CN110276490A - 基于lstm模型的连铸下渣智能预测方法 - Google Patents

基于lstm模型的连铸下渣智能预测方法 Download PDF

Info

Publication number
CN110276490A
CN110276490A CN201910546354.9A CN201910546354A CN110276490A CN 110276490 A CN110276490 A CN 110276490A CN 201910546354 A CN201910546354 A CN 201910546354A CN 110276490 A CN110276490 A CN 110276490A
Authority
CN
China
Prior art keywords
data
lstm model
slag
parameter
continuous casting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910546354.9A
Other languages
English (en)
Inventor
史涛
任红格
刘尚瑜
李福进
霍美杰
徐少彬
陈炫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Technology
Original Assignee
North China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN201910546354.9A priority Critical patent/CN110276490A/zh
Publication of CN110276490A publication Critical patent/CN110276490A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/18—Controlling or regulating processes or operations for pouring
    • B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
    • B22D11/182—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/18—Controlling or regulating processes or operations for pouring
    • B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
    • B22D11/183—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring molten metal weight
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/20—Controlling or regulating processes or operations for removing cast stock
    • B22D11/201—Controlling or regulating processes or operations for removing cast stock responsive to molten metal level or slag level
    • B22D11/202—Controlling or regulating processes or operations for removing cast stock responsive to molten metal level or slag level by measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B22D11/20—Controlling or regulating processes or operations for removing cast stock
    • B22D11/201—Controlling or regulating processes or operations for removing cast stock responsive to molten metal level or slag level
    • B22D11/203—Controlling or regulating processes or operations for removing cast stock responsive to molten metal level or slag level by measuring molten metal weight
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

本发明涉及连铸技术领域，具体是一种基于LSTM模型的连铸下渣智能预测方法。包括：按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；将若干组参数划分为输入数据组和真实数据组；将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；根据输出结果确定下渣预测数据。本发明不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题。

