CN114611376B - 一种基于神经网络的连退跑偏预测方法及装置 - Google Patents

一种基于神经网络的连退跑偏预测方法及装置 Download PDF

Info

Publication number
CN114611376B
CN114611376B CN202210062546.4A CN202210062546A CN114611376B CN 114611376 B CN114611376 B CN 114611376B CN 202210062546 A CN202210062546 A CN 202210062546A CN 114611376 B CN114611376 B CN 114611376B
Authority
CN
China
Prior art keywords
deviation
strip steel
positions
probability
neural network
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.)
Active
Application number
CN202210062546.4A
Other languages
English (en)
Other versions
CN114611376A (zh
Inventor
袁铁衡
孙文权
何安瑞
袁雨田
李立刚
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210062546.4A priority Critical patent/CN114611376B/zh
Publication of CN114611376A publication Critical patent/CN114611376A/zh
Application granted granted Critical
Publication of CN114611376B publication Critical patent/CN114611376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/26—Methods of annealing
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/52—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for wires; for strips ; for rods of unlimited length
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Thermal Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Metal Rolling (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

本发明公开了一种基于神经网络的连退跑偏预测方法及装置，该方法包括：获取历史生产数据；基于历史生产数据计算带钢的基准跑偏概率，并基于基准跑偏概率，根据纠偏缸位置均值和带钢位置均值，确定跑偏警戒值；建立神经网络预测模型，并基于历史生产数据对其进行训练；利用训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置或带钢位置超出跑偏警戒值时，则判定当前待生产带钢出现跑偏；根据预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则进行连退跑偏预警。通过本发明对连退生产的带钢做跑偏预测及警报，可有效减少跑偏事故的发生。

