CN113172097B - 一种基于深度自编码的冷轧带材板形模式识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度自编码的冷轧带材板形模式识别方法及系统，其包括：1、收集冷轧带材生产过程中的板形数据作为样本数据并进行预处理；2、建立深度自编码神经网络冷轧带材板形模式识别模型Autoencoder；3、深度自编码神经网络带材板形模式识别模型的训练与预测；4、根据训练结果对模型的训练参数进行调优；5、保存训练后的模型参数，获得深度自编码神经网络冷材带钢板形模式识别模型RM；6、将冷轧带材板形模式识别模型RM嵌入板形检测与控制系统中，获得的板形模式分量反馈于板形控制系统。该方法基于无监督深度自编码神经网络对板形数据进行特征提取并获得5种板形基本模式，它能够准确、快速的识别板形，对板形控制具有重要意义。

Description

一种基于深度自编码的冷轧带材板形模式识别方法及系统

技术领域

本发明属于冶金轧制技术中板形检测与控制领域，特别涉及一种基于深度自编码的冷轧带材板形模式识别方法及系统。

背景技术

随着我国工业的快速发展，板带材产品的需求日益增长，对带材的质量有了更高的要求。板形是带材质量的重要指标之一，是决定产品质量好坏的关键，其中板形识别又是整个板形闭环控制系统中的基础和重要环节，建立一套高精度的板形识别模式方法对板形预测与控制至关重要。为此，本发明基于深度自编码神经网络建立了一种冷轧带材板形模式识别新方法，该方法能够很好的在带材宽度方向上压缩板形维度，精确的提取板形模式分量，对板形精细化检测与控制具有重要意义。

目前关于板形模式识别领域已经发表了一些文章，例如：“含有三次板形的新型板形模式识别方法”(《钢铁》2010，第45卷8期：56-60)文献中建立了基于一次、二次、三次和四次勒让德正交多项式为基模式的板形平直度模式识别模型。“混合优化RBF-BP网络的板形缺陷识别”(《模糊系统与数学》2020，第34卷1期：149-156)文献中建立的PCA-RBF板形识别模型，识别精度获得了一定的提高。“基于循环神经网络的板形识别模式”(《钢铁》2018，第53卷11期：56-62)文献中基于循环神经网络建立的板形模式识别模型比传统的基于欧式距离的板形识别方法提升了两个数量级。“基于云网络的冷轧带材板形模式识别与控制研究”(华东交通大学，2017)文献中以T-S云推理网络为基础，结合了粒子群算法，设计了粒子群优化的T-S云推理板形控制系统，经过PSO优化的板形控制器对板形识别精度有所提高。

截止目前，现有的板形识别方法几乎都是基于四次勒让德多项式表征的八种残余应力分布模式建立起来的，在本质上将识别出的带材板形限制为四次函数形式。然而，在实际生产中板形分布的函数形式复杂多变，很多甚至超过十次以上，以往的研究为了节约运算时间和配合后续板形控制工艺，统一采用四次勒让德多项式作为板形基本模式，使得识别出的板形与真实板形之间存在较大差距，丢失了大量特征信息，增大了板形控制难度。为此，研究建立一种智能板形模式识别方法，确定一个新的板形模式具有重要现实意义。

发明内容

本发明的目的在于提供一种冷轧带材板形模式识别方法。该方法根据大量实际生产中的冷轧带材板形值数据，基于深度自编码神经网络模型建立冷轧带材板形模式识别模型。该模型通过深度自编码神经网络中的编码器对大量板形数据进行训练完成特征提取，最终提取出五种板形基本模式。针对任意一组板形分布数据，采用本方法重构还原的板形分布比勒让德模式还原的板形分布，精度更高，速度相近。