Description

基于LSTM模型的连铸下渣智能预测方法
技术领域
本发明涉及连铸技术领域，具体是一种基于LSTM模型的连铸下渣智能预测方法。
背景技术
连铸是钢铁工业生产过程中的重要环节，其中钢包下渣检测是连铸生产的重要技术之一，其对保证钢水纯净度、防止过量下渣、提高钢水收得率等至关重要，受钢包下渣过程中环境及操作流程等因素的影响，钢包下渣的突变信号在整个频率段上很难分辨。
现有技术中，工业下渣检测技术主要为电磁检测和振动检测；其中，电磁检测法可直接检测出钢水渣含量，且有较高的检测成功率，但电磁检测系统的安装和维护费用较高；而振动检测具有安装简便、改造费用低、使用寿命长等优势，虽逐渐在工业生产中开始应用，但其振动信号识别稳定性低，调试适用时间长，工业应用的检测成功率不及电磁检测高。
上述技术方案的弊端是，现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备。
发明内容
本发明旨在解决现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题，从而提供一种基于LSTM模型的连铸下渣智能预测方法。
本发明解决所述问题，采用的技术方案是：
一种基于LSTM模型的连铸下渣智能预测方法，应用于连铸下渣智能预测系统，连铸下渣智能预测系统与数据采集设备信号连接；连铸下渣智能预测方法包括如下步骤：
(1)按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；
(2)按照数据采集时间的先后，将若干组参数划分为输入数据组和真实数据组；
(3)将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；
(4)使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；
(5)将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；
(6)根据输出结果确定下渣预测数据，以确定下渣检测结果。
采用上述技术方案的本发明，与现有技术相比，其突出的特点是：
①该连铸下渣智能预测方法中，能够直接利用现有的数据采集设备采集下渣相关参数，具体的，按照预设的数据采集周期控制所述数据采集设备采集若干组参数；按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；根据所述输出结果确定下渣预测数据，以确定下渣检测结果。因此，本发明的技术方案能够直接利用集成模块将采集到的下渣相关参数处理后输入LSTM模型，从而输出下渣预测数据，根据下渣预测数据进行下渣检测，本发明的技术方案不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进行改造，额外添加检测设备才能进行下渣检测的问题。
作为优选，本发明更进一步的技术方案是：
步骤(3)与步骤(4)之间，对训练集进行参数初始化，以形成初始化后的LSTM模型框架。
步骤(6)之后，根据真实数据组和预测数据，确定所述下渣预测数据的准确性。
根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，包括：根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的平均绝对误差和均方根误差；根据平均绝对误差和均方根误差确定下渣预测数据的准确性。
根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，还包括：根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的相关性；根据所述相关性确定下渣预测数据的准确性。
数据采集设备包括大包称重单元、中间包称重单元和钢流拉速信号获取单元；按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数的步骤，包括：(1)按照预设的数据采集周期控制大包称重单元采集大包重量数据；(2)按照预设的数据采集周期控制中间包称重单元采集中间包重量数据；(3)按照预设的数据采集周期控制钢流拉速信号获取单元采集拉速数据；(4)将同一数据采集时间的大包重量数据、中间包重量数据和拉速数据确定为同一组参数，以形成若干组所述参数。
对训练集进行参数初始化，以形成初始化后的LSTM模型框架的步骤，包括：(1)获取初始化参数，其中，初始化参数包括：反馈延迟、隐藏层单元、学习率、学习率下降周期、训练函数、隐藏层中的神经元、训练百分比、验证百分比和框架结构参数；(2)根据初始化参数对训练集进行参数初始化，以形成初始化后的LSTM模型框架。
