CN115841004A - 基于多维数据的带钢热轧过程力学性能软测量方法及装置 - Google Patents

Abstract

本发明涉及工业过程性能预测技术领域，特别是指一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。方法包括：构建带钢力学性能预测模型；其中，带钢力学性能预测模型为结合CBGRU模块构建基于DA‑CBGRU的Seq2Seq模型，CBGRU模块基于CNN特征提取层和BiGRU模块构建；获取带钢热轧过程的原始工况数据集；对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；结合XGBoost算法和带钢机理知识，对待筛选数据集进行辅助变量选择，得到辅助变量数据集；构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与辅助变量数据集合并，得到输入数据集；将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

Description

基于多维数据的带钢热轧过程力学性能软测量方法及装置

技术领域

本发明涉及工业过程性能预测技术领域，特别是指一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。

背景技术

带钢热轧过程工况复杂，物质流、能量流、信息流相互作用存在大滞后的现象，采集数据具有强耦合性、动态性、多维性，模型之间相互影响，并且大量质量指标只能通过离线检验化数据获取，力学性能、组织性能指标等指标通常从实验室分析中获得。对带钢力学性能进行在线的时间序列预测成为亟需关注的问题。

近年来，以推断控制为基础的软测量建模方法得到了广泛的关注和研究。软测量是在1978年提出的，主要用于产品质量变量的预测。软测量的基本思想是根据某种最优准则，选择一些容易测量且与质量变量(或称之为主导变量)相关的变量(或称之为辅助变量)，并通过构成某种数学模型，实现对质量变量的在线估计。其基本步骤主要包括：数据的采集和预处理、辅助变量的选取、建立软测量模型和在线校正。

这类方法通过计算机软件来代替传感器的功能，因此具有投资低、维护保养简单并且在实际工程应用中容易执行的优点，因此在化工领域中得到了广泛的应用。目前，常用的软测量建模方法包括：基于机理的建模方法、基于状态估计的建模方法和基于数据驱动的建模方法。但是工业过程机理的复杂性和模糊性导致了建模代价高、难度大，被测对象的数学模型都相当复杂，数据驱动方法适用于高度非线性过程，是解决复杂系统过程模型的有效途径，在线校正能力强，非常适合于对复杂工业过程进行软测量建模，因此逐渐成为近年来主流的软测量测量方法。现有研究中常用的数据驱动方法包括：主成分分析法、偏最小二乘回归、支持向量机等。

深度学习是一种新兴的软测量方法，利用了数据驱动的思想，能将无标签数据纳入训练集合中加以利用，解决了传统方法中只能利用标签数据的缺点。深度学习有几种基本模型，主要包括自动编码器、稀疏编码、受限玻尔兹曼机、深度信念网络、卷积神经网络等。

时间序列是将对系统或对象进行测量过后的若干个变量按照先后顺序排列所得的数值序列，具有时间和数值两个因素。带钢热轧过程是一个明确的时序强相关的过程，在进行带钢力学性能预测时，尤为需要考虑数据的时间序列特性。近年来，深度学习方法在解决时间序列预测问题上得到深度扩展在深度学习中，常见的用于时序预测模型包括注意力机制、循环神经网络、长短期记忆网路模型、基于编码-解码的序列模型等。

但是带钢热轧过程工况复杂，过程变量耦合性强，具有稠密与稀疏共存、冗余与缺失并在、动态与静态互现、显式与隐藏等特点，这使得上述不能很好地提取带钢热轧数据的特征，不能展现出良好的预测性能。

发明内容

本发明实施例提供了一种基于多维数据的带钢热轧过程力学性能软测量方法及装置。所述技术方案如下：

一方面，提供了一种基于多维数据的带钢热轧过程力学性能软测量方法，该方法由电子设备实现，该方法包括：

S1、构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；

S2、获取带钢热轧过程的原始工况数据集；

S3、对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；

S4、结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；

S5、构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；

S6、将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

可选地，所述S1中的所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；

所述BiGRU模型由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

可选地，所述构建带钢力学性能预测模型，包括：

S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；

S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

可选地，所述S3中的对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集，包括：

S31、通过t-SNE算法对原始工况数据集进行降维可视化；

S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理；

S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。

可选地，所述S4中的结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集，包括：

S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对所述待筛选数据集进行特征评分,根据特征评分确定待删除辅助变量集；

