【技术实现步骤摘要】
一种基于深度学习的热镀锌带钢镀层的控制方法
[0001]本专利技术涉及计算机控制
,更具体地,涉及一种基于深度学习的热镀锌带钢镀层的控制方法。
技术介绍
[0002]在钢铁企业冷轧热镀锌机组控制系统中,镀层重量的控制是一个非常重要的生产环节,其控制好坏直接影响产品质量。虽然已有很多钢铁企业在热镀锌生产系统中建立了相应的控制系统,但由于在钢带镀锌过程中,影响钢带镀层重量的因素是复杂的、非线性的,导致该类控制系统的控制精确度不高。
[0003]热镀锌锌锅设备以及镀层厚度控制原理如说明书附图中的图1和图2所示。镀层厚度控制的执行单元为气刀1,气刀1是两个沿带钢3宽度方向布置在带钢两面的喷嘴,其控制镀层的因素主要有:喷嘴吹扫气体的压力和喷嘴与带钢的距离,镀层厚度控制的反馈单元为镀层测厚仪2。由于镀层测厚仪一般测量冷态下的锌层厚度,所以其布置在熔融态的锌层厚度控制单元气刀后面。稳定的锌层厚度控制参数设定受带钢的速度、锌锅4的锌液成分、温度、锌锅液面高度、气刀唇口纵向孔形、气刀唇口横向形状及开口度、气刀的水平和垂直位置、边缘控制器、喷嘴压力等众多因素影响。不难理解,影响镀锌层厚度及均匀性控制的因素复杂而具有不确定性。通常,镀层闭环控制按照不同钢卷的锌层厚度和规格分为前馈和反馈两部分。前馈控制为根据锌层厚度事先设定气刀1的气压和离带钢的距离进行生产;反馈控制是根据测厚仪测量的平均值对气刀进行调节,即当锌层测厚仪的测量值发生改变时,气刀的气压和离带钢的距离会根据闭环模式下计算的值发生改变。但是,由于锌层测厚仪距离锌锅气 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,包括以下步骤:S1.收集镀锌生产过程中操作人员对带头锌层前馈控制人工干预的有效操作数据;S2.运用深度学习的大数据分析方法对收集的有效操作数据进行模拟,获取自动补偿值计算模型,并将自动补偿值计算模型实时反馈到镀锌生产;S3.对自动补偿值计算模型实现锌层的前馈控制进行效果验证。2.如权利要求1所述的一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,所述S1包括以下步骤:S11.对带头锌层前馈控制人工干预值历史数据进行清洗,去除掉历史数据中由于机组运行故障或是维修而造成的数据偏差;S12.从所有的历史数据中提取出人工干预操作生效的带钢过渡切换过程数据;S13.将能够有效减少不达标带钢长度的人工干预数据筛选出来。3.如权利要求1所述的一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,所述S2包括以下步骤:S21.将所有的有效操作数据划分为训练集和测试集;S22.在训练集中通过设定不同的随机数种子从中抽选出部分数据来进行大数据算法模型训练;S23.使用测试集数据对大数据算法模型进行评判,得到不同的权重,融合成为最终算法模型。4.如权利要求3所述的一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,所述S22中的大数据算法模型包括KNN算法模型和GBDT算法模型;所述KNN算法模型的公式如下式:设特征空间χ是n维实数向量空间R
n
,x
i
,x
j
∈χ,x
i
,x
j
的L
p
距离定义为:这里p≥1当p=1时,称为曼哈顿距离(Manhattan distance),公式为:当p=2时,称为欧式距离(Euclidean distance),即当p=∞时,它是各个坐标距离的最大值,计算公式为:所述GBDT算法模型的公式如下式:其中,x为输入样本,F为分类回归树,h为学习器,L是损伤函数,γ
m
是分类回归树每棵树
的权重。5.如权利要求3所述的一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,所述S23包括以下步骤:S231.对大数据算法模型计算误差;S232.结合KNN模型算法与GBDT模型算法进行加权融合输出结果;S233.使用测试集数据对对KNN模型算法与GBDT模型算法评判,得到不同的权重,融合成为最终算法模型;S234.将最终算法模型结果输出到生产系统,将生产过程中所收集到的连续数据进行离散分类处理,得到合理的人工干预值;S235.人工干预值的结果实时反馈到生产的计算机界面中,实现带钢镀层的前馈控制。6.如权利要求5所述的一种基于深度学习的热镀锌带钢镀层的控制方法,其特征在于,所述S232中加权融合输出结果的公式如下:...
【专利技术属性】
技术研发人员:何建锋,朱健华,
申请(专利权)人:宝钢日铁汽车板有限公司,
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。