CN117139380A - 一种基于调控经验自学习的镰刀弯控制方法 - Google Patents
一种基于调控经验自学习的镰刀弯控制方法 Download PDFInfo
- Publication number
- CN117139380A CN117139380A CN202311102955.3A CN202311102955A CN117139380A CN 117139380 A CN117139380 A CN 117139380A CN 202311102955 A CN202311102955 A CN 202311102955A CN 117139380 A CN117139380 A CN 117139380A
- Authority
- CN
- China
- Prior art keywords
- regulation
- rolling
- data
- pass
- value
- 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 35
- 238000005096 rolling process Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 59
- 229910000831 Steel Inorganic materials 0.000 claims description 45
- 239000010959 steel Substances 0.000 claims description 45
- 238000005452 bending Methods 0.000 claims description 24
- 230000001276 controlling effect Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000013068 control sample Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2263/00—Shape of product
- B21B2263/04—Flatness
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2271/00—Mill stand parameters
- B21B2271/02—Roll gap, screw-down position, draft position
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供了一种基于调控经验自学习的镰刀弯控制方法,适用于热连轧粗轧板形控制技术领域。该方法通过准确设定每个道次轧制中的辊缝倾斜量参数,实现镰刀弯弯曲量的降低。具体方法为:1.确定采集数据;2.对数据进行预处理;3.处理后数据按时序排列;4.建立数据集;5.使用梯度提升树算法建立辊缝倾斜量值调控值预测模型,对模型进行训练以获取最优参数;6.在测试集上验证性能。该热连轧粗轧镰刀弯控制方法利用自学习辊缝倾斜调控数据中的有效经验,相对于现有仅依赖历史镰刀弯轧制状态的方法,本方法综合考虑了辊缝倾斜量调控值与粗轧中其他工艺设定参数之间的适应性,提高了辊缝倾斜量的设定精度,提升了粗轧板形轧制质量和生产稳定性。
Description
技术领域
本发明属于带钢热粗轧生产与人工智能技术领域,涉及一种基于调控经验自学习的镰刀弯控制方法。
背景技术
