基于深度置信神经网络的热连轧带钢头部厚度预测方法技术

本发明专利技术提供一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，包括以下步骤：获取热连轧现场的生产数据；将获取的生产数据运用灰色关联分析算法得到影响热连轧带钢头部厚度的影响因素数据；将获取的影响因素数据输入深度置信神经网络预测模型；所述深度置信网络网络预测模型根据输入的影响因素数据输出热连轧带钢头部厚度的预测数值。本发明专利技术提供的预测方法预测精度高，模型易维护，同时避免了根据轧制机理建立的预测模型由于在推导过程中存在大量的假设和近似而造成的较大误差的问题，也改善了基于传统单隐层神经网络的预测模型预测精度低、易陷入局部极值的问题，为过程自动化级设定模型的优化提供了良好基础。过程自动化级设定模型的优化提供了良好基础。过程自动化级设定模型的优化提供了良好基础。

【技术实现步骤摘要】
基于深度置信神经网络的热连轧带钢头部厚度预测方法


[0001]本专利技术涉及轧钢自动控制
，具体涉及一种基于深度置信神经网络的热连轧带钢头部厚度预测方法。

技术介绍

[0002]在热连轧生产过程中，精轧头部厚度是过程自动化级的设定模型参数调节的基础。随着轧制条件和来料情况的不断变化，需要调整过程自动化级的设定模型参数以防止轧件设定值和实际值产生误差。此时若能准确预测出轧件精轧后的头部厚度，就能对模型参数的调节产生指导作用。
[0003]由于钢铁生产过程中存在非线性相互作用、动态耦合过程，因此对厚度参数的预测是非常复杂的。传统的厚度预测是由数学模型来进行的，由于数学模型的建立过程本身就忽略和简化了许多实际现场因素，例如计算轧机弹跳时的预压靠是非生产过程中的理想压靠，与实际生产条件可能存在偏差，因此单纯靠数学模型预测厚度误差较大，不能满足日益精确的轧制要求。近年来也出现过个别的基于数据驱动的厚度预测方法，但预测精度普遍较低，泛化能力不强且易陷入局部极值。上述问题是本领域技术人员期望克服的，深度学习的应用能较好弥补上述不足。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，包括以下步骤：
[0005]步骤1：获取热连轧现场中m个不同带钢头部同一位置的生产数据，所述生产数据包括安装在热连轧生产线上的每个仪表检测的每一类测量数据，以及热连轧生产的过程自动化级下发的轧制规程数据中的每一类参数数据；
[0006]步骤2：将生产数据中所有表征带钢头部出口厚度的同一类数据划分为一个参考序列，实际生产数据中剩余的每一类数据划分为一个比较序列；
[0007]步骤3：将比较序列中的数据采用灰色关联分析方法得到影响带钢头部厚度的影响因素数据；
[0008]步骤4：采用min-max标准化方法消除样本集中数据的量纲差异，得到标准化数据，所述样本集包括影响因素数据、参考序列中的数据；
[0009]步骤5：将影响因素数据对应的标准化数据作为深度置信神经网络模型的输入样本数据，将参考序列对应的标准化数据作为深度置信神经网络模型的输出样本数据，对模型进行训练，得到参数最优的深度置信神经网络模型；
[0010]步骤6：利用参数最优的深度置信神经网络模型对待处理带钢头部位置的生产数据进行预测，得到不同带钢同一头部位置的出口厚度。
[0011]所述步骤3包括：
[0012]步骤3.1：利用公式(1)将参考序列、比较序列中的数据进行均值法无量纲化处理，
得到无量纲化后的数据：
[0013][0014]式中，X0(k)表示参考序列中的第k个数据，X'0(k)表示无量纲化后的参考序列中的第k个数据元素，m表示每一类数据中包含的数据总个数，X
i
(k)表示第i个比较序列中的第k个数据元素，X'
i
(k)表示无量纲化后的第i个比较序列中的第k个数据，n表示实际生产数据中被划分的比较序列总数；
[0015]步骤3.2：利用公式(2)计算每个比较序列与参考序列对应元素的绝对值
△
0i
(k)，
[0016]△
0i
(k)＝|X'0(k)-X'
i
(k)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]步骤3.3：利用公式(3)计算出实际生产数据中的两级最大差max
i
(
△
k
(max))、两级最小差min
i
(
△
k
(min))，
[0018][0019]步骤3.4：利用公式(4)计算每个比较序列与参考序列对应元素的关联系数ζ
0i
(k)，
[0020][0021]式中，ρ表示分辨系数；
[0022]步骤3.5：利用公式(5)计算每个比较序列与参考序列的关联度r
i
，
[0023][0024]步骤3.6：将各比较序列的关联度按照从大到小进行排序，选取前N个比较序列中的所有数据元素作为影响因素数据。
[0025]所述步骤4包括：
[0026]利用公式(6)计算样本集中数据消除量纲差异后对应的标准化数据，
[0027][0028]式中，x
