基于LSTM模型的连铸下渣智能预测方法技术

本发明专利技术涉及连铸技术领域，具体是一种基于LSTM模型的连铸下渣智能预测方法。包括：按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；将若干组参数划分为输入数据组和真实数据组；将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；根据输出结果确定下渣预测数据。本发明专利技术不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题。

Intelligent Slag Prediction Method for Continuous Casting Based on LSTM Model

【技术实现步骤摘要】
基于LSTM模型的连铸下渣智能预测方法
本专利技术涉及连铸
，具体是一种基于LSTM模型的连铸下渣智能预测方法。
技术介绍
连铸是钢铁工业生产过程中的重要环节，其中钢包下渣检测是连铸生产的重要技术之一，其对保证钢水纯净度、防止过量下渣、提高钢水收得率等至关重要，受钢包下渣过程中环境及操作流程等因素的影响，钢包下渣的突变信号在整个频率段上很难分辨。现有技术中，工业下渣检测技术主要为电磁检测和振动检测；其中，电磁检测法可直接检测出钢水渣含量，且有较高的检测成功率，但电磁检测系统的安装和维护费用较高；而振动检测具有安装简便、改造费用低、使用寿命长等优势，虽逐渐在工业生产中开始应用，但其振动信号识别稳定性低，调试适用时间长，工业应用的检测成功率不及电磁检测高。上述技术方案的弊端是，现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备。
技术实现思路
本专利技术旨在解决现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题，从而提供一种基于LSTM模型的连铸下渣智能预测方法。本专利技术解决所述问题，采用的技术方案是：一种基于LSTM模型的连铸下渣智能预测方法，应用于连铸下渣智能预测系统，连铸下渣智能预测系统与数据采集设备信号连接；连铸下渣智能预测方法包括如下步骤：(1)按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；(2)按照数据采集时间的先后，将若干组参数划分为输入数据组和真实数据组；(3)将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；(4)使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；(5)将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；(6)根据输出结果确定下渣预测数据，以确定下渣检测结果。采用上述技术方案的本专利技术，与现有技术相比，其突出的特点是：①该连铸下渣智能预测方法中，能够直接利用现有的数据采集设备采集下渣相关参数，具体的，按照预设的数据采集周期控制所述数据采集设备采集若干组参数；按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；根据所述输出结果确定下渣预测数据，以确定下渣检测结果。因此，本专利技术的技术方案能够直接利用集成模块将采集到的下渣相关参数处理后输入LSTM模型，从而输出下渣预测数据，根据下渣预测数据进行下渣检测，本专利技术的技术方案不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题。作为优选，本专利技术更进一步的技术方案是：步骤(3)与步骤(4)之间，对训练集进行参数初始化，以形成初始化后的LSTM模型框架。步骤(6)之后，根据真实数据组和预测数据，确定所述下渣预测数据的准确性。根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，包括：根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的平均绝对误差和均方根误差；根据平均绝对误差和均方根误差确定下渣预测数据的准确性。根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，还包括：根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的相关性；根据所述相关性确定下渣预测数据的准确性。数据采集设备包括大包称重单元、中间包称重单元和钢流拉速信号获取单元；按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数的步骤，包括：(1)按照预设的数据采集周期控制大包称重单元采集大包重量数据；(2)按照预设的数据采集周期控制中间包称重单元采集中间包重量数据；(3)按照预设的数据采集周期控制钢流拉速信号获取单元采集拉速数据；(4)将同一数据采集时间的大包重量数据、中间包重量数据和拉速数据确定为同一组参数，以形成若干组所述参数。对训练集进行参数初始化，以形成初始化后的LSTM模型框架的步骤，包括：(1)获取初始化参数，其中，初始化参数包括：反馈延迟、隐藏层单元、学习率、学习率下降周期、训练函数、隐藏层中的神经元、训练百分比、验证百分比和框架结构参数；(2)根据初始化参数对训练集进行参数初始化，以形成初始化后的LSTM模型框架。初始化参数中，隐藏层单元为250，初始学习率为0.0032，学习率下降周期为25，求解函数为SGDM。附图说明图1是本专利技术实施例流程框图；图2是本专利技术实施例具有窥视孔连接的LSTM单元示意图；图3是本专利技术实施例大包和中间包的原始平均重量变化率图；图4是将图3所示的原始平均重量变化率应用平滑功能后的平均重量变化率图；图5是本专利技术实施例预测模型的回归图及相关系数；图6是本专利技术实施例用于开发RNN预测模型的参数表；图7是本专利技术实施例用于开发LSTM预测模型的参数表；图8是本专利技术实施例三种预测模型的指标比较表。具体实施方式：下面结合实施例对本专利技术作进一步说明，目的仅在于更好地理解本
技术实现思路
，因此，所举之例并不限制本专利技术的保护范围。参见图1，一种基于LSTM模型的连铸下渣智能预测方法，应用于连铸下渣智能预测系统，所述连铸下渣智能预测系统与数据采集设备信号连接；所述连铸下渣智能预测方法包括如下步骤：步骤S10，按照预设的数据采集周期控制所述数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；步骤S20，按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；步骤S30，将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；步骤S40，使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；步骤S50，将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；步骤S60，根据所述输出结果确定下渣预测数据，以确定下渣检测结果。在本专利技术的技术方案中，该连铸下渣智能预测方法中，能够直接利用现有的用于监测钢水液面位置相关参数的数据采集设备采集若干组参数，具体的，按照预设的数据采集周期控制所述数据采集设备采集若干组参数；按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；根据所述输出结果确定下渣预测数据，以确定下渣检测结果。因此，本专利技术的技术方案可以直接利用现有的用于监测钢水液面位置相关参数的数据采集设备采集若干组参数，然后将采集的参数处理后输入LSTM模型，从而输出下渣预测数据，根据下渣预测数据进行下渣检测；本专利技术的技术方案不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型的连铸下渣智能预测方法，其特征在于，应用于连铸下渣智能预测系统，连铸下渣智能预测系统与数据采集设备信号连接；连铸下渣智能预测方法包括如下步骤：(1)按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；(2)按照数据采集时间的先后，将若干组参数划分为输入数据组和真实数据组；(3)将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；(4)使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；(5)将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；(6)根据输出结果确定下渣预测数据，以确定下渣检测结果。

【技术特征摘要】
1.一种基于LSTM模型的连铸下渣智能预测方法，其特征在于，应用于连铸下渣智能预测系统，连铸下渣智能预测系统与数据采集设备信号连接；连铸下渣智能预测方法包括如下步骤：(1)按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；(2)按照数据采集时间的先后，将若干组参数划分为输入数据组和真实数据组；(3)将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；(4)使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；(5)将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；(6)根据输出结果确定下渣预测数据，以确定下渣检测结果。2.根据权利要求1所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：步骤(3)与步骤(4)之间，对训练集进行参数初始化，以形成初始化后的LSTM模型框架。3.根据权利要求2所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：步骤(6)之后，根据真实数据组和预测数据，确定所述下渣预测数据的准确性。4.根据权利要求3所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，包括：根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的平均绝对误差和均方根误差；根据平均绝对误差和均方根误差确定下渣预测数据的准确性。5.根据权利要求4所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：根据...

【专利技术属性】
技术研发人员：史涛，任红格，刘尚瑜，李福进，霍美杰，徐少彬，陈炫，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：河北,13