CN117000780A - 一种自适应冷轧带材多通道板形预报方法 - Google Patents

Abstract

本发明公开了一种自适应冷轧带材多通道板形预报方法。该方法主要包括以下步骤：采集冷轧带材轧制生产数据并进行预处理；基于极端梯度提升算法建立冷轧带材多通道板形预报模型；利用训练集对冷轧带材多通道板形预报模型进行训练得到模型CSFP_M；将噪声板形通道优化算法与模型CSFP_M融合得到自适应冷轧带材多通道板形预报模型Adaptive‑CSFP_M；将模型Adaptive‑CSFP_M嵌入冷轧带材板形测控系统实现板形的提前预报。该方法针对不同规格的带材轧制生产数据能够在满足工业生产速度的条件下准确预报板形，并且能够有效消除预报板形中出现的噪声通道实现自适应调节，对提高冷轧带材质量具有重要意义。

Description

一种自适应冷轧带材多通道板形预报方法

技术领域

本发明属于冶金轧制过程板形测控技术领域，特别涉及一种自适应冷轧带材多通道板形预报方法。

背景技术

板形是板带材的一项关键质量指标，其影响因素复杂多变，具有多参数、强耦合、非线性等特点，控制难度很大。提高带材板形质量，必须在板形检测和板形控制两方面进行系统的研究。其中，板形检测是实现板形控制的前提，属于板形测控系统中的硬件，工业中通常将其称为“板形仪”。板形控制是最终目标，属于板形测控系统中的软件，工业中通常将其称为“板形控制系统”，而板形控制系统的核心是板形预报模型。板形设定控制的本质就是将板形预报模型作为目标函数计算器，通过优化算法对不同板形控制手段进行优化；板形预测控制同样需要以板形预报模型为基础，提前预测下一时刻的板形状态，从而实现控制手段的预先调节；板形反馈控制时，需要根据目标板形和实测板形之间的偏差进行板形模式识别，然后根据板形模式识别的结果对控制手段进行动态调节，各种板形控制手段的动态调节量必须以板形预报模型计算结果为依据。

关于板形预报的大部分研究是基于机理模型展开的，机理模型具有强规律性、拓展性等优点，但模型影响因素多、耦合性强，鲁棒性不高，需要在牺牲精度的基础上对模型进行大量简化。随着计算机技术和信息采集技术的迅速发展，工业生产中配备了采集设备实时采集大量数据。这些生产数据中蕴含着丰富的意义和规律。截至目前，已有学者将板形生产数据与人工智能算法相结合建立板形预报模型，打破了传统机理模型的局限性，但普遍存在训练数据少、轧制生产参数和板形多样化程度低、板形影响因素选取不合理等问题，虽然能得到较为满意的预测性能，但极容易出现模型过拟合等问题无法实际应用于生产现场。为此，发明一种在满足预报精度的基础上具有更强的泛化能力和通用性的板形智能预报模型具有重要意义。

发明内容

有鉴于此，本发明的目的在于提供一种自适应冷轧带材多通道板形预报方法，在满足工业生产要求的条件下准确预报板形。

为了达到上述目的，本发明提出一种自适应冷轧带材多通道板形预报方法，主要包括以下步骤：

采集冷轧带材生产数据并进行预处理，得到预报模型的训练集和测试集；

基于极端梯度提升算法建立冷轧带材多通道板形预报模型；所述冷轧带材多通道板形预报模型为使用多个极端梯度提升算法所组成的一个多通道并行预报模型，每个极端梯度提升算法作为子模型单独训练一个通道，各个子模型之间相互独立；

利用所述训练集对冷轧带材多通道板形预报模型进行训练；

将噪声板形通道优化算法融合至所述冷轧带材多通道板形预报模型中，得到自适应冷轧带材多通道板形预报模型；所述噪声板形通道为预报板形维度大于真实板形维度时比真实板形通道多出的通道，所述噪声板形通道优化算法用于消除噪声板形通道；

将所述自适应冷轧带材多通道板形预报模型嵌入冷轧带材板形测控系统中，根据生产数据实时预报当前板形并与设定目标板形进行对比反馈到控制系统实现提前控制。

进一步地，所述冷轧带材生产数据包括轧制参数和板形数据，所述采集冷轧带材生产数据包括：分别通过传感器和板形仪实时采集轧制参数和板形数据。

进一步地，冷轧带材生产数据的预处理，包括：

提取模型输入输出相关特征，将所述冷轧带材板形数据中的出口板形作为模型输出特征，选取所述冷轧带材轧制参数中如下参数特征作为模型的输入特征，包括：带材宽度、入口厚度、出口厚度、入口厚差、出口厚差、速度、轧制力、辊缝差、传动侧工弯、操作侧工弯、传动侧中弯、操作侧中弯、入口张力、出口张力、分段冷却占空比；

