一种基于深度学习的热镀锌带钢镀层的控制方法技术

本发明专利技术公开一种基于深度学习的热镀锌带钢镀层的控制方法，该热镀锌带钢镀层的控制方法包括以下步骤：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；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；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。该热镀锌带钢镀层的控制方法运用深度学习的大数据分析方法，模拟出规格切换时带头锌层前馈值，较为快速且准确地控制带钢在热镀锌生产过程中不同钢种、不同规格以及不同锌层切换过程钢卷锌层的厚度，替代人工锌层控制的干预操作。制的干预操作。制的干预操作。

【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刀还有约100
‑
200米，因而每个钢卷带头 100
‑
200米由于没有锌层厚度实绩值无法实现反馈控制，只能根据钢卷的目标锌层厚度进行前馈控制。由于镀锌产品不同规格不同锌层厚度切换过程中较复杂，生产计算机系统给出的气刀距离和压力的前馈值可能导致带头锌层厚度不足，不能满足锌层控制的需求。操作工通常会根据生产经验提前人工输入锌层变化的补偿值，确保前馈控制不会导致带头锌层厚度不符。如果没有操作工的人为干预，需要经过100
‑
200米的过渡过程才能达到产品要求，而在操作工的干预调节下，主要通过锌层补偿调整气刀与带钢距离或调整气刀压力，可以在较短的过渡过程后达到符合要求的锌层厚度。
[0004]专利号为CN201510843605.1的文献公开一种镀层控制方法,在带钢离开镀液液面的过程中,先采用超声波对带钢带出液面的镀液进行超声波震动处理,再采用气刀装置进行喷吹处理实现对镀层厚度的精确控制。专利号为 CN201822057031.7的文献公开了涂层厚度自动控制系统通过所述自动测厚装置与所述动力牵引装置和/或加热装置的自动配合很好的实现了对涂层厚度的控制,提高了产品的良率。专利号为CN201910652846.6的文献专利技术公开了一种热镀铝硅带钢镀层的控制方法。专利号为CN201810446630.X的文献提供一种冷轧热镀锌钢板横向镀层均匀性控制方法。专利号为 CN201310705897.3的文献在热镀锌PLC中增设镀层厚度自适应控制单元,气刀压力反馈模型控制单元及气刀位置偏移控制
单元,分别建立镀层厚度自适应前馈控制模型,气刀压力反馈修正模型和气刀操作侧和传动侧位置偏移计算模型，实现镀锌过程中镀层厚度的自动控制。目前检索到的上述专利均没有涉及每个钢卷带头100
‑
200米的过渡过程，由于没有锌层厚度的实际值只能进行前馈控制，如何提高前馈控制的精度方法，尤其是应用大数据深度学习的最新成果学习前馈过程依赖人工经验干涉锌层的控制，从而提高包括带头过渡区域在内的整个钢卷锌层控制良品率，是非常必要的，有重要的意义。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的热镀锌带钢镀层的控制方法，通过收集镀锌生产中操作人员对带头锌层前馈控制人工干预值，运用深度学习的大数据分析方法，模拟出规格切换时带头锌层前馈值，达到控制好带钢头尾锌层厚度均匀，减少操作干预控制锌层的方法。
[0006]为了实现上述目的，本专利技术采用以下技术方案：
[0007]依据本专利技术的一个方面，提供了一种基于深度学习的热镀锌带钢镀层的控制方法，包括以下步骤：
[0008]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；
[0009]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；
[0010]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。
[0011]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀层的控制方法，其中S1包括以下步骤：
[0012]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；
[0013]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；
[0014]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。
[0015]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀层的控制方法，其中S2包括以下步骤：
[0016]S21.将所有的有效操作数据划分为训练集和测试集；
[0017]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；
[0018]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。
[0019]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀层的控制方法，其中S22中的大数据算法模型包括KNN算法模型和GBDT算法模型；
[0020]所述KNN算法模型的公式如下式：
[0021][0022]所述GBDT算法模型的公式如下式：
[0023][0024]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀层的控制方法，其中S23包括以下步骤：
[0025]S231.对大数据算法模型计算误差；
[0026]S232.结合KNN模型算法与GBDT模型算法进行加权融合输出结果；
[0027]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；
[0028]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；
[0029]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。
[0030]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀层的控制方法，其中S232中加权融合输出结果的公式如下：
[0031]y＝∑
i
ω
i
f
i
(x)。
[0032]根据本专利技术以上方面的一种基于深度学习的热镀锌带钢镀本文档来自技高网...

【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：