S42、结合预设的带钢机理知识，对所述待删除辅助变量集进行删除处理，得到辅助变量数据集。

可选地，所述S5中的构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集，包括：

S51、构建实体嵌入层，将预设的多维数据输入到实体嵌入层，转化为预设大小的稠密向量；

S52、将转化后的稠密向量和所述辅助变量数据集通过合并层进行合并，将合并后的数据集确定为输入数据集。

可选地，所述S51中的实体嵌入层由一层独热编码层、嵌入层和两层全连接层构成；

所述多维数据包括三种，分别是轧制日期、班别以及钢卷号。

另一方面，提供了一种基于多维数据的带钢热轧过程力学性能软测量装置，该装置应用于基于多维数据的带钢热轧过程力学性能软测量方法，该装置包括：

构建模块，用于构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；

获取模块，用于获取带钢热轧过程的原始工况数据集；

预处理模块，用于对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；

筛选模块，用于结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；

合并模块，用于构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；

预测模块，用于将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

可选地，所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；

所述BiGRU模型由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

可选地，所述构建模块，用于：

S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；

S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于多维数据的带钢热轧过程力学性能软测量方法。

另一方面，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，所述至少一条指令由处理器加载并执行以实现上述基于多维数据的带钢热轧过程力学性能软测量方法。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明中，将机器学习方法引入带钢数据预处理和辅助变量选择过程中，提升模型的准确性和可解释性。

通过实体嵌入机制引入多维数据，提升模型输入特征的信息维度。

构建DA-CBGRU模块以提升模型精度；通过构建CNN输入层捕捉输入变量之间的特征；构建双阶段Attention机制提高模型捕获序列的长期时序依赖性的能力；通过引入BiGRU模块提高模型收敛速度，增加迭代能力。

提出了一种基于DA-CBGRU的seq2seq的软传感器模型，提升模型的准确性和可解释性。

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带钢热轧过程力学性能软传感器预测方法流程示意图；

图2是本发明实施例提供的DA-CBGRU模块中的CNN特征提取层示意图；

图3是本发明实施例提供的带钢力学性能预测模型的编码器示意图；

图4是本发明实施例提供的带钢力学性能预测模型的解码器示意图；

图5是本发明实施例提供的带钢热轧过程流程示意图；

图6是本发明实施例提供的带钢热轧过程力学性能传感器预测装置框图；

图7是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明实施例提供了一种基于多维数据的带钢热轧过程力学性能软测量方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的基于多维数据的带钢热轧过程力学性能软测量方法流程图，该方法的处理流程可以包括如下的步骤：

S1、构建带钢力学性能预测模型。

其中，带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，CBGRU模块基于CNN特征提取层和BiGRU模块构建。其中，CBGRU为CNN（ConvolutionalNeural Network，卷积神经网络）与BIGRU（Bidirectional Gated Recurrent Unit，双向门控循环单元）的结合。

可选地，S1中的CNN特征提取层由两层卷积结构组成，如图2所示，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，ReLU激活函数层用于作为卷积层的激活函数，池化层用于提取特征图中的最大特征值；BiGRU模型由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

可选地，构建带钢力学性能预测模型，可以包括以下步骤S11-S14：

S11、在带钢力学性能预测模型的编码器阶段，如图3所示，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入。

其中，多维数据又可称为多维外部因素，为在实际生产环境中影响带钢生产情况的其它外部因素，本部分引入的多源外部因素可以为：轧制日期、班别、钢卷号。

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量。

S13、在带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码。

如图4所示，为了防止当输入序列过长而导致预测效果恶化，该模型并引入时间注意力机制选择相应的隐藏层状态，其中，

为编码器层在第/>

时刻的输入，/>

为第

时刻的GRU结构输出的隐藏层状态，/>

为第/>

时刻时间注意力机制选择的隐藏层状态，/>

为通过权重求和所得的文本向量，/>

为第/>

时刻的目标序列，将文本向量/>

和目标序列/>

结合，通过GRU作为激活函数，得到最终预测值/>

。

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量。将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

需要说明的是，构建双阶段注意力机制，即在编码器部分和解码器部分分别引入注意力机制来自适应地提取相关外生序列和编码器隐藏状态。

S2、获取带钢热轧过程的原始工况数据集。

其中，原始工况数据集可以是多批次的热轧带钢样本。

一种可行的实施方式中，带钢热轧过程是一个复杂的连续热处理工艺流程，物质流、能量流、信息流相互作用存在大滞后的现象，采集数据具有强耦合性、动态性、多维性，模型之间相互影响，并且大量质量指标只能通过离线检验化数据获取。本申请实施例以热轧机组的传感器采集的数据作为测试数据，对本申请进行说明，如图5所示，主要流程包括：再加热、粗轧、精轧、层流冷却和卷取五部分。再加热过程使得带钢变形抗力降低，方便进一步的轧制；粗轧过程起到控制带钢板型的作用，为精轧提供变形量；精轧过程保证带钢的板形和凭证图；层流冷却过程降低带钢温度；经过前期四个步骤后，最后再由卷取过程卷取带钢。

