CN115169453A - 基于密度聚类协同深度残差网络的热连轧宽度预测方法 - Google Patents

Abstract

本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法，包括：采集热连轧粗轧过程中的历史生产数据；选取主要影响参数类别的生产数据作为模型的输入；将历史生产数据进行预处理，得到标准化数据；对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；对于各类簇，将标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，得到各类簇的深度残差网络结构；将实时采集的生产数据标准化处理后送入所属类簇的深度残差网络模型进行预测，得到粗轧宽度预测结果。该方法结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。

Description

基于密度聚类协同深度残差网络的热连轧宽度预测方法

技术领域

本发明属于轧钢控制技术领域，涉及基于密度聚类协同深度残差网络的热连轧宽度预测方法。

背景技术

热轧带钢的宽度精度是评价轧制钢板的重要质量指标，直接影响带钢产品的质量和产量。良好的宽度精度不仅可以减少加工中的切头切尾和切边损耗，还能有效提高成材率和生产效率。由于控制模型的设定精度直接决定了加工后的宽度精度，因此，准确的设定控制模型对板带钢生产十分重要。

由于轧制过程存在非线性、强耦合和生产环境复杂等因素，进行准确的参数预测十分困难。在当前生产过程中存在频繁的换规格和换辊现象，为精准预测进一步增加了难度。传统的基于数学和物理模型的预测方法存在很多假设和简化，预测的误差较大，难以满足实际需求。随着智能化发展，神经网络逐渐应用于轧制过程中的预测，相比传统模型在预测精度上有所提升，但受限于浅层网络的结构在预测精度上仍有提升空间。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于密度聚类协同深度残差网络的热连轧宽度预测方法，结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。

本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法，包括：

步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；

步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；

步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；

步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；

步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值；

步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；

步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤2中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤3具体为：

采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：

式中，

为某种特征的任意一次的采样值，x_max，x_min为该种特征的最大值和最小值，

为归一化后的标准化数据。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤4具体为：

步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；

步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：

式中，N为数据点的维度，即样本的特征总数；x_ji为数据点集中数据点P_j的第i个特征对应的值，x_ki为数据点集中数据点P_k的第i个特征对应的值；

步骤4.3：统计某个数据点到其他数据点的欧式距离小于邻域半径的点的个数，若个数大于Minpts，则该数据点视为核心点；若小于Minpts但该数据点处于其他核心点邻域半径内的则视为边界点；既不是核心点也不是边界点的为噪音点，将噪音点去除，并将该数据点标记为已处理；

步骤4.4：继续选取下一点，重复步骤4.2和4.3，直至所有数据点均被标记；

步骤4.5：任选一个核心点，找到核心点所有密度可达的点，通过密度相连形成一个类簇，将边界点分配到关联的核心点的簇中，重复步骤4.5，直至形成多个基于密度的类簇，将数据点划分为几类。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，根据标准化数据大小和样本的特征总数设置邻域半径eps，根据数据点总数设置密度阈值Minpts。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤5具体为：

步骤5.1：深度残差网络模型采用全连接前馈神经网络和残差结构，残差结构的显著特点是跳跃连接，具体分为两条通路，一条为只连接，一条为敬国隐藏层激活，激活采用公式(3)，残差结构的输出z为两条通路结合后得到，表达式如(4)所示：

式中，w为隐藏层的权重，b为隐藏层的偏置，

为隐藏层的输出，z为残差结构的输出；

步骤5.2：采用公式(5)计算带钢宽度的均方误差，并利用误差反向传播更新权重；

式中，MSE为带钢宽度的均方误差值，

为带钢宽度的真实值，

为带钢宽度的预测值，m为预测样本的总数；

步骤5.3：计算模型拟合决定系数，并根据模型拟合决定系数以及训练消耗的时间确定最佳残差结构的数量和最优的模型结构：

式中，

表示带钢宽度的真实值的平均值，R²为模型的拟合决定系数。

在本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，残差结构的隐藏层层数和节点个数根据样本的特征总数和数据点的总数设置，层与层之间采用线性整流单元Relu激活，Relu激活函数：