热轧带钢作为许多工业产品的一种主要原材料,应用领域广泛包含如设备构件、建筑等。随着工业技术的迅速发展,对优质带钢的需求也在不断增加,并且在保证质量的前提下尽量降低轧制成本,然而粗轧中间坯中出现的镰刀弯会直接影响其成材率。因此,探索镰刀弯变化规律并实现镰刀弯优化控制一直是本领域的研究重点。镰刀弯受轧制力学参数及几何参数等因素的影响,因此弯曲板形的控制精度直接取决于上述因素的计算精度。目前镰刀弯主流控制方法主要以粗轧过程中辊缝倾斜量参数值调控为主,取得了较好的成效,但调控方案主要依赖于历史镰刀弯状态设定辊缝倾斜量参数值,忽略了其他轧制参数在与辊缝倾斜量交互作用下对镰刀弯的影响,存在局限性(条件简化与假设),难以进一步提高镰刀弯的控制精度。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于调控经验自学习的镰刀弯控制方法,基于大量实际带钢生产调控数据和梯度提升树算法建立了轧制参数、镰刀弯状态数据与辊缝倾斜量之间的关系,学习其中有效的调控经验值,通过探索来镰刀弯控制中参数之间的作用规律以实现在不增加额外设备的情况降低生产中产生的镰刀弯弯弯曲量,提高粗轧板形质量。
为实现上述目的,本发明提出了一种基于调控经验自学习的镰刀弯控制方法,包括以下步骤:
步骤1:根据热连轧粗轧生产线设备布置形式及调控工艺参数,确定需要采集的轧制属性参数、轧制设备参数以及关于辊缝倾斜量调控值的粗轧历史数据;
步骤2:收集历史数据库中留存的基于辊缝倾斜量调控的粗轧轧制调控经验数据,并通过去除重复数据、确实值、异常值对调控经验数据进行预处理;
步骤3:对预处理后的调控经验数据进行特征构建及特征筛选操作,并对数据进行时序排列,获得最终建模的调控经验数据;
步骤4:对数据按照时序排列后的数据,筛选其中头部镰刀弯绝对值较小的调控经验数据作为数据集,并按照一定比例划分训练数据集和测试数据集,测试数据属于训练集数据时间之后的数据;
步骤5:基于全部调控经验数据集,采用时序验证建立基于梯度提升树算法的辊缝倾斜量调控值预测模型,获取模型的最优参数;
步骤6:基于测试数据集,采用平均绝对误差、均方根误差评价按照上述步骤建立的基于梯度提升树算法的辊缝倾斜量调控值预测模型的性能。
本发明提出的基于调控经验自学习的镰刀弯控制方法,针对轧制过程中因生产计划出现的轧制参数变动大、参数间耦合性强且具有复杂非线性的特点,通过分析大量辊缝倾斜量调控的经验数据,并基于梯度提升算法建模辊缝倾斜量调控值与其他轧制参数、镰刀弯状态之间的关系,自学习有效的辊缝调控经验值,以实现优化镰刀弯的目的,对进一步提高板形控制具有实际意义。
附图说明
图1为本发明基于调控经验自学习的镰刀弯控制方法流程图;
图2为本发明实施例中对数据进行特征工程的具体流程;
图3为本发明实施例中使用的梯度提升算法的原理结构图;
图4为本发明实施例中辊缝倾斜量调控模型的性能表现图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施中的技术方案进一步清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,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,都属于本发明保护的范围。
本实施例中,收集某2050mm带钢热连轧粗轧产线的相关辊缝倾斜量调控轧制数据,使用梯度提升树算法用于建立基于调控经验自学习的镰刀弯控制策略生成模型。该2050mm带钢热轧粗轧生产线线的粗轧机组由两架轧机(R1、R2)和两个轧机前的两个立辊(E1、E2)组成。本发明一种基于调控经验自学习的镰刀弯控制方法建立过程如图1所示,具体步骤包括:
步骤1:根据热连轧粗轧生产线设备布置形式及调控工艺参数,确定需要采集的轧制属性参数、轧制设备参数以及关于辊缝倾斜量调控值的粗轧历史数据;
具体实施时,将表1中的参数及镰刀弯状态参数作为调控经验数据的采集对象。
表1轧制属性参数、轧制设备参数、辊缝倾斜量调控值以及镰刀弯状态参数
步骤2:按道次收集历史数据库中留存的基于辊缝倾斜量调控的粗轧轧制调控经验数据,并通过去除重复数据、缺失值、异常值对调控经验数据进行预处理;
