[发明专利]一种基于深度学习的冷轧带钢板形预测方法

说明书

本发明涉及带钢板形控制领域，特别涉及到一种基于深度学习的冷轧带钢板形预测方法。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；训练出板形预测模型，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。

技术领域

本发明涉及带钢板形控制领域，特别涉及到一种基于深度学习的冷轧带钢板形预测方法。

背景技术

加工技术的发展对金属板带产品的质量标准要求越来越高，板形研究一直是带钢生产技术的前沿和热点，工业上，通常为了更加直观的衡量出板形，用带钢的翘曲程度来表示板形，假设带钢的翘曲波形按正弦波变化，波长为L，波幅为R，则翘曲程度在带钢的轧制变形过程中，板形的设定和计算是与轧制力、弯辊力等紧密联系的，在以往的工业生产中，人们研究出口板形的因素并利用已有的数据建立模型，以此来控制出口板形。建模方法一般使用公式来拟合板形，但在实际拟合过程中精度效果较差，并且不能实时反映板形的情况，只能起到后验控制的效果。近年来，研究者针对板形的预测使用了搭建神经网络模型的方法，利用以往积累的数据对神经网络进行训练出预测板形的模型，例如，中国发明专利(CN108637020A)“一种自适应变异PSO-BP神经网络带钢凸度预测方法”，利用PSO-BP网络来预测带钢板形，可以较为精准且可实时预测输出板形。然而，针对于这种利用神经网络建模训练来预测板形的方法，普遍存在着收敛速度、训练时间慢以及预测精度低的缺陷。

发明内容

本发明的目的在于，提出一种预测精度高且可实时预测当前以及后续多个时刻板形的板形预测方法。

为了实现上述目的，本发明所采用的技术方案为：

一种基于深度学习的冷轧带钢板形预测方法，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，则最优网络为板形预测模型，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。

其中，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。