提取稳定轧制区数据，提取所述冷轧带材生产数据中轧制速度大于等于轧制速度阈值的数据作为稳定轧制区数据；

剔除异常值数据，采用孤立森林算法剔除数据中某一特征参数在某个时刻出现的异常值；

进一步地，利用所述训练集对冷轧带材多通道板形预报模型进行训练，包括：

设置冷轧带材多通道板形预报模型的训练参数，通过网格搜索的方法遍历不同参数的组合，确定最优参数：学习率、迭代次数、损失函数、树最大深度、节点分裂所需最小损失下降值、L1正则化系数、L2正则化系数；

利用所述训练集，并采用五折交叉验证的方法对构建的模型进行训练，保存五次训练结果中验证集均方误差最小的模型并作为冷轧带材多通道板形预报模型。

进一步地，所述噪声板形通道优化算法，包括：

S1、从测试集中取一卷带材数据，带材实际宽度记为W_strip，板形仪检测辊最大通道数记为k，板形仪检测辊单通道宽度记为W_roll，输入所述冷轧带材多通道板形预报模型后得到的预报板形记为矩阵M_a×b；

S2：计算理论有效通道数并设置临时变量i＝0；

S3：判断是否满足k′％2＝0；若满足转到步骤S4，否则转到步骤S5；

S4：令k′＝k′-1；

S5：判断是否满足满足转到步骤S6，否则转到步骤S8；

S6：令M_a×b[0:a][i]＝0，M_a×b[0:a][k-i]＝0，i＝i+1；

S7：判断是否满足若满足转到步骤S8，否则转到步骤S5；

S8：得到优化后的预报板形M_a×b。

进一步地，利用所述测试集对所述自适应冷轧带材多通道板形预报模型进行验证。

相比现有技术，本发明具有以下有益效果：

本发明中，首先以冷轧带材工业生产数据为基础，将生产实际经验与数据挖掘技术相融合建立了冷轧带材生产数据集CSR_Dataset，解决了现有板形预报模型中训练数据少、生产参数和板形多样化程度低、板形影响因素选取不合理等问题。其次，基于极端梯度提升算法并利用数据集训练得到了冷轧带材多通道板形预报模型，最后根据模型预报结果融合噪声板形通道优化算法得到自适应冷轧带材多通道板形预报模型，该模型针对不同规格的冷轧带材生产数据能够准确快速的实现预报板形，并且能够有效消除预报板形中出现的噪声通道实现自适应调节，对提高冷轧带材质量具有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中自适应冷轧带材多通道板形预报方法的流程图；

图2为本发明实施例中冷轧带材多通道板形预报模型；

图3为本发明实施例中五折交叉验证训练示意图；

图4为本发明实施例中噪声板形通道优化算法流程图；

图5为本发明实施例中融合噪声板形通道优化算法的自适应冷轧带材多通道板形预报模型；

图6为本发明实施例中模型Adaptive-CSFP_M对CSR_Testset每个样本预报结果的平均绝对误差分布直方图；

图7为本发明实施例中模型Adaptive-CSFP_M对CSR_Testset每个样本预报结果的平均绝对误差散点图；

图8为本发明实施例中CSR_Testset中随机抽取一行数据绘制的真实与预报板形局部对比图；

图9为本发明实施例中CSR_Testset中带宽650mm带材数据真实与预报出口板形的三维曲面图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。

如图1所示，本发明实施例中提供了一种自适应冷轧带材多通道板形预报方法，包括以下执行步骤：

S1：采集冷轧带材生产数据并进行预处理，得到预报模型的训练集和测试集。

冷轧产线在生产过程中实时产生大量数据，主要包括轧制参数和板形数据两类，其中轧制参数包括：带材宽度、入口厚度、速度、轧制力等，板形数据包括：入口板形和出口板形，分别通过传感器和板形仪等采集设备以时间t＝20ms为周期，实时采集并传输回上位机保存为冷轧带材生产数据。假设某冷轧产线板形仪检测辊最大检测通道数量记为k＝27，板形仪检测辊单通道宽度记为W_roll＝26mm，采集的一卷原始冷轧带材生产数据记为D，数据D共有n＝34596行数据，m+2k＝147列特征，其中包含m＝93列轧制参数特征、k＝27列入口板形特征和k＝27列出口板形特征，则一卷原始冷轧带材生产数据记为