为了达到上述目的，本发明提出的一种基于深度自编码的冷轧带材板形模式识别方法，其包括以下步骤：

a：收集冷轧带材生产过程中的板形数据作为样本数据并对其进行预处理，具体包括：重复和异常板形数据的处理、不同带宽板形数据维度的标准化和板形值的归一化三个部分，具体步骤如下：

a1：处理重复和异常的板形数据；

a2：运用插值法将板形维度种类T为不同值时数据集D_T的板形维度标准化到w维；

a3：将T为不同值时降维获得的D_T′(1≤T≤c)合并为数据集dataset，c为板形维度总类别，数据集dataset的板形维度为w，板形值定义为Y；

a4：对板形值进行归一化：数据集dataset中所有的板形值Y除以dataset中最大的板形值Y_max，即

Y_max为板形最大值、Y_标为标准化后的板形值，将板形值标准化到[-1,1]之间，使网络更好地拟合目标，收敛速度加快；

b：建立深度自编码神经网络冷轧带材板形模式识别模型的自编码器Autoencoder，具体包括编码器encoder和解码器decoder的搭建和数据集的划分：

b1：划分数据集：将数据集dataset划分为训练样本和测试集，随机抽取85％的数据作为训练样本dataset1，其余数据作为测试集testset；

b2：搭建编码器encoder和解码器decoder；

c：深度自编码神经网络带材板形模式识别模型的训练与预测；

d：根据训练结果对模型的训练参数进行调优；

e：保存训练后的模型参数，获得深度自编码神经网络冷轧带材板形模式识别模型RM；

f：将最终的深度自编码神经网络冷轧带材板形模式识别模型RM，嵌入板形检测与控制系统中，在生产过程中实时在线对板形仪检测到的板形数据进行识别，获得的板形模式分量反馈于板形控制系统。

优选地，所述a1包括以下步骤：

a11：在冷轧带材轧制过程中，沿带材宽度方向会被检测出K组维度为W的板形数据，每卷带材的板形数据矩阵F_m表示为：

a12：剔除每卷数据中头尾m组非稳定轧制区的板形数据，0<m<100，获得稳定的板形数据矩阵F_m′为：

a13：选取不同带宽末道次的n卷板形数据，并对其进行重复和异常数据预处理，表示为F_n＝{F₁′,F₂′,F₃′,…F_n-1′,F_n′}(n≥1)，将F_n中维度相同的数据合并为数据集D_T(1≤T≤c)，数据集D_T的板形组数定义为k，板形值维度为s。

优选地，所述a2包括以下步骤：

a21：将不同维度板形数据的坐标进行归一化处理：

a211：定义目标板形数据维度为w，每个板形数据对应的坐标为

a212：数据集D_T的板形数据维度为s，其每个板形数据对应的坐标为；

a213：通过

将目标板形维度的板形数据坐标和数据集D_T的板形数据坐标归一化到[-1,1]，x_i′,x_j′为归一化后的板形坐标；

a22：定义数据集D_T的原始板形值为y0，转化为目标板形维度w时的板形值为y，插值后获得的数据集为D_T′，具体执行步骤如下：

1)：定义变量r；

2)：r＝0；

3)：i＝0；

4)：j＝0；

5)：判断x_j′≤x_i′≤x_j+1′是否成立，若成立转入步骤6)，若不成立，转入步骤7)；

6)：令

转入步骤8)；

7)：令y_[r][i]＝y0_[r][j]；

8)：将y_[r][i]写入数据集D_T′；

9)：令j＝j+1；

10)：判断j＜s-1，若成立，转入步骤5)，若不成立，转入步骤11)；

11)：令i＝i+1；

12)：判断i＜w，若成立，转入步骤4)，若不成立，转入步骤13)；

13)：令r＝r+1；

14)：判断r＜k，若成立，转入步骤3)，若不成立，程序结束。

优选地，所述b2包括以下步骤：

b21：确定编码器encoder的结构，具体步骤为：

b211：编码器输入层结构encoder_inputlayer：板形数据有w个输入变量，编码器encoder的输入层神经元个数为A₁＝w；

b212：编码器隐藏层第一层结构encoder_layer1：此全连接层的输入为encoder_inputlayer层的输出，此层的输入为w，神经元个数设置为A₂＝40，本层激活函数activation选择relu；

b213：编码器隐藏层第二层结构encoder_layer2：此全连接层的输入为encoder_layer1层的输出，此层的输入为40，神经元个数设置为A₃＝32，本层激活函数activation选择relu；

b214：编码器输出层结构encoder_outputlayer：此全连接层的输入为encoder_layer2层的输出，此层输入为32，为了提取l种板形识别模式，将板形数据压缩至l维，1<l<w-1，输出层encoder_outlayer的神经元个数设置为A₄＝l；

