CN111222627A - 一种镀层控制的气刀距离数据驱动预测方法 - Google Patents

Abstract

一种镀层控制的气刀距离数据驱动预测方法，采集带钢的生产数据，包括：目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度；建立三层神经网络模型，并选取单隐层神经网络隐含层和输出层的传递函数；采用遍历方法确定隐层神经网络的训练函数；采用快速非支配排序遗传算法对隐层神经网络模型进行优化；利用神经网络结合快速非支配排序遗传算法来预测气刀距离，克服了在镀层厚度控制过程中参数检测困难、精度差、以及滞后大的缺陷，不仅控制精度高，而且运算速度快。本发明利用大量的生产过程数据通过直接在计算机上编程，即可实现投入使用，成本十分低廉。

Description

一种镀层控制的气刀距离数据驱动预测方法

技术领域

本发明涉及汽车的冷轧热镀锌过程镀层控制技术领域，特别涉及一种镀层控制的气刀距离数据驱动预测方法。

背景技术

气刀距带钢的距离调整是热镀锌控制镀层厚度的主要手段之一，它对气体压力的分布影响也较大。气刀距带钢的距离越精确则对镀层的稳定控制越有利。目前，现有的实际生产操作中，是由操作人员来进行手动操作，由于操作经验的不同，经常会出现操作气刀距离偏差过大，这使得在带钢板形差或焊缝通过时，带钢极易刮蹭到刀唇，从而造成板带划痕或气刀堵塞，进而影响镀层质量。另外，在动态变规格时，镀锌前后带钢的目标镀层厚度变化较大，气刀距离预设定的精确性，直接决定后续镀层厚度的控制精度，如果预设偏差较大，甚至会导致镀层厚度无法稳定控制的严重问题。所以，气刀距离控制的好与坏对镀层厚度的控制精度影响很大。

专利CN201610115522.5涉及一种连续热镀锌气刀刀距自动控制方法，该专利通过采用气刀距离预设定控制、气刀距离前馈控制和气刀距离反馈控制的综合控制方法，实现热镀锌过程中气刀距离的自动控制，但未涉及数据驱动的刀距预设定计算方法。专利CN201810446630.X涉及一种冷轧热镀锌钢板横向镀层均匀性控制方法，属于镀层均匀性技术领域，并未涉及变规格的刀距设定方法。

如上所述，随着用户对于产品质量的要求日益提高，传统的机理方法已经很难有较大的进步与改善。本发明针对热镀锌在动态变规格时，目标镀层厚度变化较大的情况下，应用数据驱动的方法来实现气刀距离调整的精准预测，进而避免因气刀距离不准确而无法实现镀层自动控制的问题。

发明内容

为了解决背景技术中所述问题，本发明提供一种镀层控制的气刀距离数据驱动预测方法，可以加快增量式运动结构恢复算法的计算效率，并提高生成点云模型的质量。

为了达到上述目的，本发明采用以下技术方案实现：

一种镀层控制的气刀距离数据驱动预测方法，包括以下步骤：

步骤1：采集带钢的生产数据，包括：目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度；

步骤2：对采集到的生产数据进行预处理，包括：计算各生产数据的平均值和标准差、对生产数据的异常值进行剔除、对剔除异常值后的生产数据进行平滑处理、对平滑处理后的生产数据进行归一化处理；

步骤3：建立三层神经网络模型，包括：采用经验公式计算经验值，然后在经验值±20％的区间内进行遍历搜索，获得隐含层神经元节点数n；遍历搜索0.1～0.5，确定隐层神经网络学习率lr；组合purelin、logsig和tansig传递函数，产生6种组合，并选取单隐层神经网络隐含层和输出层的传递函数；采用遍历方法确定隐层神经网络的训练函数；

步骤4：采用快速非支配排序遗传算法对隐层神经网络模型进行优化；

1)设置最大进化代数E_max，并令当前进化代数E＝1；

2)根据训练函数对隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的隐层神经网络模型中,进行预测并输出预测结果；

