CN110472349B - 一种基于eemd和深度卷积网络的热轧钢性能预测方法 - Google Patents

一种基于eemd和深度卷积网络的热轧钢性能预测方法 Download PDF

Info

Publication number
CN110472349B
CN110472349B CN201910768954.XA CN201910768954A CN110472349B CN 110472349 B CN110472349 B CN 110472349B CN 201910768954 A CN201910768954 A CN 201910768954A CN 110472349 B CN110472349 B CN 110472349B
Authority
CN
China
Prior art keywords
prediction
rolled steel
eemd
data
hot rolled
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.)
Expired - Fee Related
Application number
CN201910768954.XA
Other languages
English (en)
Other versions
CN110472349A (zh
Inventor
王文波
狄奇
辜权
李维刚
喻敏
陈贵词
钱龙
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201910768954.XA priority Critical patent/CN110472349B/zh
Publication of CN110472349A publication Critical patent/CN110472349A/zh
Application granted granted Critical
Publication of CN110472349B publication Critical patent/CN110472349B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明属于钢材性能预测技术领域，公开了一种基于EEMD和深度卷积网络的热轧钢性能预测方法，对数据进行预处理；在集合经验模态分解的基础上对热轧钢的性能进行初步预测；使用深度卷积网络和正态分布预测深度卷积网络预测后的残差；最后将集合经验模态分解和深度卷积网络结合，实现热轧钢性能的高度预测。热轧钢性能预测卷积结构包括一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层。本发明通过工艺参数和各种化学元素来研究热轧钢的性能，预测方法精度高、可靠性强、泛化性强、充分揭示了成分、工艺对热轧带钢力学性能的作用机理。

Description

一种基于EEMD和深度卷积网络的热轧钢性能预测方法
技术领域
本发明属于钢材性能预测技术领域，尤其涉及一种基于EEMD和深度卷积网络的热轧钢性能预测方法。
背景技术
目前，最接近的现有技术：
从上世纪60年代开始，许多学者在力学和冶金学的基础上研究了在轧钢时的变形条件和温度条件对钢材内部组织的演变规律和析出规律影响并以数学模型的方式开发出了物理冶金学模型。
上世纪70年代，在热轧钢的性能预测领域中也有不小的突破，现有技术给出了钢材从加热到冷却过程的组织演变的数学模型。许多钢铁企业，在研究的基础上，开发了适合各自热轧工艺生产线的性能预测模型及开发了板材热连轧过程模拟软件(AISI-HSMM)。
随着人工神经网络的研究取得一些成效，现有技术中，在钢铁性能预测上应用人工神经网络的相关理论和方法，根据实测数据，取得了较好的预测结果。在有关人工神经网络的研究进一步发展的基础上，现有技术提出了一种人工神经网络与数学模型相结合的性能预测方法,该方法进一步提高了性能预测的准确性。
人工神经网络概括来讲是一种模拟人脑相应结构及其相关功能的信息处理系统。感知装置本质其实只是一个线性模型，只能够处理有关于线性分类的问题，对于最简单的非线性异或问题却无法正确分类。这直接导致了有关神经网络研究的发展处于停滞状态。
1986年现有技术提出了BP算法，这种算法适用于多层感知器，设定了sigmoid激活函数来达到非线性映射的效果。关于非线性分类和学习的问题被这一方法很好地解决了。BP算法的提出引起了关于神经网络研究的第二次兴起。虽然BP算法有效地解决了多层神经网络的训练问题，然而，BP算法仍然存在缺陷。尽管多层神经网络有着学习更强的学习能力，但也还是存在梯度爆炸以及梯度消失等问题，从而导致当误差到达前层时，其数值几乎为零或非常大。
在2006年现有技术提出了“深度信念网络”的概念，并提出了无监督前训练的重量初始化和监督训练的微调这两个方案来解决深度网络训练中梯度消失的问题。2012年ImageNet图像识别比赛，通过构造的卷积神经网络证明了深度学习有着巨大的潜力也使深度学习迎来了大发展。此后，深度学习的应用越来越广泛。直至今日，深度学习的相关研究已经极大的发展，并已经在多个学科领域中的得到运用。
图像识别是最早出现深度学习的领域，早在1989年，一种基于卷积神经网络的图像识别方法就被提出。但由于这种方法在大规模图像的识别上效果很差，不能达到要求，导致一直没有取得大的成功。
在2012年的ImageNet图像识别比赛上利用更深的卷积神经网络实现了大规模图像的识别后，使得图像识别技术大踏步的前进。
在语音识别领域，传统方式为混合高斯模型，并且一度占有垄断地位。然而，混合高斯模型是一个存在着特征的状态空间分布描述不足的问题的浅层网络。在2011年终于取得了关于深度学习重大突破。基于深度学习的语音识别系统不仅解决了传统混合高斯模型的问题。此外，它可以与传统的语音识别方法完美结合，在不增加系统运行成本的情况下，大大提高了识别的效率。
在自然语言处理领域，基于统计的模型已经成为主流。但人工神经网络和深度学习并没有像在语音和图像上一样取得巨大的成就。
在搜索广告CTR预估上，传统是以LR作为预估模型，这种模型被用于百度、谷歌等各大搜索引擎公司。然而，使用LR的缺点是，模型学习和抽象特征的能力会被严重限制。这使得各大搜索引擎公司不得不考虑替换预估模型。百度首次将深度神经网络用于搜索广告系统中，但特征数的数量级并不高。深度神经网络在搜索引擎中的应用还很不成熟。
热轧带钢和冷轧带钢是带钢的两种加工工艺。但这两种钢带对比之下，热轧钢带有着更多的规格和品种。对于某些产品来讲只有特殊的质量要求时才使用冷轧。而且热轧钢还可以降低冷轧钢的成本，因为热轧钢能够为冷轧钢提供原料，减少冷轧钢的轧制道次。热轧钢的质量如果得到改善，同时也会影响冷轧钢的质量。
如果要提高热轧钢的性能，提前预测钢的力学性能是必要的。热轧钢板质量会受到钢材生产时的各项工艺参数和钢材中的各种化学元素的直接影响。而热轧钢板在冶炼和轧制过程中的一系列物理冶金过程和一系列复杂的组织变化将决定热轧钢板的力学性能。所以想要准确预测钢材的力学性能必须要研究工艺参数和化学元素。根据预测的结果，在保证钢材质量的前提下合理的调整各项工艺参数也有利于钢材生产原料的节省。对与钢材力学性能的预测，传统是以随机抽样的方式估算钢材的平均力学性能，但对于钢材采取随机抽样的方式显然代价很高，采样、测量等步骤将消耗大量的人力物力。所以在上世纪50年代，用建立数学模型的方式取代人工随机抽样预测钢材力学性能的方式被埃尔文所提出。这种省去大量人力物力的方式被广泛应用于各大钢厂后取了可观的经济效益，但缺点是由于数学模型的近似性，而忽略了在钢板被轧制的过程中出现的其他因素的影响。所以通过工艺参数和各种化学元素来研究热轧钢的性能是具有重大意义。
综上所述，现有技术存在的问题是：
(1)以建立数学模型的方式取代人工随机抽样预测钢材力学性能的方式具有近似性，容易忽略在钢板被轧制的过程中出现的其他因素的影响。
