CN114564879A - 一种基于多尺度数据融合的连退带钢硬度在线预测方法 - Google Patents
一种基于多尺度数据融合的连退带钢硬度在线预测方法 Download PDFInfo
- Publication number
- CN114564879A CN114564879A CN202210025657.8A CN202210025657A CN114564879A CN 114564879 A CN114564879 A CN 114564879A CN 202210025657 A CN202210025657 A CN 202210025657A CN 114564879 A CN114564879 A CN 114564879A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- continuous annealing
- model
- hardness
- cnn
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本发明提出了一种基于多尺度数据融合的连退带钢硬度在线预测方法，涉及钢铁企业冷轧连退生产过程的自动控制技术领域；将带钢在连续退火过程的组织变化工艺机理引入进来，用于计算带钢内部组织结构相关的介观尺度特征，再将它们与宏观尺度生产过程数据进行融合，形成宏介观多尺度融合的数据样本，进而使用一维卷积神经网络作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，构建一种基于多尺度数据融合的连退带钢硬度在线预测方法，该方法能够实现连续退火生产过程带钢硬度在线预测，极大地提高连退带钢硬度的预测精度，满足企业实际生产需求，增加企业经济效益。
Description
技术领域
本发明涉及钢铁企业冷轧连退生产过程的自动控制技术领域，特别涉及一种基于多尺度数据融合的连退带钢硬度在线预测方法。
背景技术
在钢铁企业冷轧厂连续退火实际生产过程中，带钢硬度是衡量产品质量与指导生产的核心指标之一；在实际生产过程中，还未实现带钢硬度的在线检测，现场主要是通过截取退火后带钢的头部和尾部，再经过离线人工化验来获得带钢的硬度，进而判断产品质量；但是，这种离线检测获取带钢硬度的方法一般具有一定的时间滞后性，给连续退火生产过程的精确控制带来障碍，因此经常出现带钢硬度波动非常大的情况，导致产品质量不达标甚至出现废品的质量问题，严重影响冷轧厂的经济效益；
论文“基于PLS的连退机组带钢质量预报及过程监测系统设计与实现”(汪源，东北大学，2009)提出了一种基于偏最小二乘(Partial Least Squares，PLS)的数据驱动建模方法实现连退带钢质量预报；专利“一种连续退火产品硬度在线集成学习预报方法”(ZL201410843307.8)以及专利“一种基于混合集成学习的连续退火带钢质量在线检测方法”(ZL201710159565.8)均提出了基于集成学习的带钢质量预报方法，然而这些技术所使用的工艺参数都属于宏观生产数据，而没有考虑实际生产过程中与带钢硬度相关性较大的介观数据，例如带钢的初始晶粒尺寸、再结晶尺寸和长大后的晶粒尺寸；当宏观连续退火工艺参数施加到带钢后，会引起带钢材料内部晶粒的再结晶、晶粒生长等变化，从而形成新的晶粒分布，直接决定了带钢的组织和硬度等质量指标；以上传统基于宏观工艺参数的预测技术由于没有考虑带钢的内部组织结构等介观信息，导致这些传统技术无法实现对带钢硬度等质量指标的精确预测，也难以获得较好的泛化能力。
发明内容
针对现有带钢硬度预测技术存在的不足，本发明提供一种基于多尺度数据融合的连退带钢硬度在线预测方法,将带钢在连续退火过程的组织变化工艺机理引入进来，用于计算带钢内部组织结构相关的介观尺度特征，再将它们与宏观尺度生产过程数据进行融合，形成宏介观多尺度融合的数据样本，进而使用一维卷积神经网络作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，构建了一种基于多尺度数据融合的连退带钢硬度在线预测方法，该方法能够实现连续退火生产过程带钢硬度在线预测，极大地提高连退带钢硬度的预测精度，满足企业实际生产需求，增加企业经济效益；
本发明的技术方案具体如下：
一种基于多尺度数据融合的连退带钢硬度在线预测方法，包括如下步骤：
S1：针对一种调质度为Hj,j∈{1,2,…,Z}的带钢产品，其中Z为现有不同调质度种类的带钢产品数量，从用于存储实际连续退火生产数据的企业数据库中获取该种调质度带钢最近T时间段内的实际连续退火生产数据，得到包含N条连续退火生产样本的集合D1，每条生产样本中包含p个宏观尺度信息数据项和一个带钢硬度实际值；
S2：针对S1中的连续退火生产样本集合D1，进行带钢介观尺度信息数据项补充和数据归一化处理，得到样本集合D2；
S3：基于S2处理后的样本集合D2，建立基于宏介观多尺度数据融合的连退带钢硬度集成学习预测模型，并将建立好的预测模型存入企业连续退火带钢产品硬度预测模型库；