Description

一种基于神经网络的连退跑偏预测方法及装置
技术领域
本发明涉及冶金自动化、轧制技术领域，特别涉及一种基于神经网络的连退跑偏预测方法及装置。
背景技术
连续退火机组是冷轧厂的重要工序，经冷轧后的带钢需要在连续退火机组中高速穿行，依次经过加热、均热、缓冷、快冷、过时效、水淬、平整等工序，以消除带钢的内应力。随着宽规格产品的需求量不断增大，宽薄规格产品的宽厚比大，压下率大，酸轧板形难以控制，易产生复杂浪型，进而易引发后续机组的跑偏。如果跑偏程度较大，就会出现断带等生产事故，直接造成生产线停机，作业率下降，增加废品量，降低成材率。造成跑偏的原因错综复杂，既有来料浪形、楔形、性能和规格强度，同时也有张力控制系统、设备影响等因素。
申请号为201610496132.7的专利申请公开了一种连续退火机组均热炉的带钢跑偏监测与诊断方法及系统，提出了建立带钢跑偏的监测模型，并采集正常生产的数据样本和发生跑偏的数据样本建立模型，采用实时判断进行报警，但缺少提前预警和跑偏分析。申请号为CN201910934118.4的专利申请公开一种连续退火机组入口带钢跑偏与断带预报方法，通过定量计算出带钢内部的张应力横向分布情况与带钢跑偏情况，实现带钢剐蹭的检测。
从上述现有技术中可以看出，目前对于连退跑偏的研究主要是进行跑偏的监测，缺乏在生产前对可能发生跑偏的带钢进行预警的技术方案。
发明内容
本发明提供了一种基于神经网络的连退跑偏预测方法及装置，以解决现有技术只能实现在生产过程中对连退跑偏进行监测，无法实现在生产前对可能发生跑偏的带钢进行预警的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种基于神经网络的连退跑偏预测方法，包括：
获取历史生产数据，所述历史生产数据为酸轧生产数据及连退生产数据；
基于所述历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
建立神经网络预测模型，并基于所述历史生产数据对所述神经网络预测模型进行训练；其中，所述神经网络预测模型的输出为各纠偏缸位置和带钢位置；
利用训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏。
进一步地，在完成当前待生产带钢是否会出现跑偏的预测后，所述方法还包括：
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警。
进一步地，在对当前待生产带钢进行连退跑偏预警后，所述方法还包括：
在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率。
进一步地，所述酸轧生产数据包括：酸轧原料质量分析模块中的带钢的凸度命中率、楔形命中率，以及酸轧板形仪所有通道的带钢的板形数据；
所述连退生产数据包括：连退炉内各区域速度、连退炉内各段温度、连退炉内各段张力、各纠偏缸位置以及带钢位置。
进一步地，基于所述历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值，包括：
针对不同品规带钢，统计每卷带钢经过各纠偏缸时的纠偏缸位置及带钢位置，根据统计结果计算该品规纠偏缸位置均值、带钢位置均值及基准跑偏概率P；
以该品规纠偏缸位置均值的前P作为该品规纠偏缸位置的跑偏警戒值，以该品规带钢位置均值的前P作为该品规带钢位置的跑偏警戒值。
进一步地，基于历史生产数据对所述神经网络预测模型进行训练，包括：
基于带钢的板形数据，对带钢头尾以及中部三段各100m分别对应的带钢板形一次项系数曲线积分，得到带钢对应的板形特征值；其中，所述板形特征值包括带钢头部板形特征值，带钢尾部板形特征值和带钢中部板形特征值；对正常酸轧生产钢卷的板形特征值进行头尾对调处理，针对返卷，则不作对调处理；
对所述历史生产数据进行预处理；其中，所述预处理包括归一化处理、去除噪点和异常数据；其中，所述归一化处理采用最大最小归一化处理；
以预处理后的凸度命中率、楔形命中率，板形特征值，连退炉内各区域速度，连退炉内各段温度，连退炉内各段张力作为模型的输入，以各纠偏缸位置和带钢位置作为模型的输出，对所述神经网络预测模型进行训练。
进一步地，根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警，包括：
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率；
当计算出的跑偏概率不大于20％时，进行第一等级预警；
当计算出的跑偏概率在20％-30％时，进行第二等级预警；
当计算出的跑偏概率在30％-50％时，进行第三等级预警；
当计算出的跑偏概率大于等于50％时，进行第四等级预警；
其中，不同等级的预警以不同颜色进行区分。
进一步地，根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率的计算公式为：
Figure BDA0003478783930000031
其中，P1为计算出的跑偏概率，A为纠偏缸位置影响系数，B为带钢位置影响系数，Xwarning为纠偏缸位置跑偏警戒值，Ywarning为带钢位置跑偏警戒值，X为模型预测的纠偏缸位置、Y为模型预测的带钢位置。
进一步地，在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率的公式为：