S3、对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集。

可选地，S3中的对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集，包括：

S31、通过t-SNE算法对原始工况数据集进行降维可视化。

其中，t-SNE(t-distributed Stochastic Neighbor Embedding)算法是一种非线性降维算法，非常适用于高维数据降维到 2 维或者 3 维，进行可视化。

S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理。

其中，孤立森林算法一般用于结构化数据的异常检测。异常的定义是针对于不同类型的异常,要用不同的算法来进行检测,而孤立森林算法主要针对的是连续型结构化数据中的异常点。

S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。

S4、结合XGBoost算法和带钢机理知识，对待筛选数据集进行辅助变量选择，得到辅助变量数据集。

其中，带钢机理知识指带钢内部及带钢热轧系统中影响最终热轧结果的运行规则和原理，可以包括带钢元素特性对带钢力学性能的影响；炼钢过程化学反应对带钢力学性能的影响等。

可选地，S4中的结合XGBoost算法和带钢机理知识，对待筛选数据集进行辅助变量选择，得到辅助变量数据集，包括：

S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对待筛选数据集进行特征评分,根据特征评分确定待删除辅助变量集。

S42、结合预设的带钢机理知识，对待删除辅助变量集进行删除处理，得到辅助变量数据集。

S5、构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与辅助变量数据集合并，得到输入数据集。

可选地，S5中的构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与辅助变量数据集合并，得到输入数据集，包括：

S51、构建实体嵌入层，将预设的多维数据输入到实体嵌入层，转化为预设大小的稠密向量。

其中，实体嵌入层由一层独热编码层、嵌入层和两层全连接层构成。

多维数据可以包括三种，分别是轧制日期、班别以及钢卷号。

S52、将转化后的稠密向量和辅助变量数据集通过合并层进行合并，将合并后的数据集确定为输入数据集。

S6、将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

本发明实施例中，将机器学习方法引入带钢数据预处理和辅助变量选择过程中，提升模型的准确性和可解释性。

通过实体嵌入机制引入多维数据，提升模型输入特征的信息维度。

构建DA-CBGRU模块以提升模型精度；通过构建CNN输入层捕捉输入变量之间的特征；构建双阶段Attention机制提高模型捕获序列的长期时序依赖性的能力；通过引入BiGRU模块提高模型收敛速度，增加迭代能力。

提出了一种基于DA-CBGRU的seq2seq的软传感器模型，提升模型的准确性和可解释性。

图6是根据一示例性实施例示出的一种基于多维数据的带钢热轧过程力学性能软测量装置框图，该装置用于基于多维数据的带钢热轧过程力学性能软测量方法。参照图6，该装置包括：

构建模块610，用于构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；

获取模块620，用于获取带钢热轧过程的原始工况数据集；

预处理模块630，用于对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；

筛选模块640，用于结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；

合并模块650，用于构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；

预测模块660，用于将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

可选地，所述所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；

所述BiGRU模型由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

可选地，所述构建模块610，用于：

S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；

S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

可选地，所述预处理模块630，用于：

S31、通过t-SNE算法对原始工况数据集进行降维可视化；

S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理；

S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。

可选地，所述筛选模块640，用于：

S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对所述待筛选数据集进行特征评分,根据特征评分确定待删除辅助变量集；

S42、结合预设的带钢机理知识，对所述待删除辅助变量集进行删除处理，得到辅助变量数据集。

可选地，所述合并模块650，用于：

S51、构建实体嵌入层，将预设的多维数据输入到实体嵌入层，转化为预设大小的稠密向量；

S52、将转化后的稠密向量和所述辅助变量数据集通过合并层进行合并，将合并后的数据集确定为输入数据集。

可选地，所述实体嵌入层由一层独热编码层、嵌入层和两层全连接层构成；

所述多维数据包括三种，分别是轧制日期、班别以及钢卷号。

图7是本发明实施例提供的一种电子设备700的结构示意图，该电子设备700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（centralprocessing units，CPU）701和一个或一个以上的存储器702，其中，所述存储器702中存储有至少一条指令，所述至少一条指令由所述处理器701加载并执行以实现上述基于多维数据的带钢热轧过程力学性能软测量方法的步骤。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于多维数据的带钢热轧过程力学性能软测量方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种基于多维数据的带钢热轧过程力学性能软测量方法，其特征在于，所述方法包括：

