本发明涉及工程数值计算分析，尤其涉及基于数据驱动的高炉推移性能的预测方法、设备与存储介质。
背景技术：
1、高炉的整体推移是不仅是一个技术挑战，也是提高生产效率、保障安全、降低成本和推动钢铁行业发展的重要手段。高炉推移中包含了以下复杂工程问题：
2、精确的机械设备和结构设计，如液压系统、支撑结构、滑轨和锚固点等，以确保炉体在推移过程中的稳定性和对准。实现高炉炉体的精确控制，需要先进的控制系统和传感器技术，包括位移传感器、角度传感器、压力传感器等，以及反馈控制算法和自动化软件。高炉炉体结构的力学特性，包括应力分析、变形预测和结构完整性评估，以防止在推移过程中发生结构损坏。目前而言能快速,准确甚至能在高炉推移过程中对推移性能进行实时优化的数值技术理论和方法具有迫切需求。
3、当前在实际工程应用中考虑复杂工况下高炉推移的仿真计算基本采用有限元法(fem)。有限元法将物理对象的特定偏微分方程(pde)离散化进行数值求解的一种计算方法。虽然在各种工程领域中上述方法都有广泛的应用，但具有明显的局限性：比如有限元法中采用的伽辽金法运算时间长，且难以利用gpu并行计算技术。且有限元法只具备离线分析计算无法进行实时预测，前处理参数一经设定就不能进行自优化，在当前人工智能结合工业大数据的背景下，难以满足大型复杂工程计算比如高炉推移项目中对新一代智能数值计算模型的需要。
技术实现思路
1、为解决上述技术问题，本发明提供了基于数据驱动的高炉推移性能的预测方法，其特征在于，包括以下步骤：
2、s1.根据高炉推移场地数据与施工图纸数据，建立高炉推移系统的三维数据模型；
3、s2.根据得到的三维数据模型，基于参数化思想，建立高炉推移系统的有限元仿真模型；
4、s3.根据高炉推移受力情况设计正交实验模型，计算得到炉体与推移轨道受力组合特征和振动模态特性；
5、s4.将得到的炉体与推移轨道受力组合特征与振动模态特性，输入到有限元仿真模型中进行仿真计算，得到机器学习数据样本；
6、s5.通过传感器，采集得到炉体和推移轨道的瞬态响应数据；
7、s6.根据机器学习数据样本，通过交叉验证法进行训练得到训练数据结果，并将训练数据结果与瞬态响应数据进行数据精度对比，选择精度最高的结果为最优机器学习模型；
8、s7.基于最优机器学习模型，结合瞬态响应数据，对高炉推移性能进行预测。
9、进一步的，所述三维数据模型包括高炉炉体三维数据模型、推移托盘三维数据模型与推移轨道数据模型。
10、进一步的，步骤s2包括以下步骤：
11、s401.在三维数据模型内设置高炉推移系统的材料属性、边界条件与载荷参数；
12、s402.通过有限元分析软件对三维数据模型进行网格划分，生成得到有限元网络模型；
13、s403.根据材料属性、边界条件与载荷数据，分别对有限元网络模型进行数据校验，得到有限元仿真模型。
14、进一步的，步骤s5中所述传感器包括风速传感器、加速度传感器、倾角传感器、激光位移传感器与应变式力传感器，分别用于采集高炉炉体的风速数据、高炉炉体的加速度数据、高炉炉体的倾角数据、高炉炉体的位移瞬态响应数据与高炉推移轨道的应力瞬态响应数据。
15、进一步的，步骤s6中所述通过交叉验证法使用12折交叉验证，其中机器学习数据样本被分成12个相等的部分，选取机器学习数据样本的11个部分作为训练样本进行训练，在剩下的一个部分上进行测试，这个过程重复12次，每次选择不同的部分作为训练数据结果。
16、进一步的，所述训练算法为复合神经网络，至少集成有cnn神经网络、rnn神经网络、dbn神经网络基于受限玻尔兹曼机rbms的生成模型，所述训练算法支持向量机svm，同时结合了bp神经网络算法，即反向传播算法。
17、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述基于数据驱动的高炉推移性能的预测方法。
18、一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述基于数据驱动的高炉推移性能的预测方法。
19、本发明的有益效果是：
20、将数据驱动的机器学习、有限元仿真及高炉推移动力学测试相结合，能够快速、准确预测高炉推移过程中的炉体位移与姿态，滑靴与推移的摩檫力，推移轨道变形与应力，对高炉推移过程中可能出现的危险点进行预警，提前排除高炉推移过程中存在的所有障碍，为高炉推移项目安全实施和高炉恢复顺利生产提供了有效的保障。
1.基于数据驱动的高炉推移性能的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动的高炉推移性能的预测方法，其特征在于，所述三维数据模型包括高炉炉体三维数据模型、推移托盘三维数据模型与推移轨道数据模型。
3.根据权利要求1所述的基于数据驱动的高炉推移性能的预测方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求1所述的基于数据驱动的高炉推移性能的预测方法，其特征在于，步骤s5中所述传感器包括风速传感器、加速度传感器、倾角传感器、激光位移传感器与应变式力传感器，分别用于采集高炉炉体的风速数据、高炉炉体的加速度数据、高炉炉体的倾角数据、高炉炉体的位移瞬态响应数据与高炉推移轨道的应力瞬态响应数据。
5.根据权利要求1所述的基于数据驱动的高炉推移性能的预测方法，其特征在于，步骤s6中所述通过交叉验证法使用12折交叉验证，其中机器学习数据样本被分成12个相等的部分，选取机器学习数据样本的11个部分作为训练样本进行训练，在剩下的一个部分上进行测试，这个过程重复12次，每次选择不同的部分作为训练数据结果。
6.根据权利要求5所述的基于数据驱动的高炉推移性能的预测方法，其特征在于，所述训练算法为复合神经网络，所述复合神经网络至少集成有cnn神经网络、rnn神经网络、dbn神经网络基于受限玻尔兹曼机rbms的生成模型，所述训练算法支持向量机svm，同时结合了bp神经网络算法，即反向传播算法。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述基于数据驱动的高炉推移性能的预测方法。
8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述基于数据驱动的高炉推移性能的预测方法。