Pnew＝Pold+a(P1-Pold)
其中，Pnew为新的基准跑偏概率，P1为根据神经网络预测模型的预测结果计算出的当前带钢的跑偏概率，Pold为旧的基准跑偏概率，a为平滑系数。
另一方面，本发明还提供了一种基于神经网络的连退跑偏预测装置，包括：
历史生产数据获取模块，用于获取历史生产数据，所述历史生产数据为酸轧生产数据及连退生产数据；
跑偏警戒值设定模块，用于基于所述历史生产数据获取模块所获取的历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
模型训练模块，用于建立神经网络预测模型，并基于所述历史生产数据获取模块所获取的历史生产数据对所述神经网络预测模型进行训练；其中，所述神经网络预测模型的输出为各纠偏缸位置和带钢位置；
跑偏预测模块，用于利用经所述模型训练模块训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
针对实际生产中可能出现的跑偏问题，本发明通过建立神经网络预测模型，通过预测带钢位置及纠偏缸位置，同时建立相应的跑偏预警规则，在生产前对可能发生跑偏的带钢进行预警，提醒操作人员进行及时关注并调节。通过本发明技术方案对连退生产的带钢做跑偏预测及警报，可有效减少跑偏事故的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于神经网络的连退跑偏预测方法的流程图；
图2是本发明实施例提供的历史生产卷带钢位置统计图；
图3是本发明实施例提供的历史生产卷纠偏缸位置统计图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于神经网络的连退跑偏预测方法，该方法根据历史连退生产的带钢，建立BP神经网络模型，预测纠偏缸位置及带钢位置，进而根据建立的跑偏规则确定跑偏概率并进行预警。该方法可以由电子设备实现，具体地，该方法的执行流程如图1所示，包括以下步骤：
S1，获取历史生产数据；
其中，所述历史生产数据为酸轧生产数据及连退生产数据；
S2，基于历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于基准跑偏概率，根据纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
S3，建立神经网络预测模型，并基于历史生产数据对神经网络预测模型进行训练；其中，神经网络预测模型的输出为各纠偏缸位置和带钢位置；
S4，利用训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏；
进一步地，在完成待生产带钢是否会出现跑偏的预测后，该方法还包括：
S5，根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警；
进一步地，本实施例的基于神经网络的连退跑偏预测方法还包括：
S6，在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率。
下面，以某2130连退生产线为例，对本实施例方法进行详细说明。
上述S1获取历史生产数据具体为：从大数据分析平台中获取酸轧生产数据及连退生产数据。其中酸轧生产数据包括：酸轧原料质量分析模块中的凸度、楔形命中率，酸轧板形仪所有通道的板形数据。连退数据包括：连退生产历史已生产过的所有相同钢种、宽度、厚度分档的钢卷数据。连退炉内各区域速度，炉内各段温度(退火曲线类别)，各段张力，各纠偏缸位置和带钢位置。
上述S2具体为：针对不同品规带钢，统计每卷带钢纠偏缸位置均值及带钢位置均值，计算该品规基准跑偏概率，确定跑偏警戒值；下面以规格为DC03、宽度为1342、厚度为0.997的带钢为例进行计算，每卷带钢经过各纠偏装置时的纠偏缸位置和带钢位置均值计算方法如下所示。
纠偏缸位置均值：
Figure BDA0003478783930000061
带钢位置均值：
Figure BDA0003478783930000062
其中：n为带钢全长经过该纠偏装置时按带钢长度每米记录一次的纠偏数据总个数；x1～xn为带钢经过该纠偏装置时记录的纠偏缸位置数据；y1～yn为记录的对应带钢位置数据；计算出的
Figure BDA0003478783930000065
为带钢经过该纠偏装置时的纠偏缸位置均值；
Figure BDA0003478783930000066
为带钢经过该纠偏装置时的带钢位置均值；
对一段时间生产的所有带钢经过某纠偏装置的纠偏缸位置均值和带钢位置均值做正态分布，该分布表示该纠偏装置在这段时间内的对中情况。该品规统计结果图2和图3所示。
以带钢品规历史跑偏卷数M与总卷数N的比值作为该品规的基准跑偏概率：
Figure BDA0003478783930000063
其中，M为该品规的跑偏卷数，N为该品规生产的总卷数，P该品规跑偏概率。本实施例中，该规格带钢上月共生产卷数为36卷，其中跑偏卷数为8卷，故通过上述公式计算出的该品规带钢的基准跑偏概率P为22％。
根据跑偏概率确定跑偏规则，以纠偏辊位置和带钢位置的前22％确定警戒值，即纠偏缸位置60mm，带钢位置30mm处为警戒值，并记为XLimit与YLimit。只要实时生产过程中该处纠偏缸位置或带钢位置超出设定警戒值，则认为该带钢跑偏，给出报警提示，并将该带钢标记为跑偏。