b22：确定解码器decoder的结构：

b221：解码器输入层结构decoder_inputlayer：将编码器encoder压缩至l维的数据进行解压，解码器的输入层为编码器encoder_outputlayer层的输出，解码器的输入层神经元个数为A₅＝l；

b222：解码器隐藏层第一层结构decoder_layer1：此全连接层的输入为decoder_inputlayer层的输出，此层的输入为l，神经元个数设置为A₆＝32，本层激活函数activation选择relu；

b223：解码器隐藏层第二层结构decoder_layer2：此全连接层的输入为decoder_layer1层的输出，此全连接层的输入为32，神经元个数设置为A₇＝40，本层激活函数activation选择relu；

b224：解码器输出层结构decoder_outlayer：此全连接层的输入为decoder_layer2层的输出，此全连接层的输入为40，解码器要将编码器encoder压缩的数据进行还原，输出层神经元个数设置为A₈＝w，本层激活函数选择tanh。

优选地，所述c包括以下步骤：

c1：训练样本分为训练集和验证集，随机抽取训练样本dataset1的90％作为深度自编码神经网络的训练集trainset，其余10％作为验证集validset；

c2：设置模型的训练参数，确定分批次训练大小batch-size，设置学习率learning-rate，设置训练的迭代次数epoch，选择优化器optimizer和损失函数loss；

c3：训练深度自编码神经网络，当网络模型达到训练的迭代次数Epoch时，停止训练；

c4：模型训练结束后，做出训练集trainset与验证集validset的误差损失图，判断网络模型的平均误差是否小于0.01，若满足要求，转入步骤c5，若不满足转入步骤d1；

c5：利用完成训练的深度自编码神经网络，对测试集testset数据预测输出，计算测试集的输入和输出的均方误差，判断两者的均方误差是否小于0.6，若满足要求转入步骤e，若不满足要求，进入步骤d2～d3中调优。

优选地，所述d包括以下步骤：

d1：若模型训练的平均误差值loss较大，则以10倍为基准调整模型的学习率learning-rate；若模型的loss曲线震荡较大，则增大模型的分批次大小batch_size；

d2：若模型的均方误差值较大，通过调整各层神经网络输出层的激活函数activation、网络的优化器optimizer，对神经网络的隐含层引入regularization正则化处理；

d3：若均方差的调整效果不明显，则调整模型编码器和解码器的隐含层层数以及各个隐含层的神经网络节点个数。

本发明的第二方面提供一种基于深度自编码的冷轧带材板形模式识别方法的识别系统，该识别系统包括：数据获取模块，用于从冷轧带材企业数据库中获取带材板形数据以及对应时刻的工况信息；预处理模块，将数据库中提取到的数据处理成能够输入板形模式识别模型的数据类型；训练模块，采用深度自编码神经网络对所提出的模型进行训练，得到冷轧带材板形模式识别模型；识别模块，将训练完成的深度自编码神经网络冷轧带材板形模式识别模型，嵌入板形检测与控制系统中，实时在线对板形仪检测到的板形数据进行识别。

与现有技术相比，本发明具有以下有益效果：

(1)能够更加精确的识别板形，减小预测板形与真实板形之间的差距；

(2)减小了板形控制的难度，提高带材产品的质量。

附图说明

图1为本发明整体执行流程图；

图2为板形数据维度标准化流程图；

图3为深度自编码神经网络结构图；

图4为网络训练误差损失图；

图5为自编码网络重构板形值和勒让德多项式拟合板形值与原始板形值的均方差对比图；

图6为自编码神经网络重构板形曲线和勒让德多项式拟合板形曲线与原板形曲线的对比图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明实施例的详细描述并非旨在限制本发明要求保护的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明保护的范围。

