CN115630722B - 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 - Google Patents
一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115630722B CN115630722B CN202210727143.7A CN202210727143A CN115630722B CN 115630722 B CN115630722 B CN 115630722B CN 202210727143 A CN202210727143 A CN 202210727143A CN 115630722 B CN115630722 B CN 115630722B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- quality
- quality time
- data
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009749 continuous casting Methods 0.000 title claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 46
- 238000005266 casting Methods 0.000 description 17
- 239000002893 slag Substances 0.000 description 17
- 238000012545 processing Methods 0.000 description 14
- 238000013139 quantization Methods 0.000 description 13
- 230000001360 synchronised effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007711 solidification Methods 0.000 description 4
- 230000008023 solidification Effects 0.000 description 4
- 239000010935 stainless steel Substances 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 229910000975 Carbon steel Inorganic materials 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 239000010962 carbon steel Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Continuous Casting (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开一种改进的自适应连铸质量预判数字化模型参数生成方法,包括以下步骤:获取质量时序数据存入存储矩阵,将存储矩阵拆解成至少两个子存储矩阵;依次将每个子存储矩阵作为训练样本集,舍弃训练样本集中的重复数据,对连铸质量预判模型进行迭代训练;重复迭代至最大迭代次数,输出最优模型参数,得到稳定的自适应连铸质量预判模型。本发明还公开一种改进的自适应连铸质量预判数字化模型参数生成系统。本发明针对传统的不可变质量模型而言,本发明新的改进方法可以根据实际数据进行自适应参数改进,获得与实际数据相匹配的自适应参数。
Description
技术领域
本发明涉及人工智能领域中的自适应模型计算领域,具体涉及一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质。
背景技术
目前针对自适应连铸质量预判数字化模型参数生成和方法:
发明名称:统计声学模型的自适应方法以及学习方法、记录介质;
申请号:201480063686.7;
提供一种有效进行利用特定条件的学习数据执行了DNN的声学模型的自适应且可提高精度的统计声学模型的自适应方法。在采用了DNN的声学模型的说话人自适应方法中,包括:第1存储装置分别存储不同的说话人的讲话数据(90~98)的步骤;准备按说话人区分的隐藏层模块(112~120)的步骤;在切换选择讲话数据(90~98)的同时,一面用与选出的讲话数据相对应的隐藏层模块(112~120)动态地置换特定层(110),一面进行针对DNN(80)的所有层(42、44、110、48、50、52、54)的准备性学习的步骤;用初始隐藏层置换已完成准备性学习的DNN的特定层(110)的步骤;和将初始隐藏层以外的层的参数固定,采用特定说话人的声音数据进行DNN的学习的步骤。
该技术缺点在于自适应方法通过声学模型进行适应,针对连铸中的质量预判场景并不适用。
发明名称:自适应量化和自适应反量化的方法、装置及其系统;
申请号:200810160900.7;
