基于多维数据的带钢热轧过程力学性能软测量方法及装置制造方法及图纸

本发明专利技术涉及工业过程性能预测技术领域，特别是指一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。方法包括：构建带钢力学性能预测模型；其中，带钢力学性能预测模型为结合CBGRU模块构建基于DA

【技术实现步骤摘要】
基于多维数据的带钢热轧过程力学性能软测量方法及装置


[0001]本专利技术涉及工业过程性能预测
，特别是指一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。

技术介绍

[0002]带钢热轧过程工况复杂，物质流、能量流、信息流相互作用存在大滞后的现象，采集数据具有强耦合性、动态性、多维性，模型之间相互影响，并且大量质量指标只能通过离线检验化数据获取，力学性能、组织性能指标等指标通常从实验室分析中获得。对带钢力学性能进行在线的时间序列预测成为亟需关注的问题。
[0003]近年来，以推断控制为基础的软测量建模方法得到了广泛的关注和研究。软测量是在1978年提出的，主要用于产品质量变量的预测。软测量的基本思想是根据某种最优准则，选择一些容易测量且与质量变量(或称之为主导变量)相关的变量(或称之为辅助变量)，并通过构成某种数学模型，实现对质量变量的在线估计。其基本步骤主要包括：数据的采集和预处理、辅助变量的选取、建立软测量模型和在线校正。
[0004]这类方法通过计算机软件来代替传感器的功能，因此具有投资低、维护保养简单并且在实际工程应用中容易执行的优点，因此在化工领域中得到了广泛的应用。目前，常用的软测量建模方法包括：基于机理的建模方法、基于状态估计的建模方法和基于数据驱动的建模方法。但是工业过程机理的复杂性和模糊性导致了建模代价高、难度大，被测对象的数学模型都相当复杂，数据驱动方法适用于高度非线性过程，是解决复杂系统过程模型的有效途径，在线校正能力强，非常适合于对复杂工业过程进行软测量建模，因此逐渐成为近年来主流的软测量测量方法。现有研究中常用的数据驱动方法包括：主成分分析法、偏最小二乘回归、支持向量机等。
[0005]深度学习是一种新兴的软测量方法，利用了数据驱动的思想，能将无标签数据纳入训练集合中加以利用，解决了传统方法中只能利用标签数据的缺点。深度学习有几种基本模型，主要包括自动编码器、稀疏编码、受限玻尔兹曼机、深度信念网络、卷积神经网络等。
[0006]时间序列是将对系统或对象进行测量过后的若干个变量按照先后顺序排列所得的数值序列，具有时间和数值两个因素。带钢热轧过程是一个明确的时序强相关的过程，在进行带钢力学性能预测时，尤为需要考虑数据的时间序列特性。近年来，深度学习方法在解决时间序列预测问题上得到深度扩展在深度学习中，常见的用于时序预测模型包括注意力机制、循环神经网络、长短期记忆网路模型、基于编码
‑
解码的序列模型等。
[0007]但是带钢热轧过程工况复杂，过程变量耦合性强，具有稠密与稀疏共存、冗余与缺失并在、动态与静态互现、显式与隐藏等特点，这使得上述不能很好地提取带钢热轧数据的特征，不能展现出良好的预测性能。

技术实现思路

[0008]本专利技术实施例提供了一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。所述技术方案如下：
[0009]一方面，提供了一种基于多维数据的带钢热轧过程力学性能软测量方法，该方法由电子设备实现，该方法包括：
[0010]S1、构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA
‑
CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；
[0011]S2、获取带钢热轧过程的原始工况数据集；
[0012]S3、对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；
[0013]S4、结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；
[0014]S5、构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；
[0015]S6、将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。
[0016]可选地，所述S1中的所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；
[0017]所述BiGRU模型由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。
[0018]可选地，所述构建带钢力学性能预测模型，包括：
[0019]S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；
[0020]S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；
[0021]S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；
[0022]S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。
[0023]可选地，所述S3中的对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集，包括：
[0024]S31、通过t
‑
SNE算法对原始工况数据集进行降维可视化；
[0025]S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理；
[0026]S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。
[0027]可选地，所述S4中的结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集，包括：
[0028]S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对所述待筛选数据集进行特征评分,根据特征评分确定待删除辅助变量集；
[0029]S42、结合预设的带钢机理知识，对所述待删除辅助变量集进行删除处理，得到辅助变量数据集。
[0030]可选地，所述S5中的构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集，包括：
[0031]S51、构建实体嵌入层，将预设的多维数据输入到实体嵌入层，转化为预设大小的稠密向量；
[0032]S52、将转化后的稠密向量和所述辅助变量数据集通过合并层进行合并，将合并后的数据集确定为输入数据集。
[0033]可选地，所述S51中的实体嵌入层由一层独热编码层、嵌入层和两层全连接层构成；
[0034]所述多维数据包括三种，分别是轧制日期、班别以及钢卷号。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维数据的带钢热轧过程力学性能软测量方法，其特征在于，所述方法包括：S1、构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA
‑
CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；S2、获取带钢热轧过程的原始工况数据集；S3、对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；S4、结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；S5、构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；S6、将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。2.根据权利要求1所述的方法，其特征在于，所述S1中的所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；所述BiGRU模块由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。3.根据权利要求1所述的方法，其特征在于，所述构建带钢力学性能预测模型，包括：S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。4.根据权利要求1所述的方法，其特征在于，所述S3中的对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集，包括：S31、通过t
‑
SNE算法对原始工况数据集进行降维可视化；S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理；S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。5.根据权利要求1所述的方法，其特征在于，所述S4中的结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集，包括：S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对所述待筛选数据集进行特征评分,根据特征评分确定待删除...

【专利技术属性】
技术研发人员：刘小玉，彭开香，李琳琳，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：