【技术实现步骤摘要】
一种基于进化学习的带钢多指标质量预测方法
[0001]本专利技术涉及自动控制
,尤其涉及一种基于进化学习的带钢多指标质量预测方法
。
技术介绍
[0002]连续退火工艺作为冷连轧生产过程的后道工序,对成品钢的质量起着关键性作用
。
连续退火工艺是将轧制后的带钢进行逐步加热,达到所需的工艺温度,在特定的温度下持续一定的时间后进行冷却从而消除带钢内应力,提高带钢的可塑性,从而达到标准的力学性能指标,满足质量要求
。
然而,实际生产过程中,力学性能检测方面还远跟不上现代化要求,都是依靠检测人员离线对抽检产品进行性能检测,该检测方法具有很大延时性,无法及时发现劣质产品,造成损失
。
力学性能预测模型主要分为机理模型和数据模型两种
。
机理模型大多是在实验研究基础上建立的
。
传统的物理冶金模型可用于性能计算中,但在使用过程中也有着很大的局限性,不仅需要大量的专业知识及相关实验确定参数,且因现场环境复杂因素导致模型无法取得满意的精度要求
。
因此,建立基于数据驱动的成品钢的质量性能预测模型在一定程度上能够克服冶金机理模型对数据质量要求高的问题,可替代传统的产品质量性能检验方法,对于提高产品质量有着一定的现实意义
。
将基于数据驱动的性能预测模型应用于实际生产中,可提高生产速率
、
产品成材率,降低生产成本,并且对新钢种的研发有着指导性作用
。
[0003]研究发现带钢质量 ...
【技术保护点】
【技术特征摘要】
1.
一种基于进化学习的带钢多指标质量预测方法,其特征在于,包括以下步骤:步骤1:建立连续退火过程的多指标质量预测模型数据集;步骤2:针对步骤1构建的多指标质量预测模型数据集进行数据预处理,得到标准的训练数据集和测试集;步骤3:构建基于进化学习的连续退火过程中的多指标质量预测模型,具体包括深度稀疏自编码网络和极端梯度提升算法;步骤4:初始化多目标优化算法起始参数,并对深度稀疏自编码网络和极端梯度提升算法的结构参数和超参数设置搜索范围;步骤5:执行步骤3构建的基于进化学习的连续退火过程中的多指标质量预测模型,优化深度稀疏自编码网络以及极端梯度提升算法的结构参数和超参数,采用
Knee
点策略选择连续退火过程中的多指标质量预测模型最佳性能时的参数值;步骤6:完成多目标优化过程,将优化后的得到的超参数与结构参数作为连续退火过程中多指标质量预测模型的超参数和结构参数,然后采用步骤2得到的测试集进行质量预测
。2.
根据权利要求1所述的一种基于进化学习的带钢多指标质量预测方法,其特征在于,所述步骤1具体包括以下步骤:步骤
1.1
:测定带钢产品化学成分参数
20
个,包括硫含量
S、
铜含量
Cu、
镍含量
Ni、
铬含量
Cr、
钼含量
Mo、
钒含量
V、
铌含量
Nb、
总铝含量
Al、
酸溶性铝含量
、
钛含量
Ti、
硼含量
B、
锡含量
Sn、
砷含量
As、
锆含量
Zr、
钙含量
Ca、
铅含量
Pb、
锑含量
Sb、
氮含量
N、
氧含量
O、
钨含量
W
;步骤
1.2
:根据测定的带钢化学成分参数数据,采用下述公式计算碳当量::根据测定的带钢化学成分参数数据,采用下述公式计算碳当量:其中
Ceq
为碳当量
#1
,
Pcm
为碳当量
#2
;
C
为碳含量,
Si
为硅含量,
Mn
为锰含量;步骤
1.3
:获取冷轧卷从进入开卷机经过连续退火生产过程到卷取机的过程期间的工艺参数及带钢信息数据5个,包括炉温
、
现有温度
、
退火温度
、
厚度及宽度;步骤
1.4
:测定实际生产环境中经连续退火工艺后得到的成品钢的三个力学性能指标,包括:屈服强度
、
拉伸强度
、
伸长率;步骤
1.5
:将步骤
1.1
~步骤
1.4
所获取的连续退火过程的成分参数
、
碳当量
、
工艺参数及带钢信息数据
、
以及力学性能指标进行数据映射;步骤
1.6
:重复步骤
1.1
至步骤
1.5
,获取满足设定数量的样本数据集合,构建多指标质量预测模型的训练数据集,其中步骤
1.1
~步骤
1.3
获取的数据作为多指标质量预测模型的输入数据,步骤
1.4
测定的力学性能指标数据作为多指标质量预测模型的输出数据
。3.