3)计算隐层神经网络模型的训练误差；

4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串；

5)随机产生一个由n个个体组成的种群，由该种群代表可能解的集合；

6)对种群中的每个个体i进行快速非支配排序，判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)；

7)将所选取的个体组成为新的种群，并进行遗传操作，包括：选择操作、交叉操作、变异操作；

8)判断当前进化数E是否小于最大进化数E_max，若是，则返回步骤2)，若否则输出优化后隐层神经网络模型的权值和阈值，继续步骤5；

步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。

进一步地，所述的步骤4中，第6)步具体如下：

步骤4.6.1：对于种群中的每个个体i，考察它所支配的个体集S_i，找到所有解个体的数量n_i＝0的个体i，并将个体i存入当前集合F₁中；

步骤4.6.2：对于当前集合F₁中的每个个体j，考察它所支配的个体集S_j，将集合S_j中的每个个体k的解个体的数量n_k减去1，若n_k-1＝0，则将个体k存入另一个集合H中；

步骤4.6.3：将当前集合F₁作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序i_rank，然后继续对集合H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级；

步骤4.6.4：计算群体中每个个体i的两个属性：非支配序i_rank和拥挤度i_d；

步骤4.6.5：判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)。

进一步地，所述的步骤4中，第7)步具体如下：

选择操作：从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差，计算每个个体的适应度，选择适应度较小的b个个体作为双亲用于繁殖后代，产生新的个体；

选择操作采用锦标赛选择法，适应度函数如公式(1)所示：

其中，F为适应度函数，k为常数，y_i为第i个个体的真实值，

为第i个个体的预测值；

交叉操作：根据交叉概率随机选择用于繁殖的每一对个体的同一基因位，将其染色体在此基因位断开并相互交换，模拟二进制选择法的公式如公式(2)所示：

其中，x′₁和x′₂分别为被选中的用来交叉的两个染色体，x₁和x₂分别为经过交叉后的两个染色体，γ_i为交叉位置参数；

所述交叉位置参数γ_i的计算公式如公式(3)所示：

其中，μ_i为在0～1内的随机数，η为常数1；i为第i个采样个体；f为交叉概率；

变异操作：根据变异概率随机从群体中选择c个个体，对于选中的个体，根据高斯分布，随机选择一位用随机数进行代替。

与现有技术相比，本发明的有益效果是：

本发明提出了一种基于数据驱动的热镀锌气刀距离预测方法，利用神经网络结合快速非支配排序遗传算法来预测气刀距离，克服了在镀层厚度控制过程中参数检测困难、精度差、以及滞后大的缺陷，不仅控制精度高，而且运算速度快。本发明利用大量的生产过程数据通过直接在计算机上编程，即可实现投入使用，成本十分低廉。

附图说明

图1本发明的气刀控制过程示意图；

图2本发明的气刀距离预设定示意图；

图3本发明的应用效果曲线图1；

图4本发明的应用效果曲线图2。

具体实施方式

以下结合附图对本发明提供的具体实施方式进行详细说明。

本实例是在某连续热镀锌线生产厂进行的，该生产线产品定位为建筑家电板、汽车板，生产工艺采用改良森吉米尔法，年产量大约80万吨。采用的气刀来自德国FOEN公司，生产线设备和电气及自动控制系统来自德国SIEMENS公司。镀锌层厚度范围为80-276g/m²，板宽为1004～1256mm，带钢速度变化范围为40～150m/min，气刀控制过程如图1所示。

具体实施步骤如图2：

步骤1：本实施例中，采集某热镀锌的生产数据，包括目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度，共计200个钢卷，数据包含22个特征。选取其中对于气刀距离影响最大的5个特征进行研究。

