[发明专利]一种热轧卷取温度的区间预测方法

权利要求书

1.一种热轧卷取温度的区间预测方法，其特征在于，包括以下步骤：

步骤1：根据轧件原始数据以及精轧出口的实测样本数据可知输入数据和输出数据；其中所述输入数据包括：终轧温度、带钢速度即F6速度、带钢平均厚度以及目标卷取温度；所述输出数据包括：实测卷取温度与目标卷取温度的相对偏差；

步骤2：数据预处理；将所述输入数据和输出数据按一定比例分为训练集、验证集和测试集；并将所有数据进行归一化处理；

步骤3：对人工神经网络进行设置；设置所述人工神经网络的隐藏层层数以及所述隐藏层每一层节点个数；通过sigmoid函数作为激活函数，将学习率设置为1，数据的扫描次数设置为40，平均梯度步长设置为10以进行神经网络训练；

步骤4：通过鲸鱼优化算法优化所述人工神经网络，进而通过最小化代价函数进行寻优，获取人工神经网络最优的权重和偏置量；

首先随机初始化神经网络的权重和偏置，并通过鲸鱼优化算法训练神经网络；具体包括以下步骤：

步骤4.1：初始化算法；初始化时，包括座头鲸数量Xi，当前的迭代次数为t，t＝0，最大迭代次数T并对猎物的位置进行随机初始化；

步骤4.2：确定最优搜索代理；目标猎物即搜索空间的最优位置，设置最佳的搜索代理，其他搜索代理将以所述最佳搜索代理的位置更新自身位置；其中：计算每一个搜索代理的适应度函数，表示最佳的搜索代理，所述最佳的搜索代理的适应度最小；

步骤4.3：搜索代理位置更新；当当前迭代次数小于最大迭代次数时，对于每一个搜索代理，进行参数的更新：l，p，

其中，在迭代过程中从2到0线性递减，为0到1的随机数，l为介于[-1,1]之间的随机数，P为[0,1]之间的随机数和是两个向量系数；当p0.5，时按照下式更新当前搜索代理的位置公式：

其中，t表示当前迭代次数，表示当前最优的位置向量；向量系数的计算如下：

当p0.5，时随机选择一个搜索代理即随机位置向量，按照下式更新当前搜索代理的位置公式：

当p0.5时按照下式更新当前搜索代理的位置公式：

其中，b表示定义对数螺线形状的常数；

步骤4.4：更新搜索代理；判断是否有任何搜索代理超出了搜索空间并对其进行修正，计算每个搜索代理的适合度函数，用适应度值最小的搜索代理替换

步骤4.5：返回人工神经网络的权重和偏置值；当前迭代次数加1，返回步骤4.3直到当前迭代次数等于最大迭代次数；返回最优位置向量也就是人工神经网络的权重与偏置；

所述步骤4.2中适应度函数为包括：覆盖概率和覆盖宽度的综合评价指标；具体地包括以下步骤：

步骤4.2.1：计算区间预测覆盖概率；PICP表示目标值被上限和下限覆盖的概率，定义如下：

其中，N表示样本总数，∈_i表示布尔变量，表示预测区间的覆盖率；如果目标值yi的数值大于等于下限Li且小于等于上限Ui时，则∈_i＝1；如果目标值yi的数值小于下限Li或大于上限Ui时，则∈_i＝0；用数学公式表示为：

步骤4.2.2：计算区间预测平均宽度；区间预测宽度的定量测量被定义为预测区间归一化平均宽度PINAW，用数学公式表示如下：

其中，R表示目标函数值的最大值与最小值之差；

步骤4.2.3：计算区间预测均方误差；引入区间预测均方误差PIMSE，通过最小化PIMSE指数，获取更接近真实置信区间的对称区间；用数学公式表示如下：

步骤4.2.4：重新定义基于覆盖率和宽度的标准；通过基于覆盖率和宽度的标准NCWC作为最终区间预测的评价指标；

NCWC＝PINAW+γPICPe^-ηPICP-μ+PIMSE；

其中，对于训练集来说，γ(PICP)＝1；μ和η表示两个控制参数；名义置信水平[(1-α)％]为选择μ的参考，其中μ为95％；μ表示预先指定必须满足的区间预测覆盖率；η表示超参数，η放大PICP和μ之间的差异；

如果预先指定的PICP小于μ，当PICP达到95％时，它就是PINAW和PICP之间的平衡；

因此，对于测试样本来说，γ(PICP)是阶跃函数，γ(PICP)由PICP的满意度确定：

即对于评价区间预测的结果来说，如果PICP不小于指定的μ，γ(PICP)＝0，同样PICP的测量值也为0；否则，γ(PICP)＝1，相应的处罚通过NCWC计算得出；

步骤5：根据所述输入得到实测卷取温度与目标卷取温度的相对偏差的预测上限和预测下限，同时进行点预测与区间预测；

步骤6：根据提出的评价指标NCWC进行区间预测性能分析。

2.根据权利要求1所述的一种热轧卷取温度的区间预测方法，其特征在于：所述步骤3分别采用单层人工神经网络、双层人工神经网络和三层人工神经网络进行区间预测；其中，所述单层人工神经网络的隐藏层节点个数为15；所述双层人工神经网络隐藏层的节点个数分别为16和18；所述三层人工神经网络的隐藏层节点个数分别是18、10和20。