采集到冷轧带材生产数据之后，为了便于板形预报模型的应用，需要对采集的数据进行预处理，主要包括：提取模型输入输出相关特征、提取稳定轧制区数据和剔除异常值数据。其中：提取模型输入输出相关特征具体包括：关于输出特征，将一卷原始冷轧带材生产数据D中k＝27列出口板形作为模型输出特征；选取冷轧带材生产数据中15个轧制参数共37列数据作为模型的输入特征，包括：带材宽度、入口厚度、出口厚度、入口厚差、出口厚差、速度、轧制力、辊缝差、传动侧工弯、操作侧工弯、传动侧中弯、操作侧中弯、入口张力、出口张力、分段冷却占空比。即从一卷原始冷轧带材生产数据D中的m＝93列数据中选取m′＝37列数据作为模型的输入特征，如表1所示。提取模型输入输出特征后的生产数据记为

表1

提取稳定轧制区数据具体包括：在轧制开始阶段，首先进行带材厚度控制，此时轧制速度较低，板形控制系统反馈环节处于关闭状态，不参与板形调控，并且当速度过低时，板形检测辊检测到的压力信号不稳定，板形值存在较大误差，为此，设定轧制速度阈值v＝60m/min，提取每卷中速度大于等于v＝60m/min的数据作为稳定轧制区数据，提取后的数据共有n′＝32691行，记为

剔除异常值数据具体包括：冷轧生产过程中传感器等参数采集设备会由于设备振动、带材跑偏、传输信号干扰等各种因素导致所采集的数据中的某一参数在某个时刻突然出现较大的波动而导致的异常值，为此采用孤立森林算法剔除数据中的异常值。

首先，给定样本集X＝{x₁,x₂,…,x_n|x_i∈R^m′}，定义一棵孤立树，设T为孤立树的一个根节点，节点T可以有两种情况，一种是没有子节点的外部节点，另一种是具有两个子节点(T_l，T_r)和一个测试端，测试端包含一个属性q和分割点p，若q<p，则样本x_i进入子节点T_l，否则进入子节点T_r。样本x_i在孤立树中的路径长度记为h(x)，即x_i在iTree种经过节点的数量。构建由r棵孤立树组成的孤立森林，从样本集X中随机抽取ψ个样本点构成子集X′放入孤立树根节点，则子集X′的路径平均长度记为其中，H(i)为谐波数，可以记为H(i)＝ln(i)+ξ，ξ≈0.5772为欧拉常数。最后，样本x_i的异常得分记为当样本点x_i的s值越接近1，表示该点越可能位异常点；s值越接近0，表示越可能为正常点。剔除的异常值数据约占总数据量的5.5％，剔除后的冷轧带材板形数据共有n″＝30896行，记为

基于上述预处理步骤构建并划分预报模型数据集，主要包括以下步骤：为提高模型训练集数据的规模及板形数据的多样化程度，在采集的冷轧带材生产数据库中分别从有效通道数为11、13、15、17、19、21、23、25共八种规格数据中各选取5卷，为避免生产事故等特殊情况的出现，确保选取的每卷带材数据量均大于5000行，将这s＝40卷组成冷轧带材原始数据集D_i＝{D₁,D₂,…,D₄₀}，总数据量共有858414行，数据分布如表2所示，经过批量数据预处理步骤后得到冷轧带材生产数据集D″′_i＝{D″′₁,D″′₂,…,D″′₄₀}，记为CSR_Dataset。

表2

对数据集进行划分，批量从每卷冷轧带材生产数据D_i″′(i＝1,…,40)中随机抽取85％的数据作为训练集CSR_Trainset，其余作为测试集CSR_Testset。

本发明实施例中，以冷轧带材工业生产数据为基础，将生产实际经验与数据挖掘技术相融合建立了冷轧通道生产数据集CSR_Dataset，解决了现有板形预报模型中训练数据少的问题。

