[发明专利]一种热轧卷取温度的区间预测方法

说明书

本发明提供一种热轧卷取温度的区间预测方法，包括以下步骤：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；对数据进行预处理；对人工神经网络进行设置；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；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，可同时进行点预测与区间预测；根据所提出的评价指标NCWC进行区间预测性能分析。本发明在卷取温度预测领域，相比于采用传统数学模型进行点预测，所述发明实现了热轧卷取温度的区间预测。并通过改变人工神经网络结构，对比单层ANN、双层ANN与三层ANN，发现采用三层人工神经网络进行预测能够显著提高模型预测精度。

技术领域

本发明涉及温度区间预测的技术领域，具体而言，尤其涉及一种热轧卷取温度的区间预测方法。

背景技术

控制卷取温度是生产热轧带钢的重要步骤，对其进行预测有利于改善带钢的性能。影响卷取温度的因素多且复杂，很难用传统数学模型对卷曲温度进行预测。目前，对于卷取温度的预测大多是点预测。学者通常对卷取温度采用BP神经网络进行点预测，另外有学者采用小波神经网络对带钢卷取温度进行点预测取得了不错效果。点预测为一个目标值提供一个预测点，只能提供预测误差，没有说明正确预测的概率。并且由于点预测不能处理偶然性数据，降低了预测准确度。本专利对卷曲温度进行区间预测，一方面可以获得更大的预测信息量，另一方面增强了预测的有效性。

Delta、Bayesian和Bootstrap是三种常用于构建基于神经网络的区间预测传统方法。Delta方法主要应用了神经网络的非线性回归技术，首先通过最小化平方误差和而获得的一组线性神经网络的参数。然后，将标准渐近理论应用于构造区间预测的线性化模型。假设噪声是均匀正态分布的以此来构建预测区间。由于噪声在大多真实的案例研究中并不均匀，构建的区间并不准确。Bayesian方法是另一种基于神经网络的预测区间构造方法。使用贝叶斯技术训练神经网络允许误差条被分配给网络的预测值。尽管有较强的理论支持，但该方法计算负担比较大，需要计算成本函数的Hessian矩阵来构建概率神经网络。Bootstrap方法也是利用神经网络进行区间预测的方法之一，不需要复杂的导数计算，但其主要缺点是需要对大量数据进行计算，计算代价较大。由此可见，以上传统的区间预测方法实施较为困难，其缺点阻碍了传统区间预测方法的广泛应用。A.Khosravi提出一种新的区间预测方法，称之为上下界区间估计法。此方法没有对数据分布做任何假设，并且避免了诸如Jacobian矩阵和Hessian矩阵的计算。

发明内容

根据上述提出的技术问题，而提供一种热轧卷取温度的区间预测方法。本发明主要利用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，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；

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，可同时进行点预测与区间预测；

步骤6：根据所提出的评价指标NCWC进行区间预测性能分析。