式中，a为隐藏层的输出。

本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法，至少具有以下有益效果：

根据数据集特点采用密度聚类的方法将工艺和显微组织具有相似性的生产数据归为同类，再对不同的类别分别采用相应的深度残差网络结构进行预测，使得模型的预测精度进一步提高，改善误差较大的问题。此外，通过对生产数据进行分类，相比于直接对原始数据集进行训练，模型训练的负担小且可以加快训练的速度，对于训练的精度有明显提升。在研究中采用的深度网络在复杂的多维问题中，多隐层的特征使其深入挖掘数据间隐含的高层抽象信息，比传统的浅层网络的预测精度更高。本发明所提出的方法具有可解释性强、收敛性好和预测精度高的特点，解决了在换辊和换规格时模型不稳定的情况，提高了成材率，为过程自动化级精准设定模型提供了保障。

附图说明

图1为本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法的流程图；

图2为残差结构的数量的影响图；

图3为残差结构数量的影响图；

图4为本发明构建的深度残差网络结构图；

图5为深度残差网络的预测效果图；

图6为深度残差网络的频率分布直方图。

具体实施方式

下面结合附图和具体实例对本发明做进一步说明。

如图1所示，本发明的基于密度聚类协同深度残差网络的热连轧宽度预测方法，包括如下步骤：

步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；

本实例数据来源某钢厂热连轧组机组的历史生产数据，全线配备3座加热炉、1台定宽压力机、2台带立辊的可逆粗轧机、带有小立辊的7机架精轧机组，层流冷却装置和地下卷取机轧线，主要设备布置如图2所示。采集到的主要测量数据包括测宽仪、测厚仪和测速仪得到的直接测量数据，规程设定数据包含过程控制系统中预先计算的各轧制道次的模型预测值和自适应系数等，以及钢种、牌号、热处理方法和其它包含工艺流程的信息；

步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；

具体实施时，在采集的历史生产数据中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。具体影响参数如表1所示。

表1主要影响参数

步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；

由于轧制过程生产环境复杂，仪器采集存在缺失值，对于缺失的数据进行删减，再对其余数据进行预处理；步骤3中的预处理具体为：

采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：

式中，

为某种特征的任意一次的采样值，x_max，x_min为该种特征的最大值和最小值，

为归一化后的标准化数据。

步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇，所述步骤4具体为：

步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；

具体实施时，根据标准化数据大小和样本的特征总数设置邻域半径eps，根据数据点总数设置密度阈值Minpts。

步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：

式中，N为数据点的维度，即样本的特征总数；x_ji为数据点集中数据点P_j的第i个特征对应的值，x_ki为数据点集中数据点P_k的第i个特征对应的值；

步骤4.3：统计某个数据点到其他数据点的欧式距离小于邻域半径的点的个数，若个数大于Minpts，则该数据点视为核心点；若小于Minpts但该数据点处于其他核心点邻域半径内的则视为边界点；既不是核心点也不是边界点的为噪音点，将噪音点去除，并将该数据点标记为已处理；

步骤4.4：继续选取下一点，重复步骤4.2和4.3，直至所有数据点均被标记；

步骤4.5：任选一个核心点，找到核心点所有密度可达的点，通过密度相连形成一个类簇，将边界点分配到关联的核心点的簇中，重复步骤4.5，直至形成多个基于密度的类簇，将数据点划分为几类。

由于轧制过程数据的复杂性和耦合性，通过聚类分析可以将相似的样本归为同类，从而提高训练的精度。由于随着聚类数量的增加，用于监督学习的样本数量减少，而数据的数量和训练模型的质量呈现显著的正相关关系，过多的聚类也会使模型训练的精度下降。因此，在综合考量轮廓系数的得分和聚类个数的情况下，根据实验结果确定最佳数量的集群，具体分析结果如表2所示。

表2聚类分析结果

邻域半径Eps	密度阈值Minpts	聚类个数	轮廓系数
				1	10	23	-0.187
1	20	6	-0.276
				2	10	13	0.143
2	20	10	0.109
				3	10	3	0.217
3	20	2	0.228
				…	…	…	…
6	20	1	0.445

最终，根据实验结果，基于密度的聚类将原始数据集划分为二个集群。一类簇含有688个样本，二类簇含有587个样本，同时剔除异常样本点共125个。

步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值，所述步骤5具体为：

步骤5.1：深度残差网络模型采用全连接前馈神经网络和残差结构，残差结构的显著特点是跳跃连接，具体分为两条通路，一条为只连接，一条为敬国隐藏层激活，激活采用公式(3)，残差结构的输出z为两条通路结合后得到，表达式如(4)所示：

