【技术实现步骤摘要】
一种基于深度学习的超快冷温度控制方法
本专利技术涉及轧钢
，尤其涉及一种基于深度学习的可提高超快冷温度模型精度的控制方法。
技术介绍
随着控制轧制和控制冷却工艺的广泛应用与不断创新，高性能产品的稳定生产成为了所有企业的发展目标。在这一工艺中，最重要的环节是冷却控制过程模型的建立，这决定了最终温度控制的稳定与否。中厚板轧后冷却过程中钢板的温度变化及冷后钢板的温度分布决定了产品的最终性能，因此冷却控制过程模型的精确程度，是高效稳定生产出高性能产品的关键所在。如今，随着自动化水平的提高，越来越多的钢企已经开始采用有自学习功能的轧后冷却系统。但是，在工况条件复杂的大生产中，对温控模型影响因素多且复杂，且高度非线性，这导致了现有的轧后冷却系统的不稳定性，容易导致冷却过程中的钢板的温度无法准确命中。这种情况很大程度上影响最终产品的组织性能，降低生产效率，甚至拖延交货期，对企业带来较大的经济损失。在人工智能高速发展的当代，将人工智能、深度学习应用于钢铁行业生产也是一个必然的趋势，并且钢企也迫切需要一种自动化程度高的轧后冷却系统来保证稳定、高效的大规模生产，其核心就在于温度...
【技术保护点】
1.一种基于深度学习的轧后冷却温度控制方法，其特征在于，包括如下步骤：(1)根据现场或实验室试验条件影响温度控制的因素，初步采集20个以上影响因子；采用主成分分析法对数据进行预处理，根据权重大小，优选出前9个权重较大的影响因子作为输入层单元；输出层单元根据工艺需求设为钢板冷却时间，由此求出冷却规程；(2)建立深度神经网络框架，确定网络结构为隐含层3‑10层，每层隐含层含有50‑300个隐层单元，每层之间所用激活函数为Relu激活函数；优化算法为Adam算法、学习率衰减；采用L2正则化与Dropout正则化并用，同时对各个超参数进行调优；深度神经网络学习模型建立后，基于现场大...
【技术特征摘要】
1.一种基于深度学习的轧后冷却温度控制方法，其特征在于，包括如下步骤：(1)根据现场或实验室试验条件影响温度控制的因素，初步采集20个以上影响因子；采用主成分分析法对数据进行预处理，根据权重大小，优选出前9个权重较大的影响因子作为输入层单元；输出层单元根据工艺需求设为钢板冷却时间，由此求出冷却规程；(2)建立深度神经网络框架，确定网络结构为隐含层3-10层，每层隐含层含有50-300个隐层单元，每层之间所用激活函数为Relu激活函数；优化算法为Adam算法、学习率衰减；采用L2正则化与Dropout正则化并用，同时对各个超参数进行调优；深度神经网络学习模型建立后，基于现场大数据进行训练，达到可准确预测冷却时间，满足投入生产的条件；(3)通过学习历史的生产数据，深度神经网络学习模型学会了各个影响因子与冷却时间之间的关系特征；当一块新钢板待冷却时，通过其PDI数据以及现场其他影响因素值可直接预报出冷却时间t0；(4)预计算得出冷却时间t0后，再由模型计算出其冷却规程；(5)该钢板冷却后，以偏差±20℃为标准，对其冷却结果进行分析，对未命中的情况，通过修正增强算法算出其正确的冷却时间，并替换错误训练集进行重新训练；对成功命中的情况进行数据积累，并定期对其进行训练，实现训练集定时扩充的功能。2.根据权利要求1所述的控制方法，其特征在于，所述步骤(1)中9个权重较大的影响因子为板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降、目标终冷温度、集管流量。3.根据权利要求1所述的控制方法，其特征在于，所述步骤(1)中每个影响因子的主成分分析方法形式如下：首先现场测得n个与温控模型相关的参量x1，x2，，…，xn；其矩阵表达式为：求其协方差：然后求其协方差矩阵C的特征值λi，在协方差矩阵C中，前面a个比较大的特征值λ1，λ2，...，λa，为与前a个主成分对应的方差；主成分方差贡献率通过主成分得分筛选获得其最主要的成分，剔除掉对原始数据影响因素较小的数据。4.根据权利要求1所述的控制方法，其特征在于，所述步骤(2)中Relu激活函数形式如下：f(x)＝max(0，x)在深度学习中，信号从一个神经元传入到下一层神经元之前是通过线性叠加来计算的，而进入下一层神经元需要经过非线性的激活函数，继续往下传递，如此循环下去；信号方面，Relu函数只对输入信号的少部分选择性相应，大量信号被刻意的屏蔽。5.根据权利要求1所述的控制方法，其特征在于，所述步骤...
【专利技术属性】
技术研发人员：张田，田勇，王丙兴，张子豪，李家栋，李勇，王昭东，王国栋，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。