(2)传统的以LR作为预估模型，模型学习和抽象特征的能力会被严重限制。
(3)深度神经网络特征数的数量级不高，深度神经网络在搜索引擎中的应用还很不成熟。
(4)如何处理钢材的力学性能存在高维非线性的特点。
解决上述技术问题的难度：
(1)如何解决钢铁数据存在高维非线性的特点。
(2)如何客服传统神经网络存在的梯度消失和过拟合现象。
(3)如何改善现有的卷积神经网络以提高预测精度。
(4)怎样在现有的一次预测的基础上通过一种创新来再次提高预测精度。
解决上述技术问题的意义：
本发明为解决高维非线性的数据提供了一种处理方法。
本发明建立的模型预测的精度高，可应用于轧钢的实际工业生产线的预测，提高效益。
本发明首次提出了将残差的二次预测用于轧钢数据，并且真正意义上的提高了预测的精度。
发明内容
针对现有技术存在的问题，本发明提供了一种基于EEMD和深度卷积网络的热轧钢性能预测方法。
本发明是这样实现的，一种基于EEMD和深度卷积网络的热轧钢性能预测方法，热轧钢性能预测卷积结构包括一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层，预测方法具体包括：
步骤一，基于集合经验模态分解的方式对热轧钢性能数据进行预处理。
步骤二，将每组对应的影响因素和内蕴模态函数作为x和y投入构建完成的卷积神经网络训练并预测每一个分量y。得到每一个分量y的预测值{y'i|i＝1,2,...,12}。
步骤三，将每一个分量的实际值与预测值相减得到实验误差，避免预测值与实际值之间不可避免地出现偏差的现象。
步骤四，针对上一步得到的实验误差，使用单变量正态分布的方式对实验误差进行拟合并预测，并得到实验误差的预测值。
步骤五，最后将卷积神经网络的热轧钢性能预测值和正态分布预测的实验误差预测值相加得到最终的热轧钢性能预测值。
进一步，步骤一中，基于集合经验模态分解的热轧钢性能数据预处理方法，具体包括：数据选取、数据清洗、数据标准化、热轧钢性能指标的EEMD分解、重要影响因素和对应内蕴模态函数的选取；
(1)数据选取：选取国内某大型热连轧线机组生产的大量热轧钢生产数据。输入数据包括出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷取温度(CT)；粗轧出口温度(RT)、终轧厚度(FDH)、剩余碳(Cs)和剩余氮(Ns)等；输出选用三种力学性能之一的抗拉强度。
(2)数据清洗：当数据的取值范围超过了表1所示参数的取值范围，则将该项删除；对于相同的输入却出现不同的输出的情况则将这条数据删除；如果出现数据缺失，就用上一项和下一项的平均值来代替。
(3)数据标准化：利用“最小—最大标准化”方法，最小—最大标准化是原始数据的线性转换。设minx和maxx分别为某一数据集的最小值和最大值，将数据集的一个原始值x通过最小-最大标准化映射成在区间[0,1]中的值x′,其公式为：
Figure GDA0004068068030000031
均方根误差：是预测值与实际值之间的误差的平方和预测数量n之比的平方根，在实际测量中，预测数量n始终是有限的，真值只能用最可靠(最优)值代替。均方根误差能很好地反映预测的精度是因为均方根误差对预测中的一组非常大或非常小的误差很敏感。
Figure GDA0004068068030000032
(4)热轧钢性能指标的EEMD分解：对数据进行清洗后，设置EEMD的Nstd(高斯白噪声标准差)为0.1，NE(添加噪声的次数)为100，并将数据分解为12个分量。
(5)重要影响因素和对应内蕴模态函数的选取：
1)选取出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷曲温度(CT)、粗轧出口温度(RT)、终轧温度(FDH)6个工艺参数和硅(Si)、锰(Mn)、磷(P)、铯(Cs)、铌化碳(NbC)、铌化氮(NbN)钢材中的6个化学元素共计12个作为影响因素，{xi|i＝1,2,...,12}；同时选取力学性能指标中的抗拉强度和抗压强度作为最终预测结果。
2)实际值分解：使用MATLAB软件编写集合经验模态分解函数，并用集合经验模态分解函数将热轧钢性能的实际值y分解为与12个影响因素相对应的12个内蕴模态函数{imfk|k＝1,2,...,12}。
3)分量与影响因素对应：将实际值分解为与12个影响因素对应的12个分量之后，由于在没有依据的情况下无法判断哪个分量与哪个影响因素对应，所以再次使用MATLAB软件测定每个影响因素与每个分量的相关系数(令imf＝y)；依据选择最大相关系数的原则，选择相关系数最高的两个x与y相互对应。
进一步，步骤二，进一步包括基于EEMD和CNN的初步预测，得到分量的基础上，利用卷积神经网络分别对分量分别进行预测，并将预测后的分量相加得到抗拉强度的预测结果；
其中EEMD参数设置为：Nstd高斯白噪声标准差为0.1，NE添加噪声的次数为100，数据个数为4096个；深度卷积网络参数设置为：卷积层为2层，每层卷积层64个卷积核，卷积窗口为4，激活函数为Relu函数，步长为64。
进一步，步骤三进一步包括预测误差的分布统计，具体包括：
(1)拉强度的初步误差使用正态分布的方式进行预测；
(2)正态分布拟合的公式为：
Figure GDA0004068068030000033
利用最小二乘计算拟合公式中的参数，可以得到参数值：得到期望μ＝0.9270，标准差σ＝4.3958；
将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000034
(3)抗压强度的初步误差使用正态分布的方式进行预测；
(4)正态分布拟合的公式为：
Figure GDA0004068068030000035
利用最小二乘计算拟合公式中的参数，可以得到参数值：期望μ＝-5.3824，标准差σ＝4.2302。
最后将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000041
进一步，步骤四进一步包括基于误差分布统计的二次预测，具体包括：
首先给出抗拉强度和抗压强度在EEMD+CNN预测之后不进行二次预测的结果图；
然后展示抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果。
本发明另一目的在于提供一种实施所述基于EEMD和深度卷积网络的热轧钢性能预测方法的基于EEMD和深度卷积网络的热轧钢性能预测系统。
本发明另一目的在于提供一种热轧钢性能预测卷积结构，所述热轧钢性能预测卷积结构包括一个输入层、两个卷积层、两个池化层、一个全连接层及一个输出层。
本发明另一目的在于提供一种实现所述基于EEMD和深度卷积网络的热轧钢性能预测方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于EEMD和深度卷积网络的热轧钢性能预测方法。
综上所述，本发明的优点及积极效果为：
本发明通过工艺参数和各种化学元素来研究热轧钢的性能，预测方法精度高、可靠性强、泛化性强、充分揭示了成分、工艺对热轧带钢力学性能的作用机理。
本发明进行了与深度卷积网络直接预测的方式比较，首先比较本发明的方法与深度卷积网络直接预测的方法的效果差异。在不经过EEMD分解的情况下将数据中的热轧钢性能实际值投入上文已经构建好的深度卷积网络中进行训练并预测。现给出深度卷积网络直接预测得到的结果图，抗拉强度的预测值与实际值的波形图如图所示42所示，排序后的抗拉强度的预测值与实际值如图43所示，抗压强度的预测值与实际值的波形图如图44所示，排序后的抗压强度的预测值与实际值如图45所示。
本发明进行了EEMD和深度卷积网络预测，抗拉强度的预测值与实际值的波形图如图46所示，排序后的抗拉强度的预测值与实际值如图47所示，抗压强度的预测值与实际值的波形图如图48所示，排序后的抗压强度的预测值与实际值如图49所示。