具体实施时,在热轧带钢粗轧生产现场分别收集203385组调控后的辊缝倾斜量数据、相应的轧制工艺参数数据以及镰刀弯状态数据。钢卷号、道次号以及表1中的轧制工艺参数构成了粗轧制生产的输入表,钢卷号、道次号以及表1中的镰刀弯状态参数构成粗轧生产的输出表,其中钢卷号和道次号是轧制输入数据表和镰刀弯输出数据表的共有字段,利用这两个字段对两个数据表进行拼接,拼接后的用于调控经验自学习模型建模以生成镰刀弯控制策略。如图2所示,通过对收集的203385组调控经验样本进行重复数据、缺失值、异常值处理,处理方法如下:
步骤2.1:检查所收集的输入、输出数据表是否存在钢卷号和道次号两个字段值相同且出现了两次及以上样本,如果有仅保留一个同钢卷号同道次号的轧制调控经验样本;
步骤2.2:检查所收集的每一个道次轧制调控经验样本中是否存在缺失值,如果某一个道次轧制调控样本存在缺失值,则进行填充;
步骤2.3:检查收集的每一个钢卷轧制调控经验样本是否存在某一粗轧机轧制数据的缺失情况,包括存在粗轧机R1轧制数据缺失粗轧机R2轧制数据或者存在粗轧机R2轧制数据缺失粗轧机R1轧制数据,对于这种异常情况,将相应钢卷号的轧制经验调控样本数据去除;
步骤3:对预处理后的140782组调控经验数据进行特征构建及特征筛选操作,并对数据进行时序排列,获得最终建模的具有时序特性的调控经验数据,所述步骤3具体为:
步骤3.1:针对每一个道次轧制调控样本,将当前钢卷号的上一道次、上上一道次的轧制设备参数作为当前道次样本的特征,将上一道次及上上一道次的镰刀弯状态数据作为当前道次样本的特征,并使用当前样本之前的3个镰刀弯状态数据,计算滑动步长为1,滑动窗口为3的镰刀弯弯曲量最大值、最小值、均值、方差作为滑动窗口特征,其中一个样本对应窗口的1;
具体实施时,平移当前钢卷号的上一道次、上上一道次的轧制设备参数(对应到表1中的编号11~24)作为当前样本的特征;将上一道次及上上一道次的镰刀弯状态参数(对应到表1中的编号26~36)作为当前样本的特征,并取当前道次之前的3个道次的镰刀弯状态头部弯曲量、尾部弯曲量、本体弯曲量、总弯曲量字段对应的数据,分别计算各自的最大值、最小值、均值、方差作为当前样本的滑动特征;
步骤3.2:针对每一个道次轧制经验调控样本,将上一时刻及上上一时刻相同道次号轧制参数、镰刀弯状态数据作为当前道次样本的特征,并使用镰刀弯滑动步长为1,滑动窗口为3的镰刀弯弯曲量的最大值、最小值、均值、方差作为滑动窗口特征,其中一个样本对应窗口的1;
具体实施时,平移上一钢卷及上上个钢卷的同道次号轧制设备参数(对应到表1中的编号11~24)作为当前样本的特征;将上一钢卷及上上个钢卷的同道次号的镰刀弯状态参数(对应到表1中的编号26~36)作为当前样本的特征,并取当前道次之前的3个道次的镰刀弯状态头部弯曲量、尾部弯曲量、本体弯曲量、总弯曲量计算最大值、最小值、均值、方差,作为当前样本的滑动特征;
步骤3.3:针对每一道次轧制经验调控样本,将上一时刻及上上一时刻与当前样本同一钢种同一道次号的轧制参数作为当前道次样本的特征,将其对应的镰刀弯状态数据作为当前道次轧制经验调控样本的特征;
具体实施时,平移与当前样本同一钢种同一道次号的上一钢卷及上上个钢卷的轧制设备参数(对应到表1中的编号11~24)作为当前样本的特征;将当前样本同一钢种同一道次号的镰刀弯状态参数(对应到表1中的编号26~36)作为当前样本的特征;
步骤3.4:针对每一道次的轧制经验调控样本,计算头部镰刀弯的均值、中位数、最大值和标准差统计指标作为统计分析特征;
具体实施时,计算当前样本之前的3个时刻的镰刀弯状态参数(对应到表1中的编号26~36)的均值、中位数、最大值、方差统计指标作为统计分析特征作为当前样本的特征;
步骤3.5:针对每一道次的轧制经验调控样本,将轧制时间参数的小时和分钟作为当前道次样本的特征;
具体实施时,将轧制记录时间(对应表中的编号36)提取出小时和分钟的信息,并转换为数值特征,将小时转换为一个介于0到23之间的数值,将分钟转换为一个介于0到59之间的数值,使其能够被算法处理。