上述S3具体为：对数据进行处理，对板形仪各通道数据做二次拟合计算，由于头尾板形质量差的带钢在连退炉内更易发生跑偏事故，因此对带钢头尾各100m及中部三段分别对应的一次项系数曲线积分，通过该积分值即可代表带钢板形特征值。具体公式如下：
Figure BDA0003478783930000064
Figure BDA0003478783930000071
Figure BDA0003478783930000072
其中，I1为带钢头部100m板形特征值，I2为带钢尾部100m板形特征值，I3为带钢中部板形特征值，l代表带钢长度，a(l)为带钢板形一次项系数曲线。
本实施例中，即将生产的该品规带钢卷号为H0719217000000，其头部板形特征值为1.68，中部板形特征值为1.61，尾部板形特征值为3.41。
对正常酸轧生产钢卷进行头尾对调处理，针对返卷则头尾不作对调处理。由于本实施例中的该卷带钢为正常生产，故将头尾进行调换。因此可得头部板形特征值为3.41，中部板形特征值为1.61，尾部板形特征值为1.68。
对数据进行处理使其在神经网络预测模型(BP神经网络)中计算精度更高，其中主要包括归一化处理、去除噪点和异常数据，其中归一化采用最大最小归一化处理。该方法可降低不同量纲对预测精度的影响，其公式为：
Figure BDA0003478783930000073
式中，max{xj}指代数据集中的最大数据，min{xj}指代数据集中的最小数据。yi为标准化处理后的结果。xi为待处理数据，n为数据集中数据总数。
建立神经网络预测模型，以凸度、楔形命中率，头中尾板形特征值，连退炉区各区域速度最大值，炉内各段温度，各段张力作为输入，以各纠偏缸位置和带钢位置作为输出，对模型进行训练。
其中，在本实施例中，该卷带钢凸度命中率为96％，楔形命中率为100％。炉内各段温度，各段张力如下表1所示。
表1各段温度及张力
Figure BDA0003478783930000074
Figure BDA0003478783930000081
建立BP神经网络模型，确定模型的具体参数。对模型进行训练。
确定神经网络层数，输入和输出节点数，计算隐含层神经元节点数。进行BP神经网络的初始化，以及训练集和验证集的划分。
其中，在本实施例中，输入层节点数为8，输出层节点数为2，隐含层节点数为12。样本共5000条，选择其中4500条为训练集，500条为验证集，对模型进行训练。以便后续使用训练好的模型对该卷带钢进行预测。
其中，模型训练的过程为：数据从输入层经隐含层向后传播，传到输出层，若结果不符，则误差信号反向传播，以误差修正各单元权值；经过不断循环直到输出误差小于与设定的精度值或达到学习次数。
在本实施例中，该模型得到的纠偏缸位置为35mm，带钢位置为18mm。
上述S5所建立的预警规则如下表2所示。
表2跑偏预警等级及报警分档
跑偏概率范围 对应预警等级 颜色报警
<＝20％ 低风险 无
20％-30％ 中低风险 黄色
30％-50％ 中高风险 橙色
>＝50％ 高风险 红色
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，公式如下：
Figure BDA0003478783930000082
其中，P1为计算出的跑偏概率，A为纠偏缸位置影响系数，B为带钢位置影响系数，Xwarning为纠偏缸位置跑偏警戒值，Ywarning为带钢位置跑偏警戒值，X为模型预测的纠偏缸位置、Y为模型预测的带钢位置。由于带钢位置大时更易跑偏，故在此，本实施例取A为0.3，B为0.7。
计算得到的该卷带钢跑偏概率为26％，因此在系统内进行黄色预警，建议操作人员及时予以关注并采取调张、调速等措施。
在该卷带钢生产结束时按照下式更新该品规基准跑偏概率：
Pnew＝Pold+a(P1-Pold)
其中，Pnew为该品规的新的基准跑偏概率，P1为该卷钢的跑偏概率，Pold为该规格旧的基准跑偏概率，a为平滑系数；通常取0.5。
计算得到的该卷带钢的基准跑偏概率为：Pnew＝22％+0.5×(26％-22％)＝24％
综上，本实施例的连退跑偏预测方法的实际应用效果明显，通过本实施例的连退跑偏预测方法可使得连退出现跑偏的现象大幅降低，历史跑偏统计分析功能的投入，极大降低了技术人员数据分析工作量。通过本实施例方法所得出的判定结果可指导生产，为企业保障生产及提高生产效率提供了重要数据支持。
第二实施例
本实施例提供了一种基于神经网络的连退跑偏预测方法，包括以下模块：
历史生产数据获取模块，用于获取历史生产数据，所述历史生产数据为酸轧生产数据及连退生产数据；
跑偏警戒值设定模块，用于基于所述历史生产数据获取模块所获取的历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
模型训练模块，用于建立神经网络预测模型，并基于所述历史生产数据获取模块所获取的历史生产数据对所述神经网络预测模型进行训练；其中，所述神经网络预测模型的输出为各纠偏缸位置和带钢位置；
跑偏预测模块，用于利用经所述模型训练模块训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏。
本实施例的基于神经网络的连退跑偏预测装置与上述第一实施例的基于神经网络的连退跑偏预测方法相对应；其中，本实施例的基于神经网络的连退跑偏预测装置中的各功能模块所实现的功能与上述第一实施例的基于神经网络的连退跑偏预测方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (4)

