【技术实现步骤摘要】
一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法
[0001]本专利技术属于带钢凸度预测
,涉及一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法。
技术介绍
[0002]硅钢一种是高附加值的钢铁材料,广泛应用于广泛用于超高速电机、精密电子、电力等高端制造领域。由于产品的性能要求和硅钢品种、规格的不断扩大,下游客户对硅钢板形的要求越来越高。凸度是衡量热轧硅钢板形质量的重要指标之一。由于热轧带钢与冷轧产品横截面形状具有遗传性,所以硅钢在热轧出口的凸度状况在很大程度上决定了冷轧出口板形的质量。目前,硅钢凸度的控制精度偏低,不能满足下工序要求和客户要求,是硅钢产品进一步提高质量水平的最大制约。因此,硅钢凸度的控制精度亟待地提高。
[0003]实际工业中高牌号硅钢相对于其他钢种产量较少,且硅钢工艺比较复杂,生产难度较大,成材率较低,导致可用于拟合经验模型或训练模型的数据较少。为了克服这个问题,必须开发一个从非硅钢的生产数据中学习得到的知识跨至硅钢的凸度预测模型,为进一步提高热轧高牌号硅钢凸度精度提供依据具有非常重要的意义。
技术实现思路
[0004]为解决上述技术问题,本专利技术的目的是提供一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法,从海量的非硅钢数据中挖掘共同特征的同时利用鲸鱼优化算法优化模型的超参数,将之前预训练模型的深层参数固定,并由少量带标签的硅钢数据更新浅层参数以达到知识向硅钢的迁移,从而实现了高精度、可靠的热轧硅钢凸度预测。
[0005]本专利技术提供一种迁移学习融合鲸鱼优化算 ...
【技术保护点】
【技术特征摘要】
1.一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法,其特征在于,包括:步骤1:采集硅钢和非硅钢的轧制现场数据;步骤2:对采集的轧制现场数据进行预处理,将硅钢轧制现场数据作为目标域数据,非硅钢轧制现场数据作为源域数据;步骤3:基于源域数据对硅钢凸度预测模型进行预训练,同时利用鲸鱼捕食算法优化模型网络的结构和超参数;步骤4:通过目标域的训练集对硅钢凸度预测模型进行迁移训练,实现源域知识向目标域的转移,获得最终的硅钢凸度预测模型。2.如权利要求1所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法,其特征在于,所述步骤1中的轧制现场数据包括:F1~F6机架的轧制速度、F1~F6机架的轧制力、F1~F6机架弯辊力、F1~F6机架的窜辊量、F1~F6机架的出口凸度、硅含量、带钢宽度、带钢入口厚度、带钢出口厚度、带钢入口温度和带钢出口温度。3.如权利要求2所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法,其特征在于,所述步骤2具体为:步骤2.1:根据Pauta标准设置置信区间,绝对偏差超过置信区间边界的轧制现场数据将被判断为异常值并被删除,具体通过下式筛选异常值:将被判断为异常值并被删除,具体通过下式筛选异常值:将被判断为异常值并被删除,具体通过下式筛选异常值:其中,为轧制现场数据的平均值,S
x
为轧制现场数据的标准差,n为轧制现场数据的个数,x
i
为第i个轧制现场数据;步骤2.2:根据下式对轧制现场数据进行归一化使轧制现场数据范围在[0,1]之间:其中,x
max
、x
min
分别为轧制现场数据的最大值和最小值,为轧制现场数据经归一化处理后的值;步骤2.3:将硅钢轧制现场数据作为目标域D
t
={X
t
,Y
t
},非硅钢轧制现场数据作为源域D
s
={X
s
,Y
s
},将目标域数据划分为训练集和测试集。4.如权利要求3所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法,其特征在于,所述步骤3具体为:步骤3.1:将所有源域数据D
s
={X
s
,Y
s
}作为预训练数据,X
s
为输入特征,包括35个轧制现场数据和目标凸度,共36维输入;F6机架的出口凸度作为输出特征Y
s
;步骤3.2:硅钢凸度预测模型的深层部分采用两个1D卷积层,卷积操作公式如下所示:
其中,和b分别表示非线性激活函数和偏置项,表示第i次卷积核得到的特征图,F
j
为第j个卷积核的多特征映射;为卷积核的权值,F
L
表示卷积窗口长度;步骤3.3:卷积层中采用零填充操作,再通过最大池化层,池化操作如下所示:其中,表示第i个池化窗口得到的特征图,P
j
为第j个池化窗口的多特征映射;n是样本数据数量,P
L
是池化窗口的长度;步骤3.4:硅钢凸度预测模型浅层部分采用两个全连接层,卷积层输出的特征铺平后作为全连接层输入,网络的激活函数全部采用ReLU;其中,a为激活系数;步骤3.5:采用鲸鱼优化算法对硅钢凸度预测模型的网络进行优化,从而获得最...
【专利技术属性】
技术研发人员:丁敬国,孟令明,金利,李旭,彭文,孙杰,李霄剑,张殿华,
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。