S4：从连续退火带钢产品硬度预测模型库中选择与待连续退火生产的带钢调度质Hj一致的带钢产品硬度预测模型，开始连续退火生产；
S5：设置采样周期为Tmax，从连续退火生产线上各采样点实时读取连续退火生产状态数据，并将其与数据库中相应的带钢信息合成为连续退火生产过程数据，该生产过程数据包括带钢信息和连退生产状态等宏观尺度数据项，使用S2中相应的工艺机理模型计算带钢内部晶粒尺寸相关的介观尺度数据项，将介观尺度数据项与宏观尺度数据项融合，形成包含宏介观数据项的连续退火生产过程输入向量；
S6：使用S2中得到的样本集合D2中各数据项的最大值和最小值对过程输入向量中对应数据项数值进行归一化处理；
S7：基于归一化后的过程输入向量，使用S4中选择的带钢产品硬度预测模型对带钢产品硬度进行预测；
S8：本卷带钢产品连续退火生产结束后，截取带钢头部进行离线人工化验，得到该条带钢产品的实际硬度值，并与S5中本卷带钢产品所记录的包含宏观数据项的连续退火过程输入向量进行匹配与合成，得到一个新的连续退火生产样本，所述生产样本包括p个宏观尺度数据项和一个带钢产品硬度实际值；
S9：更新调度质为Hj的带钢产品连续退火生产样本，方法为：针对该调度质带钢，当最近O时间段内连续退火生产样本采集完成后，使用最近O时间段内的连续退火生产样本替换企业数据库中该调度质带钢最早O时间段内的连续退火生产样本；
S10：对于Z中调度质带钢产品，设置阈值G，判断每一种调度质Hi(i＝1,2,…,Z)更新后的连续退火样本数量是否大于G，如果满足，则按照S1至S3的方法，基于该调度质带钢更新后的连续退火生产样本，对该调度质带钢产品的硬度预报模型进行重新训练和更新，保证其能够跟踪生产该调度质带钢产品的连续退火机组的最新工况；
S11：在新的带钢产品连续退火生产开始时，重复执行S4至S11，实现对已有的Z种不同调度质的连续退火带钢产品硬度的在线预测；
所述S2的具体过程，包括以下步骤：
S2.1：针对样本集合D1内的每条连续退火生产样本，分别使用相应的机理模型计算q个与带钢内部晶粒尺寸相关的介观尺度数据项值，将q个介观尺度数据项与p个宏观尺度数据项融合，形成包含p+q个宏介观信息输入项和1个实际带钢硬度输出项的连续退火宏介观多尺度融合数据样本集合D2；
S2.2：由S2.1得到包含N条连续退火生产样本的新集合D2，其中每条生产样本包含p+q个宏介观信息输入项和1个实际带钢硬度输出项；针对D2内每一个输入项进行归一化处理，保证不同输入项之间量纲上的一致性，并保存样本集合D2中p+q个输入项的最大值和最小值；
所述S3的具体过程，包括以下步骤：
S3.1：采用一维卷积神经网络(One Dimensional Convolutional NeuralNetworks,OD-CNN)作为子学习机，使用带自适应参数初始化策略的改进Adaboost_R2技术生成K个OD-CNN模型，具体步骤如下：
S3.1.1：初始化模型计数器k为1，并为S2数据处理后的样本集合D2中的所有样本赋予相同的权重值，即每条样本的权重为
S3.1.2：使用重采样方法结合样本权重
对样本集合D2进行有放回采样，得到包含N条生产样本的新集合
S3.1.3：构建第k个OD-CNN模型，并基于自适应参数初始化策略对第k个OD-CNN模型的参数进行初始化，具体步骤如下：
S3.1.3.1：判断第k个OD-CNN是否为第一个模型，即k是否等于1，若k等于1，使用随机初始化方法对第k个OD-CNN模型参数进行初始化，并跳转到S3.1.4，若k不等于1则跳转到S3.1.3.2；
S3.1.3.2：判断k是否可以被趋势检验频率Ttrend+1整除，如果不可以整除，跳转到S3.1.3.3；如果可以整除，则使用Mann-Kendall趋势检验法分析新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN的性能是否满足提升条件，如果满足提升条件，跳转到S3.1.3.4；否则跳转到S3.1.3.5；
所述判断性能是否满足提升条件的具体步骤如下：
S3.1.3.2.1：针对新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN模型，分别在S3.1.2得到的样本集合
上计算每个OD-CNN模型的均方根误差，构建一个包含Ttrend个元素的向量V，V中的每个元素为对应OD-CNN模型的均方根误差值；
S3.1.3.2.2：基于S3.1.3.2.1中构建的向量V，计算检验统计量Zzk；
S3.1.3.2.3：设置置信水平α，通过查询标准正态分布表得到阈值Z1-α/2，当|Zzk|>Z1-α/2且Zzk>0时，新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN模型的性能是满足提升条件，否则性能不满足提升条件；
S3.1.3.3：使用经过训练的第k-1个OD-CNN模型优化后的模型参数对第k个OD-CNN模型参数进行初始化，即直接使用第k-1个OD-CNN优化后的各模型参数值作为第k个OD-CNN对应的模型参数初始值；