ji
表示第j类数据中的第i个数据元素，x
jmin
表示第j类数据中的最小值，x
jmax
表示第j类数据中的最大值，N'表示样本集中的数据种类数，其中N'＝N+1。
[0029]所述深度置信网络模型的底层采用无监督预训练的受限玻尔兹曼机模型，顶层采用有监督微调的误差逆传播回归模型，激活函数采用ReLU函数，正则化方法采用dropout方法防止过拟合。
[0030]所述步骤5中对模型进行训练，得到参数最优的深度置信神经网络模型，具体表述为：
[0031]步骤5.1：设置初始学习率为α，初始隐藏层层数为A，隐藏层的初始节点数为B，最大迭代次数为χ；
[0032]步骤5.2：设置节点数的更新步长为b，以步长b更新每次迭代时的节点数，并利用公式(7)计算每次迭代后的均方误差，其中表示当达到最大迭代次数χ时，将均方误差值最小的一次迭代对应的节点数作为隐藏层的最优节点数
[0033][0034]式中，MSE表示均方误差值，y
i
表示输入的参考序列对应的标准化数据，表示深度置信神经网络模型输出的预测值；
[0035]步骤5.3：设置每层隐藏层的节点数为设置层数的更新步长为a，以步长a更新每次迭代时的隐藏层层数，并利用公式(7)计算每次迭代后的均方误差，当达到最大迭代次数χ时，将均方误差值最小的一次迭代对应的层数作为隐藏层的最优层数
[0036]步骤5.4：设置每层隐藏层的节点数为设置每层隐藏层的层数为设置学习率的更新步长为d，以步长d更新每次迭代时的学习率，并利用公式(7)计算每次迭代后的均方误差，当达到最大迭代次数χ时，将均方误差值最小的一次迭代对应的学习率作为模型的最优学习率。
[0037]本专利技术的有益效果是：
[0038]本专利技术提出了一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，根据热轧现场实际生产数据应用灰色关联分析算法得到影响热连轧精轧头部厚度的影响因素数据，使得输入数据与输出数据具有更强的相关性，再进一步通过迭代训练来确定模型最优的结构参数，保证模型具有较好的预测性能。选取的深度置信神经网络由于其多隐层的结构特点使得模型具有更高的预测精度，以及综合了无监督预训练和有监督微调的训练方式的特点，使其具有更快的收敛速度并且不容易陷入局部极值。本专利技术预测精度高，泛化能力强，模型易维护，解决了传统厚度预测模型适应实际生产过程的能力较弱的问题，且节约生产投资成本，为过程自动化级设定模型参数的调节提供了良好基础。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，其特征在于，包括如下步骤：步骤1：获取热连轧现场中m个不同带钢头部同一位置的生产数据，所述生产数据包括安装在热连轧生产线上的每个仪表检测的每一类测量数据，以及热连轧生产的过程自动化级下发的轧制规程数据中的每一类参数数据；步骤2：将生产数据中所有表征带钢头部出口厚度的同一类数据划分为一个参考序列，实际生产数据中剩余的每一类数据划分为一个比较序列；步骤3：将比较序列中的数据采用灰色关联分析方法得到影响带钢头部厚度的影响因素数据；步骤4：采用min-max标准化方法消除样本集中数据的量纲差异，得到标准化数据，所述样本集包括影响因素数据、参考序列中的数据；步骤5：将影响因素数据对应的标准化数据作为深度置信神经网络模型的输入样本数据，将参考序列对应的标准化数据作为深度置信神经网络模型的输出样本数据，对模型进行训练，得到参数最优的深度置信神经网络模型；步骤6：利用参数最优的深度置信神经网络模型对待处理带钢头部位置的生产数据进行预测，得到不同带钢同一头部位置的出口厚度。2.根据权利要求1所述的一种基于深度置信神经网络的热连轧带钢头部厚度预测方法，其特征在于，所述步骤3包括：步骤3.1：利用公式(1)将参考序列、比较序列中的数据进行均值法无量纲化处理，得到无量纲化后的数据：式中，X0(k)表示参考序列中的第k个数据，X'0(k)表示无量纲化后的参考序列中的第k个数据元素，m表示每一类数据中包含的数据总个数，X
i
(k)表示第i个比较序列中的第k个数据元素，X
′
i
(k)表示无量纲化后的第i个比较序列中的第k个数据，n表示实际生产数据中被划分的比较序列总数；步骤3.2：利用公式(2)计算每个比较序列与参考序列对应元素的绝对值
△
0i
(k)，
△
0i
(k)＝|X'0(k)-X
′
i
(k)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤3.3：利用公式(3)计算出实际生产数据中的两级最大差max
i
(
△
k
(max))、两级最小差min
i
(
△
k
(min))，步骤3.4：利用公式(4)计...

【专利技术属性】
技术研发人员：何垚东，李旭，陈丰，马冰冰，高坤，霍利峰，丁敬国，韩月娇，张殿华，
申请(专利权)人：东北大学，
类型：发明
国别省市：