本发明实施例公开了一种自适应量化和自适应反量化的方法、装置及其系统,属于通信领域。自适应量化方法包括:确定输入深度数据的有效深度子空间;对有效深度子空间进行量化。自适应反量化方法包括:确定输入深度数据的有效深度子空间;根据接收到的输出深度数据,对有效深度子空间进行反量化。自适应量化器包括:有效深度子空间确定模块和量化模块。自适应反量化器包括:有效深度子空间确定模块和反量化模块。自适应量化系统包括:自适应量化器和传输模块。自适应反量化系统包括:接收模块和自适应反量化模块。本发明实现了根据输入深度数据的概率分布特性进行自适应量化和反量化,有效减小了量化误差,提高了合成虚拟图像的质量。
该技术缺点在适应于通讯领域的自适应量化装置和方法,针对连铸中的质量预判场景并不适用。
发明内容
本发明的目的在于提供一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质,通过数字化模型质量工艺追溯的方式来进行模型的自适应模型计算。
为解决上述技术问题,本发明提供一种改进的自适应连铸质量预判数字化模型参数生成方法,包括以下步骤:
获取质量时序数据,质量时序数据包括第一质量时序数据和第二质量时序数据;将第一质量时序数据存入第一存储矩阵,第一存储矩阵拆解成至少两个第一子存储矩阵;将第二质量时序数据存入第二存储矩阵,第二存储矩阵拆解成至少两个第二子存储矩阵;
依次将每组对应的第一子存储矩阵和第二子存储矩阵作为训练样本集,舍弃训练样本集中的重复数据;以训练样本集中的第一质量时序数据作为模型的输入参数,以训练样本集中的第二质量时序数据作为模型的输出参数,对连铸质量预判模型进行迭代训练;
重复迭代至最大迭代次数,得到最优模型参数。
优选地,舍弃训练样本集中的重复数据,具体包括以下步骤:
依次遍历计算训练样本集中的第一质量时序数据和第二质量时序数据,在每一次的训练过程中,将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行对比,判断本次训练的第一质量时序数据和第二质量时序数据是否为重复数据;
如果为不重复数据,则以本次训练的第一质量时序数据和第二质量时序数据训练连铸质量预判模型;
如果为重复数据,舍弃本次训练的第一质量时序数据和第二质量时序数据。
优选地,将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行对比,判断本次训练的第一质量时序数据和第二质量时序数据是否为重复数据,具体包括以下步骤:
将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行差值比较处理,计算两组数据的时序数据标准差;
如果时序数据标准差大于等于阈值,则本次训练的第一质量时序数据和第二质量时序数据为不重复数据;
如果时序数据标准差小于阈值,则本次训练的第一质量时序数据和第二质量时序数据为重复数据。
优选地,时序数据标准差=SQRT((X-X1)2+(Y-Y1)2);
其中,X为本次训练的第一质量时序数据或第二质量时序数据的方差,X1为上一次训练的相应的第一质量时序数据或第二质量时序数据的方差;Y为本次训练的相应的第一质量时序数据或第二质量时序数据的维度,Y1为上一次训练的相应的第一质量时序数据或第二质量时序数据的维度。
优选地,在迭代开始之前,对模型参数进行初始化处理。
优选地,模型参数进行初始化处理采用初始化赋值0的方式。
优选地,根据最优模型参数得到稳定的自适应连铸质量预判模型。
本发明还提供一种用于实现上述改进的自适应连铸质量预判数字化模型参数生成方法的系统,包括:
数据储存模块,用于将质量时序数据存入存储矩阵;
数据拆分模块,用于将存储矩阵拆解成至少两个子存储矩阵;
比较模块,用于舍弃训练样本集中的重复数据;
迭代模块,用于对连铸质量预判模型进行迭代训练。
本发明还提供一种计算机设备,包括:
至少一个处理器;
以及存储器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述改进的自适应连铸质量预判数字化模型参数生成方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述改进的自适应连铸质量预判数字化模型参数生成方法的步骤。
与现有技术相比,本发明的有益效果为:
1)、连铸质量预判模型中关于碳钢相关的质量模型的自适应参数方法。针对传统的不可变质量模型而言,本发明新的改进方法可以根据实际数据进行自适应参数改进,获得与实际数据相匹配的自适应参数。
2)、连铸质量预判模型中关于不锈钢相关的质量模型的自适应参数方法。针对传统的不可变质量模型而言,本发明新的改进方法可以根据实际数据进行自适应参数改进,获得与实际数据相匹配的自适应参数。
3)、模型参数根据实际质量数据可变,动态调整模型参数。
4)、通过对存储矩阵的分解压缩处理来缩小矩阵的无效信息,增加矩阵维度,从而降低矩阵无效信息。
5)、在重复计算过程中,进行差值比较处理,针对无效计算,通过略去的形式进行降低计算复杂度的处理。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明一种改进的自适应连铸质量预判数字化模型参数生成方法的流程示意图;
图2是本发明对最大拉速模型进行参数生成的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本实施例中将使用到的相关名词解释如下:
自适应:参数可根据实际的信息进行自适应变化,达到参数动态调整的目的。
连铸质量预判数字化模型:连铸机质量预判的相关数字化模型,可以通过数字化模型进行连铸坯最终质量的结果判定。
连铸质量预判模型包含碳钢相关的质量模型和不锈钢相关的质量等种类模型,针对碳钢相关的质量模型,有以下模型:Cu_Ni含量模型,C含量模型,结晶器热流模型,C_Mn_S模型,最大拉速模型,最小拉速模型,结晶器液位偏差模型,结晶器液位变化模型,最大过热度模型,最小过热度模型,N含量模型,喷水冷却模型,拉坯阻力模型等。
如图1所示,一种改进的自适应连铸质量预判数字化模型参数生成方法主要应用在钢铁行业中连铸生产线中的数字化模型应用场景中;
包括以下步骤:
1)、获取质量时序数据,质量时序数据包括第一质量时序数据和第二质量时序数据;将第一质量时序数据存入第一存储矩阵,将第一存储矩阵拆解成至少两个第一子存储矩阵;将第二质量时序数据存入第二存储矩阵,将第二存储矩阵拆解成至少两个第二子存储矩阵;
2)、依次将每组对应的第一子存储矩阵和第二子存储矩阵作为训练样本集,舍弃训练样本集中的重复数据;以第一质量时序数据作为模型的输入参数,以第二质量时序数据作为模型的输出参数,对连铸质量预判模型进行迭代训练;
3)、重复迭代至最大迭代次数,输出最优模型参数。
在本实施例中,通过对存储矩阵的分解压缩处理来缩小矩阵的无效信息,根据存储矩阵中稀疏特性,将存储矩阵拆解成若干子存储矩阵矩阵,增加矩阵维度,从而降低矩阵无效信息;
在上述实施例中,优选地,舍弃训练样本集中的重复数据,具体包括以下步骤:
依次遍历计算训练样本集中的第一质量时序数据和第二质量时序数据,在每一次的训练过程中,将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行对比,判断本次训练的第一质量时序数据和第二质量时序数据是否为重复数据;
如果为不重复数据,则以本次训练的第一质量时序数据和第二质量时序数据训练连铸质量预判模型;
如果为重复数据,舍弃本次训练的第一质量时序数据和第二质量时序数据。
在上述实施例中,优选地,将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行对比,判断本次训练的第一质量时序数据和第二质量时序数据是否为重复数据,具体包括以下步骤:
将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行差值比较处理,计算两组数据的时序数据标准差;
如果时序数据标准差大于等于阈值,则本次训练的第一质量时序数据和第二质量时序数据为不重复数据;
如果时序数据标准差小于阈值,则本次训练的第一质量时序数据和第二质量时序数据为重复数据。
在本实施例中,时序数据标准差用于数据的相似度分析,时序数据标准差值小于阈值(常数C=10)的时候认为数据相似度较低,那么证明两套计算步数据相似性非常高,由此推算出计算结果近乎相同,这种情况下针对这类无效计算,通过略去的形式进行降低计算复杂度的处理。
在本实施例中,分别计算第一质量时序数据和第二质量时序数据的标准差,只要其中任一判断为重复数句,则舍弃本次训练样本集。
在上述实施例中,优选地,时序数据标准差=SQRT((X-X1)2+(Y-Y1)2);
其中,X为本次训练的第一质量时序数据或第二质量时序数据的方差,X1为上一次训练的相应的第一质量时序数据或第二质量时序数据的方差;Y为本次训练的相应的第一质量时序数据或第二质量时序数据的维度,Y1为上一次训练的相应的第一质量时序数据或第二质量时序数据的维度。
在上述实施例中,优选地,在迭代开始之前,对模型参数进行初始化处理。
在上述实施例中,优选地,模型参数进行初始化处理采用初始化赋值0的方式;使原始矩阵状态存储较少的信息。
在上述实施例中,优选地,针对同步数据,采用同步计算的方式,分别进行分布式运算,计算算法放入多线程中进行同步运算,降低计算时间复杂度。
本发明还提供一种用于实现改进的自适应连铸质量预判数字化模型参数生成方法的系统,包括:
数据储存模块,用于将质量时序数据存入存储矩阵;
数据拆分模块,用于将存储矩阵拆解成至少两个子存储矩阵;
比较模块,用于舍弃训练样本集中的重复数据;
迭代模块,用于对连铸质量预判模型进行迭代训练。
对于本发明一种改进的自适应连铸质量预判数字化模型参数生成方法提供以下两个不同实例:
实例1:
如图2所示,连铸质量预判模型以最大拉速模型为例;
其中:δmin是安全厚度,Lm是铸机冶金长度,K是综合凝固系数。计算铸机最大拉数过程中,由于该数学模型公式的参数是动态可调的,因此需要根据实际的数据进行拟合,通过自适应的方法来调整实际参数来形成最新有效的拟合模型。
取综合凝固系数K和铸机冶金长度Lm,作为模型参数;取铸机最大拉速Vmax和安全厚度δmin相应的铸机拉速V和铸机坯壳厚度δ,作为质量数据。
具体包括以下步骤:
1)、针对综合凝固系数K和铸机冶金长度Lm,取相关离散数据进行矩阵初始化,分别为模型参数矩阵P1,P2。
初始化矩阵采用P1初始化赋值0的方式,使原始矩阵状态存储较少的信息;
2)、根据铸机最大拉速计算公式得到,δmin,Lm,K,Vmax四个变量;