S3.1.3.4：当新生成的Ttrend个OD-CNN性能满足提升条件，继续使用S3.1.3.3中的参数初始化方法对第k个OD-CNN模型参数进行初始化；
S3.1.3.5：当新生成的Ttrend个OD-CNN性能不满足提升条件，使用差分进化算法(Differential Evolution,DE)中的交叉变异操作产生新的模型参数对第k个OD-CNN模型参数进行初始化，具体步骤如下：
S3.1.3.5.1：在前k-1个已经训练好的OD-CNN中选择三个不相同的模型，包括预测性能最好的模型，即在
上计算得到的均方根误差值最小的OD-CNN模型，以及随机选择的两个模型，得到对应各模型优化后的参数Mbest、Me和Mh；
S3.1.3.5.2：基于S3.1.3.5.1被选中的三个OD-CNN优化后的模型参数Mbest、Me和Mh，使用DE/best/1变异方式和二项式交叉生成新的模型参数
S3.1.3.5.3：使用S3.1.3.5.2生成的模型参数
对第k个OD-CNN模型对应参数值进行初始化；
S3.1.4：针对经过S3.1.3参数初始化后的第k个OD-CNN模型，在S3.1.2重采样得到的样本集合
上进行训练，建立一个用于带钢产品硬度预测的OD-CNN模型；
S3.1.5：更新模型计数器k＝k+1，针对S2.2处理后的样本集合D2，依据各生产样本的训练误差调整样本权重
具体方法为：首先增大训练误差较大的样本的权重，减小训练误差较小的样本的权重，然后对新的样本权重进行归一化处理；
S3.1.6：重复S3.1.2至S3.1.5，建立K个用于连续退火带钢产品硬度预测的OD-CNN模型；
S3.2：基于S3.1建立的K个OD-CNN模型，首先使用“k均值”(k-means)聚类算法进行聚类，然后从各个类簇中随机选择用于构建集成学习机模型的OD-CNN模型(即子学习机模型)；具体步骤如下：
S3.2.1：基于S2处理后的样本集合D2，使用准确性和分散性两个指标分别对S3.1建立的K个OD-CNN模型进行评价，然后构建一个包含K个样本的数据集合D3，其中第k个样本为包含“准确性”和“分散性”两个属性值的二维向量；第k个OD-CNN模型的准确性式(1)和分散性式(2)计算方法如下：
其中，N为D2的样本总数，K为S3.1中构建的OD-CNN模型总数，
为第k个OD-CNN模型对D2中第i个样本的带钢产品硬度预测值，ri为D2中第i个样本的带钢产品硬度真实值，
表示K个OD-CNN模型在D2中第i个样本上带钢产品硬度预测值的平均值；
S3.2.2：基于S3.2.1构建的数据集D3，使用“k均值”算法对S3.1建立的K个OD-CNN模型进行聚类，得到簇划分C＝{C1,C2,…,Cl}，l为聚类后得到的簇的个数；
S3.2.3：针对S3.2.2得到的簇Ci(i＝1,2,…,l)，当Ci中OD-CNN模型数量大于m时，随机选择其中m个模型作为集成模型的子学习机；当Ci中OD-CNN模型数量小于等于m时，Ci中所有OD-CNN模型均作为集成模型的子学习机；
S3.3：针对S3.2选择的S个子学习机模型，使用基于差分进化的子学习机权重优化方法对各子学习机模型的权重vi(i＝1,2,…,S)进行优化，根据S个子学习机模型及其各自的权重，通过公式(3)所示的线性加权方法将S个子学习机模型集成为一个集成学习机模型，该集成学习机模型即为该种调质度带钢产品硬度预测模型，其输出为各子学习机模型所输出的带钢产品硬度预测值的加权合成值；
其中，Pfimal(x)为集成学习机模型对于生产样本x的带钢产品硬度预测值，vi和pi(x)分别为第i个子学习机模型的权重值和第i个子学习机模型对于生产样本x输出的带钢产品硬度预测值；
有益技术效果
1、本发明将连退生产过程宏观尺度数据(主要包括带钢信息数据、连退生产状态数据)与对带钢硬度影响极大的介观尺度数据(主要包括晶粒尺寸数据)相融合得到多尺度融合数据，使用一维卷积神经网络作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，构建了一种基于多尺度数据融合的连退带钢硬度在线预测方法，本发明的方法能够实现连续退火生产过程带钢硬度在线预测，极大地提高连退带钢硬度的预测精度，满足企业实际生产需求，增加企业经济效益；
2、本发明使用差分进化算法中的交叉变异操作产生新的模型参数对OD-CNN的模型参数进行初始化，可以防止OD-CNN模型训练陷入局部最优的同时，加快模型收敛速度，提高模型预测精度。
附图说明
图1为本发明一种实施方式的基于多尺度数据融合的连退带钢硬度在线预测方法原理示意图；
图2为本发明一种实施方式的基于多尺度数据融合的连退带钢硬度在线预测方法流程图；
图3为本发明一种实施方式的基于多尺度数据融合的连退带钢硬度在线预测方法的一维卷积网络网络结构图；
图4为本发明一种实施方式的基于多尺度数据融合的连退带钢硬度在线预测方法的预测值与相应测试样本实际值的比较结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明；