本发明进行了EEMD和深度卷积网络预测之后基于误差统计二次预测，抗拉强度的预测值与实际值的波形图如图50所示，排序后的抗拉强度的预测值与实际值如图51所示，抗压强度的预测值与实际值的波形图如图52所示，抗压强度的预测值与实际值的波形图如图53所示。
在展示了四种热轧钢预测方式的波形图和排序后的波形图之后。为了更加精确的对比四种预测方式的预测精度，接下来在表格中分别列出四种预测方式的均方根误差，以此来对四种预测方式进行精度分析。
下面给出提过的四种预测方式的均方误差表格，如表8所示。
表8提到的四种方法的均方根误差集中比较
Figure GDA0004068068030000042
普通BP神经网络虽然在钢铁性能预测上有一定效果，但依然存在不足。深度卷积网络虽然比普通BP神经网络的预测精度更高，但直接将热轧钢性能实际值进行预测方法的精度还是比在经过EEMD分解之后再使用深度卷积网络预测方法的精度低。同时从表8中可以看出在EEMD之后用深度卷积网络得出预测值以后再利用统计学方法进行误差预测可以使精度再次提高。
附图说明
图1是本发明实施例提供的基于EEMD和深度卷积网络的热轧钢性能预测方法流程图。
图2是本发明实施例提供的EEMD分解流程图。
图3是本发明实施例提供的人工神经元模型示意图。
图4是本发明实施例提供的卷积神经网结构图。
图5是本发明实施例提供的未排序的抗拉强度图像。
图6是本发明实施例提供的排序后的抗拉强度图像。
图7是本发明实施例提供的未排序的抗压强度图像。
图8是本发明实施例提供的排序后的抗压强度图像。
图9是本发明实施例提供的EEMD分解抗拉强度后12个分量的结果图。
图10是本发明实施例提供的EEMD分解抗压强度后12个分量的结果图。图11是本发明实施例提供的抗拉强度y1分量的数据图像。
图12是本发明实施例提供的与抗拉强度y1对应的x11数据图像
图13是本发明实施例提供的抗拉强度y2分量的数据图像。
图14是本发明实施例提供的与抗拉强度y2对应的x8数据图像。
图15是本发明实施例提供的抗拉强度y3分量的数据图像。
图16是本发明实施例提供的与抗拉强度y3对应的x10数据图像。
图17是本发明实施例提供的抗压强度y1分量的数据图像。
图18是本发明实施例提供的与抗压强度y1对应的x11数据图像。
图19是本发明实施例提供的抗压强度y2分量的数据图像。
图20是本发明实施例提供的与抗压强度y2对应的x8数据图像。
图21是本发明实施例提供的抗压强度y3分量的数据图像。
图22是本发明实施例提供的与抗压强度y3对应的x10数据图像。
图23是本发明实施例提供的钢铁性能预测网络结构图。
图24是本发明实施例提供的抗拉强度预测值与实际值之间的波形对比。
图25是本发明实施例提供的抗压强度预测值与实际值之间的波形对比。
图26是本发明实施例提供的排序后抗拉强度预测值与实际值之间的波形对比。
图27是本发明实施例提供的排序后抗压强度预测值与实际值之间的波形对比。
图28是本发明实施例提供的抗拉强度的初步误差分布直方图。
图29是本发明实施例提供的抗压强度的初步误差分布直方图。
图30是本发明实施例提供的抗拉强度EEMD+CNN的预测值与实际值之间的波形对比。
图31是本发明实施例提供的抗压强度EEMD+CNN的预测值与实际值之间的波形对比。
图32是本发明实施例提供的排序后抗拉强度EEMD+CNN的预测值与实际值之间的波形对比。
图33是本发明实施例提供的排序后抗压强度EEMD+CNN的预测值与实际值之间的波形对比。
图34是本发明实施例提供的抗拉强度的EEMD+CNN+误差统计分布的预测结果波形图。
图35是本发明实施例提供的排序后抗拉强度的EEMD+CNN+误差统计分布的预测结果波形图。
图36是本发明实施例提供的抗压强度的EEMD+CNN+误差统计分布的预测结果波形图。
图37是本发明实施例提供的排序后抗压强度的EEMD+CNN+误差统计分布的预测结果波形图。
图38是本发明实施例提供的BP神经网络直接预测得到的抗拉强度的预测值与实际值的波形图。
图39是本发明实施例提供的BP神经网络直接预测得到的排序后的抗拉强度的预测值与实际值。
图40是本发明实施例提供的BP神经网络直接预测得到的抗压强度的预测值与实际值的波形图。
图41是本发明实施例提供的BP神经网络直接预测得到的排序后的抗压强度的预测值与实际值。
图42是本发明实施例提供的深度卷积网络直接预测得到的抗拉强度的预测值与实际值的波形图。
图43是本发明实施例提供的深度卷积网络直接预测得到的排序后的抗拉强度的预测值与实际值。
图44是本发明实施例提供的深度卷积网络直接预测得到的抗压强度的预测值与实际值的波形图。
图45是本发明实施例提供的深度卷积网络直接预测得到的排序后的抗压强度的预测值与实际值。
图46是本发明实施例提供的EEMD和深度卷积网络预测得到的抗拉强度的预测值与实际值的波形图。
图47是本发明实施例提供的EEMD和深度卷积网络预测得到的排序后的抗拉强度的预测值与实际值。
图48是本发明实施例提供的EEMD和深度卷积网络预测得到的抗压强度的预测值与实际值的波形图。
图49是本发明实施例提供的EEMD和深度卷积网络预测得到的排序后的抗压强度的预测值与实际值。
图50是本发明实施例提供的EEMD和深度卷积网络预测之后基于误差统计二次预测得到的抗拉强度的预测值与实际值的波形图。
图51是本发明实施例提供的EEMD和深度卷积网络预测之后基于误差统计二次预测得到的排序后的抗拉强度的预测值与实际值。
图52是本发明实施例提供的EEMD和深度卷积网络预测之后基于误差统计二次预测得到的抗压强度的预测值与实际值的波形图。
图53是本发明实施例提供的EEMD和深度卷积网络预测之后基于误差统计二次预测得到的抗压强度的预测值与实际值的波形图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有技术中，以建立数学模型的方式取代人工随机抽样预测钢材力学性能的方式具有近似性，容易忽略在钢板被轧制的过程中出现的其他因素的影响。
传统的以LR作为预估模型，模型学习和抽象特征的能力会被严重限制。深度神经网络特征数的数量级不高，深度神经网络在搜索引擎中的应用还很不成熟。
针对现有技术存在的问题，本发明提供了一种基于EEMD和深度卷积网络的热轧钢性能预测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于EEMD和深度卷积网络的热轧钢性能预测方法，应用的热轧钢性能预测卷积结构包括一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层；
预测方法具体包括：
S101，基于集合经验模态分解的方式对热轧钢性能数据进行预处理。
S102，将每组对应的影响因素和内蕴模态函数作为x和y投入构建完成的卷积神经网络训练并预测每一个分量y。得到每一个分量y的预测值{y'i|i＝1,2,...,12}。
S103，将每一个分量的实际值与预测值相减得到实验误差，避免预测值与实际值之间不可避免地出现偏差的现象。
S104，针对上一步得到的实验误差，使用单变量正态分布的方式对实验误差进行拟合并预测，并得到实验误差的预测值。
S105，最后将卷积神经网络的热轧钢性能预测值和正态分布预测的实验误差预测值相加得到最终的热轧钢性能预测值。
步骤S101中，本发明实施例提供的基于集合经验模态分解的热轧钢性能数据预处理方法，具体包括：数据选取、数据清洗、数据标准化、热轧钢性能指标的EEMD分解、重要影响因素和对应内蕴模态函数的选取；
(1)数据选取：选取国内某大型热连轧线机组生产的大量热轧钢生产数据。输入数据包括出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷取温度(CT)；粗轧出口温度(RT)、终轧厚度(FDH)、剩余碳(Cs)和剩余氮(Ns)等；输出选用三种力学性能之一的抗拉强度。
