CN113134514A - 一种基于深度学习的带钢头部厚度预报方法 - Google Patents

Abstract

本发明提供一种基于深度学习的带钢头部厚度预报方法，涉及轧钢自动控制技术领域。本发明通过分析轧钢过程中影响头部厚度的因素，确定了轧制力、辊缝、轧制温度、板坯厚度和轧制速度因素为预报器的输入参数；利用深度神经网络结构，并提取轧钢生产数据，得到的汇总数据满足后续数据分析和神经网络使用的需求。使用TensorFlow深度学习框架实现了预报器的功能，预报器准确率满足要求，对不同厚度的带钢头部厚度命中率有明显提升，分析神经网络各参数对性能的影响；并且提出了一种优化本预报器的方法，较默认配置预报器准确率有明显提升。使用训练集对神经网络进行训练，最后用测试集评估训练后的模型效果，大大提高了带钢成材率。

Description

一种基于深度学习的带钢头部厚度预报方法

技术领域

本发明涉及轧钢自动控制技术领域，尤其涉及一种基于深度学习的带钢头部厚度预报方法。

背景技术

现代的钢铁联合企业是由炼铁、炼钢和轧钢三个主要的生产系统组成的，轧钢生产是钢铁工业生产的最终环节，轧钢过程担负着生产钢材的任务。在精轧轧制过程中，带钢头端部张力较小，并且常常温度较低；同时轧机结构复杂，参数整定困难，成品厚度的头部经常会出现厚度不合格的现象，需要进行切头处理，切头长度会影响钢材成材率。我国2010年钢加工综合成材率为96.1％，在实际生产中，轧制切头去尾造成的金属消耗率占到了总生产钢材的0.30％～0.55％，在金属消耗的各主要因素中仅次于一次氧化烧损率，是金属消耗的“重灾区”。以2010年国内轧钢产量79627万吨计，如果平均成材率提高0.5％，一年就可提高产量约398万吨，相当一条热连轧厂的年产量。

板带轧制过程具有非线性、强耦合、多变量等特点，传统的轧制力模型根据机理建模推理得到，对真实模型在一定程度上进行了简化，其预测精度较低。目前，大多钢铁厂利用自适应技术来改进模型精度，但自学习初始参数仅凭工程师的经验进行设定，生产过程中预测值存在很大波动，并且很难提供足够精确的近似值。本文在针对轧制过程中容易出现的头部厚度不合格现象，提出一种基于深度学习的头部厚度预报方法。通过对钢铁轧制生产过程进行分析，找出各生产参数如何对头部厚度产生影响，实现对头部厚度的精准预测。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的带钢头部厚度预报方法，利用深度神经网络的非线性拟合能力，设计带钢头部厚度预报器，以给轧机的参数设定提供参考，提高头部厚度命中率，减少钢材浪费。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于深度学习的带钢头部厚度预报方法，包括以下步骤：

步骤1：对带钢的参数进行选择并对参数数据进行提取；

所述参数包括钢种代码、产品目标宽度、实际成品带钢头部厚度各1个；头部辊缝、头部轧制力、头部轧制速度各n个、设定厚度n+1个，因此，上述每个参数的数据集中所有需要选取的数据共计4n+4个，精轧机机架数量为n；

步骤2：对参数数据进行预处理；

对步骤1中的参数数据进行标准化处理；将带钢产品头部厚度数据分为三类：厚度偏薄、厚度合格、厚度偏厚，分别给予0、1、2的标签值；

步骤3：基于深度学习，设计带钢头部厚度预报器；

步骤3.1：导入和解析数据集：输入的每一组数据集包含4n+1个特征，在对数据进行训练和评估的时候，除此4n+1个特征，还把标签也输入到程序中；因此，使用的数据为4n+2列，第一行是表头，最后一列是标签值，数据文档采用csv格式存放；

步骤3.2：设置特征列；设置数值列和分类识别列为特征列；

步骤3.3：对DNN模型进行构建：所述DNN模型，层数设定为5层，包括输入层、输出层和三个隐层；隐层层数设定为3，节点数为12；输入层节点数为4n+1个，对应上述数据集中4n+1个输入参数；输出层节点数为3个，对应带钢厚度的三类预测结果，以实际厚度是否合格为依据，将预测结果分为“偏薄”、“合格”和“偏厚”三类；优化器使用AdagradOptimizer，激活函数使用ReLU和Sigmoid；实例化神经网络时，设定n_classes输出类别数为3，

