[发明专利]一种基于深度学习的超快冷温度控制方法

说明书

本发明涉及轧钢技术领域，公开了一种基于深度学习的超快冷温度控制方法，可提高温度控制精度与系统稳定性。本方法综合收集众多实际冷却信息，经过主成分分析法选出最主要的9个影响因素，以这9个参数为输入层单元，冷却时间为主要输出层单元，构建深度神经网络框架。深度学习通过深层次挖掘其间联系特征，准确预报待冷却钢板的冷却时间，最终实现温度模型的精确控制。本发明对现场冷却工艺数据充分挖掘，保证首块冷却命中率。模型充分考虑各冷却影响因素，使得轧后控冷模型的准确性和鲁棒性更强，能够有效的减少系统上线调试时间，降低学习成本，缩短产品研发周期。上线实测后，在控冷指标为±20℃条件下命中率可达96.3％，比传统模型命中率提高约4％。

技术领域

本发明涉及轧钢技术领域，尤其涉及一种基于深度学习的可提高超快冷温度模型精度的控制方法。

背景技术

随着控制轧制和控制冷却工艺的广泛应用与不断创新，高性能产品的稳定生产成为了所有企业的发展目标。在这一工艺中，最重要的环节是冷却控制过程模型的建立，这决定了最终温度控制的稳定与否。中厚板轧后冷却过程中钢板的温度变化及冷后钢板的温度分布决定了产品的最终性能，因此冷却控制过程模型的精确程度，是高效稳定生产出高性能产品的关键所在。

如今，随着自动化水平的提高，越来越多的钢企已经开始采用有自学习功能的轧后冷却系统。但是，在工况条件复杂的大生产中，对温控模型影响因素多且复杂，且高度非线性，这导致了现有的轧后冷却系统的不稳定性，容易导致冷却过程中的钢板的温度无法准确命中。这种情况很大程度上影响最终产品的组织性能，降低生产效率，甚至拖延交货期，对企业带来较大的经济损失。

在人工智能高速发展的当代，将人工智能、深度学习应用于钢铁行业生产也是一个必然的趋势，并且钢企也迫切需要一种自动化程度高的轧后冷却系统来保证稳定、高效的大规模生产，其核心就在于温度模型的控制。

发明内容

本发明的目的是针对于现有技术存在的问题，提供一种可提高超快冷温度模型精度与稳定性的控制方法。该方法将原控冷模型系统中的温度场计算部分由深度神经网络所代替，直接预报出待冷却钢板的冷却时间。

具体技术方案为：

一种基于深度学习的轧后冷却温度控制方法，包括如下步骤：

(1)根据现场或实验室试验条件影响温度控制的因素，初步采集20个以上影响因子；包括板材宽度、板材厚度、板材长度、各化学成分含量、冷却水温、气温、终轧温度、目标终冷温度、集管流量、温降、冷速、辊速等。由于各个影响因子的影响权重各不相同，采用主成分分析法对数据进行预处理，根据权重大小，优选出前9个权重较大的影响因子作为输入层单元；输出层单元根据工艺需求设为钢板冷却时间，由此求出冷却规程；

(2)建立深度神经网络框架，遵循精确度、训练时间相对最优的条件，确定网络结构为隐含层3-10层，每层隐含层含有50-300个隐层单元，每层之间所用激活函数为Relu激活函数；经过试验对比，最终网络结构用到的优化算法为 Adam算法、学习率衰减；为了防止过拟合，采用L2正则化与Dropout正则化并用，同时对各个超参数进行调优；深度神经网络学习模型建立后，基于现场大数据进行训练，达到可准确预测冷却时间，满足投入生产的条件；

(3)通过学习历史的生产数据，深度神经网络学习模型学会了各个影响因子与冷却时间之间的关系特征；当一块新钢板待冷却时，通过其PDI数据以及现场其他影响因素值可直接预报出冷却时间t₀；

(4)预计算得出冷却时间t₀后，再由模型计算出其冷却规程。

(5)该钢板冷却后，以偏差±20℃为标准，对其冷却结果进行分析，对未命中的情况，通过修正增强算法算出其正确的冷却时间，并替换错误训练集进行重新训练。对成功命中的情况进行数据积累，并定期对其进行训练，实现训练集定时扩充的功能。