(2)数据清洗：当数据的取值范围超过了表1所示参数的取值范围，则将该项删除；对于相同的输入却出现不同的输出的情况则将这条数据删除；如果出现数据缺失，就用上一项和下一项的平均值来代替。
表1参数的取值范围
Figure GDA0004068068030000061
Figure GDA0004068068030000071
(3)数据标准化：利用“最小—最大标准化”方法，最小—最大标准化是原始数据的线性转换。设minx和maxx分别为某一数据集的最小值和最大值，将数据集的一个原始值x通过最小-最大标准化映射成在区间[0,1]中的值x′，其公式为：
Figure GDA0004068068030000072
均方根误差：是预测值与实际值之间的误差的平方和预测数量n之比的平方根，在实际测量中，预测数量n始终是有限的，真值只能用最可靠(最优)值代替。均方根误差能很好地反映预测的精度是因为均方根误差对预测中的一组非常大或非常小的误差很敏感。
Figure GDA0004068068030000073
(4)热轧钢性能指标的EEMD分解：对数据进行清洗后，设置EEMD的Nstd(高斯白噪声标准差)为0.1，NE(添加噪声的次数)为100，并将数据分解为12个分量。
(5)重要影响因素和对应内蕴模态函数的选取：
1)选取出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷曲温度(CT)、粗轧出口温度(RT)、终轧温度(FDH)6个工艺参数和硅(Si)、锰(Mn)、磷(P)、铯(Cs)、铌化碳(NbC)、铌化氮(NbN)钢材中的6个化学元素共计12个作为影响因素，{xi|i＝1,2,...,12}；同时选取力学性能指标中的抗拉强度和抗压强度作为最终预测结果。
2)实际值分解：使用MATLAB软件编写集合经验模态分解函数，并用集合经验模态分解函数将热轧钢性能的实际值y分解为与12个影响因素相对应的12个内蕴模态函数{imfk|k＝1,2,...,12}。
3)分量与影响因素对应：将实际值分解为与12个影响因素对应的12个分量之后，由于在没有依据的情况下无法判断哪个分量与哪个影响因素对应，所以再次使用MATLAB软件测定每个影响因素与每个分量的相关系数(令imf＝y)；依据选择最大相关系数的原则，选择相关系数最高的两个x与y相互对应。
步骤S102，进一步包括基于EEMD和CNN的初步预测，
得到分量的基础上，利用卷积神经网络分别对分量分别进行预测，并将预测后的分量相加得到抗拉强度的预测结果；
其中EEMD参数设置为：Nstd高斯白噪声标准差为0.1，NE添加噪声的次数为100，数据个数为4096个；深度卷积网络参数设置为：卷积层为2层，每层卷积层64个卷积核，卷积窗口为4，激活函数为Relu函数，步长为64。
步骤S103进一步包括预测误差的分布统计，具体包括：
(1)拉强度的初步误差使用正态分布的方式进行预测；
(2)正态分布拟合的公式为：
Figure GDA0004068068030000081
利用最小二乘计算拟合公式中的参数，可以得到参数值：得到期望μ＝0.9270，标准差σ＝4.3958；
将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000082
(3)抗压强度的初步误差使用正态分布的方式进行预测；
(4)正态分布拟合的公式为：
Figure GDA0004068068030000083
利用最小二乘计算拟合公式中的参数，可以得到参数值：期望μ＝-5.3824，标准差σ＝4.2302。
最后将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000084
步骤S104进一步包括基于误差分布统计的二次预测，具体包括：
首先给出抗拉强度和抗压强度在EEMD+CNN预测之后不进行二次预测的结果图；
然后展示抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果。
下面结合具体实施例对本发明作进一步描述。
实施例
本发明实施例提供的基于EEMD和深度卷积网络的热轧钢性能预测方法，包括：
1、钢铁性能预测和深度神经网络
钢材的力学性能经由多年来国内外学者的研究得出，其与轧钢的制作工艺和其中的化学成分等众多因素都有关系，所以传统的数学模型并不能很好的拟合这种非线性的关系。由于神经网络可以构建非线性且复杂的关系模型，并可以在训练后得到未知数据之间的关系，有着很好的推广性。故本发明提出基于深度卷积网络的热轧钢性能预测方法。
1.1轧钢工艺
1.1.1轧钢工艺流程
热轧是由美国最早发明的用于大量生产钢板的工艺，热轧工艺将某一厚度的钢板加热到某一温度之后，在此温度的热状态下被粗轧、精轧和卷取等工序加工后得到符合技术要求和质量要求的产品。
热轧钢的工艺流程大概可以分为4步：
板坯管理、准备以及加热：对存放于板库库的已经进行过各种处理和检查后的合格板坯，根据用户的需求准备合适的板丕并送进加热炉加热到合适的温度，并送入下一道工序。
高压水除磷：加热的带材会在表面形成氧化层。为了保持板带的质量，板带必须被送往除鳞箱除去氧化层，才能进行被送去轧制。
粗轧：板坯在经过高压水除磷之后，被送入粗轧机组进行轧制，整个粗轧的过程由轧制系统控制。板坯在被粗轧完成后，会得到合适的温度、宽度和厚度。
精轧：在经过粗轧机组轧制后的带材被输送到精轧机进行精轧。粗轧和精轧之间需要再次进行除磷，并被切头去尾以便后面进行精轧。精轧过程仍由轧制计算机系统控制。
带钢冷却及卷取：由于卷取温度要求低，但带钢在精轧完成后的温度很高。所以卷取之前，采用层流冷却方法，这种冷却方法能够很快的降低带钢的温度。
1.1.2化学成分对热轧板带性能影响
经过许多专家的研究，钢中的各种化学元素对钢的性能都有影响。下文简要介绍几种，元素对于钢材的性能影响。
碳(C)元素在钢中是主要元素之一。随着含碳量的升高，作为钢材力学性能指标的屈服点和抗拉强度会随之升高。但碳的含量太多并非有益，例如，碳含量的增加会导致钢的塑性、冲击性降低和抗大气腐蚀的性能变差，如果钢材中碳的含量超过0.23％，就会导致钢的焊接性能变差。
锰(Mn)元素是影响钢性能的有益元素。它能使钢的耐磨性、强度和硬度的到提升。
硅(Si)元素在碳钢中的含量增加会提高热轧钢的抗拉强度和屈服点，但会导致延伸率的降低。同样的含Si量太高，超过0.8％到1.0％也会导致表面收缩率的降低和冲击韧性的显著降低。
硫(S)元素在钢材中一般情况是一种会造成危害的元素。其最大的害处是在热加工过程中引起钢材的开裂。它还可以与其他元素结合形成硫化物，而硫化物水平越高，钢材的韧性越低，从而导致钢材的热加工性能变坏容易出现裂痕，所以在加工时尽量减少硫元素的含量。
镍(Ni)元素是一种有益元素。它不仅可以增加钢材的强度，又可以使钢材保持良好的塑性和韧性。镍具有较高的耐酸碱腐蚀、耐高温防锈和耐热性能。
钼(Mo)元素能精炼钢材中的晶粒，提高硬度和热强度。在结构钢材中加入Mo可以改善其力学性能。
钛(Ti)元素是钢材中的一种常用脱氧剂化剂。这种元素的加入可以，使钢材的时效敏感性和冷脆性降低，并使钢材的焊接性能得到改善。
钒(V)元素只要在钢中被少量加入就可以提高钢的强度和韧性。这种元素和碳元素结合所形成的碳化物在高温高压下能使钢材对氢的耐蚀性提高。
铌(Nb)元素可以增加钢的回火稳定性，提高钢材的强度，但同时也会导致钢材的塑性和韧性些许下降。
铜(Cu)元素能够会使钢材的强度和韧性得到提高，尤其是在抗大气腐蚀性能上效果显著。但它会让钢材在在热加工的过程中出现热脆现象，且铜含量太高时会明显降低钢材的塑性。少量添加铜元素，对钢材的焊接性不会产生影响。
铝(AI)元素常常作为钢中的脱氧剂。其优点是只要在钢中被少量加入，就可以使钢材的抗氧化性、抗腐蚀性和冲击韧性得到提高。但它也有缺点，如果铝元素和氧气反应产生氧化物杂质就会降低钢材的强度、焊接性能。而且把铝元素与铬元素和硅元素同时加入，可使钢材的耐高温耐腐蚀的能力明显提升。硼(B)元素在钢材中加入少量的硼可以改善钢材的紧密性和热轧性能，增加其强度。