步骤2：对采集到的生产数据进行预处理，包括去除异常值、平滑处理和归一化：

(1)计算各生产数据的平均值和标准差

本实施例中，计算各生产数据的平均值

和标准差S_x见公式(1)和公式(2)：

其中，m为生产数据的个数，x_i为第i个生产数据。

(2)对生产数据的异常值进行剔除

本实施例中，对生产数据中的异常值进行剔除的方式为拉衣达准则，对满足公式(3)的生产数据进行异常值剔除：

(3)对剔除异常值后的生产数据进行平滑处理

本实施例中，采用5点3次平滑法对剔除异常值后的生产数据进行平滑处理，见公式

(4)：

其中，Y_i为第i个剔除异常值后的生产数据，

为Y_i平滑后的值。

(4)对平滑处理后的生产数据进行归一化处理

本实施例中，采用最大最小归一化法对平滑处理后的生产数据进行归一化处理，见公式(5)：

其中，

为第i个数据归一化后的值，x_i为第i个数据的初始值，x_min为数据集中的最小值，x_max为数据集中的最大值。

步骤3：建立隐层神经网络模型，具体步骤如下：

(1)采用经验公式计算经验值，然后在经验值±20％的区间范围内进行遍历搜索，获得最优的隐含层神经元节点数n。所述经验公式如公式(6)所示：

n＝log₂ T (6)

其中，T为输入特征数，n为隐含层神经元节点数。

本实施例中，根据经验公式并考虑可能存在误差，综合测试神经元数目为5～9的所有情况，最终确定7个节点为最优。

(2)遍历搜索0.1～0.5，确定最优的单隐层神经网络学习率lr。

本实施例中，以0.1为增量，从0.1至0.5分别测试5次，寻找到最优的学习率为0.2。

(3)两两组合purelin、logsig及tansig传递函数，产生6种组合，分别测试并选取最优的组合作为单隐层神经网络隐含层和输出层的传递函数。本实施例中，经过测试，选择logsig和purelin分别作为隐含层和输出层的传递函数。

(4)遍历常用的方法，选择最优的单隐层神经网络的训练函数。

本实施例中，确定列文伯格-马夸尔特法(L-M法)为最优的训练函数。

步骤4：采用快速非支配排序遗传算法对神经网络模型进行优化，具体步骤如下：

(1)设置最大进化代数E_max，并令当前进化代数E＝1，本实施例中，设置最大进化代数E_max＝100。

(2)根据训练函数对单隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的单隐层神经网络模型中进行预测并输出预测结果。

(3)计算单隐层神经网络的训练误差。

(4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串。

(5)随机产生一个由n个个体组成的种群，由该种群代表可能解的集合。本实施例中，测试种群规模为30、40、50、60的情况，依次遍历搜索，确定最佳种群数为50，即令n＝50。

(6)对种群中的每个个体i进行快速非支配排序，具体步骤如下：

步骤4.6.1：对于种群中的每个个体i，考察它所支配的个体集S_i，找到所有解个体的数量n_i＝0的个体i，并将个体i存入当前集合F₁中。

步骤4.6.2：对于当前集合F₁中的每个个体j，考察它所支配的个体集S_j，将集合S_j中的每个个体k的解个体的数量n_k减去1，若n_k-1＝0，则将个体k存入另一个集合H中。

步骤4.6.3：将当前集合F₁作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序i_rank，然后继续对集合H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级。

步骤4.6.4：计算群体中每个个体i的两个属性：非支配序i_rank和拥挤度i_d。

步骤4.6.5：判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤(7)，若不同，则取非支配序级别较小的个体，继续步骤(7)。

(7)将所选取的个体组成为新的种群，并进行遗传操作，具体步骤如下：

选择操作：从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差，计算每个个体的适应度，选择适应度较小的b个个体作为双亲用于繁殖后代，产生新的个体。