初始化参数中，隐藏层单元为250，初始学习率为0.0032，学习率下降周期为25，求解函数为SGDM。
附图说明
图1是本发明实施例流程框图；
图2是本发明实施例具有窥视孔连接的LSTM单元示意图；
图3是本发明实施例大包和中间包的原始平均重量变化率图；
图4是将图3所示的原始平均重量变化率应用平滑功能后的平均重量变化率图；
图5是本发明实施例预测模型的回归图及相关系数；
图6是本发明实施例用于开发RNN预测模型的参数表；
图7是本发明实施例用于开发LSTM预测模型的参数表；
图8是本发明实施例三种预测模型的指标比较表。
具体实施方式：
下面结合实施例对本发明作进一步说明，目的仅在于更好地理解本发明内容，因此，所举之例并不限制本发明的保护范围。
参见图1，一种基于LSTM模型的连铸下渣智能预测方法，应用于连铸下渣智能预测系统，所述连铸下渣智能预测系统与数据采集设备信号连接；所述连铸下渣智能预测方法包括如下步骤：
步骤S10，按照预设的数据采集周期控制所述数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；
步骤S20，按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；
步骤S30，将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；
步骤S40，使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；
步骤S50，将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；
步骤S60，根据所述输出结果确定下渣预测数据，以确定下渣检测结果。
在本发明的技术方案中，该连铸下渣智能预测方法中，能够直接利用现有的用于监测钢水液面位置相关参数的数据采集设备采集若干组参数，具体的，按照预设的数据采集周期控制所述数据采集设备采集若干组参数；按照数据采集时间的先后，将所述若干组参数划分为训练数据组和测试数据组；将所述训练数据组和所述测试数据组作为原始数据以形成LSTM模型的训练集；使用局部加权回归方法对所述LSTM模型框架的所述原始数据进行平滑处理；将经过所述平滑处理后的所述原始数据输入所述LSTM模型框架，得到所述LSTM模型的输出结果；根据所述输出结果确定下渣预测数据，以确定下渣检测结果。因此，本发明的技术方案可以直接利用现有的用于监测钢水液面位置相关参数的数据采集设备采集若干组参数，然后将采集的参数处理后输入LSTM模型，从而输出下渣预测数据，根据下渣预测数据进行下渣检测；本发明的技术方案不需要对钢包浇注系统结构进行改造，也不需要额外添加检测设备进行下渣检测，解决了现有的下渣检测方法需要对钢包浇注系统结构进行改造，或额外添加检测设备才能进行下渣检测的问题。
由于连铸钢包浇注过程是一个封闭的环境，所以钢水液面位置和长水口内钢水流速无法直接测量，但可测量与钢水液面位置相关的间接参数，通过相关参数确定钢水液面情况，进而使用神经网络模型进行下渣预测；神经网络具有的并行信息处理以及自学习能力，连铸下渣智能预测方法可以利用神经网络模型对系统运行状态进行训练/预报和识别，降低了硬件设备的安装维护成本，且可对钢包下渣时刻进行实时预测；本方法采用的神经网络模型可以是BP神经网络模型，但在较长的时间周期下，BP神经网络模型预测效果不理想。进一步地，考虑到钢包下渣过程是一个动态的时间序列，本发明采用具有自主学习和时间序列记忆效应的长短期记忆网络(Long Short-Term Memory，LSTM)进行改进，为连铸钢包下渣系统的智能预测模型进行优化，以期实现正常浇铸和下渣信号的自动识别和有效预测，使之达到合理的最小值。
保护浇铸支承结构振动为强迫振动，主要由钢水的作用力引起，钢流作用力的变化与钢包中的钢水重量变化、长水口的阀门开度、铸坯截面的面积以及拉速、浇注的流数以及钢流的密度和钢包中钢流的状态与振动数学模型存在相关性；利用现有钢包浇注系统结构中的数据采集设备采集各个与钢水液面位置相关的数据，再将采集的数据上传至上位机，通过LSTM智能预测系统对下渣时刻进行预测。
LSTM属于递归神经网络RNN变体的一种；标准的RNN中一般只有一个非常简单的节点，例如一个sigmoid函数或tanh函数，而在LSTM中，则将隐藏层中的简单节点改为了存储单元；这一变体在继承了RNN模型大部分特性的同时，解决了梯度反传过程由于逐步缩减而产生的梯度消失问题；具体到实际任务应用中，LSTM十分适合用于处理与时间序列高度相关的问题。