氮(N)元素能提高钢材的强度、低温韧性和可焊性，提高时效敏感性。如果氮元素含量过高会导致气泡在钢材中形成，这会降低钢材的性能。
1.1.3力学性能分析
在不同的环境中，承受各种外加载荷时所表现出的力学特征就是材料的力学性能。带钢的重要力学性能包括拉伸强度、屈服强度和延伸率。评价钢板性能的重要依据就是力学性能。现在对这三种力学性能指标进行介绍。
抗拉强度：指钢在拉应力的作用下被拉断前受到的最大拉应力。钢的拉伸强度越大，力学性能越好。
屈服强度：钢板的试样在被拉伸的过程中，钢板式样在负荷不增加或开始有所降低却仍然能够继续伸长时的应力。
延伸率：钢板在被外力拉伸直到拉断时，其伸长的长度和原样品长度的百分比称为延伸率。钢板的延伸率越高，钢板的延展性越好。
1.2EEMD及流程
对于非线性、非平稳信号，经验模态分解(EMD)是经典且适用的方法，针对此方法存在的模态混叠的这一问题，Wu等提出集合经验模态分解(EEMD)的方法有效减少了噪声的影响。EEMD是当附加白噪声在整个时频空间中均匀分布时，时频空间由不同尺度的分量组成，这些分量由滤波器组分离。EEMD的分解流程如图2所示。
1.3深度学习的理论基础
1.3.1人工神经网络基本单元
不管是浅层神经网络还是深层神经网络，最基本的组成成分都是神经元。
人工神经元模型的结构如图3所示。从图中可以看到神经元由输入、激活函数和输出组成。一个神经元可以有多个输入，每个输入x都有一个权值ω，还有一个偏置值b。Tanh函数、ReLU函数以及Sigmoid函数等都可以作为激活函数。
神经元的输出由如下公式计算：y＝f(w·x+b)。
1.3.2深度学习
深度学习的结构是一种多隐层的多层神经网络。但传统的BP神经网络训练算法无法用于深度神经网络，因为BP算法随着层数的递增发生梯度消失或爆炸等问题，导致效果越来越差。深度神经网络有很多层，所以必须采取其他方式进行深度神经网络的训练。深度学习的基本思想可以理解为对输入的分层表达。
深度训练过程：
第一阶段，使用从底层开始的非监督学习：
这一阶段从底层开始到顶层训练。具体来说，第一层是用未加标记的数据训练的，训练时先学习第一层的参数；往后在训练每一层时都把上一次的输出作为本层的输入数据，最终本发明可以得到各个层的参数。这一部分可被称为特征学习。
第二阶段，从上到下的监督学习(误差将从网络的顶部传递到底部，微调网络的参数)：
在第一步得到的各层参数的基础上，对整个多层神经网络的参数进行了进一步的精细调整，这是一个有监督的训练过程。由于深度学习是通过研究输入的数据来得到每一层的数据，和普通的随机初始化不完全相同，这样得到的初值能够最为接近全局最优。由于第一步的特征学习，使得深度学习的效果很好。
1.3.3卷积神经网络结构
日本学者福岛1984年提出的神经认知机可以说是第一个能够实现的卷积神经网络。一个基本卷积神经网络包括输入层、卷积层、池化层、全连接层、输出层五个部分。卷积神经网络的结构是通过卷积层、池化层、全连接层的交叉堆叠组成的。卷积层和池化层经常会成对出现，最后一层会连接全连接层。卷积网络卷积层中的神经元只连接到某些神经元，而不是连接到所有神经元。：局部连接、权重共享和空间或时间上的亚采样，是卷积神经网络三个结构上的特性。梯度下降的方法被应用到该网络模型以反向调整各层的权重，并使损失函数最小化，通过频繁迭代训练提高了网络的精度。其结构如图4所示。
2、基于集合经验模态分解的热轧钢性能数据预处理
现有技术中，钢材性能预测依然不成熟，因为热轧生产数据的有着波动和检测误差大、分布不均匀的等问题，而且钢材的力学性能受到各种工艺参数和化学元素的多重影响其机理非常复杂。同时钢材性能预测需要具备足够精度并且可靠性和泛化性都很优良。针对钢材的力学性能有着高维非线性的特点，本发明提出使用集合经验模态分解(EEMD)这一方法，将复杂的高维非线性问题拆分为若干子问题，构建各因素的子模型，揭示成分、工艺对热轧带钢力学性能的作用机理。
2.1数据来源及预处理
2.1.1数据来源
本发明选取国内某大型热连轧线机组生产的大量热轧钢生产数据。输入数据包括出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷取温度(CT)；粗轧出口温度(RT)、终轧厚度(FDH)、剩余碳(Cs)和剩余氮(Ns)等。
输出选用三种力学性能之一的抗拉强度。
2.1.2数据清洗
在得到了实验所需的的数据之后不能直接拿来使用，因为实际值中可能会有一些不真实的或者因为一些原因出错的数据，这些数据直接拿来进行实验会对实验结果造成影响，所以在实验之前先对数据进行清洗，当数据的取值范围超过了表1所示参数的取值范围，则将该项删除。对于相同的输入却出现不同的输出的情况则将这条数据删除。如果出现数据缺失，就用上一项和下一项的平均值来代替。
2.1.3数据标准化
本发明在实际收集数据时通常会收集到的是多维数据。具有不同维度的影响因子它的数量级及量纲单位不同，直接将这些不同维度的数据用于训练会很大影响模型的精度，并且很可能会无法收敛到最优解。因此，数据标准化是训练深度神经网络之前的必要步骤。它可以使数据指标具有可比性。因为在原始数据标准化之后，指标的数量级都是相同的，网络的性能会得到提升。
数据标准化有多种方法，如最小-最大标准化和Z-评分标准化.在这里选择“最小-最大标准化”。
最小—最大标准化：最小—最大标准化是原始数据的线性转换。设minx和maxx分别为某一数据集的最小值和最大值，将数据集的一个原始值x通过最小-最大标准化映射成在区间[0,1]中的值x′,其公式为：
Figure GDA0004068068030000101
表1参数的取值范围
Figure GDA0004068068030000102
Figure GDA0004068068030000111
均方根误差：是预测值与实际值之间的误差的平方和预测数量n之比的平方根，在实际测量中，预测数量n始终是有限的，真值只能用最可靠(最优)值代替。均方根误差能很好地反映预测的精度是因为均方根误差对预测中的一组非常大或非常小的误差很敏感。
Figure GDA0004068068030000112
2.2热轧钢性能指标的EEMD分解
(1)用于的EEMD分解的数据是从国内某热连轧产线所收集到的近2年的7万多条数据。为了去除一些不真实的数据和虚假数据，所以对数据用1.1.2节的方法进行清洗以减小对预测效果的影响。
最终选取的抗拉强度图像如图5至图8所示。
有了待分解的数据之后，设置EEMD的Nstd(高斯白噪声标准差)为0.1，NE(添加噪声的次数)为100。为了将数据分解为12个分量，从7000多条数据中选取4096条进行分解。分解后的12个分量的结果如图9和图10所示。
2.3重要影响因素和对应内蕴模态函数的选取
由于钢材的力学性能和众多影响因素有关，因此需要寻找合适的影响因素以提高热轧钢性能预测模型的性能。由于各种因素对钢材性能的影响不仅多种多样而且规律复杂，故需借鉴众多学者使用随机森林等分析方法并结合冶金机理的分析结果。选取出炉温度(FT)、精轧入口温度(FET)、终轧温度(FDT)、卷曲温度(CT)、粗轧出口温度(RT)、终轧温度(FDH)6个工艺参数和硅(Si)、锰(Mn)、磷(P)、铯(Cs)、铌化碳(NbC)、铌化氮(NbN)钢材中的6个化学元素共计12个作为影响因素，{xi|i＝1,2,...,12}。同时选取力学性能指标中的抗拉强度和抗压强度作为最终预测结果。
实际值分解：使用MATLAB软件编写集合经验模态分解函数，并用集合经验模态分解函数将热轧钢性能的实际值y分解为与12个影响因素相对应的12个内蕴模态函数{imfk|k＝1,2,…,12}。
分量与影响因素对应：将实际值分解为与12个影响因素对应的12个分量之后，由于在没有依据的情况下无法判断哪个分量与哪个影响因素对应，所以再次使用MATLAB软件测定每个影响因素与每个分量的相关系数。抗拉强度和抗压强度的相关系数如下表2和表3所示(为了方便起见，令imf＝y)：