步骤3.6:针对每一道次的轧制经验调控样本,将钢种和道次号作为类别特征进行处理;
具体实施时,数据集中的钢种S及道次号P的所有不同类别分别记为{S1,...,Si,...,SK}和{P1,...,Pj,...,PL},其中K、L分别是不同钢种、不同道次号类别的数量;对于每个类别Si、Pj,使用机器学习算法库sklearn中的LabelEncoder函数将其映射到整数标签ei,ei的取值从0到K-1、L-1;替换原始数据中的每个类别Si、Pj为对应的整数标签。
步骤3.7:计算所有样本数据中每个特征的方差,判断其是否为0,如果为0,则删除该特征,反之则保留该特征;
具体实施时,对于每个特征xi,计算全部样本特征xi值的方差,计算公式为:
其中σi 2表示总体方差,xi表示第i个数据点的值,μ表示所有样本中对应的该特征的均值,N表示样本的总数量。
步骤4:对步骤3中处理后具有时序特性的数据,筛选其中镰刀弯头部弯曲量绝对值较小的调控经验数据作为数据集,并按照一定比例划分训练数据集和测试数据集,且测试数据属于训练集数据时间之后的数据。所述步骤4具体为:
具体实施时,认为镰刀弯头部弯曲量小于30mm为辊缝倾斜量调控效果较好的轧制样本,按照3:1的比例对数据集进行划分训练集和测试集,考虑到调控任务的时序特性即上一时刻的镰刀弯状态会对当前时刻的调控产生影响,测试集的时间在训练集之后。
步骤5:基于全部调控经验数据集,采用时序验证建立基于梯度提升树算法的辊缝倾斜量调控值预测模型,获取模型的最优参数。所述步骤5具体为:
步骤5.1针对热连轧粗轧辊缝倾斜量调控经验数据集中包含的N个样本,每个样本用(xi,yi),i=1,2…N表示,记作D={(x1,y1),...,(xi,yi),...,(xN,yN)},每个样本包含P个输入变量,每个变量用j=1,2,…P表示,记作/>输出变量为当前辊缝倾斜量调整值,记作yi;
具体实施时,每个调控经验数据集包含20000组调控样本,记作D={(x1,y1),...,(xi,yi),...,(x20000,y20000)},每个样本包含363个输入特征变量,输出变量为当前辊缝倾斜量调整值;
步骤5.2:利用时序k折验证将训练数据集划分成k个互斥子集,针对k个子集按照时序及比例进一步划分训练子集和测试子集,测试子集的时间在训练集时间之后,测试子集作为验证数据,在每个训练过程中,总计得到k组训练和验证数据来训练辊缝倾斜量调整值的预测模型;
具体实施时,取k=5,利用时序5折验证将训练数据集划分成5个互斥子集,其中每个子集中采用3:1划分训练子数据集和测试子数据集,在每个训练过程中,总计获得了5组训练/验证数据来训练基于调控经验自学习的镰刀弯控制策略生成模型,模型的输出是辊缝倾斜量调控设定值。
步骤5.3:使用梯度提升树算法的辊缝倾斜量调控值生成模型表达为:
其中,hm(x)是梯度提升树模型中的第m棵回归树;Z是所有回归树的函数空间;εm是步长,步长是指在每次迭代中更新模型参数的幅度或速度,它控制了模型参数在每一步更新中的调整程度,具体来说,步长决定了模型参数在每一次迭代中沿着梯度方向移动的距离;NGBDT是回归树数量,用于构建整个集成模型的回归树的个数,决定了集成模型的复杂度和预测能力;
步骤5.4:将基于梯度提升树算法的辊缝倾斜量调控值预测模型表达式改写为加法模型:
fm(x)=fm-1(x)+εmhm(x)
其中,fm-1(x)是由m-1棵回归树构成的辊缝倾斜量调控值预测模型;fm(x)是在现有m-1棵回归树中加入一棵新的回归树,得到辊缝倾斜量调控值预测模型;
步骤5.5:通过最小化损失函数L来构建新的回归树,进而建立新的辊缝倾斜量调控值预测模型:
步骤5.6:在损失函数的负梯度方向搜索最小损失函数以构建新的回归树,进而建立新的辊缝倾斜量调控值预测模型:
其中,步长εm通过线性搜索得到:
步骤5.7:在模型训练过程中,平均绝对误差MAE、均方根误差RMSE被用于评价用k组测试子数据集的输出结果。
平均绝对误差MAE根据下式计算:
均方根误差RMSE根据下式计算:
其中,为模型根据测试子数据集输出的辊缝倾斜量调控值,yi为测试数据集输出的辊缝倾斜量调控真实值。
步骤6:基于测试数据集,采用平均绝对误差、均方根误差评价并确定上述步骤5建立的基于调控经验自学习的镰刀弯控制模型的最优参数,包括:回归树的数量NGBDT、学习率R、回归树的最大深度MaxGBDT、回归树节点分裂所需的最小样本数MinGBDT、判断回归树节点分裂所涉及的最大特征数MaxGBDTF和子采样率SGBDT,具体模型参数表2所示。
表2基于调控经验自学习的镰刀弯控制模型的具体参数
其中,学习率R是在集成学习中用于控制每棵回归树对最终预测的贡献程度的超参数,较小的学习率可以使模型收敛得更慢,但可能提高模型的稳定性和泛化能力;
MaxGBDT是指回归树的最大深度,回归树在构建过程中允许的最大分支层数,限制了每棵回归树复杂度和拟合能力,避免过拟合问题;
MinGBDT是回归树节点分裂所需的最小样本数,在构建回归树时,决定是否对节点进行进一步分裂的最小样本数量。如果节点的样本数小于该值,则不再进行分裂;
MaxGBDTF是判断回归树节点分裂所涉及的最大特征数,在构建回归树时用于决策节点分裂的特征数量上限,限制了每个节点考虑的特征范围,控制模型的复杂度和计算效率;
SGBDT是子采样率,在构建每棵回归树时,用于随机采样训练样本的比例。较小的子采样率可以降低每棵树的方差,增加模型的稳定性和泛化能力。
如图4所示,利用基于调控经验自学习的镰刀弯控制模型在测试集中选取了252号星钢种在第6道次上输出值与测试集辊缝倾斜量调控目标值绘制折线图,图中的散点是镰刀弯弯曲量值,并评价本发明一种基于调控经验自学习的镰刀弯控制方法的预测效果,如表3所示,该模型的在测试集上表现出平均绝对误差为0.00013米、均方根误差为0.00024米,实际数据中辊缝倾斜量调控值的取值范围为±0.004米,表明该模型的效果非常好,将预测误差的量级缩小至10的负2次方,这意味着表明它能够将预测误差控制在很小的范围内,即该模型在辊缝倾斜量的预测上具有很高的准确性和精度,能够提供可靠的预测结果。
表3基于调控经验自学习的镰刀弯控制模型的评价结果(辊缝倾斜量单位:米)
为了进一步说明该模型的效果,本发明随机选取了252号钢种在2023年4月21日至4月23日所轧制钢卷相应第6道次的实际辊缝倾斜量调控值与预测值进行可视化对比,如图4所示。从图中可以发现,该模型不仅辊缝倾斜量调控值变化平缓即同一天内轧制钢卷的辊缝倾斜量实现准确预测,而且在跨天轧制出现调控值突变的情况下,该模型的预测结果也非常准确。综上,本发明提出的这种基于调控经验自学习的辊缝倾斜量控制模型能够提高准确且可靠的辊缝倾斜量调控值。
Claims (8)
1.一种基于调控经验自学习的镰刀弯控制方法,其特征在于,所述的镰刀弯控制方法包括以下步骤:
步骤1:根据热连轧粗轧生产线设备布置形式及调控工艺参数,确定需要采集的轧制属性参数、轧制设备参数以及关于辊缝倾斜量调控值的粗轧历史数据;
步骤2:收集历史数据库中留存的基于辊缝倾斜量调控的粗轧轧制调控经验数据,并通过去除重复数据、确实值、异常值对调控经验数据进行预处理;
步骤3:对预处理后的调控经验数据进行特征构建及特征筛选操作,并对数据进行时序排列,获得最终建模的具有时序特性的调控经验数据;
步骤4:对数据按照时序排列后的数据,筛选其中头部镰刀弯绝对值较小的调控经验数据作为数据集,并按照一定比例划分训练数据集和测试数据集,测试数据属于训练集数据时间之后的数据;
步骤5:基于全部调控经验数据集,采用时序验证建立基于梯度提升树算法的辊缝倾斜量调控值预测模型;
步骤6:基于测试数据集,采用平均绝对误差、均方根误差评价按照上述步骤建立的基于梯度提升树算法的辊缝倾斜量调控值预测模型的性能,获取模型的最优参数。