如图2所示，图中框内代表一个具有窥视孔连接的LSTM隐藏层单元。隐藏层单元内部的记忆细胞ct可以保留历史时间的特征参数，从ct到it、ot、ft三个门的三条箭头代表窥视孔链接，可以让三种门观察到元胞状态，用以训练输入的特征参数；其中存储单元具有输入门i、输出门o、遗忘门f三个部分。每个门都是前馈神经网络中的一个标准神经元；it、ot、ft中t表示输入、输出和遗忘门在时间步长t时的激活；记忆细胞c到3个门(输入门i、输出门o、遗忘门f)之间的输出箭头代表窥视孔连接，它们代表在时间步长t-1时激活存储单元c；∫表示可微函数加权和；图中输入门、遗忘门和输出门3个控制门的输出分别连接到一个乘法元件上，从而控制信息流的输入、输出以及细胞单元的状态；xt为一个输入节点，可对应一个特征参数，特征参数由连铸的中控设备采集到的浇注流数、大包重量以及中间包重量等信号，经由数据预处理提取得出；ht为一个输出节点，可对应一个LSTM单元的输出状态，输出状态可分为无渣、混渣、全渣三种。
存储单元的运行原理用以下公式表示：
ft＝σ(Wf·[ht-1,xt]+bf) (1)
it＝σ(Wi·[ht-1,xt]+bi) (2)
ot＝σ(Wo[ht-1,xt]+bo) (5)
ht＝ot*tanh(Ct) (6)
其中，Ct表示t时刻记忆细胞的计算方法；ht表示t时间点LSTM单元的所有输出；W是系数组成的矩阵，包含输入和循环连接的权重，b代表偏置向量，下标i、o、f分别代表输入门、输出门、遗忘门计算的激活；σ代表激活函数sigmoid，公式(1)-(3)分别为三个门控信号，公式(4)为输入模块公式，公式(5)为存储器单元公式，公式(6)为隐藏单元/激活公式，t＞0。
优选地，步骤S30和所述步骤S40之间，还包括：
步骤S70，对所述训练集进行参数初始化，以形成初始化后的LSTM模型框架。
由于数据中存在异常值会影响建模精度，为降低异常值影响，本文提出一种局部加权回归和LSTM结合的算法，该算法为异常值分配的权值很低，使用的算法如下：
算法1：提出方法
输入：训练集F＝{(x1,y1),(x2,y2)···(xi,yi)···(xn,yn)}，其中xi为采集的输入数据，yi为测试数据，1≤i≤n，n为大于1的整数。
参数初始化：反馈延迟δfd，隐藏层单元δh，学习率α，学习率下降周期δdp，训练函数δtf，隐藏层中的神经元δhn，训练百分比δtr，验证百分比δvd，框架结构参数
输出：评价指标
优选地，所述步骤S60之后，还包括：
步骤S80，根据所述测试数据和所述训练数据，确定所述下渣预测数据的准确性。
将训练数据与验证步骤中的测试数据进行比较，即可确定下渣预测数据的准确性。例如，可以使用平均绝对误差(MAE)和均方根误差(RMSE)作为比较的评价指标。
优选地，所述步骤S80，包括：
步骤S81，根据所述测试数据组和所述预测数据，确定所述测试数据组与所述下渣预测数据之间的平均绝对误差、均方根误差和相关系数R值；
步骤S82，根据所述平均绝对误差和所述均方根误差和所述相关系数R值确定所述下渣预测数据的准确性。
指标的计算公式如公式(7)-(8)所示，其中MAE为平均绝对误差，RMSE为均方根误差。
其中，x表示测试数据，y表示预测数据；为x的平均值，为y的平均值；n为样本数量，x＞0，y＞0，n＞0。
在本实施例中，进一步使用平均绝对误差(MAE)、均方根误差(RMSE)和相关系数值(R值)作为比较的三个评价指标。由R值确定测试数据和预测值的相关性，范围介于0到1之间。当R值为0时，表示不相关；当R值为1时，表示绝对相关。R值越大，表明连铸下渣智能预测效果越好。
优选地，数据采集设备包括大包称重单元、中间包称重单元和钢流拉速信号获取单元；本发明的基于LSTM模型的连铸下渣智能预测方法的第五实施例中，所述步骤S10包括：
步骤S11，按照预设的数据采集周期控制所述大包称重单元采集大包重量数据；
步骤S12，按照预设的数据采集周期控制所述中间包称重单元采集中间包重量数据；
步骤S13，按照预设的数据采集周期控制所述钢流拉速信号获取单元采集拉速数据；
步骤S14，将同一数据采集时间的所述大包重量数据、所述中间包重量数据和所述拉速数据确定为同一组参数，以形成若干组所述参数。
优选地，所述步骤S70，包括：
步骤S71，获取初始化参数，其中，所述初始化参数包括：反馈延迟、隐藏层单元、学习率、学习率下降周期、训练函数、隐藏层中的神经元、训练百分比、验证百分比和框架结构参数；
步骤S72，根据所述初始化参数对所述训练集进行参数初始化，以形成初始化后的LSTM模型框架。