S2：基于极端梯度提升算法建立冷轧带材多通道板形预报模型。

使用基于回归树的极端梯度提升算法(XGBoost)构建冷轧带材预报模型：给定样本集其中，x_i代表具有m维特征向量的样本，y_i代表样本标签。设一棵决策树模型的表达式为/>其中f(x_i)为该决策树的输出；/>为每个叶子节点对应的节点值；q(x_i)为样本与决策树叶子节点的映射关系。而XGBoost是一个包含多个决策树的加法模型，则一个包含K棵决策树的XGBoost表达式为其中/>代表模型对样本x_i的预测值；/>为K-1棵树累加的结果；f_K(x_i)表示第K棵回归树的结果。由于构建的冷轧带材数据集CSR_Dataset的出口板形值有27个特征维度，使用27个XGBoost组成一个多通道并行预报模型，每个XGBoost作为子模型单独训练一个通道，各个子模型之间相互独立，不存在不同通道之间的耦合影响，模型结构如图2所示。

S3：利用训练集对冷轧带材多通道板形预报模型进行训练，得到模型CSFP_M。

冷轧带材多通道板形预报模型的训练，主要包括以下步骤：

设置冷轧带材多通道板形预报模型的训练参数，通过网格搜索的方法遍历不同参数的组合，确定最优参数：学习率lr设置为0.41、迭代次数num_estimators设置为300、损失函数loss设置为均方误差、树最大深度m_depth设置为6、节点分裂所需最小损失下降值gamma设置为0.2、L1正则化系数reg_1设置为2.6、L2正则化系数reg_2设置为0.5；

利用划分的训练集CSR_Trainset并采用五折交叉验证的方法对构建的模型进行训练，如图3所示，并取五次训练结果中验证集均方误差最小的模型保存作为冷轧带材多通道板形预报模型，记为CSFP_M。

S4：融合噪声板形通道优化算法，得到自适应冷轧带材多通道板形预报模型Adaptive-CSFP_M。

噪声板形通道优化算法，从测试集CSR_Testset中选取一卷实际带材宽度W_strip＝410mm，有效通道数为15的数据为例，其板形仪检测到的出口板形真实数据如表3所示(取前5行数据)。

表3

经过训练得到的CSFP_M模型进行板形预报的结果中出现噪声板形的情况，即预报的板形通道维度总是大于等于真实板形通道维度，且总等于训练集中最大的板形通道维度，多出的板形通道维度总为最边部通道，此外，多出的边部板形通道板形值相较于中部正常通道板形值平均相差100倍之多，因此将其定义为噪声板形通道，并需要设计优化算法来消除噪声板形通道，算法流程图如图4所示，主要步骤包括：

S41：从测试集CSR_Testset中取一卷带宽W_strip＝410mm，板形仪检测辊最大通道数k＝27，板形仪检测辊单通道宽度记为W_roll＝26mm，实际通道数为15的数据输入到模型CSFP_M中，得到的预报板形值记为矩阵M_a×b，如表4所示；

S42：计算理论有效通道数并设置临时变量i＝0；

S43：判断是否满足k′％2＝0；若满足转到步骤S44，否则转到步骤S45；

S44：令k′＝k′-1；

S45：判断是否满足满足转到步骤S46，否则转到步骤S48；

S46：令M_a×b[0:a][i]＝0，M_a×b[0:a][k-i]＝0，i＝i+1；

S47：判断是否满足若满足转到步骤S48，否则转到步骤S45；

S48：得到优化后的预报板形M_a×b，优化后部分数据如表5所示。

表4

/>

表5

/>

将噪声板形通道优化算法融合到构建的CSFP_M模型中得到自适应冷轧带材多通道板形预报模型Adaptive-CSFP_M，其模型结构如图5所示。利用测试集CSR_Testset对Adaptive-CSFP_M进行性能评估，测试集CSR_Testset的整体样本的平均均方根误差为0.6816I，满足工业生产要求。为了更直观的观察模型Adaptive-CSFP_M在测试集CSR_Testset上的性能，将测试集CSR_Testset中每一个样本的平均绝对误差MAE绘制成了散点图如图6所示和MAE分布直方图如图7所示。图8为从测试集CSR_Testset中随机抽取一行数据绘制的真实与预报板形局部对比图，图9为从测试集CSR_Testset中选取了带宽为620mm，通道数为23的数据共1017行绘制了真实板形与Adaptive-CSFP_M预报板形的整体三维曲面图。从局部和整体曲面图可以看出经过模型预报的板形基本能拟合真实的板形，但在细节纹理的方面模型对预报进行了细节模糊处理，这种情况说明模型具备一定的泛化能力，对不同带宽的测试集也能够达到很好的性能。

S5：将最终的冷轧带材多通道板形预报模型Adaptive-CSFP_M嵌入冷轧带材板形测控系统中，根据生产数据实时预报当前板形并于设定目标板形进行对比反馈到控制系统实现提前控制。