获取实际的铸机拉速V,采用数据用8小时内的时序数据进行首轮采集作为第一质量时序数据,存入第一存储矩阵M1。同时获取实际的铸机坯壳厚度δ,数据同样采用8小时内的时序数据进行采样作为第二质量时序数据,存入第二存储矩阵M2;
通过对存储矩阵的分解压缩处理来缩小矩阵的无效信息,根据存储矩阵中稀疏特性,将第一存储矩阵M1拆解成第一子存储矩阵M11,M12;将第二存储矩阵M2拆解成第二子存储矩阵M21,M22;增加矩阵维度,从而降低矩阵无效信息;
3)、使用最大拉速模型的最大拉速计算公式作为约束条件。
4)、根据子存储矩阵M11,M12,M21,M22,以第一质量时序数据作为模型的输入参数,以第二质量时序数据作为模型的输出参数,通过遍历计算的方式进行K和Lm的参数自适应选取,形成最新的自适应最大拉速模型。
在重复计算过程中,在计算之前针对计算步的数据进行差值比较处理,假如计算步之前的数据的时序数据标准差较小,小于一定的阈值,那么证明两套计算步数据相似性非常高,由此推算出计算结果近乎相同,这种情况下针对这类无效计算,通过略去的形式进行降低计算复杂度的处理。
5)、重复步骤2~4,加入新的8小时数据自适应参数调整。
6)、迭代500轮8小时数据,得到最优化的综合凝固系数K和铸机冶金长度Lm,最终形成稳定的自适应最大拉速模型。
实例2:
连铸质量预判模型以渣膜厚度计算模型为例;
式中:e是渣膜厚度,η是渣黏度,V是铸机拉速,g是重力加速度,ρm和ρs是钢和渣的密度;
渣黏度在1300℃时小于0.14Pa·s,在1250~1400℃时在0.1~1.0Pa·s的范围。渣粘度η的范围满足<0.14Pa*S(1300℃),0.1~1.0Pa*S(1250~1400℃);
取渣黏度η,作为模型参数;取铸机拉速V和渣膜厚度e,作为质量数据。
钢的密度ρm、渣的密度ρs、重力加速度g作为常量。
具体包括以下步骤:
1)、针对渣黏度η取相关离散数据进行矩阵初始化,为模型参数矩阵P3。
初始化矩阵采用P3初始化赋值0的方式,使原始矩阵状态存储较少的信息;
2)、根据铸机最大拉速计算公式得到,渣黏度η、取铸机拉速V、渣膜厚度e,三个变量;
获取实际的铸机拉速V,采用数据用8小时内的时序数据进行首轮采集作为第一质量时序数据,存入第一存储矩阵M3。同时获取实际的渣膜厚度e,数据同样采用8小时内的时序数据进行采样作为第二质量时序数据,存入第二存储矩阵M4;
通过对存储矩阵的分解压缩处理来缩小矩阵的无效信息,根据存储矩阵中稀疏特性,将第一存储矩阵M3拆解成第一子存储矩阵M31,M32;将第二存储矩阵M4拆解成第二子存储矩阵M41,M42;增加矩阵维度,从而降低矩阵无效信息;
3)、使用最大拉速模型的最大拉速计算公式作为约束条件。
4)、根据子存储矩阵M31,M32,M41,M42,以第一质量时序数据作为模型的输入参数,以第二质量时序数据作为模型的输出参数,通过遍历计算的方式进行渣黏度η的参数自适应选取,形成最新的自适应最大拉速模型。
在重复计算过程中,在计算之前针对计算步的数据进行差值比较处理,假如计算步之前的数据的时序数据标准差较小,小于一定的阈值,那么证明两套计算步数据相似性非常高,由此推算出计算结果近乎相同,这种情况下针对这类无效计算,通过略去的形式进行降低计算复杂度的处理。
5)、重复步骤2~4,加入新的8小时数据自适应参数调整。
6)、迭代500轮8小时数据,得到最优化的渣黏度η,最终形成稳定的自适应最大拉速模型。
同理,除了上述实例1、2以外,针对其余Cu_Ni等模型均可通过本发明的方法进行自适应参数的设定和产生。
在现有技术中,由于针对1个连铸质量预判模型需要重复500轮的方式来进行参数的达成,根据碳钢相关质量模型大约一共14种,不锈钢相关质量模型大约一共16种类,共计30种连铸质量预判模型,每类模型需要重复500轮计算,则计算步骤为15000步,同时每个模型需要根据具体参数用到M1,M2,……M10等的储存矩阵存入,同时也需要初始化模型参数矩阵P1,P2……P10等,因此计算复杂度相对过高。
在本发明中,通过对存储矩阵的分解压缩处理来缩小存储矩阵的无效信息,根据存储矩阵中稀疏特性,将存储矩阵拆解成子存储矩阵M11,M12,M21,M22等矩阵,增加矩阵维度,从而降低矩阵无效信息,除此之外,初始化矩阵采用P1初始化赋值0的方式,使原始矩阵状态存储较少的信息,同时在重复计算过程中,在计算之前针对计算步的数据进行差值比较处理,假如相邻两次训练的质量时序数据的差值较小,小于一定的阈值范围,那么证明两套计算步数据相似性非常高,由此推算出计算结果近乎相同,这种情况下针对这类无效计算,通过略去的形式进行降低计算复杂度的处理。除此之外,针对同步数据,采用同步计算的方式,分别进行分布式运算,计算算法放入多线程中进行同步运算,降低计算时间复杂度。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块、模组或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元、模组或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的方法中限定的上述功能。需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件,或者任意以上的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种改进的自适应连铸质量预判数字化模型参数生成方法,其特征在于,包括以下步骤:
