[发明专利]一种基于D_S证据理论信息重构的热连轧板厚预测方法

摘要

一种基于D_S证据理论信息重构的热连轧板厚预测方法,主要通过三个步骤来实现板厚的预测。首先，采用数据分析软件分析热连轧的运行周期，并找到针对板厚的三个敏感参数，分别将每个参数应用最小二乘多项式曲线拟合方法获得各个敏感参数下的三个初步板厚预测结果。然后，应用D_S证据理论重构不同参数下的预测结果，获得板厚的分布情况。在D_S证据理论中基本概率分配(BPA)函数具有重要的作用，本发明基于灰色关联度提出贡献率函数，并将其作为BPA函数，从而实现了BPA函数的客观选取。最后，从训练得到的分布情况，获得板厚的未来趋势。

主权项

一种基于D_S证据理论信息重构的热连轧板厚预测方法,其特征在于，步骤如下：(1)信号采样：对运行状态的热连轧机组进行监听，并获得计算机可处理的数字信号；(2)数据分析：采用数据分析软件对采样信号进行分析，确定实验数据及针对板厚的敏感参数；(3)进行初步板厚预测：选择敏感参数分别应用最小二乘多项式曲线拟合方法获得多个初步预测结果；具体为：在轧制生产过程中采集的数据包括每个机架的轧制力，速度，电机功率，温度，辊缝，辊缝偏差,对采集的各项参数数据进行灵敏度分析：将采集到的参数序列分别与板厚序列作对比分析，选择出与板厚关联度最大的三个参数序列，记为X1，X2和X3；再将X1，X2和X3分别代入公式(1)，运用最小二乘原理获得公式(1)中多项式的最佳系数，即以公式(2)结果最小为原则获得公式(1)中多项式系数，从而获得分别由三个参数序列拟合得到的三个板厚的初步预测结果yi，它是由p(xi)构成的时间序列；p(x)=a0+a1x1+a2x2+...+amxm=Σk=0makxk---(1)]]>其中x是Xi时间序列的数据点；Σi=1N(ei)2=Σi=1N[p(xi)-zi]2=min---(2)]]>其中，zi为板厚的实际值，ei指第i个板厚数据拟合值与实际值的偏差；(4)根据公式(3)计算三个敏感参数对板厚的贡献率Cj=rjR,j=1,2,3---(3)]]>其中，Cj是第j个敏感参数对板厚的贡献率，rj是由灰色关联度计算得到的第j个敏感参数对板厚的关联度，R＝r1+r2+r3；(5)将贡献率函数作为D_S证据理论中的基本概率分配(BPA)函数，获得三个单一预测模型权重：m1⊕m2(A)=0A=ΦΣAd∩Bfm1(Ad)m2(Bf)1-ΣAd∩Bf=Φm1(Ad)m2(Bf)A≠Φ---(4)]]>对于A≠Φ，n规则合成的最大函数如公式(5)所示：m(A)=(m1⊕m2⊕...⊕mD)(A)=1KΣA1∩A2∩...∩AD=Adm1(A1)·m2(A2)...mn(AD)---(5)]]>其中，K=ΣA1∩...∩AD≠Φm1(A1)·m2(A2)...mn(AD)=1-ΣA1∩...∩AD=Φm1(A1)·m2(A2)...mn(AD)---(6)]]>基于灰色关联度，根据公式(1)计算得到三个敏感参数对板厚预测的贡献率，并将其作为D_S证据理论中的基本概率分配函数，即函数mi(A)由函数Cj替换，其中，公式(5)作为D_S融合规则进行信息重构，获得三个单一板厚预测模型权重ωj，j＝1,2,3；(6)根据步骤(5)获得的信息重构权重，按照公式(7)计算得到板厚的最后预测结果：y=Σi=jnωj×yj---(7)]]>其中，j是初始预测结果索引，ωj是初始预测结果的权重，yj是分别由三个敏感参数经过最小二乘多项式拟合得到的三个板厚的初步预测结果，其中，j＝1,2,3。