上述实施例中，基于大量冷轧带材生产数据构建了不同生产规格和板形的冷轧带材生产数据集，解决了现有板形预报模型中训练数据少、生产参数和板形多样化程度低、板形影响因素选取不合理等问题。其次，基于极端梯度提升算法建立并利用数据集训练得到了冷轧带材多通道板形预报模型，将噪声板形通道优化算法与冷轧带材多通道预报模型融合后得到自适应冷轧带材多通道板形预报模型，该模型针对不同规格的带材轧制生产数据能够准确快速的实现预报板形，并且能够有效消除预报板形中出现的噪声通道实现自适应调节，对提高冷轧带材质量具有重要意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种自适应冷轧带材多通道板形预报方法，其特征在于，包括：

采集冷轧带材生产数据并进行预处理，得到预报模型的训练集和测试集；

基于极端梯度提升算法建立冷轧带材多通道板形预报模型；所述冷轧带材多通道板形预报模型为使用多个极端梯度提升算法所组成的一个多通道并行预报模型，每个极端梯度提升算法作为子模型单独训练一个通道，各个子模型之间相互独立；

利用所述训练集对冷轧带材多通道板形预报模型进行训练；

将噪声板形通道优化算法融合至所述冷轧带材多通道板形预报模型中，得到自适应冷轧带材多通道板形预报模型；所述噪声板形通道为预报板形维度大于真实板形维度时比真实板形通道多出的通道，所述噪声板形通道优化算法用于消除噪声板形通道；

将所述自适应冷轧带材多通道板形预报模型嵌入冷轧带材板形测控系统中，根据生产数据实时预报当前板形并与设定目标板形进行对比反馈到控制系统实现提前控制。

2.根据权利要求1所述的自适应冷轧带材多通道板形预报方法，其特征在于，所述冷轧带材生产数据包括轧制参数和板形数据，所述采集冷轧带材生产数据包括：分别通过传感器和板形仪实时采集轧制参数和板形数据。

3.根据权利要求2所述的自适应冷轧带材多通道板形预报方法，其特征在于，冷轧带材生产数据的预处理，包括：

提取模型输入输出相关特征，将所述冷轧带材板形数据中的出口板形作为模型输出特征，选取所述冷轧带材轧制参数中如下参数特征作为模型的输入特征，包括：带材宽度、入口厚度、出口厚度、入口厚差、出口厚差、速度、轧制力、辊缝差、传动侧工弯、操作侧工弯、传动侧中弯、操作侧中弯、入口张力、出口张力、分段冷却占空比；

提取稳定轧制区数据，提取所述冷轧带材生产数据中轧制速度大于等于轧制速度阈值的数据作为稳定轧制区数据；

剔除异常值数据，采用孤立森林算法剔除数据中某一特征参数在某个时刻出现的异常值。

4.根据权利要求1所述的自适应冷轧带材多通道板形预报方法，其特征在于，利用所述训练集对冷轧带材多通道板形预报模型进行训练，包括：

设置冷轧带材多通道板形预报模型的训练参数，通过网格搜索的方法遍历不同参数的组合，确定最优参数：学习率、迭代次数、损失函数、树最大深度、节点分裂所需最小损失下降值、L1正则化系数、L2正则化系数；

利用所述训练集，并采用五折交叉验证的方法对构建的模型进行训练，保存五次训练结果中验证集均方误差最小的模型并作为冷轧带材多通道板形预报模型。

5.根据权利要求1所述的自适应冷轧带材多通道板形预报方法，其特征在于，所述噪声板形通道优化算法，包括：

S1、从测试集中取一卷带材数据，带材实际宽度记为W_strip，板形仪检测辊最大通道数记为k，板形仪检测辊单通道宽度记为W_roll，输入所述冷轧带材多通道板形预报模型后得到的预报板形记为矩阵M_a×b；

S2：计算理论有效通道数并设置临时变量i＝0；

S3：判断是否满足k′％2＝0；若满足转到步骤S4，否则转到步骤S5；

S4：令k′＝k′-1；

S5：判断是否满足满足转到步骤S6，否则转到步骤S8；

S6：令M_a×b[0:a][i]＝0，M_a×b[0:a][k-i]＝0，i＝i+1；

S7：判断是否满足若满足转到步骤S8，否则转到步骤S5；

S8：得到优化后的预报板形M_a×b。

6.根据权利要求1所述的自适应冷轧带材多通道板形预报方法，其特征在于，利用所述测试集对所述自适应冷轧带材多通道板形预报模型进行验证。