获取质量时序数据,质量时序数据包括第一质量时序数据和第二质量时序数据;将第一质量时序数据存入第一存储矩阵,第一存储矩阵拆解成至少两个第一子存储矩阵;将第二质量时序数据存入第二存储矩阵,第二存储矩阵拆解成至少两个第二子存储矩阵;
依次将每组对应的第一子存储矩阵和第二子存储矩阵作为训练样本集,依次遍历计算训练样本集中的第一质量时序数据和第二质量时序数据,在每一次的训练过程中,将本次训练的第一质量时序数据和第二质量时序数据,与上一次训练的第一质量时序数据和第二质量时序数据进行差值比较处理,计算两组数据的时序数据标准差;
如果时序数据标准差大于等于阈值,则本次训练的第一质量时序数据和第二质量时序数据为不重复数据;以本次训练的第一质量时序数据和第二质量时序数据训练连铸质量预判模型;
如果时序数据标准差小于阈值,则本次训练的第一质量时序数据和第二质量时序数据为重复数据;舍弃本次训练的第一质量时序数据和第二质量时序数据;
以训练样本集中的第一质量时序数据作为模型的输入参数,以训练样本集中的第二质量时序数据作为模型的输出参数,对连铸质量预判模型进行迭代训练;
重复迭代至最大迭代次数,得到最优模型参数;
所述时序数据标准差=SQRT((X-X1)2+(Y-Y1)2);
其中,X为本次训练的第一质量时序数据或第二质量时序数据的方差,X1为上一次训练的相应的第一质量时序数据或第二质量时序数据的方差;Y为本次训练的相应的第一质量时序数据或第二质量时序数据的维度,Y1为上一次训练的相应的第一质量时序数据或第二质量时序数据的维度。
2.根据权利要求1所述的一种改进的自适应连铸质量预判数字化模型参数生成方法,其特征在于:
在迭代开始之前,对模型参数进行初始化处理。
3.根据权利要求2所述的一种改进的自适应连铸质量预判数字化模型参数生成方法,其特征在于:
模型参数进行初始化处理采用初始化赋值0的方式。
4.根据权利要求1所述的一种改进的自适应连铸质量预判数字化模型参数生成方法,其特征在于:
根据最优模型参数得到稳定的自适应连铸质量预判模型。
5.一种用于实现权利要求1-4任一所述改进的自适应连铸质量预判数字化模型参数生成方法的系统,包括:
数据储存模块,用于将第一质量时序数据存入第一存储矩阵;用于将第二质量时序数据存入第二存储矩阵;
数据拆分模块,用于将第一存储矩阵拆解成至少两个第一子存储矩阵;用于将第二存储矩阵拆解成至少两个第二子存储矩阵;
比较模块,用于舍弃训练样本集中的重复数据;
迭代模块,用于对连铸质量预判模型进行迭代训练。
6.一种计算机设备,其特征在于,包括:
至少一个处理器;
以及存储器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4任一项所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727143.7A CN115630722B (zh) | 2022-06-24 | 2022-06-24 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210727143.7A CN115630722B (zh) | 2022-06-24 | 2022-06-24 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630722A CN115630722A (zh) | 2023-01-20 |
CN115630722B true CN115630722B (zh) | 2023-06-20 |
Family
ID=84902613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210727143.7A Active CN115630722B (zh) | 2022-06-24 | 2022-06-24 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630722B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153355A (zh) * | 2017-05-31 | 2017-09-12 | 西安交通大学 | 一种薄板坯连铸连轧辊缝值动态自适应控制方法 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
CN113510234A (zh) * | 2021-09-14 | 2021-10-19 | 深圳市信润富联数字科技有限公司 | 轮毂低压铸造的质量监控方法、装置及电子设备 |
CN113878214A (zh) * | 2021-12-08 | 2022-01-04 | 苏芯物联技术(南京)有限公司 | 基于lstm与残差分布的焊接质量实时检测方法及系统 |
CN114638413A (zh) * | 2022-03-17 | 2022-06-17 | 桂林电子科技大学 | 一种基于深度元学习的中强震短临余震智能预测模型 |