连续退火生产是钢铁企业冷轧厂的一道重要工序，如图1所示，连续退火生产线按功能可以分为以下7个主要阶段：加热炉(HF)、均热炉(SF)、缓冷炉(SF)、快冷炉(FCF)、过时效炉(OA)、水淬炉(WQ)和平整机；在实际的连退生产过程中，带钢会以一定的速度穿过各个炉区，按照设定的退火工艺路线完成退火处理，从而消除冷轧过程中产生的内应力，再经过平整机，最终得到高质量的带钢；
针对在实际连续退火生产过程中，还无法实现带钢硬度在线检测的现状，并且已有的方法通常只考虑与带钢硬度相关的生产过程参数和带钢信息参数等宏观尺度数据，而忽略了与带钢硬度相关性较大的介观尺度数据的问题，本发明提出了一种基于多尺度数据融合的连退带钢硬度在线预测方法；该方法的工作原理如图1所示：首先，利用企业的历史连续退火生产数据样本，使用相应机理模型进行介观数据补充，得到连续退火宏介观多尺度融合数据，使用OD-CNN作为子学习机，结合带有自适应参数初始化策略的改进Adaboost_R2技术，针对不同调质度带钢分别建立基于多尺度数据融合的连退带钢硬度集成学习预测模型，并形成离线连续退火带钢产品硬度预测模型库；其次，在实际生产过程中，根据待连续退火生产的带钢调质度从离线建立的预报模型库中选择相应的产品硬度预测模型；然后，从连续退火生产过程采样与控制系统中获取连续退火生产线各采样点上的实时生产过程数据，经过数据预处理，与带钢信息合成得到连退生产过程宏观数据，再利用相应的机理模型计算得到带钢内部晶粒尺寸相关的介观数据，再经过合成得到连退生产过程实时宏介观多尺度数据；接着，将实时数据传递给所选择的带钢产品硬度预测模型，从而向现场操作人员输出当前工况下的带钢产品硬度预测值；此外，每卷带钢带头处的信息参数和生产过程数据会存储起来，当带钢产品硬度离线检测结果出来以后，与其合成后，形成新的连续退火生产数据样本，存储到企业数据库中；当新样本数量满足要求时，会重新训练模型，而保证预测模型能够跟踪连续退火机组的最新工况；
本实施方式基于图1所示的连续退火生产工艺，生产某种调度质的带钢产品，并根据基于多尺度数据融合的连退带钢硬度预测方法原理，本发明提出了一种基于多尺度数据融合的连退带钢硬度在线预测方法，如图2所示，包括如下步骤：
S1：针对一种调度质为H1的带钢，从企业数据库中采集最近30天内的连续退火生产样本，得到包含5945条连续退火生产样本的集合D1；每个样本由以下24个宏观数据项构成，其中包括5个带钢规格信息数据项，分别为入口宽度、入口厚度、带钢碳含量、带钢氮含量、带钢硅含量，以及5个热轧阶段的信息数据项，即板坯出炉温度、平均卷曲温度、平均精轧温度、平均终轧温度和连续酸洗-轧制延伸率(CDCM延伸率)；14个连续退火相关生产状态数据项，分别为中央段速度、HF炉平均温度、SF炉平均温度、SCF炉平均温度、CF炉冷却气体温度、1OA炉区平均温度、2OA炉1区平均温度、2OA炉2区平均温度、WQ炉水温、平整机入口带钢张力、平整机中间带钢张力、平整机出口带钢张力、平整机1#机架轧制力和2#机架轧制力；以及1个输出项，即带钢产品硬度实际值数据项；
S2：分别使用相应的工艺机理模型计算2个与带钢内部晶粒尺寸相关的介观数据项，分别为带钢再结晶晶粒尺寸公式(4)和长大后晶粒尺寸公式(5)，将其与之前的24个宏观数据项融合在一起，形成包含26个输入项和1个输出项的连续退火宏介观多尺度融合数据样本集合；如表1所示，其中每一行表示一个样本，每一列为一个数据项，并依次按带钢规格信息数据项、连续退火相关生产状态数据项、连续退火带钢介观数据项至最后的带钢产品硬度实际值数据项的顺序进行排列；以Si表示样本，Si＝(si1,si2,...,si26)，其中i＝1,2,3,…,5945，sik表示第i个样本的第k个数据项；使用的工艺机理模型如下：
其中d为再结晶晶粒尺寸，εcr为轧制下压力，d0为初始晶粒尺寸，A、p1和q1为常数，分别取1.5、0.67和-0.5；
其中dθ为长大后晶粒尺寸，ξ为保温时间，T为各炉区温度均值，R为常数，取16.5；
表1.调质度为H1带钢产品的连续退火宏介观数据样本集合
对表1中的每一个输入项进行归一化处理得到数据集合D2，保证不同输入项之间量纲上的一致性，并保存表1中各输入项的最大值和最小值；
S3：基于S2中得到的数据集合D2，建立基于宏介观多尺度融合数据的连退带钢硬度集成学习预测模型，将建立好的预测模型存入企业离线连续退火带钢产品硬度预测模型库，具体步骤如下：
S3.1：采用一维卷积神经网络(OD-CNN)作为子学习机，使用带自适应参数初始化策略的改进Adaboost_R2技术生成200个OD-CNN模型，OD-CNN模型的网络结构如图3所示，其他参数设置如表2所示；
表2.一维卷积神经网络超参数设置
| 参数 | 设定值 | 参数 | 设定值 |
| 学习率 | 0.001 | 批标准化方法 | BatchNorm1d |
| 训练次数 | 500 | 激活函数 | ReLU |
| 批处理数量 | 50 | 损失函数 | MSELoss |
| 梯度下降方法 | Adam |