步骤3.4：训练模型：采用Dataset API的shuffle和batch函数，对特征列中的数据随机洗乱之后对预报器进行分批训练。

步骤3.5：评估模型：模型评估过程使用两个大小为100的batch完成，即使用200组数据检验预报器命中率。

步骤3.6：使用模型预测：模型在分析完成其他所有输入参数之后，会生成一个结果预测字典，probabilities键将会存储一个由三个浮点值组成的列表，每个浮点值表示带钢头部厚度是该类的概率，。把概率最高的概率值和对应的类别输出，便完成了预测功能；

步骤4：对预报器输出的预报结果进行分析；

预报器节点数选取从5开始，以5为间隔增加，每次程序运行三次，记录带钢测试集数据的命中率平均值，命中率最大对应的节点数为最终选定节点数，激励函数使用ReLU，不使用Dropout，训练步数为1000步，batch大小设置为100，优化器使用AdagradOptimizer；输出预报结果，对带钢头部厚度进行预测。

采用上述技术方案所产生的有益效果在于：

本发明提供一种基于深度学习的带钢头部厚度预报方法，通过对轧制生产过程进行分析，找出各生产参数如何对头部厚度产生影响，根据预报的结果来判断生产参数的好坏，并从生产实际数据文档中提取目标参数。在此基础上，使用目标参数分析热轧工艺生产过程的特点，确定深度神经网络如何使用特征的大致方法及数据标签的设定方法。本发明通过分析轧钢过程中影响头部厚度的因素，确定了轧制力、辊缝、轧制温度、板坯厚度和轧制速度因素为预报器的输入参数；设计深度神经网络，并提取轧钢生产数据，得到的轧钢生产数据满足后续数据分析和深度神经网络使用的需求；使用TensorFlow深度学习框架实现了预报器的功能，预报器命中率满足要求，对不同厚度的钢材均有效，展现了深度学习网络的适应能力，分析神经网络各参数对性能的影响；并且提出了一种优化本预报器的方法，较默认配置预报器命中率有明显提升。使用训练集对神经网络进行训练，最后用测试集评估训练后的模型效果，大大提高了带钢成材率。

附图说明

图1为本发明实施例提供的预报器设计框图；

图2为本发明实施例中DNN网络结构示意图；

图3为本发明实施例中平均偏差和训练步数的关系曲线图；

图4为本发明实施例中预报器命中率和隐层节点数的关系曲线图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于深度学习的带钢头部厚度预报方法，包括以下步骤：

步骤1：对带钢的参数进行选择并对参数数据进行提取；

所述参数包括钢种代码、产品目标宽度、实际成品带钢头部厚度各1个；头部辊缝、头部轧制力、头部轧制速度各n个、设定厚度n+1个，因此，上述每个参数的数据集中所有需要选取的数据共计4n+4个，精轧机机架数量为n；

步骤2：对参数数据进行预处理；

输入预报器的数据，应该尽可能保证真实有效，避免由于某些数据偏差过大，导致预报器命中率受影响；为了保证结果的可靠性，需要对步骤1中的参数数据进行标准化处理；将带钢产品头部厚度数据分为三类：厚度偏薄、厚度合格、厚度偏厚，分别给予0、1、2的标签值，以满足监督学习的需求。

步骤3：基于深度学习，设计带钢头部厚度预报器；

总体设计思路：在头部厚度预报过程中，我们最关心的问题是钢材头部厚度是否合格，因此本方法选择着重于头部厚度是否合格这一点，实现分类预报功能。在输入和输出的方向确定后，首先需要设计深度神经网络的结构，包括输入层、输出层、隐层的节点数和隐层层数；其次研究深度神经网络的细节实现方法和程序设计过程，如图1所示。

深度神经网络结构设计：前馈全连接深度神经网络(DNN)本质上是一个包含多个隐藏层的多层感知机，DNN采用层级的结构，分为输入层(input layer)，隐藏层(hiddenlayer)和输出层(output layer)，相邻层的节点采用全连接的方式，而在同一层的节点之间不存在连接。

隐藏层节点的激活值是前一层的激活值和当前层网络权重的线性加权求和再通过非线性激活函数得到；深度神经网络是一种判别模型，通过构建条件概率分布预测输出；由于它不考虑联合概率分布，在诸如分类和回归问题中可以取得更好的效果。

DNN是一种适用于执行多类别分类的深度模型，它具有良好的非线性表达能力，且结构较为简单，因此本专利采用DNN模型设计神经网络，如图2所示。

激活函数使用Sigmoid，优化算法使用能实现自动梯度下降的AdagradOptimizer，学习率也使用默认值，让Adagrad自动调整；

本实施例中使用TensorFlow的Python API设计并实现头部厚度预报器，采用Tensorboard可视化分析神经网络结构以及训练的过程，使用Python 3.6.5，原生pip安装TensorFlow的1.8版本。编译器使用Microsoft Visual Studio 2017。

