CN116796627A - 一种基于深度学习的冷轧钢板性能预测方法及系统 - Google Patents
一种基于深度学习的冷轧钢板性能预测方法及系统 Download PDFInfo
- Publication number
- CN116796627A CN116796627A CN202310490688.5A CN202310490688A CN116796627A CN 116796627 A CN116796627 A CN 116796627A CN 202310490688 A CN202310490688 A CN 202310490688A CN 116796627 A CN116796627 A CN 116796627A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- performance
- cold
- verification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000010960 cold rolled steel Substances 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012795 verification Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 14
- 239000010959 steel Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 238000000137 annealing Methods 0.000 abstract description 8
- 238000005097 cold rolling Methods 0.000 abstract description 8
- 238000005098 hot rolling Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 229910052742 iron Inorganic materials 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001887 electron backscatter diffraction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010583 slow cooling Methods 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的冷轧钢板性能预测方法及系统,其包括:获取钢板对应的工艺数据和性能数据作为数据集;对数据集进行规范化处理;搭建神经网络,以工艺数据为输入特征,性能数据为输出特征,对数据集进行训练学习;在数据集中预设训练集和验证集划分比例,并利用验证集进行多次交叉验证;当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,误差仍未低于第二预设阈值,则为输出预测模型;利用预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。其能够高效率、高精度、实时知悉复杂化学成分、热轧、冷轧和退火工艺组合下冷轧钢板的力学性能,为稳定生产控制、优化提升产品性能提供数据参考。
Description
技术领域
本发明涉及冷轧钢板性能预测技术领域,尤其涉及一种基于深度学习的冷轧钢板性能预测方法及系统。
背景技术
钢铁材料的生产是一个多工序、多因素耦合影响的复杂生产过程。其中C、Si、Mn、P、S等十余种化学元素,以及热轧、冷轧、退火等数十个生产工艺参数的小幅波动都会造成产品性能的大幅变化。在现代钢铁企业中,工业计算机每天记录大量的数据,这些数据包含生产工艺、产品性能、设备运行状态等重要信息,如何利用这些数据来高精度、实时的了解产品的性能变化趋势,对优化、提升产品质量有重要的意义。
现有技术中,对产品性能的预测方法主要包括机理建模法和经验法,前者需要对复杂的生产过程的每个机理进行建模,然后对多模型、多工艺过程进行耦合,结果通常会产生很大的偏差。而经验法主要依赖有丰富生产经验的技术人员根据化学成分和生产工艺进行性能估计,虽然可以接近实际检测结果,但无法满足实时、大数据量和异常生产情况下的产品性能预测。详细地,专利CN111651916A公开了一种基于深度学习的材料性能预测方法,该方法并没有使用和挖掘大量工业生产数据的价值,仅使用有限元仿真数据建模,数据单一,模型精度差。专利CN113033106A公开一种基于EBSD与深度学习方法的钢铁材料性能预测方法,该方法使用EBSD图像建立深度卷积神经网络,而EBSD只能采集材料微观区域图像,有很大的偶然性和不均匀性,不能整体反应材料宏观性能,因此,该方法不能应对大量生产材料的宏观性能预测;专利CN102254057A公开一种薄板轧制离线力学性能预报方法,该方法通过材料本构模型数据作为训练数据,当材料组织复杂,且含有多相时,模型偏离度高导致训练数据质量低,最终模型预测结果离散、精度不高。因此,无论是机理建模或是传统神经网络方法,均无法满足实际生产中产线对多品种、高效率、高精度、实时性的应用需求。