S3.2：针对S3.1建立的200个OD-CNN模型，首先使用“k均值”(k-means)聚类算法进行聚类，然后从各个类簇中随机选择用于构建集成学习机模型的OD-CNN模型(即子学习机模型)，具体步骤如下：
S3.2.1：针对S3.1中生成的每一个OD-CNN模型，分别使用如下公式计算该模型的准确性式(6)和分散性式(7)两个指标：
其中，N＝5945为样本总数，K＝200为OD-CNN模型总数，
为第k个OD-CNN模型对第i个样本的带钢产品硬度预测值，ri为第i个样本的带钢产品硬度真实值，
表示200个OD-CNN模型在第i个样本上带钢产品硬度预测值的平均值；构建一个包含200个样本的指标数据集D3，如表3所示；
表3.一维卷积神经模型评价指标样本集合
| 编号 | 准确性 | 分散性 |
| 1 | 0.116 | 3.790 |
| 2 | 0.113 | 3.719 |
| 3 | 0.122 | 3.961 |
| … | … | … |
| 199 | 0.107 | 3.398 |
| 200 | 0.107 | 3.290 |
S3.2.2：基于S3.2.1中构建的指标数据集D3，使用“k均值”聚类算法对200个OD-CNN模型进行聚类得到5个类簇C＝{C1,C2,…,C5}；
S3.2.3：针对每一个类簇Ci(i＝1,2,…,5)，当Ci中OD-CNN模型数量大于3时，随机选择其中3个模型作为集成模型的子学习机；当Ci中OD-CNN模型数量小于等于3时，Ci中所有OD-CNN模型均作为集成模型的子学习机；最终通过该方法从200个OD_CNN模型中选出13个OD-CNN模型作为集成模型的子学习机；
S3.3：针对通过聚类选出的13个子学习机模型，使用基于差分进化的子学习机权重优化方法对各子学习机模型的权重vi(i＝1,2,…,13)进行优化，基于所建立的13个子学习机模型和对应各模型优化后的权重值，依据公式
得到集成学习机模型的带钢硬度预测结果，其中pk(x)是样本x由第k个OD-CNN模型所计算出的预测值，vk为第k个OD-CNN模型优化后的权重；数值仿真结果表明：13个子学习机模型集成后得到的该调质度带钢产品硬度预测模型在训练集上的均方根误差为0.947，相对平均误差为0.055％；
除所使用的最近30天内的5945个训练样本之外，从企业数据库中采集未参与训练的50个带钢产品硬度样本作为该调质度带钢产品硬度预报模型的测试样本，以检验所提出的基于宏介观数据融合的连退带钢硬度集成学习预测模型的有效性；50个测试样本的预测值与实际值的比较结果如表5和图4所示，可以看出，本发明所提出的方法在连续退火产品硬度的预测性能上，对于没有参与学习的测试样本的均方根误差为6.97，相对平均误差为0.924％，并且预测值与带钢产品实际硬度值的变化趋势基本一致，说明本发明提出的基于宏介观数据融合的连退带钢硬度集成学习预测模型具有较好的泛化能力和鲁棒性；
表5测试样本与基于宏介观数据的连退带钢硬度集成学习预测模型的预测结果对比
S4：在实际冷轧连续退火生产过程中，从连续退火带钢产品硬度预报模型库中选择与当前生产带钢调度质(例如H1)一致的带钢产品硬度预报模型，开始连续退火；
S5：以采样周期2秒从连续退火生产过程采样与控制系统的各采样点读取每卷带钢头部穿过时产生的生产状态数据，并将其与带钢信息合成为连续退火生产过程数据，即连续退火样本的24个宏观尺度数据项，然后，使用相应的工艺机理模型，即公式(4)和公式(5)，计算2个带钢内部晶粒尺寸相关的介观尺度数据项，分别为再结晶晶粒尺寸和长大后晶粒尺寸，将其与之前的24个宏观数据项融合，形成一个包含26个输入项的连续退火宏介观数据在线样本，同时记录该条样本；
S6：使用S2中保存的各输入项的最大值和最小值对新采集的在线样本各输入项数值进行归一化处理；
S7：基于归一化后的在线样本，使用调度质为H1的带钢产品硬度预报模型预测对应的带钢产品硬度值，并通过操作平台显示装置向现场操作人员展示；
S8：该条带钢生产完成后，截取带钢头部进行离线化验，得到该条带钢产品实际硬度值，并与S5所记录的本卷带钢产品的24个宏观数据项进行匹配和合成，得到一个新的连续退火生产样本，保存到企业服务器中；
S9：更新调度质H1的连续退火生产样本，具体方法为：针对调度质H1的带钢，使用最近一个月的连续退火生产样本替换企业数据库中该调度质的时间最早的那一个月的连续退火生产样本；
S10：对于3种不同调度质的带钢产品，判断每一种调度质Hi(i＝1,2,3)更新后的连续退火样本数量是否大于5500，如果满足，则按照S1至S3的方法，根据更新后的连续退火生产样本，对该调质度带钢产品硬度预测模型进行重新训练和更新，从而保证该调度质的连续退火带钢产品硬度预测模型能够跟踪生产该调度质带钢产品的连续退火机组的最新工况；
S11：在新的调度质带钢产品连续退火生产开始时，重复执行S4至S11，实现对3种不同调度质的连续退火带钢产品硬度的在线预报。
Claims (8)
1.一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：分为以下步骤：