步骤3.1：导入和解析数据集：预测时，输入的每一组数据集包含4n+1个特征，在对数据进行训练和评估的时候，除此4n+1个特征，还把标签也输入到程序中；因此，使用的数据为4n+2列，第一行是表头，最后一列是标签值，数据文档采用csv格式存放；

步骤3.2：设置特征列；所述特征列是TensorFlow中原始数据和Estimator(神经网络的实现类)之间的媒介；输入必须封装在特征列中才能供神经网络使用，设置数值列和分类识别列为特征列；

步骤3.3：对DNN模型进行构建：构建人工神经网络需要选择网络结构并调整一系列超参数，TensorFlow中定义了一个名为DNNClassifier的预创建Estimator，这是一个高阶API，能够管理DNN模型分类器的大部分功能；所述DNN模型，层数设定为5层，包括输入层、输出层和三个隐层；隐层层数设定为3，节点数为12；输入层节点数为4n+1个，对应上述数据集中4n+1个输入参数；输出层节点数为3个，对应带钢厚度的三类预测结果，以实际厚度是否合格为依据，将预测结果分为“偏薄”、“合格”和“偏厚”三类；优化器使用AdagradOptimizer，激活函数使用ReLU和Sigmoid；实例化神经网络时，设定n_classes输出类别数为3，

步骤3.4：训练模型：采用Dataset API的shuffle和batch函数，对特征列中的数据随机洗乱之后对预报器进行分批训练。

步骤3.5：评估模型：模型评估过程使用两个大小为100的batch完成，即使用200组数据检验预报器命中率。

步骤3.6：使用模型预测：模型在分析完成其他所有输入参数之后，会生成一个结果预测字典，probabilities键将会存储一个由三个浮点值组成的列表，每个浮点值表示带钢头部厚度是该类的概率，。把概率最高的概率值和对应的类别输出，便完成了预测功能；

步骤4：对预报器输出的预报结果进行分析；

预报器的默认配置为拥有3个隐层，各层节点数为12的神经网络；节点数选取从5开始，以5为间隔增加，每次程序运行三次，记录带钢测试集数据的命中率平均值，命中率最大对应的节点数为最终选定节点数，激励函数使用ReLU，不使用Dropout，训练步数为1000步，batch大小设置为100，优化器使用AdagradOptimizer；输出带钢头部厚度预报结果。

本实施例中以某精轧机组的生产实际数据为例，8组轧辊数据如表1所示：

表1某精轧机组数据

其中，GapMPF：头部辊缝，mm；FrcMPF：头部轧制力，kN；vwrMPF：头部轧制速度，m/s；thkRfF：各厚度设定值，mm；fePyrM：轧制温度，℃；xryMPF：实际轧出头部厚度，mm。

需要选取的全部参数为：钢种代码；产品成品宽度；实际轧出头部厚度；头部辊缝、头部轧制力、头部轧制速度各8个；各设定厚度9个。因此，每个数据文件中所有需要选取的数据共计36个。

输入数据为实际厚度3mm的带钢数据，采用Z标准化方法，结果用测试集内的200组数据检验。

测试集命中率分析，使程序运行三次，结果显示预报器命中率分别为0.82、0.82，0.825，表1为三次运行结果。因此，本文认为默认情况下的命中率约为82.2％。

表2默认配置下的预报器命中率

Tensorboard可视化结果如图3所示，训练步数并不是越多越好，平均偏差在训练的开始迅速下降到0.4左右，在100步以后下降速度放缓，但是在训练步数为950步的时候可以明显地看出，平均偏差有了大幅增加。这是因为神经网络已经陷入了局部最优，神经网络结构仍有改进的空间。

隐层节点数对预报器性能的影响，神经网络的其他参数和基本配置相同，仅更改隐层节点数这一个参数。从5开始，以5为间隔增加，每次程序运行三次，记录测试集命中率平均值。统计结果如图4所示。

图4可以看出，在一定范围内，增加隐层节点个数确实可以提高神经网络的非线性表达能力。但这种提高不是无限的。隐层节点数过多虽然给程序增加了大量计算，但神经网络实际效果不升反降，因此确定隐层节点个数，得出最优值至关重要。