初始化参数中，隐藏层单元为250，所述初始学习率为0.0032，所述学习率下降周期为25，所述求解函数为SGDM。
下文将结合实际介绍通过对某钢厂采集的数据进行分析，并使用一种结合Robust-LOWESS的LSTM模型进行下渣预测训练；实验主要由四个部分组成，即数据特征提取、模型参数设置、数据训练以及测试对比验证。
数据采集使用DAM-3000分布式模块实现，通过对某钢厂的实际钢包连铸过程进行连续的信号采集以获取采集的数据；采集的数据包括大包重量、中间包重量、拉速及温度；根据转炉出钢所需的时长表明，所采集的数据可以适应规律性测试。
由于实际浇注过程中会产生的信号波动，从获取的各组数据中选取出具有代表性特征的样本；本实施例选取出与之相关的两个主要特征因素：大包重量和中间包重量，用这两个重量作为LSTM模型框架的输入量；在本实施例中，共获取若干批次数据，每批次包含400个数据样本，按照采集时间先后前200个时间点的数据作为一个训练样本，延后时间的200个数据用于测试验证；在训练模型之前为避免因原始数据中包含的异常波动对结果造成影响，使用Robust-LOWESS对数据进行预处理；预处理后的输入特征变量馈入ARIMA、RNN、LSTM-RNN三个神经网络模型中以进行训练。
钢包下渣预测的基本模型使用ARIMA(p,d,q)模型，其中p为预测模型的时序数据滞后数，d为差分的阶数，q为移动平均模型的阶数，参数设置为ARIMA(1,2,1)；目前，在RNN模型的研究中有大量的变种，本文选择非线性自回归模型(NAR)；目前并没有可以得到最优模型的具体方法，因此需要遵循经验，如增加隐层数量、使用不同的激励函数来调整模型精度。在NAR框架中，测试了图6中所给出的参数调整。
使用同样的一组参数调整方案来构建LSTM模型，如图7所示，其中，对于求解器的选择，Adam Optimizer和SGDM具有梯度控制特性，都表现出对LSTM模型很好的适应性，两者的准确度很大程度上取决于数据集的规模，最优选择标准只能由给定的数据集而确定。
将每种调参方案的结果与实际值进行比较，在公式(7)-(9)中定义的指标下进行评估；所有预测模拟训练使用MATLAB进行。
对每个模型的各种参数值进行多次测试，确定出RNN模型的参数最优值为反馈延迟3，隐藏层2，神经元数量28，训练函数使用贝叶斯正则化；LSTM-RNN模型的参数最优值为隐藏层单元250，初始学习率0.0032，学习率下降周期为25，求解函数为SGDM；这些参数使各个不同类别的模型MAE、RMSE值达到最小，R值达到最大。
图3显示了大包和中间包的平均重量速率变化的原始时间序列图；运用Robust-LOWESS做数据处理后，可以获得平滑的时间序列曲线，如图4所示。
所有模型均选用200个时间点的数据进行训练，而延后的200个时间点数据则用于验证；图5给出了经过数据预处理后的LSTM-RNN模型的回归图以及R值；其中虚线代表最佳拟合，实线代表预测值与实际值间的实际拟合。
通过3种模型的评价指标对比，结果显示LSTM模型在钢包下渣预测方面有显著改善，如图8所示。
MAE和RMSE值表明使用预处理数据开发的LSTM-NN模型的误差最小；基于预处理数据开发的LSTM-NN模型的MAE值为0.049，与现有的基准模型相比显示出3.2％的改善；同样，RMSE显示出约6％的改善；六个模型的结果也在R值方面进行比较：R值越高，实际值和预测值之间的相关性越高；基于预处理数据的LSTM-NN模型具有0.97的最高R值；这表明实际值和预测值之间存在很强的相关性，预测的准确度很高；由于LSTM-NN模型具有更好的学习能力，在预处理数据上开发的LSTM-NN模型给出了最佳结果。
在这一项目实验中，本文采用了局部加权回归作为平滑函数，结合LSTM模型的方法来预测钢包下渣，实验证明在做预测训练之前对原始数据进行平滑处理有助于提高准确度；实验使用MATLAB作为仿真工具，使用RMSE、MAE和相关系数R值作为评价指标；研究结果表明，与现有的预测方法相比，精确度有了显著提高，为下渣预测的研究提供了新的思路，也为深度学习在工业上的应用提供了参考价值。
针对钢包连铸过程中需要精确控制下渣时刻的问题，提出一种基于局部加权回归和长短时记忆(LSTM)神经网络的连铸下渣预测模型；再大量的钢包下渣相关参数中，提取主要特征；使用局部加权回归对数据进行过滤处理，再结合LSTM建立下渣预测模型；给出LSTM模型与ARIMA模型、RNN模型的预测结果比较；研究结果表明，长短时记忆神经网络模型的预测误差小，预测准确度较高，具有广泛的应用前景。
以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及其附图内容所作的等效变化，均包含于本发明的权利范围之内。

