【技术实现步骤摘要】
一种轧制力的预测方法及装置
[0001]本申请涉及轧制力的预测
，尤其涉及一种轧制力的预测方法及装置。
技术介绍
[0002]在轧制生产过程中，轧制力是轧机最重要的设备参数与工艺参数，也是塑性加工工艺、设备优化设计和过程控制的重要依据。轧制力的精度不仅直接影响轧制规程的设定精度，而且对板厚精度及板形质量都产生直接影响，是充分发挥板厚和板形系统调控能力，提高带钢头部命中率的关键。
[0003]目前，一般采用浅层神经网络模型对轧制力进行预测。然而，现有的浅层神经网络模型预测的轧制力的精度较低。
技术实现思路
[0004]本申请实施例提供了一种轧制力的预测方法及装置，可以提高轧制力的预测精度。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]第一方面，本申请提供一种轧制力的预测方法，包括：
[0007]获取第一训练集和第二训练集；第一训练集包括第一自变量集，第二训练集包括第二自变量集和第二因变量集；第一自变量集中包括多个样本子集，第二自变量集中包括多个样本子集...
【技术保护点】
【技术特征摘要】
1.一种轧制力的预测方法，其特征在于，包括：获取第一训练集和第二训练集；所述第一训练集包括第一自变量集，所述第二训练集包括第二自变量集和第二因变量集；所述第一自变量集中包括多个样本子集，所述第二自变量集中包括多个样本子集，所述第二因变量集中包括一个样本子集；每个样本子集对应一种生产参数的数据集，所述一个样本子集对应的生产参数为轧制力；所述第一自变量集中所有样本子集对应的生产参数的类型，与所述第二自变量集中所有样本子集对应的生产参数的类型相同；根据所述第一自变量集和第一网络，训练得到所述第一自变量集对应的第一子模型；将所述第二自变量集输入所述第一子模型，提取得到目标特征信息集；所述目标特征信息集中包括有多个目标特征信息子集，每个目标特征信息子集用于表示一种所述第二自变量集的深度信息；根据所述第二因变量集、所述目标特征信息集和第一模型训练得到第二子模型；采集待预测样本；所述待预测样本包括有多个样本信息，每个样本信息对应一种生产参数的信息；根据所述第一子模型对所述待预测样本进行处理，得到所述待预测样本的特征参数，将所述待预测样本的特征参数输入第二子模型，确定所述待预测样本的轧制力的预测结果；所述特征参数包括多个特征信息，每个特征信息用于表征一种所述待预测样本的深度信息。2.根据权利要求1所述的轧制力的预测方法，其特征在于，所述获取第一训练集和第二训练集包括：采集生产线中的样本集；根据第一预设规则从所述样本集中获取所述第一训练集和所述第二训练集，并根据第二预设规则从所述第一训练集中确定所述第一自变量集，且从所述第二训练集中确定所述第二自变量集和所述第二因变量集。3.根据权利要求2所述的轧制力的预测方法，其特征在于，所述根据第一预设规则从所述样本集中获取所述第一训练集和所述第二训练集，包括：对所述样本集进行归一化处理；根据第一预设规则从经过归一化处理之后的样本集中获取所述第一训练集和所述第二训练集。4.根据权利要求1所述的轧制力的预测方法，其特征在于，所述第一网络为循环自编码网络，所述循环自编码网络为循环神经网络与自编码器网络的融合网络；所述根据所述第一自变量集和第一网络，训练得到所述第一自变量集对应的第一子模型，包括：根据所述第一自变量集和所述循环自编码网络，训练得到所述第一自变量集对应的第一子模型。5.根据权利要求4所述的轧制力的预测方法，其特征在于，所述循环自编码网络包括第一层子网络、第二层子网络以及第三层子网络；所述根据所述第一自变量集和所述循环自编码网络，训练得到所述第一自变量集对应的第一子模型，包括：
步骤1，将输入数据和历史特征数据输入所述第一层子网络进行编码，提取得到第一特征数据；所述输入数据为第一样本子集中的任一数据，所述第一样本子集为所述第一自变量集中的任一样本子集；步骤2，将所述第一特征数据输入所述第二层子网络进行编码，提取得到第二特征数据；步骤3，将所述第二特征数据输入所述第三层子网络进行解码，重构第三特征数据，将所述第三特征数据作为新的历史特征数据；步骤4，重复执行所述步骤1至所述步骤3，直至遍历完所述第一样本子集的所有数据；步骤5，对所述第一自变量集中的每个样本子集均执行所述步骤1至所述步骤4，训练得到所述第一子模型。6.根据权利要求1所述的轧制力的...
【专利技术属性】
技术研发人员：孙浩，叶国良，宋浩诚，呼子宇，曹安冉，
申请(专利权)人：燕山大学，
类型：发明
国别省市：
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。