下面结合附图与具体实施方式对本发明提出的基于深度自编码的冷轧带材板形模式识别模型进行更进一步的说明。

图1为基于深度自编码的冷轧带材板形模式识别模型的整体执行流程图，一种基于深度自编码的冷轧带材板形模式识别方法，包括以下执行步骤：

a：收集冷轧带材生产过程中的板形数据作为样本数据并对其进行预处理，具体包括：重复和异常板形数据的处理、不同带宽板形数据维度的标准化和板形值的归一化三个部分，具体步骤如下：

a1：重复和异常板形数据的处理，主要由以下步骤组成：

a11：在轧制过程中，冷轧带材板形数据由接触式板形辊检测获得，带材包覆于板形辊上，当其通过板形辊时，沿带材宽度方向(板形辊轴向)会被检测出W个离散板形值，即此时板形维度为W，随着轧制过程的进行，带材会在轧制方向上被检测出K组维度为W的板形数据。为此，每卷带材的板形数据F_m表示为：

a12：由于每卷带材轧制过程中的头尾阶段不稳定，因此剔除每卷数据中头尾50组非稳定轧制区的板形数据，获得F_m′为：

a13：实际生产中常见冷轧带材的宽度范围在900～1300mm之间，使得板形维度有c类。本文选取带宽为1000mm、1005mm、1105mm和1106mm的冷轧带材板形数据作为本次实验数据，其板形维度有2类，第一类维度为35，第二类维度为39。选取上述带宽末道次的84卷板形数据，并对其进行重复和异常预处理，表示为F₈₄＝{F₁′,F₂′,F₃′,…F₈₃′,F₈₄′}。将F₈₄中维度为35的板形数据合并为数据集D₁，维度为39的板形数据合并为数据集D₂。在生产过程中板形数据是按时间顺序进行检测，即带宽相同的板形数据相邻。带宽为1000mm的板形数据为第1卷至42卷，带宽为1105mm的板形板形数据为第43卷至60卷，带宽为1005mm的板形数据为第61卷至76卷，带宽为1106mm的板形数据为第77卷至84卷，所以数据集D₁可表示为F₅₈＝{F₁′,F₂′,F₃′,…F₄₂′,F₆₁′…F₇₆′}，板形组数为9000，数据集D₁的10组数据结构形式如表1所示，D₂可表示为F₂₆＝{F₄₃′,F₄₄′,F₄₅′,…F₆₀′,F₇₇′,…F₈₄′}，D₂的板形组数为2800，数据集D₂的10组数据结构形式如表2所示。

表1数据集D₁部分数据

表1续

表2数据集D₂部分数据

表2续

a2：本文以35作为板形数据的标准维度，运用插值法将数据集D₂的板形数据维度标准化到35，具体执行步骤为：

a21：将不同维度板形数据的坐标进行归一化处理：

a211：定义目标板形数据维度为35，每个板形数据对应的坐标为

a212：数据集D₂的板形数据维度为39，其每个板形数据对应的坐标为；

a213：利用公式

x_i′,x_j′为归一化后的板形坐标，将目标板形维度的板形数据坐标和数据集D₂的板形数据坐标归一化到[-1,1]；

a22：定义数据集D₂的原始板形值为y0，转化为目标板形维度35时的板形值为y，插值后获得的数据集为D₂′，其数据结构形式如表3所示，具体执行步骤如下，图2所示为插值法降维的流程图：

1)：定义变量r；

2)：i＝0；

3)：j＝0；

4)：r＝0；

5)：判断x_j′≤x_i′≤x_j+1′是否成立，若成立转入步骤6)，若不成立，转入步骤7)；

6)：令

转入步骤8)；

7)：令y_[r][i]＝y0_[r][j]；

8)：将y_[r][i]写入数据集D_T′；

9)：令j＝j+1；

10)：判断j＜38，若成立，转入步骤5)，若不成立，转入步骤11)；

11)：令i＝i+1；

12)：判断i＜35，若成立，转入步骤4)，若不成立，转入步骤13)；

13)：令r＝r+1；

14)：判断r＜2800，若成立，转入步骤3)，若不成立，程序结束。

表3D₂′中部分数据

表3续

a3：将数据集D₁和D₂′合并为数据集dataset，所以数据集dataset板形组数为11800，板形维度为35，板形值定义为Y；

a4：板形值的归一化：数据集dataset中所有的板形值Y除以dataset中最大的板形值Y_max＝60，即

(Y为原始板形值，Y_max为板形最大值，Y_标为标准化后的板形值)，将板形值标准化到[-1,1]之间，使网络更好地拟合目标，收敛速度加快；

b：深度自编码神经网络冷轧带材板形模式识别模型Autoencoder的建立，如图3示为深度自编码神经网络结构图，具体包括编码器encoder和解码器decoder的搭建和数据集的划分；