神经网络的其他参数和基本配置相同，仅变化Dropout率。使用不同的Dropout率各运行三次，记录测试集命中率。结果见表3。

表3 Dropout率对预报器命中率的影响

由表3可知，Dropout操作并未对提高预报器命中率产生积极作用，Dropout可以解决参数过拟合现象，而深度神经网络还没有产生明显的过拟合现象。

神经网络的其他参数和基本配置相同，仅更换激活函数。神经网络使用两种激活函数各运行三次，最终结果为，Sigmoid的平均命中率为0.842，ReLU的平均命中率为0.832，两者相差1％，差距不大；

最后使用上述研究结果，优化预报器性能，并比较优化后与默认配置的性能差异。

输入数据选用产量最高，成品厚度为3mm、4mm、6mm的带钢数据，采用Z标准化方法对预处理数据。每种数据均取200组作为测试集，其余全部作为训练集。各组数据的具体情况见表4。

表4带钢数据配置

优化后的配置为：神经网络结构设置为3个隐层，各层节点数为15。激励函数使用Sigmoid，不使用Dropout，训练步数为1000步，batch大小设置为100，优化器使用AdagradOptimizer。

每个厚度数据在优化前后各测试三次，记录预报器命中率平均值。结果见表5。

表5优化前后预报器命中率的变化

分析表中的数据，有以下几个特点：

(1)可以看出，随着成品厚度的增加，预报器命中率呈上升趋势。结合表5来看，是由于成品厚度的增加影响了头部厚度合格范围，使带钢的合格数据增加，3mm、4mm成品厚度带钢头部合格范围分别提升11％、8％左右，从而带动预报器命中率上升。

(2)本预报器对3mm和4mm的数据均有效，适应性和命中率满足要求。其中，优化对3mm和4mm厚度的带钢数据效果比较明显，命中率提升均在1％以上。对6mm数据，优化前后的变化不大，但也没有产生明显的负面效果。可以认为，优化操作对预报器性能基本产生了正面效果，优化有效。

(3)当输入为6mm带钢数据时，预报器正确率比合格带钢占比低，预报效果不明显，这是由于输入数据的合格带钢占比过高，导致深度神经网络对不合格钢材的特征学习不足，也说明了要提升预报器在该类数据中的表现，需增加不合格样本数量。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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；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 (2)

1.一种基于深度学习的带钢头部厚度预报方法，其特征在于，包括以下步骤：

步骤1：对带钢的参数进行选择并对参数数据进行提取；

所述参数包括钢种代码、产品目标宽度、实际成品带钢头部厚度各1个；头部辊缝、头部轧制力、头部轧制速度各n个、设定厚度n+1个，因此，上述每个参数的数据集中所有需要选取的数据共计4n+4个，精轧机机架数量为n；

步骤2：对参数数据进行预处理；

对步骤1中的参数数据进行标准化处理；将带钢产品头部厚度数据分为三类：厚度偏薄、厚度合格、厚度偏厚，分别给予0、1、2的标签值；

步骤3：基于深度学习，设计带钢头部厚度预报器；

步骤4：对预报器输出的预报结果进行分析；

预报器节点数选取从5开始，以5为间隔增加，每次程序运行三次，记录带钢测试集数据的命中率平均值，命中率最大对应的节点数为最终选定节点数，输出预报结果，对带钢头部厚度进行预测。

2.根据权利要求1所述的一种基于深度学习的带钢头部厚度预报方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1：导入和解析数据集：输入的每一组数据集包含4n+1个特征，在对数据进行训练和评估的时候，除此4n+1个特征，还把标签也输入到程序中；因此，使用的数据为4n+2列，第一行是表头，最后一列是标签值，数据文档采用csv格式存放；

步骤3.2：设置特征列；设置数值列和分类识别列为特征列；

步骤3.3：对DNN模型进行构建：所述DNN模型，层数设定为5层，包括输入层、输出层和三个隐层；隐层层数设定为3，节点数为12；输入层节点数为4n+1个，对应上述数据集中4n+1个输入参数；输出层节点数为3个，对应带钢厚度的三类预测结果，以实际厚度是否合格为依据，将预测结果分为“偏薄”、“合格”和“偏厚”三类；优化器使用AdagradOptimizer，激活函数使用ReLU和Sigmoid；实例化神经网络时，设定n_classes输出类别数为3，

步骤3.4：训练模型：采用Dataset API的shuffle和batch函数，对特征列中的数据随机洗乱之后对预报器进行分批训练；

步骤3.5：使用两个大小为100的batch对模型进行评估，检验预报器命中率；

步骤3.6：使用模型预测：模型在分析完成所有输入参数之后，生成一个结果预测字典，存储一个由三个浮点值组成的列表，每个浮点值表示带钢头部厚度是该类的概率，把概率最高的概率值和对应的类别输出。

Images