根据权利要求1所述的一种基于进化学习的带钢多指标质量预测方法,其特征在于,所述步骤2具体包括以下步骤:步骤
2.1
:读入步骤1构建的连续退火过程的多指标质量预测模型数据集,对整个连续退火过程的多指标质量预测模型数据集进行顺序随机打乱处理;步骤
2.2
:对随机打乱后的连续退火过程的多指标质量预测模型数据集进行可视化操作,通过数据分析后选择强相关性的数据项,作为连续退火过程的多指标质量预测模型最
终的输入样本数据集;步骤
2.3
:使用数据预处理技术对步骤
2.2
得到的数据进行标准化处理;所述标准化处理的过程为:首先计算出步骤
2.2
得到的数据中值
M
以及四分位距
IQR
,则对于步骤
2.2
得到的数据的某一个值
d
i
经过数据预处理标准化后的数据值为:步骤
2.4
:存储处理完毕的标准的连续退火过程的多指标质量预测模型数据集,将存储后的数据集按
17
:3的比例进行划分,得到连续退火过程的多指标质量预测模型的训练数据集和测试集
。4.
根据权利要求1所述的一种基于进化学习的带钢多指标质量预测方法,其特征在于,所述步骤3具体包括以下步骤:步骤
3.1
:建立深度稀疏自编码网络,学习连续退火数据集深层语义信息及数据间相互交互的隐含信息,得到输入数据内在特征的高维映射表示;步骤
3.1.1
:建立自编码器,自编码器由编码器和解码器组成,其中编码器由输入层和隐藏层组成,解码器由多个隐藏层和一个重建层组成;首先,编码器对步骤2得到的标准连续退火过程的多指标质量预测模型的训练数据集的输入数据进行编码;然后,解码器通过最小化连续退火工艺参数数据和化学成分数据的输出结果和输入数据
x
i
的平方误差来重建原始信息;其中编码器定义如下:
h
=
f(x
i
)
=
σ
(Wx
i
+b)
ꢀꢀꢀꢀꢀꢀ
(4)
其中,
x
i
∈X
表示输入样本数据集
X
中的每个数据样本,
i
=
1,2,...,N
,
N
为数据样本数量,
σ
(
·
)
表示激活函数,
W
表示编码器内部的权重矩阵,
b
表示编码器的偏置向量;解码器定义如下:其中,表示输入样本
x
i
对应的输出结果,
W
′
是解码器内部的权重矩阵,
b
′
表示解码器的偏差矢量;通过最小化平方误差来训练网络内部的权重参数,平方误差表示输入数据与输出数据之间的差值,其定义如下:其中,是自编码器中解码器的输出,
||
·
||2代表自编码器的2范数,用于测量
x
i
和之间的重构误差;步骤
3.1.2
:引入基于自编码器的稀疏性约束构建稀疏自编码网络;通过稀疏约束的引入,完成特征的自动选择和降维过程,稀疏自编码网络的代价函数定义如下:其中,
β
是惩罚因子,用于控制稀疏项的稀疏权重,
η
是重构误差权重,用于控制重构误
差的权重,
D
KL
是稀疏度量项,即使用
KL
散度来测量隐藏层中期望的稀疏分布与实际稀疏分布之间的差值,通过最小化
D
KL
限制稀疏自编码网络稀疏性,
KL
散度的公式定义如下:散度的公式定义如下:其中
m
表示输入模式的总数,
ρ
为稀疏性参数,代表网络的稀疏分布,是稀疏自编码器隐藏层的第
j
个节点对于第
i
个输入
x
i
的输出;步骤
3.1.3
:将稀疏自编码网络的隐藏层按顺序堆叠在一起构建深度稀疏自编码网络,通过最小化重构误差重构输入数据结果,将此时网络最后一个隐藏层的输出特征作为连续退火过程的多指标质量预测模型的输入数据;步骤
3.2
:构建极端梯度提升算法模型的结构,作为连续退火过程多指标质量预测模型,然后将步骤
3.1
中深度稀疏自编码网络的最后一个隐藏层的高维特征表示作为极端梯度提升算法的输入,预测带钢力学性能指标值;假设输入数据为
x
i
,则极端梯度提升算法模型的提升策略定...
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。