[发明专利]一种基于深度学习的冷轧带钢板形预测方法

权利要求书

1.一种基于深度学习的冷轧带钢板形预测方法，其特征在于：具体包括以下步骤：

S1：通过分析轧钢生产设备生产过程中积累的数据，确定影响板形的因素；将确定出的影响板形的因素作为神经网络输入层的输入特征，机架出口板形值作为神经网络输出层的输出结果；从生产过程积累的数据中提取出输入特征和输出结果数据作为数据集并将数据集进行划分以分别建立神经网络的训练样本和测试样本；

S2：训练出板形预测模型，具体步骤如下：

S21：确定神经网络模型结构：神经网络采用DNN深度神经网络，采用全连接结构，包括输入层、5层隐藏层和输出层；

设计神经网络的激活函数，以使神经网络被搭建为自归一化的神经网络；所述神经网络的激活函数公式为：

其中，λ为一固定参数；S22：使用训练样本对神经网络进行训练，使用Adam算法对神经网络进行优化，选择均方误差作为损失函数，训练出损失函数符合预期的最优模型；

S23：使用测试样本对训练出的最优模型进行评估，若测试样本的损失函数符合预期，则最优模型为板形预测模型，反之，则重复步骤S22直至测试样本的损失函数值符合预期；

S3：调整轧钢生产设备的输入特征，将输入特征参数输入到板形预测模型中，预测输出的板形值，并以此为依据来调整轧钢生产设备的参数。

2.如权利要求1所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S1中确定影响板形因素的方法具体为：选择冷轧过程中的多个调控参数作为输入参数，对应的出口板形值作为输出，通过建立lasso模型得到多个输入参数与输出的相关关系，将上述相关关系数值大于0.6的输入参数确定为影响板形的因素。

3.如权利要求2所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S1中的轧钢生产设备为具有多个机架的冷轧机，所述确定出的影响板形的因素包括：机架中间辊弯辊力，机架轧制力，机架传出张力，机架传入张力，机架卷曲张力，机架中间辊横移量，入口处多个传感器测得的入口板形以及生产时间。

4.如权利要求1所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S1中还包括输入数据预处理，将数据集中的输入特征进行尺度标准化，使输入特征的数据均值为0，方差为1。

5.如权利要求4所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S1中的数据预处理还包括：将生产时间靠前的50000条数据剔除。

6.如权利要求1所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S2中，神经网络激活函数中，λ取值为2.9046。

7.如权利要求6所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S22中神经网络的参数设置为：学习率＝0.05，每次传入模型的数据批大小为128，迭代次数为1000次。

8.如权利要求1所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S3后还包括步骤S4：模型线下再训练及模型更新，根据新生产环境下获得的数据，输入步骤S21中的神经网络模型中进行训练，并更新参数，获得更新的板形预测模型。

9.如权利要求2所述的一种基于深度学习的冷轧带钢板形预测方法，其特征在于：所述步骤S1中的轧钢生产设备为具有5个机架的冷轧机，所述确定出的影响板形的因素包括：第一至第五机架中间辊弯辊力，第一至第五机架轧制力，第一至第五机架传出张力，第一至第五机架传入张力，机架卷曲张力，第一至第五机架中间辊横移量，入口处多个传感器测得的入口板形以及时间点，每间隔0.08秒选取一个时间点。