[发明专利]一种基于D_S证据理论信息重构的热连轧板厚预测方法

说明书

技术领域

本发明涉及一种基于D_S信息重构的热连轧板厚预测方法，主要应用于热连轧板厚预测和控制技术领域。

背景技术

带钢厚度预测行为因为其复杂，波动，并且非线性的本质已经成为一个具有挑战性的任务。目前预测方法主要分为两大类：

(1)根据基本原理预测：识别影响厚度的主要因素，决定每个因素对厚度波动会产生怎样的影响，最后建立因果模型，如回归模型。这种方法需要考虑大量因素，建立和理解因素之间的关系比较困难；

(2)选用时间序列模型，未来厚度行为可以从自身的历史数据推理得到。这些模型大多使用在当数据表现为某种系统模式，如自相关。

实际的热连轧板厚输出变量是非常复杂的，由于受到轧制力，轧制速度，电机功率，温度，辊缝，辊缝偏差等参数的影响，建立板厚变量的机理模型是非常困难的。因此，本发明利用历史数据构建时间序列预测模型实现热连轧板厚预测。高精确和稳定的板厚预测是研究追求的最终目标，为了改善单一预测模型的预测精度，大量学者采用信息融合的方法，如Zhi Xiao等人采用D_S证据理论提高了预测精度，然而D_S证据理论在应用中存在大量问题，如基本概率分配函数(BPA)的确定问题，BPA函数的选择直接影响着预测的精度。

发明内容

为了解决上述存在的技术问题，本发明提供一种基于D_S信息重构的热连轧板厚预测方法，具体是做法是：将其作为单一预测模型实现板厚的初步预测，并从信息重构的思想出发,利用D_S证据理论重构初始预测结果以获得更高的预测精度。针对在D_S证据理论中存在的BPA函数确定问题，本发明基于灰色关联度思想提出了贡献率函数的概念并将其作为BPA函数，从而实现了BPA函数的客观选取，并且实验结果表明，这种信息重构预测模型能够有效地改善热连轧板厚预测精度。

本发明的目的是通过下述技术方案实现的：

一种基于D_S证据理论信息重构的热连轧板厚预测方法,其特征在于步骤如下：

(1)信号采样：对运行状态的热连轧机组进行监听，并获得计算机可处理的数字信号；

(2)数据分析：采用数据分析软件对采样信号进行分析，确定实验数据及针对板厚的敏感参数；

(3)进行初步板厚预测：选择敏感参数分别应用最小二乘多项式曲线拟合方法获得多个初步预测结果；

具体为：在轧制生产过程中采集的数据包括每个机架的轧制力，速度，电机功率，温度，辊缝，辊缝偏差,对采集的各项参数数据进行灵敏度分析：将采集到的参数序列分别与板厚序列作对比分析，选择出与板厚关联度最大的三个参数序列，记为X₁，X₂和X₃；再将X₁，X₂和X₃分别代入公式(1)，运用最小二乘原理获得公式(1)中多项式的最佳系数，即以公式(2)结果最小为原则获得公式(1)中多项式系数，从而获得分别由三个参数序列拟合得到的三个板厚的初步预测结果y_i，它是由p(x_i)构成的时间序列；

其中x是X_i时间序列的数据点；

其中，z_i为板厚的实际值；e_i指第i个板厚数据拟合值与实际值的偏差；

(4)根据公式(3)计算三个敏感参数对板厚的贡献率

其中，C_j是第j个敏感参数对板厚的贡献率，r_j是由灰色关联度计算得到的第j个敏感参数对板厚的关联度，R＝r₁+r₂+r₃；

(5)将贡献率函数作为D_S证据理论中的基本概率分配(BPA)函数，获得三个单一预测模型权重：

对于A≠Φ，n规则合成的最大函数如公式(5)所示：

其中，

基于灰色关联度，根据公式(1)计算得到三个敏感参数对板厚预测的贡献率，并将其作为D_S证据理论中的基本概率分配函数，即函数m_i(A)由函数C_j替换，其中，公式(5)作为D_S融合规则进行信息重构，获得三个单一板厚预测模型权重ω_j，j＝1,2,3；

(6)根据步骤(5)获得的信息重构权重，按照公式(7)计算得到板厚的最后预测结果：