[发明专利]基于深层循环神经网络的冷连轧轧制板形动态预测方法

权利要求书

1.一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，包括以下步骤：

步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络，板形预报网络的隐藏层为时间序列层，时间序列层数与冷轧机组机架数n一致；

所述板形预报网络输入层有N个神经元，用于接收冷轧机轧制参数和板形控制参数的输入；所述板形预报网络的输出层有Q个神经元，与板形辊检测单元的个数一致；所述的板形预报网络的隐藏层有2层，第1隐藏层和第2隐藏层的神经元个数分别为P个和Q个，输入层与第1隐藏层神经元进行全连接，第1隐藏层与第2隐藏层神经元也进行全连接，第2隐藏层神经元与输出层神经元直接连接，两个隐藏层均是时间序列层，时间序列层数与冷轧机组机架数n一致；

步骤2：网络训练数据准备；

步骤2.1：创建样本数据：

根据历史轧制时序数据，获得不同规格材料的机架轧制参数数据、板形控制参数数据和板形实测数据，并采用影响函数法获得各种规格的材料在相应轧制参数和板形控制参数下，各机架出口板形计算值，对这些数据归集形成网络训练样本数据；

步骤2.2：将样本数据划分为训练集数据、测试集数据和验证集数据三类；

步骤2.3：对所述样本数据进行标准化处理；

步骤3：对所述的板形预报网络进行预训练；

对所述的板形预报网络进行预训练，训练采用训练集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；

所述步骤3的预训练过程中，误差函数采用如下公式：

其中Y_t表示第t个时间序列或者说第t个冷轧机组机架的板形期望值，F_t为该时间序列的板形预测值；

步骤4：对所述的板形预报网络进行二次训练；

对所述的板形预报网络进行二次训练，训练采用测试集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；

所述步骤4的二次训练、步骤6.2的在线学习过程中，误差函数采用如下公式：或

步骤5：采用验证集数据对所述的板形预报网络进行验证，当整体板形误差满足给定要求后结束验证，完成训练，进入步骤6；否则对网络参数进行调整，返回到步骤3重新进行预训练；

步骤6：将完成训练的板形预报网络用于冷轧生产过程中，各机架轧制板形的动态预测；

步骤6.1：在冷轧实际生产前，将冷轧模型设定的轧制参数数据和板形控制参数初始值进行标准化处理，然后输入到完成验证的板形预报网络，对即将开轧的轧件在经过冷轧机组各机架轧制后的板形进行静态预报；

步骤6.2：在冷轧生产开始阶段，根据板形静态预报值和低速轧制下的板形实测值的偏差，采用随时间反向传播算法对所述板形预报网络的权值和阈值进行在线学习；

步骤6.3：随着冷轧生产的进行，每隔一定的时间，对该时间内各机架的实际轧制参数和板形控制参数的平均值进行标准化处理，然后输入到所述的板形预报网络对冷轧机组各机架轧制板形进行动态预测，直到轧制结束；

在冷轧生产完成后，比较冷轧过程高速轧制时的实测板形和所述板形预报网络的预测板形，如果偏差过大，对所述的板形预报网络参数进行调优，更新板形预报网络，返回到步骤6，在下一块轧件进行轧制时，采用新的板形预报网络进行冷轧机组各机架轧制板形的静态预报和动态预测。

2.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述步骤1中板形预报网络两个隐藏层的神经元均采用Tanh激活函数。

3.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述的标准化处理均采用z-Score归一化方法。

4.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述步骤3、4、5中，板形误差满足给定要求是指板形误差满足收敛条件，收敛条件具体为：平均绝对误差指标值小于规定数值，或者两次迭代获得的平均绝对误差指标值不再下降。