表2抗拉强度影响因素x，内蕴模态函数y之间的相关系数
Figure GDA0004068068030000121
表3抗拉强度影响因素x,内蕴模态函数y之间的相关系数
Figure GDA0004068068030000122
Figure GDA0004068068030000131
依据选择最大相关系数的原则，选择相关系数最高的两个x与y相互对应，其结果如下表4和表5所示：
表4抗拉强度x,y之间的最终对应结果
y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12
x11 x8 x10 x9 x6 x12 x7 x3 x4 x2 x5 x1
表5抗压强度x,y之间的最终对应结果
y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12
x11 x8 x10 x6 x12 x9 x7 x3 x4 x2 x5 x1
最后展示抗拉强度与抗压强度对应完成的后的x与y的部分图像
(1)其中抗拉强度分量y与其对应的x图像如图11至图16所示。
(2)其中抗拉强度分量y与其对应的x图像如图17至图22所示。
2.4效果
在使用集合经验模态分解对热轧钢的性能进行分解之后，得到了与12个影响因素相对应的热轧钢性能实际值的12个内蕴模态函数，使得每个x按最大相关系数关联原则找到一个对应的y，在此基础上，将影响因素作为自变量，与其对应的内蕴模态函数作为因变量进行深度卷积网络预测，为深度卷积网络得出预测值提供便利。
3、集合经验模态分解和深度卷积网络的热轧钢性能预测
3.1基于深度卷积网络的钢铁性能预测模型构建
3.1.1基于卷积神经网络钢铁性能预测模型结构
热轧钢性能预测卷积结构如图23所示，设置了一个输入层，两个卷积层，两个池化层，一个全连接层，一个输出层。
3.1.2基于卷积神经网络钢铁性能预测过程
本发明已经找出有12个显著影响因素，并为这12个影响因素{xi|i＝1,2,...,12}找到了于其对应的12个内蕴模态函数{imfi|i＝1,2,...,12}。为了得到最终的热轧钢性能预测值，进行如下步骤：
(1)将每组对应的影响因素和内蕴模态函数作为x和y投入构建完成的卷积神经网络训练并预测每一个分量y。得到每一个分量y的预测值{y'i|i＝1,2,...,12}。
(2)将每一个分量的实际值与预测值相减得到实验误差，避免预测值与实际值之间不可避免地出现偏差的现象。
(3)针对上一步得到的实验误差，使用单变量正态分布的方式对实验误差进行拟合并预测，并得到实验误差的预测值。
(4)最后将卷积神经网络的热轧钢性能预测值和正态分布预测的实验误差预测值相加得到最终的热轧钢性能预测值。
3.2实验验证分析
3.2.1基于EEMD和CNN的初步预测
(1)在上一步的得到12个分量的基础上，利用卷积神经网络分别对12个分量分别进行预测，并将预测后的12个分量相加得到抗拉强度的预测结果。其中EEMD参数设置为：Nstd(高斯白噪声标准差)为0.1，NE(添加噪声的次数)为100，数据个数为4096个。深度卷积网络参数设置为：卷积层为2层，每层卷积层64个卷积核，卷积窗口为4，激活函数为Relu函数，步长为64。
(a)抗拉强度预测值与实际值之间的波形对比如图24所示；抗压强度预测值与实际值之间的波形对比如图25所示。
(b)排序后抗拉强度预测值与实际值之间的波形对比如图26所示；排序后抗压强度预测值与实际值之间的波形对比如图27所示。
(c)实验的均方根误差如下6表所示：
表6实验的均方根误差
力学性能 指标属性 未进行误差预测
抗拉强度 均方根误差 4.3857
抗压强度 均方根误差 4.8887
3.2.2初步预测误差的分布统计
(1)由于实际值和预测值之间不可避免地会出现误差，现将误差求出并画出误差分布直方图，直方图如图28所示。
从直方图可以看出，抗拉强度的初步误差基本符合正态分布，可以使用正态分布的方式来进行预测。
(2)正态分布拟合的公式为：
Figure GDA0004068068030000141
利用最小二乘计算拟合公式中的参数，可以得到参数值：得到期望μ＝0.9270，标准差σ＝4.3958。
最后将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000142
(3)由于实际值和预测值之间不可避免地会出现误差，现将误差求出并画出误差分布直方图，直方图如图29所示。
从直方图可以看出，抗压强度的初步误差基本符合正态分布，可以使用正态分布的方式来进行预测。
(4)正态分布拟合的公式为：
Figure GDA0004068068030000143
利用最小二乘计算拟合公式中的参数，可以得到参数值：期望μ＝-5.3824，标准差σ＝4.2302。
最后将参数代入得到完整的正态分布拟合公式：
Figure GDA0004068068030000144
3.2.3基于误差分布统计的二次预测
由于上一步已经求出正态分布拟合的公式，则可以在正态分布拟合公式的基础上对得到的结果进行误差分布统计的二次预测。
(1)首先给出抗拉强度和抗压强度在EEMD+CNN预测之后不进行二次预测的结果图。抗拉强度和抗压强度EEMD+CNN的预测值与实际值之间的波形对比图，分别如图30和31所示；排序后抗拉强度和抗压强度EEMD+CNN的预测值与实际值之间的波形对比图，分别如图32和33所示。
(2)然后展示抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果。抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果波形图，分别如图34和36所示；排序后抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果波形图，分别如图35和37所示。
(3)在经过图像对比之后，继续用表格的形式对比两种方法的精度。精度对比如下表7所示：
表7基于误差分布统计的二次预测之后的均方根误差
力学性能 指标属性 进行误差预测之前 进行误差预测之后
抗拉强度 均方根误差 4.3857 0.7137
抗压强度 均方根误差 4.8887 0.8717
3.3与其他预测方法的比较
3.3.1与传统BP神经网络比较
由于传统的BP神经网络理论有着坚实的理论基础和严格的推导过程，虽然它有一些不足，但它仍然是人工神经网络算法中最经典和最广泛使用的模型之一。利用BP神经网络对热轧钢的性能进行了预测，并与本发明方法比较。现构建三层神经网络模型，激活函数使用传统的simgoid函数，训练算法使用matlab内置的levenberg-Marquardt进行训练，并得出预测值，现给出BP神经网络直接预测得到的结果图，抗拉强度的预测值与实际值的波形图如图38所示，排序后的抗拉强度的预测值与实际值如图39所示，抗压强度的预测值与实际值的波形图如图40所示，排序后的抗压强度的预测值与实际值如图41所示。
3.3.2与深度卷积网络直接预测的方式比较
首先比较本发明的方法与深度卷积网络直接预测的方法的效果差异。在不经过EEMD分解的情况下将数据中的热轧钢性能实际值投入上文已经构建好的深度卷积网络中进行训练并预测。现给出深度卷积网络直接预测得到的结果图，抗拉强度的预测值与实际值的波形图如图所示42所示，排序后的抗拉强度的预测值与实际值如图43所示，抗压强度的预测值与实际值的波形图如图44所示，排序后的抗压强度的预测值与实际值如图45所示。
3.3.3EEMD和深度卷积网络预测
抗拉强度的预测值与实际值的波形图如图46所示，排序后的抗拉强度的预测值与实际值如图47所示，抗压强度的预测值与实际值的波形图如图48所示，排序后的抗压强度的预测值与实际值如图49所示。
3.3.4EEMD和深度卷积网络预测之后基于误差统计二次预测