S1：针对一种调质度为Hj,j∈{1,2,…,Z}的带钢产品，其中，Z为现有不同调质度种类的带钢产品数量，从用于存储实际连续退火生产数据的企业数据库中获取该种调质度带钢最近T时间段内的实际连续退火生产数据，得到包含N条连续退火生产样本的集合D1，每条生产样本中包含p个宏观尺度信息数据项和一个带钢硬度实际值；
S2：针对S1中的连续退火生产样本集合D1，进行带钢介观尺度信息数据项补充和数据归一化处理，得到样本集合D2；
S3：基于S2处理后的样本集合D2，建立基于宏介观多尺度数据融合的连退带钢硬度集成学习预测模型，并将建立好的预测模型存入企业连续退火带钢产品硬度预测模型库；
S4：从连续退火带钢产品硬度预测模型库中选择与待连续退火生产的带钢调度质Hj一致的带钢产品硬度预测模型，开始连续退火生产；
S5：设置采样周期为Tmax，从连续退火生产线上各采样点实时读取连续退火生产状态数据，并将其与数据库中相应的带钢信息合成为连续退火生产过程数据，该生产过程数据包括带钢信息和连退生产状态等宏观尺度数据项，使用S2中相应的工艺机理模型计算带钢内部晶粒尺寸相关的介观尺度数据项，将介观尺度数据项与宏观尺度数据项融合，形成包含宏介观数据项的连续退火生产过程输入向量；
S6：使用S2中得到的样本集合D2中各数据项的最大值和最小值对过程输入向量中对应数据项数值进行归一化处理；
S7：基于归一化后的过程输入向量，使用S4中选择的带钢产品硬度预测模型对带钢产品硬度进行预测；
S8：本卷带钢产品连续退火生产结束后，截取带钢头部进行离线人工化验，得到该条带钢产品的实际硬度值，并与S5中本卷带钢产品所记录的包含宏介观数据项的连续退火过程输入向量进行匹配与合成，得到一个新的连续退火生产样本；所述生产样本包括p个宏观尺度数据项和一个带钢产品硬度实际值；
S9：更新调度质为Hj的带钢产品连续退火生产样本，方法为：针对该调度质带钢，当最近O时间段内连续退火生产样本采集完成后，使用最近O时间段内的连续退火生产样本替换企业数据库中该调度质带钢最早O时间段内的连续退火生产样本；
S10：对于Z中调度质带钢产品，设置阈值G，判断每一种调度质Hi(i＝1,2,…,Z)更新后的连续退火样本数量是否大于G，如果满足，则按照S1至S3的方法，基于该调度质带钢更新后的连续退火生产样本，对该调度质带钢产品的硬度预报模型进行重新训练和更新，保证其能够跟踪生产该调度质带钢产品的连续退火机组的最新工况；
S11：在新的带钢产品连续退火生产开始时，重复执行S4至S11，实现对已有的Z种不同调度质的连续退火带钢产品硬度的在线预测。
2.如权利要求1所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述S2的具体过程，包括以下步骤：
S2.1：针对样本集合D1内的每条连续退火生产样本，分别使用相应的机理模型计算q个与带钢内部晶粒尺寸相关的介观尺度数据项值，将q个介观尺度数据项与p个宏观尺度数据项融合，形成包含p+q个宏介观信息输入项和1个实际带钢硬度输出项的连续退火宏介观多尺度融合数据样本集合D2；
S2.2：由S2.1得到包含N条连续退火生产样本的新集合D2，其中每条生产样本包含p+q个宏介观信息输入项和1个实际带钢硬度输出项；针对D2内每一个输入项进行归一化处理，保证不同输入项之间量纲上的一致性，并保存样本集合D2中p+q个输入项的最大值和最小值。
3.如权利要求1所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述S3的具体过程，包括以下步骤：
S3.1：采用一维卷积神经网络(One Dimensional Convolutional Neural Networks,OD-CNN)作为子学习机，使用带自适应参数初始化策略的改进Adaboost_R2技术生成K个OD-CNN模型：
S3.2：基于S3.1建立的K个OD-CNN模型，首先使用“k均值”(k-means)聚类算法进行聚类，然后从各个类簇中随机选择用于构建集成学习机模型的OD-CNN模型；
S3.3：针对S3.2选择的S个子学习机模型，使用基于差分进化的子学习机权重优化方法对各子学习机模型的权重vi(i＝1,2,…,S)进行优化，根据S个子学习机模型及其各自的权重，通过公式(3)所示的线性加权方法将S个子学习机模型集成为一个集成学习机模型，该集成学习机模型即为该种调质度带钢产品硬度预测模型，其输出为各子学习机模型所输出的带钢产品硬度预测值的加权合成值；
其中，Pfinal(x)为集成学习机模型对于生产样本x的带钢产品硬度预测值，vi和pi(x)分别为第i个子学习机模型的权重值和第i个子学习机模型对于生产样本x输出的带钢产品硬度预测值。
4.如权利要求3所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述步骤3的具体过程分为以下步骤：
S3.1.1：初始化模型计数器k为1，并为S2数据处理后的样本集合D2中的所有样本赋予相同的权重值，即每条样本的权重为
S3.1.2：使用重采样方法结合样本权重