b1：数据集的划分：将板形值归一化后的数据集dataset划分为训练样本和测试集，随机抽取85％的数据作为训练样本dataset1，其余数据作为测试集testset；

b2：编码器encoder和解码器decoder的搭建；

b21：确定编码器encoder的结构，具体的执行步骤为：

b211：编码器输入层结构encoder_inputlayer：板形数据有35个输入变量，所以编码器encoder的输入层神经元个数为A₁＝35；

b212：编码器隐藏层第一层结构encoder_layer1：此全连接层的输入为encoder_inputlayer层的输出，所以此层的输入为35，神经元个数设置为A₂＝40，本层激活函数activation选择relu；

b213：编码器隐藏层第二层结构encoder_layer2：此全连接层的输入为encoder_layer1层的输出，所以此层的输入为40，神经元个数设置为A₃＝32，本层激活函数activation选择relu；

b214：编码器输出层结构encoder_outputlayer：此全连接层的输入为encoder_layer2层的输出，所以此层的输入为32，为了提取5种板形识别模式，即将板形数据压缩至5维，所以输出层encoder_outlayer的神经元个数设置为A₄＝5；

b22：确定解码器decoder的结构，具体的执行步骤为：

b221：解码器输入层结构decoder_inputlayer：解码器是将编码器encoder压缩至5维的数据进行解压，所以解码器的输入层为编码器encoder_outputlayer层的输出，所以解码器的输入层神经元个数为A₅＝5；

b222：解码器隐藏层第一层结构decoder_layer1：此全连接层的输入为decoder_inputlayer层的输出，所以此层的输入为5，神经元个数设置为A₆＝32，本层激活函数activation选择relu；

b223：解码器隐藏层第二层结构decoder_layer2：此全连接层的输入为decoder_layer1层的输出，所以此全连接层的输入为32，神经元个数设置为A₇＝40，本层激活函数activation选择relu；

b224：解码器输出层结构decoder_outlayer：此全连接层的输入为decoder_layer2层的输出，所以此全连接层的输入为40，解码器要将编码器encoder压缩的数据进行还原，所以输出层神经元个数设置为A₈＝35，本层激活函数选择tanh；

c：深度自编码神经网络带材板形模式识别模型的训练与预测；

c1：训练样本分为训练集和验证集，随机抽取训练样本dataset1的90％作为深度自编码神经网络的训练集trainset，共9027组板形值，其余10％作为验证集validset，共1003组；

c2：设置模型的训练参数，分批次训练大小batch-size为90，学习率learning-rate为0.001，训练的迭代次数Epoch为210，优化器optimizer选择Adam，损失函数Loss选择MSE；

c3：训练深度自编码神经网络，当网络模型达到训练的迭代次数Epoch为210时，停止训练；

c4：模型训练结束后，做出训练集trainset与验证集validset的误差损失图，如图4所示，网络模型的平均误差为0.06，小于0.01，转入步骤c5；

c5：利用完成训练的深度自编码神经网络，对测试集testset数据预测输出，计算测试集输入和输出的均方误差，两者的均方误差为0.58，小于0.6，转入步骤d；

d：将训练后的模型参数保存，获得深度自编码神经网络冷轧带材板形模式识别模型RM，利用模型RM对原始板形值进行输出重构，并与四次勒让德多项式拟合的板形值进行对比，模型RM输出重构的板形值与原始板形值的均方误差为0.58，而勒让德多项式拟合的板形值与原始板形值的均方差为6.18，如图5所示。图6为自编码神经网络重构板形曲线和勒让德多项式拟合板形曲线与原始板形曲线的对比图。

e：将最终的深度自编码神经网络冷轧带材板形模式识别模型RM，嵌入板形检测与控制系统中，在生产过程中实时在线对板形仪检测到的板形数据进行识别，获得的板形模式分量反馈于板形控制系统。