1.一种基于神经网络的连退跑偏预测方法，其特征在于，包括：
获取历史生产数据，所述历史生产数据为酸轧生产数据及连退生产数据；
基于所述历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
建立神经网络预测模型，并基于所述历史生产数据对所述神经网络预测模型进行训练；其中，所述神经网络预测模型的输出为各纠偏缸位置和带钢位置；
利用训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏；
在完成当前待生产带钢是否会出现跑偏的预测后，所述方法还包括：
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警；
在对当前待生产带钢进行连退跑偏预警后，所述方法还包括：
在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率；
所述酸轧生产数据包括：酸轧原料质量分析模块中的带钢的凸度命中率、楔形命中率，以及酸轧板形仪所有通道的带钢的板形数据；
所述连退生产数据包括：连退炉内各区域速度、连退炉内各段温度、连退炉内各段张力、各纠偏缸位置以及带钢位置；
基于所述历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值，包括：
针对不同品规带钢，统计每卷带钢经过各纠偏缸时的纠偏缸位置及带钢位置，根据统计结果计算该品规纠偏缸位置均值、带钢位置均值及基准跑偏概率P；
以该品规纠偏缸位置均值的前P作为该品规纠偏缸位置的跑偏警戒值，以该品规带钢位置均值的前P作为该品规带钢位置的跑偏警戒值；
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率的计算公式为：
Figure FDA0003902058510000021
其中，P1为计算出的跑偏概率，A为纠偏缸位置影响系数，B为带钢位置影响系数，Xwarning为纠偏缸位置跑偏警戒值，Ywarning为带钢位置跑偏警戒值，X为模型预测的纠偏缸位置、Y为模型预测的带钢位置；
在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率的公式为：
Pnew＝Pold+a(P1-Pold)
其中，Pnew为新的基准跑偏概率，P1为根据神经网络预测模型的预测结果计算出的当前带钢的跑偏概率，Pold为旧的基准跑偏概率，a为平滑系数。
2.如权利要求1所述的基于神经网络的连退跑偏预测方法，其特征在于，基于所述历史生产数据对所述神经网络预测模型进行训练，包括：
基于带钢的板形数据，对带钢头尾以及中部三段各100m分别对应的带钢板形一次项系数曲线积分，得到带钢对应的板形特征值；其中，所述板形特征值包括带钢头部板形特征值，带钢尾部板形特征值和带钢中部板形特征值；对正常酸轧生产钢卷的板形特征值进行头尾对调处理，针对返卷，则不作对调处理；
对所述历史生产数据进行预处理；其中，所述预处理包括归一化处理、去除噪点和异常数据；其中，所述归一化处理采用最大最小归一化处理；
以预处理后的凸度命中率、楔形命中率，板形特征值，连退炉内各区域速度，连退炉内各段温度，连退炉内各段张力作为模型的输入，以各纠偏缸位置和带钢位置作为模型的输出，对所述神经网络预测模型进行训练。
3.如权利要求1所述的基于神经网络的连退跑偏预测方法，其特征在于，根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警，包括：
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率；
当计算出的跑偏概率不大于20％时，进行第一等级预警；
当计算出的跑偏概率在20％-30％时，进行第二等级预警；
当计算出的跑偏概率在30％-50％时，进行第三等级预警；
当计算出的跑偏概率大于等于50％时，进行第四等级预警；
其中，不同等级的预警以不同颜色进行区分。
4.一种基于神经网络的连退跑偏预测装置，其特征在于，包括：
历史生产数据获取模块，用于获取历史生产数据，所述历史生产数据为酸轧生产数据及连退生产数据；
跑偏警戒值设定模块，用于基于所述历史生产数据获取模块所获取的历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值；
模型训练模块，用于建立神经网络预测模型，并基于所述历史生产数据获取模块所获取的历史生产数据对所述神经网络预测模型进行训练；其中，所述神经网络预测模型的输出为各纠偏缸位置和带钢位置；
跑偏预测模块，用于利用经所述模型训练模块训练好的神经网络预测模型对待生产带钢的各纠偏缸位置和带钢位置进行预测，当预测出的纠偏缸位置超出纠偏缸位置的跑偏警戒值或预测出的带钢位置超出带钢位置的跑偏警戒值时，则预测当前待生产带钢会出现跑偏；
在完成当前待生产带钢是否会出现跑偏的预测后，还包括：
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率，并基于预设的预警规则，根据计算出的跑偏概率对当前待生产带钢进行连退跑偏预警；
在对当前待生产带钢进行连退跑偏预警后，还包括：
在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率；
所述酸轧生产数据包括：酸轧原料质量分析模块中的带钢的凸度命中率、楔形命中率，以及酸轧板形仪所有通道的带钢的板形数据；
所述连退生产数据包括：连退炉内各区域速度、连退炉内各段温度、连退炉内各段张力、各纠偏缸位置以及带钢位置；
基于所述历史生产数据计算每卷带钢经过各纠偏缸时的纠偏缸位置均值及带钢位置均值，以及带钢的基准跑偏概率，并基于所述基准跑偏概率，根据所述纠偏缸位置均值和带钢位置均值，确定纠偏缸位置和带钢位置的跑偏警戒值，包括：
针对不同品规带钢，统计每卷带钢经过各纠偏缸时的纠偏缸位置及带钢位置，根据统计结果计算该品规纠偏缸位置均值、带钢位置均值及基准跑偏概率P；
以该品规纠偏缸位置均值的前P作为该品规纠偏缸位置的跑偏警戒值，以该品规带钢位置均值的前P作为该品规带钢位置的跑偏警戒值；
根据神经网络预测模型的预测结果计算待生产带钢的跑偏概率的计算公式为：
Figure FDA0003902058510000041
其中，P1为计算出的跑偏概率，A为纠偏缸位置影响系数，B为带钢位置影响系数，Xwarning为纠偏缸位置跑偏警戒值，Ywarning为带钢位置跑偏警戒值，X为模型预测的纠偏缸位置、Y为模型预测的带钢位置；
在当前待生产带钢生产结束时，更新带钢对应的基准跑偏概率的公式为：
Pnew＝Pold+a(P1-Pold)
其中，Pnew为新的基准跑偏概率，P1为根据神经网络预测模型的预测结果计算出的当前带钢的跑偏概率，Pold为旧的基准跑偏概率，a为平滑系数。
CN202210062546.4A 2022-01-19 2022-01-19 一种基于神经网络的连退跑偏预测方法及装置 Active CN114611376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210062546.4A CN114611376B (zh) 2022-01-19 2022-01-19 一种基于神经网络的连退跑偏预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210062546.4A CN114611376B (zh) 2022-01-19 2022-01-19 一种基于神经网络的连退跑偏预测方法及装置