对样本集合D2进行有放回采样，得到包含N条生产样本的新集合
S3.1.3：构建第k个OD-CNN模型，并基于自适应参数初始化策略对第k个OD-CNN模型的参数进行初始化，具体步骤如下：
S3.1.4：针对经过S3.1.3参数初始化后的第k个OD-CNN模型，在S3.1.2重采样得到的样本集合上进行训练，建立一个带钢产品硬度预测的OD-CNN模型；
S3.1.5：更新模型计数器k＝k+1，针对S2.2处理后的样本集合D2，依据各生产样本的训练误差调整样本权重(i＝1,2,…,N)，具体方法为：首先增大训练误差较大的样本的权重，减小训练误差较小的样本的权重，然后对新的样本权重进行归一化处理；
S3.1.6：重复S3.1.2至S3.1.5，建立K个用于连续退火带钢产品硬度预测的OD-CNN模型。
5.如权利要求4所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述步骤3.1.3的具体过程分为以下步骤：
S3.1.3.1：判断第k个OD-CNN是否为第一个模型，即k是否等于1，若k等于1，使用随机初始化方法对第k个OD-CNN模型参数进行初始化，并跳转到S3.1.4，若k不等于1则跳转到S3.1.3.2；
S3.1.3.2：判断k是否可以被趋势检验频率Ttrend+1整除，如果不可以整除，跳转到S3.1.3.3；如果可以整除，则使用Mann-Kendall趋势检验法分析新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN的性能是否满足提升条件，如果满足提升条件，跳转到S3.1.3.4；否则跳转到S3.1.3.5；
S3.1.3.3：使用经过训练的第k-1个OD-CNN模型优化后的参数对第k个OD-CNN模型参数进行初始化，即直接使用第k-1个OD-CNN优化后的各模型参数值作为第k个OD-CNN对应的模型参数初始值；
S3.1.3.4：当新生成的Ttrend个OD-CNN性能满足提升条件，继续使用S3.1.3.3中的参数初始化方法对第k个OD-CNN模型参数进行初始化；
S3.1.3.5：当新生成的Ttrend个OD-CNN性能不满足提升条件，使用差分进化算法(Differential Evolution,DE)中的交叉变异操作产生新的模型参数对第k个OD-CNN模型参数进行初始化。
6.如权利要求5所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述步骤3.1.3.5的具体过程分为以下步骤：
S3.1.3.5.1：前k-1个已经训练好的OD-CNN中选择三个不相同的模型，包括预测性能最好的模型，即在
上计算得到的均方根误差值最小的OD-CNN模型，以及随机选择的两个模型，得到对应各模型优化后的参数Mbest、Me和Mh；
S3.1.3.5.2：基于S3.1.3.5.1被选中的三个OD-CNN优化后的模型参数Mbest、Me和Mh，使用DE/best/1变异方式和二项式交叉生成新的模型参数
S3.1.3.5.3：使用S3.1.3.5.2生成的模型参数
对第k个OD-CNN模型对应参数值进行初始化。
7.如权利要求2所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述步骤3.2的具体过程分为以下步骤：
S3.2.1：基于S2处理后的样本集合D2，使用准确性和分散性两个指标分别对S3.1建立的K个OD-CNN模型进行评价，然后构建一个包含K个样本的数据集合D3，其中第k个样本为包含“准确性”和“分散性”两个属性值的二维向量；第k个OD-CNN模型的准确性式(1)和分散性式(2)计算方法如下：
其中N为D2的样本总数，K为S3.1中构建的OD-CNN模型总数，
为第k个OD-CNN模型对D2中第i个样本的带钢产品硬度预测值，ri为D2中第i个样本的带钢产品硬度真实值，
表示K个OD-CNN模型在D2中第i个样本上带钢产品硬度预测值的平均值；
S3.2.2：基于S3.2.1构建的数据集D3，使用“k均值”算法对S3.1建立的K个OD-CNN模型进行聚类，得到簇划分C＝{C1,C2,…,Cl}，l为聚类后得到的簇的个数；
S3.2.3：针对S3.2.2得到的簇Ci(i＝1,2,…,l)，当Ci中OD-CNN模型数量大于m时，随机选择其中m个模型作为集成模型的子学习机；当Ci中OD-CNN模型数量小于等于m时，Ci中所有OD-CNN模型均作为集成模型的子学习机。
8.如权利要求5所述的一种基于多尺度数据融合的连退带钢硬度在线预测方法，其特征在于：所述判断性能是否满足提升条件的具体步骤如下：
S3.1.3.2.1：针对新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN模型，分别在S3.1.2得到的样本集合
上计算每个OD-CNN模型的均方根误差，构建一个包含Ttrend个元素的向量V，V中的每个元素为对应OD-CNN模型的均方根误差值；
S3.1.3.2.2：基于S3.1.3.2.1中构建的向量V，计算检验统计量Zzk；
