【技术实现步骤摘要】
一种基于数据驱动的冷轧带钢纵向厚度连续预测方法
[0001]本专利技术属于轧制过程控制
,涉及一种基于数据驱动的冷轧带钢纵向厚度连续预测方法。
技术介绍
[0002]在冷连轧生产过程中,厚度精度是衡量冷轧产品质量的重要指标之一,也是下游产业用户最为关心的质量问题,因为它决定着所加工产品的质量和成本,同时也决定着后续所加工产品的性能。随着我国经济高速发展,产业结构逐步升级,汽车、家电、建筑、仪表、电子和食品包装等行业对冷轧板带产品的质量要求不断提高,因此提高冷轧板带产品的厚度精度一直是研究和攻关的热点,且具有十分迫切的现实需要。
[0003]由于实际的冷连轧过程极为复杂,存在诸多未知因素,难以建立出精准的数学模型,近些年来,国内外针对冷连轧过程这些特点进行了大量科研工作。机器学习和深度学习等人工智能方法具有出色的信息处理能力和解算能力,所以非常适合处理具有强耦合、非线性、多变量等特点的冷连轧过程,近年来大量的人工智能方法被应用于冷连轧领域。
[0004]基于工业数据驱动的人工智能方法不断被应用于冷连轧生产过程的数字孪生模型的构建中,并取得了较大突破,已有多种基于冷连轧生产线实测数据的神经网络预测方法被提出,实现了带钢头部厚度的精准命中。根据数字孪生技术的头部厚度预测结果可以及时对生产过程做出调整,特别是为过程自动化级设定模型的参数修正提供参考,使得现场能够得到更加精准的控制,从而使产品品质得到提高。
[0005]随着机器学习和深度学习等人工智能方法不断被应用于冷连轧领域,厚度预测成为热点, ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于数据驱动的冷轧带钢纵向厚度连续预测方法,其特征在于,包括:步骤1:选取冷连轧生产线与带钢出口厚度相关的实测数据及过程自动化级计算数据作为初选输入特征;步骤2:对实测数据和计算数据进行数据清洗和归一化处理,获得初选建模数据集;步骤3:将冷连轧过程分为首尾加减速阶段和高速稳定轧制阶段,使用随机森林算法对初选输入特征进行重要性分析,选取冷连轧过程中不同轧制阶段的输入特征;步骤4:根据不同轧制阶段的输入特征选取结果,确定两个轧制阶段的DNN模型的拓扑结构,选取模型参数,对初步建立的DNN模型进行训练;步骤5:训练过程中使用遗传算法对DNN模型进行优化,提升预测精度;步骤6:使用优化后的DNN模型进行带钢出口厚度预测。2.如权利要求1所述的基于数据驱动的冷轧带钢纵向厚度连续预测方法,其特征在于,步骤1具体为:步骤1.1:选用五机架冷连轧生产线,确定以下重要影响因素:轧制力、弯辊力、张力、轧制速度、辊缝、轧制公里数和入口厚度;步骤1.2:根据重要影响因素从现场提取实测数据和过程自动化级计算数据共34个初选输入特征,其中实测数据包括:入口厚度、F1机架的出口厚度、F4机架的出口厚度、F1
‑
F5机架的轧制速度、F1
‑
F5机架的前张力、F1
‑
F5机架的后张力、F1
‑
F5机架的轧制力、F1
‑
F5机架的辊缝、F1
‑
F5机架的弯辊力;过程自动化级计算数据包括:轧制公里数。3.如权利要求1所述的基于数据驱动的冷轧带钢纵向厚度连续预测方法,其特征在于,步骤2中归一化处理采用max
‑
min归一化的方法,具体公式如下:式中:x'
d
为归一化处理后的数据,x
d
为第d个数据,min(x
d
)为该数据序列中的最小数值,max(x
d
)为该数据序列中的最大数值。4.如权利要求1所述的基于数据驱动的冷轧带钢纵向厚度连续预测方法,其特征在于,所述步骤3中使用随机森林算法对初选输入特征进行重要性分析具体为:步骤3.1:从初选建模数据集中采用重复随机抽取的方式得到一组数据用于决策树的训练,在决策树的建立中未被利用的数据构成袋外数据集,对任一决策树,计算袋外数据集的误差,记为ERR
00B1
;步骤3.2:对于袋外数据集所有数据的某个初选输入特征x,随机加入噪声干扰,再次对袋外数据集的误差进行计算,记为ERR
00B2
;步骤3.3:设共有N棵决策树在随机森林中,则初选输入特征x的重要性imp
x
技术研发人员:李旭,刘宏旭,张欣,陈树宗,王鹏飞,李晓华,陈方升,贾大朋,张海东,沈志前,
申请(专利权)人:东北大学,
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。