式中，w为隐藏层的权重，b为隐藏层的偏置，

为隐藏层的输出，z为残差结构的输出；

步骤5.2：采用公式(5)计算带钢宽度的均方误差，并利用误差反向传播更新权重；

式中，MSE为带钢宽度的均方误差值，

为带钢宽度的真实值，

为带钢宽度的预测值，m为预测样本的总数；

步骤5.3：计算模型拟合决定系数，并根据模型拟合决定系数以及训练消耗的时间确定最佳残差结构的数量和最优的模型结构：

式中，

表示带钢宽度的真实值的平均值，R²为模型的拟合决定系数。

在深度网络结构中，添加残差结构使得不同层之间跳跃连接，可以显著改善网络的退化问题。在本实例中采用了具有两个隐藏层，每层中包含100个神经元的全连接结构作为一个独立的残差结构，单个残差结构的具体结构如图2所示。在本实例中采用拟合决定系数去评价模型的预测准确率，由于残差结构可以改善深度网络中的性能退化，理论上，残差块越多，训练的模型精度越高，但随着残差块数量的增加，训练的代价急剧增加，同时训练的精度提升有限。在本实例中，在添加三个结构相同的残差块后继续添加一个残差块，模型的精度提升小于0.1％，所消耗的时间提高了17％，因此最终选择包含三个残差块的深度残差网络作为最终预测模型，具体实验结果如图3所示。

残差结构的隐藏层层数和节点个数根据样本的特征总数和数据点的总数设置，层与层之间采用线性整流单元Relu激活，Relu激活函数：

式中，a为隐藏层的输出。

步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；

步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。

调用在步骤5中训练好的深度残差网络模型，其具体结构如图4所示，将归一化后的测试数据输入模型中进行预测，预测效果如图5所示，在图5中，横轴为实际的测量宽度，纵轴为模型的预测宽度，图中的点为测试样本点。图6为样本的误差频率分布直方图，在直方图中，误差分布主要集中在-10～10mm之间，多数样本点的预测误差较小，相较于现有方法模型预测精度明显提升，证明该模型的优越性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，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。

Claims (7)

1.基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，包括：

步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；

步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；

步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；

步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；

步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值；

步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；

步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。

2.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤2中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。

3.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤3具体为：

采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：

式中，

为某种特征的任意一次的采样值，x_max，x_min为该种特征的最大值和最小值，

为归一化后的标准化数据。

4.如权利要求3所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤4具体为：

步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；

步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：

式中，N为数据点的维度，即样本的特征总数；x_ji为数据点集中数据点P_j的第i个特征对应的值，x_ki为数据点集中数据点P_k的第i个特征对应的值；

步骤4.3：统计某个数据点到其他数据点的欧式距离小于邻域半径的点的个数，若个数大于Minpts，则该数据点视为核心点；若小于Minpts但该数据点处于其他核心点邻域半径内的则视为边界点；既不是核心点也不是边界点的为噪音点，将噪音点去除，并将该数据点标记为已处理；

步骤4.4：继续选取下一点，重复步骤4.2和4.3，直至所有数据点均被标记；

步骤4.5：任选一个核心点，找到核心点所有密度可达的点，通过密度相连形成一个类簇，将边界点分配到关联的核心点的簇中，重复步骤4.5，直至形成多个基于密度的类簇，将数据点划分为几类。

5.如权利要求4所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，根据标准化数据大小和样本的特征总数设置邻域半径eps，根据数据点总数设置密度阈值Minpts。

6.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤5具体为：

步骤5.1：深度残差网络模型采用全连接前馈神经网络和残差结构，残差结构的显著特点是跳跃连接，具体分为两条通路，一条为只连接，一条为敬国隐藏层激活，激活采用公式(3)，残差结构的输出z为两条通路结合后得到，表达式如(4)所示：

式中，w为隐藏层的权重，b为隐藏层的偏置，

为隐藏层的输出，z为残差结构的输出；

步骤5.2：采用公式(5)计算带钢宽度的均方误差，并利用误差反向传播更新权重；

式中，MSE为带钢宽度的均方误差值，

为带钢宽度的真实值，

为带钢宽度的预测值，m为预测样本的总数；

步骤5.3：计算模型拟合决定系数，并根据模型拟合决定系数以及训练消耗的时间确定最佳残差结构的数量和最优的模型结构：

式中，

表示带钢宽度的真实值的平均值，R²为模型的拟合决定系数。

7.如权利要求6所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，残差结构的隐藏层层数和节点个数根据样本的特征总数和数据点的总数设置，层与层之间采用线性整流单元Relu激活，Relu激活函数：

式中，a为隐藏层的输出。

Images