Claims (8)

1.一种基于LSTM模型的连铸下渣智能预测方法，其特征在于，应用于连铸下渣智能预测系统，连铸下渣智能预测系统与数据采集设备信号连接；连铸下渣智能预测方法包括如下步骤：
(1)按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数；
(2)按照数据采集时间的先后，将若干组参数划分为输入数据组和真实数据组；
(3)将输入数据组和真实数据组作为原始数据以形成LSTM模型的训练集；
(4)使用局部加权回归方法对LSTM模型框架的原始数据进行平滑处理；
(5)将经过平滑处理后的原始数据输入LSTM模型框架，得到LSTM模型的输出结果；
(6)根据输出结果确定下渣预测数据，以确定下渣检测结果。
2.根据权利要求1所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：步骤(3)与步骤(4)之间，对训练集进行参数初始化，以形成初始化后的LSTM模型框架。
3.根据权利要求2所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：步骤(6)之后，根据真实数据组和预测数据，确定所述下渣预测数据的准确性。
4.根据权利要求3所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，包括：
根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的平均绝对误差和均方根误差；根据平均绝对误差和均方根误差确定下渣预测数据的准确性。
5.根据权利要求4所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：根据真实数据组和预测数据，确定下渣预测数据的准确性的步骤，还包括：
根据真实数据组和预测数据，确定真实数据组与下渣预测数据之间的相关性；根据所述相关性确定下渣预测数据的准确性。
6.根据权利要求1-5任一项所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：数据采集设备包括大包称重单元、中间包称重单元和钢流拉速信号获取单元；按照预设的数据采集周期控制数据采集设备分别采集连铸钢包浇注过程中的与钢水液面位置相关的若干组参数的步骤，包括：
(1)按照预设的数据采集周期控制大包称重单元采集大包重量数据；
(2)按照预设的数据采集周期控制中间包称重单元采集中间包重量数据；
(3)按照预设的数据采集周期控制钢流拉速信号获取单元采集拉速数据；
(4)将同一数据采集时间的大包重量数据、中间包重量数据和拉速数据确定为同一组参数，以形成若干组所述参数。
7.根据权利要求2所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：对训练集进行参数初始化，以形成初始化后的LSTM模型框架的步骤，包括：
(1)获取初始化参数，其中，初始化参数包括：反馈延迟、隐藏层单元、学习率、学习率下降周期、训练函数、隐藏层中的神经元、训练百分比、验证百分比和框架结构参数；
(2)根据初始化参数对训练集进行参数初始化，以形成初始化后的LSTM模型框架。
8.根据权利要求7所述的基于LSTM模型的连铸下渣智能预测方法，其特征在于：初始化参数中，隐藏层单元为250，初始学习率为0.0032，学习率下降周期为25，求解函数为SGDM。
CN201910546354.9A 2019-06-20 2019-06-20 基于lstm模型的连铸下渣智能预测方法 Pending CN110276490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910546354.9A CN110276490A (zh) 2019-06-20 2019-06-20 基于lstm模型的连铸下渣智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910546354.9A CN110276490A (zh) 2019-06-20 2019-06-20 基于lstm模型的连铸下渣智能预测方法