发明内容
本申请实施例通过提供一种基于深度学习的冷轧钢板性能预测方法及系统,至少部分解决了现有技术中不能实时地整体反应材料宏观性能的技术问题,实现了以高效率、高精度、实时知悉复杂化学成分情况下,热轧、冷轧和退火工艺组合下冷轧钢板的力学性能的技术效果。
第一方面,为解决上述技术问题,本发明的实施例提供了如下技术方案:
一种基于深度学习的冷轧钢板性能预测方法,包括:
获取钢板对应的工艺数据和性能数据作为数据集;
对上述数据集进行规范化处理;
搭建神经网络,以上述工艺数据为输入特征,上述性能数据为输出特征,对上述数据集进行训练学习;
在上述数据集中预设训练集和验证集划分比例,并利用上述验证集进行多次交叉验证;
当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,上述误差仍未低于第二预设阈值,则为输出预测模型;
利用上述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
可选的,上述对上述数据集进行训练学习的步骤,还包括:
选择预设非线性激活函数,根据预设每次迭代计算的样本数量,带入预设损失函数,并基于预设学习率和优化器组合公式调整学习率对上述数据集进行训练学习。
可选的,上述非线性激活函数表达式为:
或/和
可选的,上述预设学习率和优化器组合公式为:
其中,t为迭代次数,wt、wt+1分别为t和t+1时的参数,α为学习率,gt为当前梯度,mt-1为t-1时梯度一阶动量,Vt-1为t-1时梯度二阶动量,β1、β2为常数。
可选的,上述损失函数的表达式为:
其中L表示预测误差,表示第i个样本预测值,yi表示第i个样本实测值,N表示样本数量。
可选的,在并利用上述验证集进行多次交叉验证之后,上述方法还包括:
设定上述损失函数中的参数空间边界条件,根据上述边界条件,约束参数矩阵空间的搜索范围。
可选的,上述参数空间边界条件表达式为:
L=L0+λ‖w‖1
或L=L0+λ‖w‖2
其中,L0为约束前损失函数,L为约束后损失函数,‖w‖1为参数矩阵的1阶范数,‖w‖2为参数矩阵的2阶范数,λ为约束系数。
可选的,上述第二预设阈值基于冷轧钢板不同强度,设置对应的浮动范围。
可选的,上述神经网络的网络隐藏层数量大于2层,且上述隐藏层数量小于等于输出特征数量的2次幂;上述神经网络的隐藏层神经元数量,为输入参数数量和输入特征数量之和的1-5倍。
第二方面,提供一种基于深度学习的冷轧钢板性能预测系统,上述系统包括:
数据获取模块,用于获取钢板对应的工艺数据和性能数据作为数据集;
数据预处理模块,用于对上述数据集进行规范化处理;
训练学习模块,用于搭建神经网络,以上述工艺数据为输入特征,上述性能数据为输出特征,对上述数据集进行训练学习;
验证模块,用于在上述数据集中预设训练集和验证集划分比例,并利用上述验证集进行多次交叉验证;
模型生成模块,用于当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,上述误差仍未低于第二预设阈值,则为输出预测模型;
预测模块,用于利用上述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
基于钢铁企业冷轧钢板材料生产工艺参数的数据建立数据集,并通过数据预处理手段将数据规范化;根据数据集输入/输出特征数量合理搭建深度神经网络拓扑,主要包括设置隐藏层数量、隐藏层神经元数量;在算法上要考虑数据集数据特征和数据维度,选择合理的激活函数、损失函数、学习率及优化器组合;根据数据集大小,划分为训练集和验证集,并通过交叉验证提升训练精度;设置边界条件约束参数矩阵空间搜索范围;根据冷轧钢板材料强度级别设定模型训练终止条件;保存模型并对新数据集进行性能预测。由此实现高效率、高精度、实时知悉复杂化学成分、热轧、冷轧和退火工艺组合下冷轧钢板的力学性能,为稳定生产控制、优化提升产品性能提供数据参考。
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一简单地介绍,显而易见地,下面描述中的附图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为本申请提供的一种基于深度学习的冷轧钢板性能预测方法的流程图;
图2为本申请提供的屈服强度预测结果示意图;
图3为本申请提供的抗拉强度预测结果示意图;
图4为本申请提供的延伸率预测结果示意图;
图5为本申请提供的一种基于深度学习的冷轧钢板性能预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
另外,本文中出现的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本申请实施例的技术方案为解决上述技术问题,总体思路如下:
基于钢铁企业冷轧钢板材料生产工艺参数的数据建立数据集,并通过数据预处理手段将数据规范化;根据数据集输入/输出特征数量合理搭建深度神经网络拓扑,主要包括设置隐藏层数量、隐藏层神经元数量;在算法上要考虑数据集数据特征和数据维度,选择合理的激活函数、损失函数、学习率及优化器组合;根据数据集大小,划分为训练集和验证集,并通过交叉验证提升训练精度;设置边界条件约束参数矩阵空间搜索范围;根据冷轧钢板材料强度级别设定模型训练终止条件;保存模型并对新数据集进行性能预测。由此实现高效率、高精度、实时知悉复杂化学成分、热轧、冷轧和退火工艺组合下冷轧钢板的力学性能,为稳定生产控制、优化提升产品性能提供数据参考。
本申请实施例中,提供了如图1所示的一种基于深度学习的冷轧钢板性能预测方法,该方法包括步骤S101~S103:
步骤S101,获取钢板对应的工艺数据和性能数据作为数据集;
需要说明的是,从钢铁企业生产数据库中获取数据,其中工艺数据包含化学成分以及工艺参数数据。化学成分主要为:C、Si、Mn、P、S、Nb元素质量分数。工艺参数数据包括热轧工艺参数和冷轧退火工艺参数,其中热轧工艺参数主要为:钢坯加热温度、钢坯加热时间、开轧温度、终轧温度、卷曲温度;冷轧退火工艺参数为:冷轧压缩比、退火温度、缓冷温度、过时效温度、平整延伸率;性能数据主要为屈服强度(Rp0.2)、抗拉强度(Rm)、延伸率(A50)、塑性应变比(r)和应变硬化指数(n)。例如选取某钢铁企业产线某一强度级别牌号冷轧钢板实际生产数据500条,如下表1所示。
表1
步骤S102,对上述数据集进行规范化处理;
需要说明的是,本实施例中规范化处理包含缺失值处理、异常值处理、数据归一化和无量纲化。其中失值及异常值数据采用删除该条数据方式,而数据归一化和无量纲化方法采用表达式:
其中,xi表示归一化前该特征数值,x′i表示归一化后该特征数值,max(x)表示该特征最大值,min(x)表示该特征最小值。由表1可知看出第3条数据缺少Nb元素含量,第5条数据中加热时间超过260min,远高于同类型其他数据。由此对表1进行规范化处理后得到表2,如下:
表2
步骤S103,搭建神经网络,以上述工艺数据为输入特征,上述性能数据为输出特征,对上述数据集进行训练学习;
需要说明的是,本实施例中神经网络采用前馈型神经网络。基于上述规范化处理后的数据集中输入和输出特征数量对神经网络进行设置:其中输入特征16个,输出特征3个,设定隐藏层为8层,隐藏层神经元数量为输入特征和输出特征数量和的1.5倍,结果取整为28个。
步骤S104,在上述数据集中预设训练集和验证集划分比例,并利用上述验证集进行多次交叉验证;
需要说明的是,划分数据集,旨在避免人工方式划分数据集会对模型训练产生不利影响,对规范化后数据集包含360条数据,随机将数据分为6组,每组数据60条,分别对每个数据组编号1#-6#。其交叉验证采取如下方式:
第一次交叉验证选择编号为1#、2#、3#、4#、5#组数据为训练集,6#组数据为验证集进行模型训练;第二次交叉验证选择1#、2#、3#、4#、6#组为训练集,5#组数据为验证集进行模型训;依此方式进行递推,进过6次交叉验证后,每组数据分别参与5次训练集和1次验证集进行模型训练,每次训练都会得到一组模型参数矩阵。
步骤S105,当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,上述误差仍未低于第二预设阈值,则为输出预测模型;
需要说明的是,该步骤目的在于设置模型训练终止条件,本次数据集所获取的冷轧钢板强度级别为600MPa,在350MPa-800MPa之间,因此设置验证集最小误差阈值0.4,当验证集训练误差达到或小于0.4,且50次迭代后仍未低于第二预设阈值K,则为模型训练结束。
步骤S106,利用上述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
需要说明的是,将表3数据作为新数据参与规范化处理,如下:
表3
表3规范化处理后得到表4,如下:
表4
将表4带入预测模型中,得到预测结果如图2、图3和图4所示。其中屈服强度(Rp0.2)、抗拉强度(Rm)和延伸率(A80)预测结果与实测值相比误差与变化趋势差别均较小,三个性能指标预测精度在90%以上,可以满足产线需求。
进一步地,上述对上述数据集进行训练学习的步骤,还包括:
选择预设非线性激活函数,根据预设每次迭代计算的样本数量,带入预设损失函数,并基于预设学习率和优化器组合公式调整学习率对上述数据集进行训练学习。
需要说明的是,对于前馈型神经网络,需要选择合适的非线性激活函数和损失函数进行训练学习。其中每次迭代计算的样本数量设置为10;考虑到模型训练后期,随着训练误差的逐渐减小,固定学习率会导致模型参数在达到某一值后反复跳跃,误差无法进一步减小。由此采用预设学习率和优化器组合公式调整学习率。
进一步地,上述非线性激活函数表达式为:
或/和
需要说明的是,对于非线性激活函数,上述表达式之间的区别在于,当中间点不可导时,采用公式也可以根据情况,组合使用。其中α是一个可调整的参数,它控制着ELU负值部分在何时饱和。
进一步地,上述预设学习率和优化器组合公式为:
其中,t为迭代次数,wt、wt+1分别为t和t+1时的参数,α为学习率,gt为当前梯度,mt-1为t-1时梯度一阶动量,Vt-1为t-1时梯度二阶动量,β1、β2为常数。
