【技术实现步骤摘要】
本专利技术涉及板带材数据处理，特别是指一种数据驱动的冷轧板带厚度缺陷模式识别方法及装置。
技术介绍
1、在钢铁行业中，冷轧板带是一种重要的金属材料，广泛应用于制造汽车、电器、建筑和机械等领域。然而，在冷轧板带的生产过程中，由于生产工艺、设备磨损或基料质量等因素，可能会引发厚度缺陷问题，严重影响了冷轧板带的质量和性能。目前，针对冷轧板带厚度缺陷的检测和识别通常依赖于传统的目视检查或简单的机械测量，这种方式存在效率低、准确性不高和主观性强等问题。因此，迫切需要一种高效准确的自动化厚度缺陷识别方法，以提高冷轧板带生产的质量和效率。
2、针对这一问题，钢铁企业及业内学者提出了一系列板带厚度缺陷识别方法。其中，提出了将现场采集到的钢卷厚度曲线数据及时传输至qms管理应用平台，通过在qms管理应用平台开发归集函数、制定质量因子对该厚度曲线进行分析处理，自动判断待测钢卷的厚度是否合格，从而实现了对不同精度要求产品的厚度差异化判定；另一种公开的方案中将带钢实际测量厚度与带钢设定厚度相减得到实时厚度差，并计算厚度缺陷评分；根据评分结果确定带钢在厚度这一指标的缺陷等级。以上专利技术专利均为板带厚度缺陷识别提供了依据，但上述方法并未充分利用板带生产过程中全长厚度数据动态特征，仅将带钢沿长度简单划分，判定结果难以完全反映实际厚度缺陷成因。
3、在现有技术中，缺乏一种能够充分反映多维度特征的板带厚度缺陷模式识别方法。
技术实现思路
1、本专利技术实施例提供了一种数据驱动的冷轧板带厚度
2、一方面，提供了一种数据驱动的冷轧板带厚度缺陷模式识别方法，该方法由电子设备实现，该方法包括：
3、采集冷连轧产线工业数据，获得历史数据；对所述历史数据进行预处理，获得训练数据；
4、将所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图；
5、基于卷积神经网络结构进行模型构建，获得待训练缺陷识别模型；
6、使用所述时间-频率-幅度分布图，对所述待训练缺陷识别模型进行优化训练，获得缺陷识别模型；
7、输入在线数据，通过所述缺陷识别模型进行缺陷识别，获得缺陷识别结果。
8、可选地，所述对所述历史数据进行预处理，获得训练数据，包括：
9、将所述历史数据进行时空转换处理，获得第一处理数据；
10、将所述第一处理数据进行三次样条差值，获得第二处理数据；
11、将所述第二处理数据进行零点调节，获得训练数据。
12、可选地，所述将所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图，包括：
13、分析所述训练数据特性，将汉宁窗设定为窗函数；
14、基于窗函数，对所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图。
15、其中，所述待训练缺陷识别模型使用双曲正切激活函数，作为前向传播方式的激活函数；
16、所述待训练缺陷识别模型使用交叉熵损失函数，作为后向传播方式的损失函数。
17、可选地，所述输入在线数据，通过所述缺陷识别模型进行缺陷识别，获得缺陷识别结果，包括：
18、将所述在线数据进行数据处理，获得处理后在线数据；
19、将所述处理后在线数据进行特征提取，获得在线数据特征；
20、对所述在线数据特征进行降维，获得降维数据特征；
21、根据所述降维数据特征进行一维展开，获得缺陷识别结果。
22、其中，所述缺陷识别结果包括无缺陷、轧机控制缺陷、轧机设备缺陷和板带基材缺陷。
23、另一方面，提供了一种数据驱动的冷轧板带厚度缺陷模式识别装置，该装置应用于一种数据驱动的冷轧板带厚度缺陷模式识别方法，该装置包括：
24、训练数据获取模块，用于采集冷连轧产线工业数据，获得历史数据；对所述历史数据进行预处理，获得训练数据；
25、分布图获取模块，用于将所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图；
26、模型构建模块，用于基于卷积神经网络结构进行模型构建，获得待训练缺陷识别模型；
27、模型训练模块，用于使用所述时间-频率-幅度分布图，对所述待训练缺陷识别模型进行优化训练，获得缺陷识别模型；
28、缺陷识别模块，用于输入在线数据，通过所述缺陷识别模型进行缺陷识别，获得缺陷识别结果。
29、可选地，所述训练数据获取模块，进一步用于：
30、将所述历史数据进行时空转换处理，获得第一处理数据；