S1、构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；

S2、获取带钢热轧过程的原始工况数据集；

S3、对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；

S4、结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；

S5、构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；

S6、将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

2.根据权利要求1所述的方法，其特征在于，所述S1中的所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；

所述BiGRU模块由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

3.根据权利要求1所述的方法，其特征在于，所述构建带钢力学性能预测模型，包括：

S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；

S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

4.根据权利要求1所述的方法，其特征在于，所述S3中的对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集，包括：

S31、通过t-SNE算法对原始工况数据集进行降维可视化；

S32、使用孤立森林算法对原始工况数据集进行离群值的查找，对查找出的离群值进行删除处理；

S33、使用随机森林算法对经过离群值删除后的工况数据集的缺失部分进行填补，获得待筛选数据集。

5.根据权利要求1所述的方法，其特征在于，所述S4中的结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集，包括：

S41、使用XGBooost算法构建决策树，采用特征分裂的次数作为变量重要性度量指标，对所述待筛选数据集进行特征评分,根据特征评分确定待删除辅助变量集；

S42、结合预设的带钢机理知识，对所述待删除辅助变量集进行删除处理，得到辅助变量数据集。

6.根据权利要求1所述的方法，其特征在于，所述S5中的构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集，包括：

S51、构建实体嵌入层，将预设的多维数据输入到实体嵌入层，转化为预设大小的稠密向量；

S52、将转化后的稠密向量和所述辅助变量数据集通过合并层进行合并，将合并后的数据集确定为输入数据集。

7.根据权利要求6所述的方法，其特征在于，所述S51中的实体嵌入层由一层独热编码层、嵌入层和两层全连接层构成；

所述多维数据包括三种，分别是轧制日期、班别以及钢卷号。

8.一种基于多维数据的带钢热轧过程力学性能软测量装置，其特征在于，所述装置包括：

构建模块，用于构建带钢力学性能预测模型；其中，所述带钢力学性能预测模型为结合CBGRU模块构建基于DA-CBGRU的Seq2Seq模型，所述CBGRU模块基于CNN特征提取层和BiGRU模块构建；

获取模块，用于获取带钢热轧过程的原始工况数据集；

预处理模块，用于对原始工况数据集进行数据预处理，将预处理后的数据作为待筛选数据集；

筛选模块，用于结合XGBoost算法和带钢机理知识，对所述待筛选数据集进行辅助变量选择，得到辅助变量数据集；

合并模块，用于构建实体嵌入层，将预设的多维数据转化成预设输入形式，将转化后的多维数据与所述辅助变量数据集合并，得到输入数据集；

预测模块，用于将输入数据集输入到带钢力学性能预测模型中，实现对带钢力学性能的预测。

9.根据权利要求8所述的装置，其特征在于，所述CNN特征提取层由两层卷积结构组成，每一层包括一层卷积层、一层ReLU激活函数层和一层池化层，所述卷积层用于对输入变量进行一维卷积操作，从序列中提取特征图，所述ReLU激活函数层用于作为卷积层的激活函数，所述池化层用于提取特征图中的最大特征值；

所述BiGRU模块由单向的、方向相反的两个 GRU 的状态共同提取数据特征，用于捕捉时间序列特征。

10.根据权利要求8所述的装置，其特征在于，所述构建模块，用于：

S11、在所述带钢力学性能预测模型的编码器阶段，通过实体嵌入层和合并层融合多维数据和辅助变量集，将融合后的整体作为CNN特征提取层的输入；

S12、通过BiGRU层对CNN的输出变量提取时间序列相关性，由BiGRU上一时刻的隐藏层状态和当前时刻的输入变量来计算输入特征在当前时刻的注意力权重，训练出输入解码器注意力层的变量；

S13、在所述带钢力学性能预测模型的解码器阶段，使用GRU网络层对编码器的输出信息进行解码，并引入时间注意力机制选择相应的隐藏层状态；

S14、通过Softmax层得到解码器的隐藏层状态对最终预测的重要性，并通过权重求和得到文本向量；将文本向量和目标序列结合起来，通过GRU作为激活函数，计算得出带钢力学性能预测值。

Images