抗拉强度的预测值与实际值的波形图如图50所示，排序后的抗拉强度的预测值与实际值如图51所示，抗压强度的预测值与实际值的波形图如图52所示，抗压强度的预测值与实际值的波形图如图53所示。
在展示了四种热轧钢预测方式的波形图和排序后的波形图之后。为了更加精确的对比四种预测方式的预测精度，接下来在表格中分别列出四种预测方式的均方根误差，以此来对四种预测方式进行精度分析。
下面给出上文提过的四种预测方式的均方误差表格，如表8所示
表8上文提到的四种方法的均方根误差集中比较
Figure GDA0004068068030000151
普通BP神经网络虽然在钢铁性能预测上有一定效果，但依然存在不足。深度卷积网络虽然比普通BP神经网络的预测精度更高，但直接将热轧钢性能实际值进行预测方法的精度还是比在经过EEMD分解之后再使用深度卷积网络预测方法的精度低。同时从表8中可以看出在EEMD之后用深度卷积网络得出预测值以后再利用统计学方法进行误差预测可以使精度再次提高。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，所述基于EEMD和深度卷积网络的热轧钢性能预测方法包括以下步骤：
步骤一，基于集合经验模态分解的方式对热轧钢性能数据进行预处理；
步骤二，将每组对应的影响因素和内蕴模态函数作为x和y投入构建完成的卷积神经网络训练并预测每一个分量y；得到每一个分量y的预测值{y'i|i＝1,2,...,12}；
步骤三，将每一个分量的实际值与预测值相减得到实验误差；
步骤四，对得到的实验误差，使用单变量正态分布的方式对实验误差进行拟合并预测，并得到实验误差的预测值；
步骤五，最后将卷积神经网络的热轧钢性能预测值和正态分布预测的实验误差预测值相加得到最终的热轧钢性能预测值。
2.如权利要求1所述的基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，步骤一，所述基于集合经验模态分解的热轧钢性能数据预处理方法，具体包括：
数据选取，选取大型热连轧线机组生产的大量热轧钢生产数据；输入数据包括出炉温度、精轧入口温度、终轧温度、卷取温度；粗轧出口温度、终轧厚度、剩余碳和剩余氮；输出数据选用抗拉强度；
数据清洗，当数据的取值范围超过参数的取值范围，将范围超过参数删除；对于相同的输入出现不同的输出的情况则将范围超过参数数据删除；若数据缺失，用上一项和下一项的平均值代替；
数据标准化，利用最小、最大标准化方法进行原始数据的线性转换；minx和maxx分别为某一数据集的最小值和最大值，将数据集的一个原始值x通过最小、最大标准化映射成在区间[0,1]中的值x′,公式为：
Figure FDA0003918495860000011
利用均方根误差预测的精度，为：
Figure FDA0003918495860000012
热轧钢性能指标的EEMD分解，对数据进行清洗后，设置EEMD的Nstd为0.1，NE为100，并将数据分解为12个分量；
重要影响因素和对应内蕴模态函数的选取。
3.如权利要求2所述的基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，所述重要影响因素和对应内蕴模态函数的选取方法包括：
1)选取出炉温度、精轧入口温度、终轧温度、卷曲温度、粗轧出口温度、终轧温度工艺参数和硅、锰、磷、铯、铌化碳、铌化氮钢材中的化学元素作为影响因素，{xi|i＝1,2,...,12}；同时选取力学性能指标中的抗拉强度和抗压强度作为最终预测结果；
2)实际值分解：使用MATLAB软件编写集合经验模态分解函数，并用集合经验模态分解函数将热轧钢性能的实际值y分解为与影响因素相对应的内蕴模态函数{imfk|k＝1,2,...,12}；
(3)分量与影响因素对应：将实际值分解为与影响因素对应的分量之后，再次使用MATLAB软件测定每个影响因素与每个分量的相关系数，令imf＝y；依据选择最大相关系数的原则，选择相关系数最高的两个x与y相互对应。
4.如权利要求1所述的基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，步骤二，进一步包括基于EEMD和CNN的初步预测，
得到分量的基础上，利用卷积神经网络分别对分量分别进行预测，并将预测后的分量相加得到抗拉强度的预测结果；
其中EEMD参数设置为：Nstd高斯白噪声标准差为0.1，NE添加噪声的次数为100，数据个数为4096个；深度卷积网络参数设置为：卷积层为2层，每层卷积层64个卷积核，卷积窗口为4，激活函数为Relu函数，步长为64。
5.如权利要求1所述的基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，步骤三进一步包括预测误差的分布统计，具体包括：
(1)抗拉强度的初步误差使用正态分布的方式进行预测；
(2)正态分布拟合的公式为：
Figure FDA0003918495860000021
利用最小二乘计算拟合公式中的参数，可以得到参数值：得到期望μ＝0.9270，标准差σ＝4.3958；
将参数代入得到完整的正态分布拟合公式：
Figure FDA0003918495860000022
(3)抗压强度的初步误差使用正态分布的方式进行预测；
(4)正态分布拟合的公式为：
Figure FDA0003918495860000023
利用最小二乘计算拟合公式中的参数，可以得到参数值：期望μ＝-5.3824，标准差σ＝4.2302；
最后将参数代入得到完整的正态分布拟合公式：
Figure FDA0003918495860000031
6.如权利要求1所述的基于EEMD和深度卷积网络的热轧钢性能预测方法，其特征在于，步骤四进一步包括基于误差分布统计的二次预测，具体包括：
首先给出抗拉强度和抗压强度在EEMD+CNN预测之后不进行二次预测的结果图；
然后展示抗拉强度和抗压强度的EEMD+CNN+误差统计分布的预测结果。
7.一种实施权利要求1所述基于EEMD和深度卷积网络的热轧钢性能预测方法的基于EEMD和深度卷积网络的热轧钢性能预测系统。
8.一种如权利要求1所述基于EEMD和深度卷积网络的热轧钢性能预测方法的热轧钢性能预测卷积结构，其特征在于，所述热轧钢性能预测卷积结构包括一个输入层、两个卷积层、两个池化层、一个全连接层及一个输出层。
9.一种实现权利要求1～6任意一项所述基于EEMD和深度卷积网络的热轧钢性能预测方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的基于EEMD和深度卷积网络的热轧钢性能预测方法。
CN201910768954.XA 2019-08-20 2019-08-20 一种基于eemd和深度卷积网络的热轧钢性能预测方法 Expired - Fee Related CN110472349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910768954.XA CN110472349B (zh) 2019-08-20 2019-08-20 一种基于eemd和深度卷积网络的热轧钢性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910768954.XA CN110472349B (zh) 2019-08-20 2019-08-20 一种基于eemd和深度卷积网络的热轧钢性能预测方法

Publications (2)

Publication Number Publication Date
CN110472349A CN110472349A (zh) 2019-11-19
CN110472349B true CN110472349B (zh) 2023-04-07

Family