Publications (1)

Publication Number Publication Date
CN110276490A true CN110276490A (zh) 2019-09-24

Family

ID=67961570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910546354.9A Pending CN110276490A (zh) 2019-06-20 2019-06-20 基于lstm模型的连铸下渣智能预测方法

Country Status (1)

Country Link
CN (1) CN110276490A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598958A (zh) * 2019-10-10 2019-12-20 武汉科技大学 一种钢包分级管理分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176388B1 (en) * 2016-11-14 2019-01-08 Zoox, Inc. Spatial and temporal information for semantic segmentation
KR20190004430A (ko) * 2017-07-04 2019-01-14 주식회사 알고리고 인공 신경망을 이용한 시계열적 자세 분석 장치 및 방법
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN109541143A (zh) * 2018-11-28 2019-03-29 西安建筑科技大学 一种含挥发组元炉渣实际成分及物性随时间变化的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176388B1 (en) * 2016-11-14 2019-01-08 Zoox, Inc. Spatial and temporal information for semantic segmentation
KR20190004430A (ko) * 2017-07-04 2019-01-14 주식회사 알고리고 인공 신경망을 이용한 시계열적 자세 분석 장치 및 방법
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN109541143A (zh) * 2018-11-28 2019-03-29 西安建筑科技大学 一种含挥发组元炉渣实际成分及物性随时间变化的预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
时彦林 等: "《连铸工培训教程》", 31 July 2013 *
白盛楠等: ""基于LSTM循环神经网络的PM2.5预测"", 《计算机应用与软件》 *
米歇尔•刘易斯•伯克: ""局部回归"、"局部加权回归"", 《社会科学研究方法百科全书》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598958A (zh) * 2019-10-10 2019-12-20 武汉科技大学 一种钢包分级管理分析方法及系统

Similar Documents

Publication Publication Date Title
CN104200268B (zh) 一种基于粒子群优化极限学习机的带钢出口厚度预测方法
US9043254B2 (en) Method for computer-aided closed-loop and/or open-loop control of a technical system
CN103730006B (zh) 一种短时交通流量的组合预测方法
CN103440368B (zh) 一种多模型动态软测量建模方法
CN111047094A (zh) 一种基于深度学习算法的抄表数据异常分析方法
CN103489039B (zh) 具有在线自整定优化能力的高速公路交通流量融合预测方法
CN109884892A (zh) 基于交叉相关时滞灰色关联分析的流程工业系统预测模型
RU2011130185A (ru) Способ управления или же регулирования компрессорных станций с использованием имитационного моделирования
Martín et al. Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools
CN110309608B (zh) 一种针对时滞不确定信息的高炉铁水硅含量预报方法
CN104778361B (zh) 改进型EMD‑Elman神经网络预测铁水硅含量的方法
CN108845501A (zh) 一种基于懒惰学习的高炉铁水质量自适应优化控制方法
Genser et al. Dynamic optimal congestion pricing in multi-region urban networks by application of a Multi-Layer-Neural network
CN108121215A (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
CN112180739A (zh) 一种针对过热汽温控制系统的参数优化方法
CN104050380A (zh) 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法
CN104408317A (zh) 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法
CN109032117A (zh) 基于arma模型的单回路控制系统性能评价方法
CN110276490A (zh) 基于lstm模型的连铸下渣智能预测方法
CN105676645A (zh) 一种基于函数型权rbf-arx模型的双回路水箱液位预测控制方法
CN114498634A (zh) 一种基于电表数据的电动汽车充电负荷预测方法
US20210197205A1 (en) Method and device for controlling a process within a system, in particular a grinding process in a grinding device
Sawadogo et al. Decentralized adaptive predictive control of multireach irrigation canal
CN108958027A (zh) 一种区间系统的动态矩阵控制方法
CN107153355A (zh) 一种薄板坯连铸连轧辊缝值动态自适应控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210119

Address after: 300384 No. 391 Binshui West Road, Xiqing District, Tianjin

Applicant after: TIANJIN University OF TECHNOLOGY

Address before: 063210 Tangshan City Caofeidian District, Hebei Province, Tangshan Bay eco Town, Bohai Road, 21

Applicant before: NORTH CHINA University OF SCIENCE AND TECHNOLOGY

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20190924

RJ01 Rejection of invention patent application after publication