31、将所述第一处理数据进行三次样条差值，获得第二处理数据；
32、将所述第二处理数据进行零点调节，获得训练数据。
33、可选地，所述分布图获取模块，进一步用于：
34、分析所述训练数据特性，将汉宁窗设定为窗函数；
35、基于窗函数，对所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图。
36、其中，所述待训练缺陷识别模型使用双曲正切激活函数，作为前向传播方式的激活函数；
37、所述待训练缺陷识别模型使用交叉熵损失函数，作为后向传播方式的损失函数。
38、可选地，所述缺陷识别模块，进一步用于：
39、将所述在线数据进行数据处理，获得处理后在线数据；
40、将所述处理后在线数据进行特征提取，获得在线数据特征；
41、对所述在线数据特征进行降维，获得降维数据特征；
42、根据所述降维数据特征进行一维展开，获得缺陷识别结果。
43、其中，所述缺陷识别结果包括无缺陷、轧机控制缺陷、轧机设备缺陷和板带基材缺陷。
44、另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种数据驱动的冷轧板带厚度缺陷模式识别方法。
45、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种数据驱动的冷轧板带厚度缺陷模式识别方法。
46、本专利技术实施例提供的技术方案带来的有益效果至少包括：
47、本专利技术提出一种数据驱动的冷轧板带厚度缺陷模式识别方法，基于冷连轧产线记录的历史厚度数据，经过时空转换预处理数据，使用短时傅里叶变换方法捕捉冷轧板带厚度数据的动态特征，并将所捕捉到的动态特征作为输入，通过卷积神经网络模型进行厚度缺陷模式识别。本专利技术是一种能够充分反映多维度特征的板带厚度缺陷模式识别方法。
本文档来自技高网...【技术保护点】
1.一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述对所述历史数据进行预处理，获得训练数据，包括：
3.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述将所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图，包括：
4.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述待训练缺陷识别模型使用双曲正切激活函数，作为前向传播方式的激活函数；
5.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述输入在线数据，通过所述缺陷识别模型进行缺陷识别，获得缺陷识别结果，包括：
6.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述缺陷识别结果包括无缺陷、轧机控制缺陷、轧机设备缺陷和板带基材缺陷。
7.一种数据驱动的冷轧板带厚度缺陷模式识别装置，其特征在于，所述装置包括：
8.根据
9.根据权利要求7所述的一种数据驱动的冷轧板带厚度缺陷模式识别装置，其特征在于，所述分布图获取模块，进一步用于：
10.根据权利要求7所述的一种数据驱动的冷轧板带厚度缺陷模式识别装置，其特征在于，所述缺陷识别模块，进一步用于：
...【技术特征摘要】
1.一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述对所述历史数据进行预处理，获得训练数据，包括：
3.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述将所述训练数据进行短时傅里叶变换，获得时间-频率-幅度分布图，包括：
4.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述待训练缺陷识别模型使用双曲正切激活函数，作为前向传播方式的激活函数；
5.根据权利要求1所述的一种数据驱动的冷轧板带厚度缺陷模式识别方法，其特征在于，所述输入在线数据，通过所述缺陷识...
【专利技术属性】
技术研发人员：孙文权，雍晟一，杨庭松，袁铁衡，何安瑞，高紫明，
申请(专利权)人：北京科技大学，
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。