[发明专利]基于改进神经网络的多牌号C-Mn钢力学性能预测方法

说明书

本发明提供一种基于改进神经网络的多牌号C‑Mn钢力学性能预测方法，首先采集多牌号C‑Mn钢在热连轧生产过程中的生产数据并进行数据处理，然后采用前向选择的相关性分析方法生成各力学性能的样本集，采用PSO算法对BRNN网络模型训练过程中的参数进行优化，通过选取多个牌号的C‑Mn钢生产数据，使数据样本中包含了更加全面的生产工艺信息，解决了单钢种生产工艺的数据无法包括全面的工艺信息的问题；通过采用数据处理和相关性分析方法，使数据更加稳定且更具规律性，并可以有效简化预测模型的结构；通过引入PSO算法对BRNN模型进行改进，解决了其存在的容易陷入局部最小值的问题，经过改进的神经网络具有良好的泛化能力，能够更客观地符合物理冶金学规律。

技术领域

本发明属于钢铁工业生产和数据统计建模的交叉技术领域，特别涉及一种基于改进神经网络的多牌号C-Mn钢力学性能预测方法。

背景技术

近年来，随着计算机技术的快速发展以及分布式控制系统在钢铁行业中的广泛应用，钢铁生产过程中产生的大量数据被采集并存储下来，这些数据综合反映了钢铁生产过程中各环节之间的内在联系，具有巨大的应用价值。但如何从这些大量的数据中挖掘出有用的信息以实现产品性能的精准预测以及稳定性控制，一直没有很好的解决。人工智能技术的兴起为工业数据挖掘提供了新的思路，利用人工智能技术实现热轧产品力学性能预测以及控制已经成为当前研究的热点。

其中，采用人工神经网络(Artificial Neural Networks,ANN)建立热轧带钢力学性能预测模型是当前常用的一种方法。但目前，现有技术中钢铁生产数据建模主要是采用单钢种进行建模，由于单钢种生产工艺的单一性，导致数据分布集中于轧钢工艺的设定目标值。这样选取的数据无法包括全面的工艺信息，导致模型适用性差；而且由于实际工业数据不可避免的存在数据冗余、异常值以及分布不均衡的问题，如果基于未经处理的数据建立预测模型，所建模型的预测精度难以达到理想状态；此外，钢铁生产数据建模多基于贝叶斯正则化方法的神经网络(Byesian Regularization Neural Networks,BRNN)，BRNN模型在训练时采用Levenberg-Marguardt算法进行权值、阈值的更新优化，其在进行参数寻优时容易陷入局部最小点，导致算法最终寻找的参数往往不是最优参数，故模型的精度有待提高。

发明内容

针对现有技术的不足，本发明提出一种基于改进神经网络的多牌号C-Mn钢力学性能预测方法，该方法采集多牌号C-Mn钢在热连轧生产过程中的生产数据并进行数据处理，利用前向选择法选取出与力学性能相关性较高的参数构成数据集，并且引入粒子群算法(Partical Swarm Optimization,PSO)对BRNN模型进行改进，最终基于改进的神经网络建立了多牌号C-Mn钢的力学性能预测模型，达到热轧带钢力学性能高精度预测的目的。

一种基于改进神经网络的多牌号C-Mn钢力学性能预测方法，包括：

步骤1：采集多个牌号的C-Mn钢在热连轧生产过程中的生产数据；

步骤2：对采集到的生产数据进行数据处理；

步骤3：对于处理后的数据采用前向选择的相关性分析方法，筛选出与各力学性能相关性较高的前N个特征参数，将前N个特征参数对应的数据作为相应力学性能的样本集，所述力学性能包括屈服强度YS、抗拉强度TS和伸长率EL；

步骤4：将各力学性能的样本集划分为训练集和测试集，利用训练集对BRNN网络进行训练，训练过程中采用PSO算法对BRNN网络模型的权值和阈值进行优化，利用测试集对模型进行测试，得到每个力学性能对应的参数最优BRNN网络模型；

步骤5：利用参数最优BRNN网络模型对C-Mn钢的力学性能进行预测。

所述步骤2中数据处理包括：填充空缺值、层次聚类、异常值剔除、数据归一化处理以及数据均衡化处理。

所述步骤4包括：