WO2022126392A1 (zh) * | 2020-12-15 | 2022-06-23 | 中山大学孙逸仙纪念医院 | 模型训练方法、装置、电子设备、介质以及骨量检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL276678B2 (en) * | 2020-08-12 | 2024-01-01 | D Fend Solutions Ad Ltd | Repetitive data signal detection |
-
2022
- 2022-06-24 CN CN202210727143.7A patent/CN115630722B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153355A (zh) * | 2017-05-31 | 2017-09-12 | 西安交通大学 | 一种薄板坯连铸连轧辊缝值动态自适应控制方法 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
WO2022126392A1 (zh) * | 2020-12-15 | 2022-06-23 | 中山大学孙逸仙纪念医院 | 模型训练方法、装置、电子设备、介质以及骨量检测系统 |
CN113510234A (zh) * | 2021-09-14 | 2021-10-19 | 深圳市信润富联数字科技有限公司 | 轮毂低压铸造的质量监控方法、装置及电子设备 |
CN113878214A (zh) * | 2021-12-08 | 2022-01-04 | 苏芯物联技术(南京)有限公司 | 基于lstm与残差分布的焊接质量实时检测方法及系统 |
CN114638413A (zh) * | 2022-03-17 | 2022-06-17 | 桂林电子科技大学 | 一种基于深度元学习的中强震短临余震智能预测模型 |
Also Published As
Publication number | Publication date |
---|---|
CN115630722A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Accelerating federated learning for iot in big data analytics with pruning, quantization and selective updating | |
CN110969251B (zh) | 基于无标签数据的神经网络模型量化方法及装置 | |
CN113315604B (zh) | 一种联邦学习自适应梯度量化方法 | |
CN110460880B (zh) | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 | |
CN113011581B (zh) | 神经网络模型压缩方法、装置、电子设备及可读存储介质 | |
CN111382844A (zh) | 一种深度学习模型的训练方法及装置 | |
CN1462557A (zh) | 用于视频编码的失真量化器模型 | |
CN112786021B (zh) | 一种基于分层量化的轻量级神经网络语音关键词识别方法 | |
CN117059103A (zh) | 基于低秩矩阵近似的语音识别微调任务的加速方法 | |
CN110753225A (zh) | 一种视频压缩方法、装置及终端设备 | |
CN116701692B (zh) | 一种图像生成方法、装置、设备及介质 | |
CN110930996A (zh) | 模型训练方法、语音识别方法、装置、存储介质及设备 | |
CN113283577A (zh) | 一种基于元学习和生成对抗网络的工业平行数据生成方法 | |
CN115630722B (zh) | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 | |
CN113763987A (zh) | 一种语音转换模型的训练方法及装置 | |
CN114565106A (zh) | 基于孤立森林的联邦学习中毒攻击的防御方法 | |
CN116208807A (zh) | 视频帧处理方法及装置、视频帧去噪方法及装置 | |
CN114943335A (zh) | 一种三值神经网络逐层优化方法 | |
CN113077056A (zh) | 基于横向联邦学习的数据处理系统 | |
CN116614637B (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
CN112631434A (zh) | 一种基于深度学习的振动触觉编解码方法 | |
CN110378466B (zh) | 基于神经网络差分的量化方法及系统 | |
CN109871448B (zh) | 一种短文本分类的方法及系统 | |
CN112235571A (zh) | 视频位深扩展方法、装置、电子设备及存储介质 | |
CN116662604A (zh) | 一种基于分层Transformer的视频摘要方法 |
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 |