративной сети (122) глубокого обучения, натренированной на многопараметрических временных рядах ретроспективных эксплуатационных (21) данных, для генерирования (1300) второго инвариантного набора (23а) данных домена посредством передачи признаков, выученных из ретроспективных эксплуатационных (21) данных, к моделированным эксплуатационным данным (24а),
модель (130) обучения с подкреплением, определяющую (1400) вознаграждение (131) для конкретного терморегулирующего действия (26а) с учетом данной целевой функции посредством обработки объединенных первого и второго инвариантных наборов данных (22, 23а) домена, и
в зависимости от вознаграждения (131) регенерирование (1300) второго инвариантного набора данных домена, основанного на измененных параметрах (123-2), причем поиск измененных параметров для другого терморегулирующего действия, основанного на текущем окружении (25а) модели (130) обучения с подкреплением и выходных данных терморегулирующего действия (26а) текущего шага обучения, направляется алгоритмом генетического (123-1) поиска и/или байесовской оптимизации, и
повторение определяющего (1400) шага для обучения оптимизированным рабочим инструкциям для оптимизации терморегулирующих действий, которые должны быть применены для соответствующих эксплуатационных состояний одной или более доменных печей.
2. Способ по п.1, также включающий в себя
модель (130) обучения с подкреплением, прогнозирующую (1700) оптимизированную рабочую инструкцию по меньшей мере для одного исполнительного механизма конкретной доменной печи в производстве, основанную на данных текущего эксплуатационного состояния данных конкретной доменной печи,
определение (1400) вознаграждения после применения терморегулирующего действия в соответствии с оптимизированной рабочей инструкцией по меньшей мере для одного исполнительного механизма, основанного на новом состоянии конкретной доменной печи после выполнения терморегулирующего действия, и
если вознаграждение ниже предварительно заданного порога, переходная модель регенерирует второй инвариантный набор данных для одной или более альтернативных рабочих инструкций для повторной тренировки модели обучения с подкреплением.
3. Способ по п.1 или 2, причем модель (110) машинного обучения в доменной адаптации реализована посредством генеративной нейронной сети глубокого обучения со сверточными и/или рекуррентными слоями, натренированными извлекать доменные инвариантные признаки из ретроспективных эксплуатационных (21) данных в виде первого инвариантного набора данных домена.
4. Способ по п.1 или 2, причем модель (110) машинного обучения в доменной адаптации тренировалась для обучения множеству отображений соответствующих необработанных данных от нескольких доменных печей (BF1-BFn) в эталонную доменную печь (BFr), причем каждое отображение является представлением преобразования соответствующей конкретной доменной печи в эталонную доменную печь, и несколько отображений соответствуют первому инвариантному набору данных домена.
5. Способ по п.4, причем модель (110) машинного обучения в доменной адаптации реализована посредством архитектуры генеративного глубокого обучения, основанной на архитектуре CycleGAN.
6. Способ по одному из предшествующих пунктов, причем модель обучения с подкреплением тренируется для обучения оптимизированным рабочим инструкциям так, что связанное целевое измерение лежит в предварительно заданном диапазоне от Парето-фронта для соответствующей многомерной целевой функции.
7. Способ по одному из предшествующих пунктов, причем переходная модель (121) имеет несколько расчетных ячеек, причем каждая ячейка представляет соответствующий слой типовой доменной печи, составленный из одной загрузки сырого материала, причем каждая расчетная ячейка решает уравнения газовой фазы итеративным последовательным путем для удовлетворения относительным допускам параметра газовой фазы на каждом временном интервале итерации и, когда параметры газовой фазы сходятся к предварительно заданному значению допуска, последовательно решает уравнения твердой фазы в том же временном интервале итерации.
8. Способ по п.7, причем итеративное решение уравнений газовой фазы включает в себя для каждой итерации коррекционной петли давление-скорость
вычисление (3300) свойств газа, твердой фазы и жидкости,
вычисление (3400) скоростей реакции и коэффициентов теплопередачи,
вычисление (3500) температуры газа, компонентов, скорости и падения давления и
причем последовательное решение уравнений твердой фазы включает в себя
вычисление (3600) температуры твердой фазы и компонентов,
вычисление (3700) температуры жидкости и компонентов и
вычисление (3800) скорости твердой фазы.
9. Способ по одному из предшествующих пунктов, причем переходная модель (121) получает один или более следующих входных параметров: количество шихтового материала и результаты химического анализа, температура, давление, скорость подачи порошкообразного угля и обогащение кислородом, с уравнением энергии для прогнозирования температуры горячего металла, одним или более уравнениями компонентов для вычисления химического состава горячего металла, одним или более уравнениями газовой фазы для прогнозирования температуры доменного газа, эффективности (Eta СО) и давления.
10. Способ по одному из предшествующих пунктов, причем модель обучения с подкреплением реализуют посредством рекуррентной нейронной сети.
11. Способ по одному из предшествующих пунктов, также включающий в себя
прогнозирование информации о будущей тепловой эволюции состояния конкретной доменной печи на основании ретроспективных эксплуатационных (21) данных и/или других измеренных данных об окружающей среде, связанных с окружением доменной печи, посредством использования одной или более соответствующим образом натренированных связанных моделей (ML1-MLn) машинного обучения для дополнения ретроспективных эксплуатационных (21) данных будущими данными многопараметрических временных рядов, которые связаны с будущими моментами времени, и
обработку посредством модели (110) машинного обучения в доменной адаптации будущих многопараметрических временных рядов для дополнения первого инвариантного набора (22) данных домена данными, которые связаны с будущими моментами времени.
12. Способ по п.11, причем тренировка конкретной модели (MLT) из моделей (ML1-MLn) машинного обучения включает в себя
тренировку (703) нескольких базовых моделей с разными наборами эксплуатационных данных (701) и/или данных об окружающей среде (702) с использованием одного или более алгоритмов машинного обучения для обеспечения особых будущих данных многопараметрических временных рядов базовой модели в качестве тренировочных входных данных для конкретной модели из моделей машинного обучения,
тренировку (706) конкретной модели из связанных моделей машинного обучения с особыми будущими данными многопараметрических временных рядов базовой модели для обучения, какая комбинация из базовых моделей является наиболее подходящей для какого состояния доменной печи.
13. Способ по п.12, причем конкретная модель из моделей (ML1-MLn) машинного обучения натренирована для прогнозирования одного из следующих параметров будущего момента времени: аномалии в процессе доменной печи, тепловое состояние доменной печи и главных индикаторов эксплуатационных качеств производства горячего металла, оптимизация матрицы загрузки, явления доменной печи, основанные на основанной на съемочной камере фурмы инспекции процесса, рекомендации устройству открывания летки для оптимальной эксплуатации, основанные на ТМТ SOMA явления и индикаторы эксплуатационных качеств, явления, основанные на метках явлений посредством технологических правил.
14. Машиночитаемый носитель информации, содержащий программные инструкции, исполнение которых процессором компьютерной системы обеспечивает выполнение шагов способа по одному из предшествующих пунктов.
15. Компьютерная система (100), включающая в себя модуль памяти, выполненный с возможностью загрузки в него программных инструкций, исполнение которых процессором компьютерной системы обеспечивает выполнение шагов способа по одному из пп.1-13.

---