本发明还提供一种基于深度自编码的冷轧带材板形模式识别方法的识别系统，该识别系统包括：数据获取模块，用于从冷轧带材企业数据库中获取带材板形数据以及对应时刻的工况信息；预处理模块，将数据库中提取到的数据处理成能够输入板形模式识别模型的数据类型；训练模块，采用深度自编码神经网络对所提出的模型进行训练，得到冷轧带材板形模式识别模型；识别模块，将训练完成的深度自编码神经网络冷轧带材板形模式识别模型，嵌入板形检测与控制系统中，实时在线对板形仪检测到的板形数据进行识别。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有而各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。因注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (3)

1.一种基于深度自编码的冷轧带材板形模式识别方法，其特征在于，其包括以下步骤：

a：收集冷轧带材生产过程中的板形数据作为样本数据并对其进行预处理，具体包括：重复和异常板形数据的处理、不同带宽板形数据维度的标准化和板形值的归一化三个部分，具体步骤如下：

a1：处理重复和异常的板形数据；

a11：在冷轧带材轧制过程中，沿带材宽度方向会被检测出K组维度为W的板形数据，每卷带材的板形数据矩阵F_m表示为：

a12：剔除每卷数据中头尾m组非稳定轧制区的板形数据，0<m<100，获得稳定的板形数据矩阵F_m′为：

a13：选取不同带宽末道次的n卷板形数据，并对其进行重复和异常数据预处理，表示为F_n＝{F₁′,F₂′,F₃′,…F_n-1′,F_n′}，其中n≥1，将F_n中维度相同的数据合并为数据集D_T，其中1≤T≤c，数据集D_T的板形组数定义为k，板形值维度为s；

a2：运用插值法将板形维度种类T为不同值时数据集D_T的板形维度标准化到w维；

a3：将T为不同值时降维获得的D_T′合并为数据集dataset，其中1≤T≤c，c为板形维度总类别，数据集dataset的板形维度为w、板形值定义为Y；

a4：对板形值进行归一化：数据集dataset中所有的板形值Y除以dataset中最大的板形值Y_max，即

Y_max为板形最大值、Y_标为标准化后的板形值，将板形值标准化到[-1,1]之间，使网络更好地拟合目标，收敛速度加快；

b：建立深度自编码神经网络冷轧带材板形模式识别模型的自编码器Autoencoder，具体包括编码器encoder和解码器decoder的搭建和数据集的划分：

b1：划分数据集：将数据集dataset划分为训练样本和测试集，随机抽取85％的数据作为训练样本dataset1，其余数据作为测试集testset；

b2：搭建编码器encoder和解码器decoder；

b21：确定编码器encoder的结构，具体步骤为：

b211：编码器输入层结构encoder_inputlayer：板形数据有w个输入变量，编码器encoder的输入层神经元个数为A₁＝w；

b212：编码器隐藏层第一层结构encoder_layer1：此全连接层的输入为encoder_inputlayer层的输出，此层的输入为w，神经元个数设置为A₂＝40，本层激活函数activation选择relu；

b213：编码器隐藏层第二层结构encoder_layer2：此全连接层的输入为encoder_layer1层的输出，此层的输入为40，神经元个数设置为A₃＝32，本层激活函数activation选择relu；

b214：编码器输出层结构encoder_outputlayer：此全连接层的输入为encoder_layer2层的输出，此层输入为32，为了提取l种板形识别模式，将板形数据压缩至l维，1<l<w-1，输出层encoder_outlayer的神经元个数设置为A₄＝l；

b22：确定解码器decoder的结构：

b221：解码器输入层结构decoder_inputlayer：将编码器encoder压缩至l维的数据进行解压，解码器的输入层为编码器encoder_outputlayer层的输出，解码器的输入层神经元个数为A₅＝l；

b222：解码器隐藏层第一层结构decoder_layer1：此全连接层的输入为decoder_inputlayer层的输出，此层的输入为l，神经元个数设置为A₆＝32，本层激活函数activation选择relu；

b223：解码器隐藏层第二层结构decoder_layer2：此全连接层的输入为decoder_layer1层的输出，此全连接层的输入为32，神经元个数设置为A₇＝40，本层激活函数activation选择relu；

b224：解码器输出层结构decoder_outlayer：此全连接层的输入为decoder_layer2层的输出，此全连接层的输入为40，解码器要将编码器encoder压缩的数据进行还原，输出层神经元个数设置为A₈＝w，本层激活函数选择tanh；