本实施例中，选择操作采用锦标赛选择法，适应度函数如公式(7)所示：

其中，F为适应度函数，k为常数，y_i为第i个个体的真实值，

为第i个个体的预测值。

交叉操作：根据交叉概率随机选择用于繁殖的每一对个体的同一基因位，将其染色体在此基因位断开并相互交换，模拟二进制选择法的公式如公式(8)所示：

其中，x₁和x₂分别为被选中的用来交叉的两个染色体，x′₁和x′₂分别为经过交叉后的两个染色体，γ_i为交叉位置参数。

所述交叉位置参数γ_i的计算公式如公式(9)所示：

其中，μ_i为在0～1内的随机数，η为常数1。i为第i个采样个体；f为交叉概率；

本实施例中，交叉概率一般选择较大的值，以0.1为增量，测试0.6～0.9这4种情况，交叉概率为0.8时，模型的性能最优，故选择交叉概率为0.8。

变异操作：根据变异概率随机从群体中选择c个个体，对于选中的个体，根据高斯分布，随机选择一位用随机数进行代替。

(8)判断当前进化代数E是否小于最大进化代数E_max，若是，则返回步骤(2)，若否，则输出优化后单隐层神经网络模型的权值和阈值，继续步骤5。

步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。

根据工业生产的要求，实际刀距在设定值±0.1mm内视为合格，那么由图3-4可以看出，采用本发明提出的预测模型进行预测有95.2％的刀距预设符合要求，相对于现有实际情况中仅有59.6％的刀距预设合格是很有优势的。

以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解。其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种镀层控制的气刀距离数据驱动预测方法，其特征在于，包括以下步骤：

步骤1：采集带钢的生产数据，包括：目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度；

步骤2：对采集到的生产数据进行预处理，包括：计算各生产数据的平均值和标准差、对生产数据的异常值进行剔除、对剔除异常值后的生产数据进行平滑处理、对平滑处理后的生产数据进行归一化处理；

步骤3：建立三层神经网络模型，包括：采用经验公式计算经验值，然后在经验值±20％的区间内进行遍历搜索，获得隐含层神经元节点数n；遍历搜索0.1～0.5，确定隐层神经网络学习率lr；组合purelin、logsig和tansig传递函数，产生6种组合，并选取单隐层神经网络隐含层和输出层的传递函数；采用遍历方法确定隐层神经网络的训练函数；

步骤4：采用快速非支配排序遗传算法对隐层神经网络模型进行优化；

1)设置最大进化代数E_max，并令当前进化代数E＝1；

2)根据训练函数对隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的隐层神经网络模型中,进行预测并输出预测结果；

3)计算隐层神经网络模型的训练误差；

4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串；

5)随机产生一个由n个个体组成的种群，由该种群代表可能解的集合；

6)对种群中的每个个体i进行快速非支配排序，判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)；

7)将所选取的个体组成为新的种群，并进行遗传操作，包括：选择操作、交叉操作、变异操作；

8)判断当前进化数E是否小于最大进化数E_max，若是，则返回步骤2)，若否则输出优化后隐层神经网络模型的权值和阈值，继续步骤5；

步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。

2.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法，其特征在于，所述的步骤4中，第6)步具体如下：

步骤4.6.1：对于种群中的每个个体i，考察它所支配的个体集S_i，找到所有解个体的数量n_i＝0的个体i，并将个体i存入当前集合F₁中；

步骤4.6.2：对于当前集合F₁中的每个个体j，考察它所支配的个体集S_j，将集合S_j中的每个个体k的解个体的数量n_k减去1，若n_k-1＝0，则将个体k存入另一个集合H中；

步骤4.6.3：将当前集合F₁作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序i_rank，然后继续对集合H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级；

步骤4.6.4：计算群体中每个个体i的两个属性：非支配序i_rank和拥挤度i_d；

步骤4.6.5：判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)。

3.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法，其特征在于，所述的步骤4中，第7)步具体如下：

选择操作：从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差，计算每个个体的适应度，选择适应度较小的b个个体作为双亲用于繁殖后代，产生新的个体；

选择操作采用锦标赛选择法，适应度函数如公式(1)所示：

其中，F为适应度函数，k为常数，y_i为第i个个体的真实值，

为第i个个体的预测值；

交叉操作：根据交叉概率随机选择用于繁殖的每一对个体的同一基因位，将其染色体在此基因位断开并相互交换，模拟二进制选择法的公式如公式(2)所示：

其中，x₁和x₂分别为被选中的用来交叉的两个染色体，x′₁和x′₂分别为经过交叉后的两个染色体，γ_i为交叉位置参数；

所述交叉位置参数γ_i的计算公式如公式(3)所示：

其中，μ_i为在0～1内的随机数，η为常数1；i为第i个采样个体；f为交叉概率；

变异操作：根据变异概率随机从群体中选择c个个体，对于选中的个体，根据高斯分布，随机选择一位用随机数进行代替。

Images