ID=68512015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910768954.XA Expired - Fee Related CN110472349B (zh) 2019-08-20 2019-08-20 一种基于eemd和深度卷积网络的热轧钢性能预测方法

Country Status (1)

Country Link
CN (1) CN110472349B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461481A (zh) * 2020-02-25 2020-07-28 国网河南省电力公司电力科学研究院 基于神经网络的输电线缆质量分析方法
CN112329339B (zh) * 2020-10-27 2022-07-19 河北工业大学 一种风电场短期风速预测方法
CN114021765A (zh) * 2021-04-29 2022-02-08 宝山钢铁股份有限公司 一种对连续退火钢卷的气体渗氮过程的控制与调整方法
CN113780618B (zh) * 2021-06-22 2024-06-21 冶金自动化研究设计院 基于自然语言处理和随机森林的特钢生产锭型预测方法
TWI785945B (zh) * 2021-12-23 2022-12-01 中國鋼鐵股份有限公司 熱軋鋼材的板形預測系統
CN116148069B (zh) * 2023-04-20 2023-06-27 河北亿泰克轴承有限公司 一种轴承拉伸强度检测装置及检测方法
CN117272782B (zh) * 2023-08-07 2024-06-21 兰州理工大学 基于自适应多支路深度可分离的热轧钢力学性能预测方法
CN118098459B (zh) * 2024-04-22 2024-07-05 国合通用(青岛)测试评价有限公司 一种材料测试数据自动化分析系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220708A (ja) * 2010-04-05 2011-11-04 Jfe Steel Corp 鋼材の材質予測装置
CN107609647A (zh) * 2017-10-16 2018-01-19 安徽工业大学 一种基于bp神经网络轧辊合金力学性能预测方法
CN107704920A (zh) * 2017-10-16 2018-02-16 安徽工业大学 一种基于bp神经网络轧辊合金接触疲劳性能预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971026B (zh) * 2017-03-08 2020-06-16 武汉科技大学 基于全局可加模型的微合金钢力学性能预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220708A (ja) * 2010-04-05 2011-11-04 Jfe Steel Corp 鋼材の材質予測装置
CN107609647A (zh) * 2017-10-16 2018-01-19 安徽工业大学 一种基于bp神经网络轧辊合金力学性能预测方法
CN107704920A (zh) * 2017-10-16 2018-02-16 安徽工业大学 一种基于bp神经网络轧辊合金接触疲劳性能预测方法

Also Published As

Publication number Publication date
CN110472349A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110472349B (zh) 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN111950854B (zh) 一种基于多层神经网络的焦炭质量指标预测方法
CN114897227B (zh) 基于改进随机森林算法的多钢种力学性能预报方法
WO2023168916A1 (zh) 一种基于不锈钢极薄带退火工艺神经网络模型优化方法
CN103927412B (zh) 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
WO2021004198A1 (zh) 一种板材性能的预测方法及装置
CN107220498B (zh) 一种机械材料评价方法及其系统
CN111260116A (zh) 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法
CN106897774A (zh) 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法
Liu et al. Study on combining subtractive clustering with fuzzy c-means clustering
Li et al. Deep learning for predictive mechanical properties of hot-rolled strip in complex manufacturing systems
CN114971227A (zh) 一种基于marcos方法的配电网设备风险评估方法
Zhao et al. Prediction of mechanical properties of cold rolled strip based on improved extreme random tree
CN113360730A (zh) 一种基于过滤器和rf-rfe算法的特征选择方法
CN105843212A (zh) 一种高炉故障诊断系统及方法
CN106777466A (zh) 基于st‑upfnn算法的高含硫天然气净化工艺的动态演化建模方法
He et al. Prediction of mechanical properties of hot rolled strips with generalized RBFNN and composite expectile regression
Chen et al. Prediction model based on XGBoost for mechanical properties of steel materials
Dong et al. Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models
Li et al. Financial time series forecasting model based on EMD and Rolling Grey Model
CN112966870B (zh) 一种基于神经网络的冷轧硅钢质量缺陷预测方法
Chen et al. Mechanical properties prediction of tire cord steel via multi-stage neural network with time-series data
Li et al. MDA-JITL model for on-line mechanical property prediction
Wang et al. A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel
Su et al. A Two-Stage Multi-Target Domain Adaptation Framework for Prediction of Key Performance Indicators Based on Adversarial Network

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230407