[发明专利]基于神经网络的不锈钢酸洗工艺参数控制方法

权利要求书

1.一种基于神经网络的不锈钢酸洗工艺参数控制方法，其特征在于，包括以下步骤：

建立酸浓度预测模型，所述酸浓度预测模型包括多层感知器、卷积神经网络两个分支以及连接两个分支的全连接层，其中：

所述多层感知器接收实测酸洗数据、钢带在前序工序的历史数据及钢卷信息数据，对其进行处理后，组成第一特征向量；

所述卷积神经网络接收酸洗后的带钢图像信息，对其进行处理后，组成第二特征向量；

所述全连接层对所述第一特征向量和第二特征向量进行特征联合并回归，预测酸洗工艺参数。

2.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述实测酸洗数据由生产线PLC发送；

当带钢头部进入酸洗区域后，所述多层感知器接收数据；

当该带钢头部进入表检仪后，所述卷积神经网络接收图像信息，当带钢头部进入酸洗区域但尚未到达表检仪前，系统使用对应规格带钢的历史积累特征向量作为第二特征向量；

系统预测酸洗工艺参数后，下发给酸控制PLC。

3.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述酸浓度预测模型通过以下方法创建：

定义多层感知器的输入层节点，其输入层节点包括所述的实测酸洗数据、钢带在前序工序的历史数据及钢卷信息数据；定义2个全连接隐层，第一个隐层有10个结点，第二个隐层有6个结点，均使用relu作为激活函数，其输出层结点数为6个；

定义卷积神经网络，其输入层为三通道彩色图像，首先定义第一阶段全连接卷积层，对图像画面像素点矩阵数据进行卷积计算，使用relu作为激活函数；然后定义池化层及一个全连接层共同构成对表面质量图像中等级特征的提取，定义卷积神经网络输出层结点为6个；

多层感知器与卷积神经网络在连接之前彼此独立运行，完成多层感知器和卷积神经网络的定义后，创建全连接层对多层感知器和卷积神经网络进行特征联合，并在全连接层进行回归，输出预测的酸洗工艺参数。

4.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述钢卷信息数据由物料跟踪程序发送，包括带钢类别、带钢宽度、带钢厚度、钢卷在热连轧的卷取温度和/或工艺段速度，所述前序工序的历史数据包括退火炉出口板温、破鳞机张力、破鳞机压下量1、破鳞机压下量2、破鳞机压下量3、抛丸机张力和/或抛丸机转速；所述实测酸洗数据包括硫酸罐液位、混酸罐液位、硫酸换热器温度、混酸罐换热器温度和/或酸液取样化验数据。

5.如权利要求3所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述三通道彩色图像的尺寸为299*299*3,单位为像素，分别表示输入图像的宽度、高度和深度。

6.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，预测得到的酸洗工艺参数包括硫酸罐酸液浓度、温度、金属离子浓度以及混酸罐酸液浓度、温度、金属离子浓度。

7.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述酸浓度预测模型的训练及测试方法包括以下步骤：

通过收集退火酸洗项目50卷生产工艺参数、酸洗后表面质量图像数据及酸液取样化验数据作为数据集，其中酸液取样化验数据为目标数据，按照4：1比例将数据集分为训练集及测试集，对所述酸浓度预测模型进行训练及测试。

8.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述多层感知器在处理数据时，将参数信息处理为标准化的均值、标准差，所述卷积神经网络中，图像信息根据质检人员判定等级并进行标记，共分为6级。

9.如权利要求1所述的不锈钢酸洗工艺参数控制方法，其特征在于，所述多层感知器将类别数据、数值数据缩放到[0,1]范围，然后将其组成第一特征向量；

所述卷积神经网络将图像信息缩放到范围[0,1]，然后将其组成第二特征向量。

10.如权利要求7所述的不锈钢酸洗工艺参数控制方法，其特征在于，在酸浓度预测模型训练过程中，使用平均绝对百分比误差损失对模型进行评估，同时使用Adam优化器对学习率的衰减优化模型。