c：深度自编码神经网络带材板形模式识别模型的训练与预测；

c1：训练样本分为训练集和验证集，随机抽取训练样本dataset1的90％作为深度自编码神经网络的训练集trainset，其余10％作为验证集validset；

c2：设置模型的训练参数，确定分批次训练大小batch-size，设置学习率learning-rate，设置训练的迭代次数epoch，选择优化器optimizer和损失函数loss；

c3：训练深度自编码神经网络，当网络模型达到训练的迭代次数Epoch时，停止训练；

c4：模型训练结束后，做出训练集trainset与验证集validset的误差损失图，判断网络模型的平均误差是否小于0.01，若满足要求，转入步骤c5，若不满足转入步骤d1；

c5：利用完成训练的深度自编码神经网络，对测试集testset数据预测输出，计算测试集的输入和输出的均方误差，判断两者的均方误差是否小于0.6，若满足要求转入步骤e，若不满足要求，进入步骤d2～d3中调优；

d：根据训练结果对模型的训练参数进行调优；

d1：若模型训练的平均误差值loss较大，则以10倍为基准调整模型的学习率learning-rate；若模型的loss曲线震荡较大，则增大模型的分批次大小batch_size；

d2：若模型的均方误差值较大，通过调整各层神经网络输出层的激活函数activation、网络的优化器optimizer，对神经网络的隐含层引入regularization正则化处理；

d3：若均方差的调整效果不明显，则调整模型编码器和解码器的隐含层层数以及各个隐含层的神经网络节点个数；

e：保存训练后的模型参数，获得深度自编码神经网络冷轧带材板形模式识别模型RM；

f：将最终的深度自编码神经网络冷轧带材板形模式识别模型RM，嵌入板形检测与控制系统中，在生产过程中实时在线对板形仪检测到的板形数据进行识别，获得的板形模式分量反馈于板形控制系统。

2.根据权利要求1所述的基于深度自编码的冷轧带材板形模式识别方法，其特征在于，所述a2包括以下步骤：

a21：将不同维度板形数据的坐标进行归一化处理：

a211：定义目标板形数据维度为w，每个板形数据对应的坐标为

其中i＝0,1,2...w-1；

a212：数据集D_T的板形数据维度为s，其每个板形数据对应的坐标为；

其中j＝0,1,2...s-1；

a213：通过

将目标板形维度的板形数据坐标和数据集D_T的板形数据坐标归一化到[-1,1]，x_i′,x_j′为归一化后的板形坐标，i＝0,1,2...w-1，j＝0,1,2...s-1；

a22：定义数据集D_T的原始板形值为y0，转化为目标板形维度w时的板形值为y，插值后获得的数据集为D_T′，具体执行步骤如下：

1)：定义变量r；

2)：r＝0；

3)：i＝0；

4)：j＝0；

5)：判断x_j′≤x_i′≤x_j+1′是否成立，若成立转入步骤6)，若不成立，转入步骤7)；

6)：令

转入步骤8)；

7)：令y_[r][i]＝y0_[r][j]；

8)：将y_[r][i]写入数据集D_T′；

9)：令j＝j+1；

10)：判断j＜s-1，若成立，转入步骤5)，若不成立，转入步骤11)；

11)：令i＝i+1；

12)：判断i＜w，若成立，转入步骤4)，若不成立，转入步骤13)；

13)：令r＝r+1；

14)：判断r＜k，若成立，转入步骤3)，若不成立，程序结束。

3.一种根据权利要求1或2所述的基于深度自编码的冷轧带材板形模式识别方法的识别系统，其特征在于，其包括：

数据获取模块，用于从冷轧带材企业数据库中获取带材板形数据以及对应时刻的工况信息；

预处理模块，将数据库中提取到的数据处理成能够输入板形模式识别模型的数据类型；

训练模块，采用深度自编码神经网络对所提出的模型进行训练，得到冷轧带材板形模式识别模型；

识别模块，将训练完成的深度自编码神经网络冷轧带材板形模式识别模型，嵌入板形检测与控制系统中，实时在线对板形仪检测到的板形数据进行识别。

Images