S3.1.3.2.3：设置置信水平α，通过查询标准正态分布表得到阈值Z1-α/2，当|Zzk|>Z1-α/2且Zzk>0时，新生成的第k-Ttrend到第k-1共Ttrend个OD-CNN的性能是否满足提升条件，否则性能不满足提升条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025657.8A CN114564879A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多尺度数据融合的连退带钢硬度在线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025657.8A CN114564879A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多尺度数据融合的连退带钢硬度在线预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114564879A true CN114564879A (zh) | 2022-05-31 |
Family
ID=81712560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210025657.8A Pending CN114564879A (zh) | 2022-01-11 | 2022-01-11 | 一种基于多尺度数据融合的连退带钢硬度在线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114564879A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
-
2022
- 2022-01-11 CN CN202210025657.8A patent/CN114564879A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
| CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
| KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
| WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
| WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN1139442C (zh) | 控制冶金设备的方法和装置 | |
| CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
| CN105740467A (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
| CN110472349B (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
| 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 | |
| CN114564879A (zh) | 一种基于多尺度数据融合的连退带钢硬度在线预测方法 | |
| CN113330468A (zh) | 金属材料的设计支援方法、预测模型的生成方法、金属材料的制造方法以及设计支援装置 | |
| Wang et al. | Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection | |
| CN100361031C (zh) | 控制工业过程的方法 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN115608793A (zh) | 一种机理融合数据的精轧温度调控方法 | |
| CN106886799A (zh) | 一种基于混合集成学习的连续退火带钢质量在线检测方法 | |
| Yan et al. | Rolling force prediction during FGC process of tandem cold rolling based on IQGA-WNN ensemble learning | |
| CN1641356B (zh) | 硬线产品显微组织与力学性能预报系统 | |
| CN103675010B (zh) | 支持向量机的工业熔融指数软测量仪表及方法 | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| CN115392104A (zh) | 一种基于退火工艺预测冷轧连续退火带钢力学性能的方法 |
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 |