Publications (2)

Publication Number Publication Date
CN114611376A CN114611376A (zh) 2022-06-10
CN114611376B true CN114611376B (zh) 2023-01-20

Family

ID=81857924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210062546.4A Active CN114611376B (zh) 2022-01-19 2022-01-19 一种基于神经网络的连退跑偏预测方法及装置

Country Status (1)

Country Link
CN (1) CN114611376B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100314849B1 (ko) * 1997-12-24 2002-01-15 이구택 쌍롤형 박판제조 장치에서의 박판두께 제어방법
CN104677997B (zh) * 2015-02-02 2016-08-17 华北电力大学 一种变压器油色谱在线监测差异化预警方法
US11625627B2 (en) * 2020-04-21 2023-04-11 Microsoft Technology Licensing, Llc Predicted forecast offset from remote location sensor
CN112029990B (zh) * 2020-07-16 2022-04-08 宝钢湛江钢铁有限公司 一种冷轧带钢连退加热炉自动纠偏控制方法
CN113239569A (zh) * 2021-05-31 2021-08-10 北京科技大学 一种基于数据驱动的板形预测方法及装置

Also Published As

Publication number Publication date
CN114611376A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN108817103B (zh) 一种轧钢模型钢族层别分类优化方法
CN102033523B (zh) 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法
CN107179749A (zh) 热镀锌产品全流程质量控制方法
CN113102516B (zh) 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法
CN114091800A (zh) 硅钢产品生产方案的智能设计评估方法
CN116073436B (zh) 一种光伏新能源电力系统容量优化控制方法
CN105363794A (zh) 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法
CN106845826B (zh) 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法
CN112287550B (zh) 基于主成分分析控制器的带钢头部厚差过程参数优化方法
CN115815342A (zh) 一种基于机理和数据融合模型的冷轧轧制力预测方法
CN113849020A (zh) 一种基于人工智能算法的钢坯升温曲线设计方法及装置
CN104463445A (zh) 一种基于经验日局部校正多点外推算法的负荷预测方法
CN117171521A (zh) 一种针对缺陷检测的钢铁产品性能智能诊断方法
CN116433085A (zh) 一种轧制过程控制系统性能评估方法
CN115993856A (zh) 一种厂房多区域环境条件管控方法及系统
CN117724433B (zh) 基于多通道分布式深度集成预测的冷轧生产前馈控制方法
CN114611376B (zh) 一种基于神经网络的连退跑偏预测方法及装置
CN114854978A (zh) 一种预测带钢跑偏值的方法和装置
CN115218603B (zh) 冷却流量控制方法及装置
CN113850020B (zh) 一种基于神经网络的连退张力设定方法及装置
CN115132298B (zh) 弹簧钢脱碳分析预测方法
CN111570532A (zh) 基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法
CN111250545B (zh) 一种降低摆荡钢卷超厚率的控制系统和方法
CN113198839B (zh) 机架间断面形状数据分配合理性的诊断方法、装置及设备
CN113112120B (zh) 一种热轧带钢侧压机的在线精度评价方法

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
GR01 Patent grant
GR01 Patent grant