需要说明的是,在进行学习率调整时,其采用动态调整学习率,并与梯度gt的一阶动量m和二阶动量V相结合,计算得到t+1时参数更新值wt+1,并用β1、β2常数控制衰减率,β1=0.9,β2=0.999。
进一步地,上述损失函数的表达式为:
其中L表示预测误差,表示第i个样本预测值,yi表示第i个样本实测值,N表示样本数量。
进一步地,在并利用上述验证集进行多次交叉验证之后,上述方法还包括:
设定上述损失函数中的参数空间边界条件,根据上述边界条件,约束参数矩阵空间的搜索范围。其中,上述参数空间边界条件表达式为:
L=L0+λ‖w‖1
或L=L0+λ‖w‖2
其中,L0为约束前损失函数,L为约束后损失函数,‖w‖1为参数矩阵的1阶范数,‖w‖2为参数矩阵的2阶范数,λ为约束系数。
需要说明的是,为了避免参数量过大导致模型过拟合验证,影响泛化能力,有必要对模型参数空间进行约束,限制其搜索范围,通过参数w的1阶范数与原损失函数L0结合,获得新的损失函数L。其中对于公式L=L0+λ‖w‖1,其应用的场景为:其对应参数的系数,大部分为0,小部分不为0的情况。而公式L=L0+λ‖w‖2应用的场景为:其对应参数的系数,大部分不为0,但数值很小,且对计算结果影响极小的情况。而本实施例中,采用公式L=L0+λ‖w‖1,其中设定λ为0.5。获得新的损失函数为:L=L0+0.5‖w‖1。
进一步地,上述第二预设阈值基于冷轧钢板不同强度,设置对应的浮动范围。
需要说明的是,第二预设阈值K根据冷轧钢板强度Rm级别设定,当Rm<350MPa,K的范围为0.01≤K<0.25;当350MPa≤Rm<800MPa,K的范围为0.25≤K<1;当Rm>800MPa,K的范围为1≤K≤2。以Rm=300MPa为例,其K值选取0.01,则其强度应当为300*0.01=3MPa,即297≤Rm≤303MPa。
进一步地,上述神经网络的网络隐藏层数量大于2层,且上述隐藏层数量小于等于输出特征数量的2次幂;上述神经网络的隐藏层神经元数量,为输入参数数量和输入特征数量之和的1-5倍。
需要说明的是,由于本实施例中,需要对数据进行大量计算,若神经网络一旦设置的太复杂,会使得计算速度延缓。由此本实施例采用上述方式控制神经网络的复杂程度,提高计算效率。
基于同一发明构思,本申请实施例提供了一种基于深度学习的冷轧钢板性能预测系统,如图5所示,包括:
数据获取模块,用于获取钢板对应的工艺数据和性能数据作为数据集;
数据预处理模块,用于对上述数据集进行规范化处理;
训练学习模块,用于搭建神经网络,以上述工艺数据为输入特征,上述性能数据为输出特征,对上述数据集进行训练学习;
验证模块,用于在上述数据集中预设训练集和验证集划分比例,并利用上述验证集进行多次交叉验证;
模型生成模块,用于当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,上述误差仍未低于第二预设阈值,则为输出预测模型;
预测模块,用于利用上述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
本领域内的技术人员应明白,本发明的实施例可提供为方法和系统。因此,本发明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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、系统的流程图和/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、专用计算机、嵌入式处理机或其他可编程数据处理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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。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范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的冷轧钢板性能预测方法,其特征在于,所述方法包括:
获取钢板对应的工艺数据和性能数据作为数据集;
对所述数据集进行规范化处理;
搭建神经网络,以所述工艺数据为输入特征,所述性能数据为输出特征,对所述数据集进行训练学习;
在所述数据集中预设训练集和验证集划分比例,并利用所述验证集进行多次交叉验证;
当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,所述误差仍未低于第二预设阈值,则为输出预测模型;
利用所述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
2.如权利要求1所述的方法,其特征在于,所述对所述数据集进行训练学习的步骤,还包括:
选择预设非线性激活函数,根据预设每次迭代计算的样本数量,带入预设损失函数,并基于预设学习率和优化器组合公式调整学习率对所述数据集进行训练学习。
3.如权利要求2所述的方法,其特征在于,所述非线性激活函数表达式为:
或/和
4.如权利要求2所述的方法,其特征在于,所述预设学习率和优化器组合公式为:
其中,t为迭代次数,wt、wt+1分别为t和t+1时的参数,α为学习率,gt为当前梯度,mt-1为t-1时梯度一阶动量,Vt-1为t-1时梯度二阶动量,β1、β2为常数。
5.如权利要求2所述的方法,其特征在于,所述损失函数的表达式为:
其中L表示预测误差,表示第i个样本预测值,yi表示第i个样本实测值,N表示样本数量。
6.如权利要求5所述的方法,其特征在于,在并利用所述验证集进行多次交叉验证之后,所述方法还包括:
设定所述损失函数中的参数空间边界条件,根据所述边界条件,约束参数矩阵空间的搜索范围。
7.如权利要求6所述的方法,其特征在于,所述参数空间边界条件表达式为:
L=L0+λ‖w‖1
或L=L0+λ‖w‖2
其中,L0为约束前损失函数,L为约束后损失函数,‖w‖1为参数矩阵的1阶范数,‖w‖2为参数矩阵的2阶范数,λ为约束系数。
8.如权利要求1所述的方法,其特征在于,所述第二预设阈值基于冷轧钢板不同强度,设置对应的浮动范围。
9.如权利要求1所述的方法,其特征在于,所述神经网络的网络隐藏层数量大于2层,且所述隐藏层数量小于等于输出特征数量的2次幂;所述神经网络的隐藏层神经元数量,为输入参数数量和输入特征数量之和的1-5倍。
10.一种基于深度学习的冷轧钢板性能预测系统,其特征在于,所述系统包括:
数据获取模块,用于获取钢板对应的工艺数据和性能数据作为数据集;
数据预处理模块,用于对所述数据集进行规范化处理;
训练学习模块,用于搭建神经网络,以所述工艺数据为输入特征,所述性能数据为输出特征,对所述数据集进行训练学习;
验证模块,用于在所述数据集中预设训练集和验证集划分比例,并利用所述验证集进行多次交叉验证;
模型生成模块,用于当验证集训练误差小于等于第一预设阈值,且预设次数迭代后,所述误差仍未低于第二预设阈值,则为输出预测模型;
预测模块,用于利用所述预测模型对新成分及工艺参数体系下的冷轧钢板性能进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490688.5A CN116796627A (zh) | 2023-05-04 | 2023-05-04 | 一种基于深度学习的冷轧钢板性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490688.5A CN116796627A (zh) | 2023-05-04 | 2023-05-04 | 一种基于深度学习的冷轧钢板性能预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796627A true CN116796627A (zh) | 2023-09-22 |
Family
ID=88033504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310490688.5A Pending CN116796627A (zh) | 2023-05-04 | 2023-05-04 | 一种基于深度学习的冷轧钢板性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796627A (zh) |
-
2023
- 2023-05-04 CN CN202310490688.5A patent/CN116796627A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN110739031B (zh) | 一种冶金烧结过程的有监督预测方法、装置及存储介质 | |
CN110321658B (zh) | 一种板材性能的预测方法及装置 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN110598929A (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN114511159B (zh) | 基于条件变分自编码器的电力负荷概率预测方法和系统 | |
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 | |
CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
CN116796627A (zh) | 一种基于深度学习的冷轧钢板性能预测方法及系统 | |
CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN116562454A (zh) | 一种应用于bim的长短时注意力机制网络的造价预测方法 | |
CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN115615575A (zh) | 一种多时间图谱卷积注意力网络的锅炉炉壁温度预测方法 | |
CN110704956B (zh) | 一种冷轧机数据驱动的工艺参数优化方法 |
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 |