2.根据权利要求1中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤1中的轧制属性参数包括以下变量:钢卷号、道次号、钢种、板坯热宽、成品宽度、板坯厚度、中间坯厚度、成品宽度、板坯长度热值;轧制设备参数包括以下变量:侧压量最大值、道次出口厚度、水平辊设定辊缝、压下率、轧制力、立辊设定辊缝、道次出口宽度、减宽量、立辊轧制力、平辊线速度、咬钢速度、道次出口长度、出口温度、辊缝倾斜量调控值;辊缝倾斜量调控值的粗轧历史数据具体为镰刀弯状态参数,包括以下变量:本体弯曲量、本体长度、钢板长度、头部弯曲量、头部长度、测量点数量、侧弯偏移量均方差、尾部弯曲量、尾部长度、总弯曲量、道次测量总长度、记录创建时间;钢卷号、道次号以及轧制属性参数和轧制设备参数构成了粗轧制生产的输入表,钢卷号、道次号以及镰刀弯状态参数构成粗轧生产的输出表。
3.根据权利要求2中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤2具体为:
步骤2.1:检查所收集的输入、输出数据表是否存在钢卷号和道次号两个字段值相同且出现了两次及以上样本,如果有仅保留一个同钢卷号同道次号的轧制调控经验样本;
步骤2.2:检查所收集的每一个道次轧制调控经验样本中是否存在缺失值,如果某一个道次轧制调控样本存在缺失值,则进行填充;
步骤2.3:检查收集的每一个钢卷轧制调控经验样本是否存在某一粗轧机轧制数据的缺失情况,包括存在粗轧机R1轧制数据缺失粗轧机R2轧制数据或者存在粗轧机R2轧制数据缺失粗轧机R1轧制数据,对于这种异常情况,将相应钢卷号的轧制经验调控样本数据去除。
4.根据权利要求3中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤3具体为:
步骤3.1:针对每一个道次轧制调控样本,将当前钢卷号的上一道次、上上一道次的轧制设备参数作为当前道次样本的特征,将上一道次及上上一道次的镰刀弯状态数据作为当前道次样本的特征,并使用当前样本之前的3个镰刀弯状态数据,计算滑动步长为1,滑动窗口为3的镰刀弯弯曲量最大值、最小值、均值、方差作为滑动窗口特征,其中,一个样本对应窗口的1;
步骤3.2:针对每一个道次轧制经验调控样本,将上一时刻及上上一时刻相同道次号轧制参数、镰刀弯状态数据作为当前道次样本的特征,并使用镰刀弯滑动步长为1,滑动窗口为3的镰刀弯弯曲量的最大值、最小值、均值、方差作为滑动窗口特征,其中,一个样本对应窗口的1;
步骤3.3:针对每一道次轧制经验调控样本,将上一时刻及上上一时刻与当前样本同一钢种同一道次号的轧制参数作为当前道次样本的特征,将其对应的镰刀弯状态数据作为当前道次轧制经验调控样本的特征;
步骤3.4:针对每一道次的轧制经验调控样本,计算当前样本之前的3个时刻的镰刀弯状态参数的均值、中位数、最大值和标准差统计指标作为统计分析特征作为当前样本的特征;
步骤3.5:针对每一道次的轧制经验调控样本,将轧制记录时间提取出小时和分钟的信息,并转换为数值特征,将小时转换为一个介于0到23之间的数值,将分钟转换为一个介于0到59之间的数值,使其能够被算法处理。
步骤3.6:针对每一道次的轧制经验调控样本,将钢种和道次号作为类别特征进行处理;
数据集中的钢种S及道次号P的所有不同类别分别记为{S1,...,Si,...,SK}和{P1,...,Pj,...,PL},其中K、L分别是不同钢种、不同道次号类别的数量;对于每个类别Si、Pj,使用机器学习算法库skleam中的LabelEncoder函数将其映射到整数标签ei,ei的取值从0到K-1、L-1;替换原始数据中的每个类别Si、Pj为对应的整数标签。
步骤3.7:计算所有样本数据中每个特征的方差,判断其是否为0,如果为0,则删除该特征,反之则保留该特征;
对于每个特征xi,计算全部样本特征xi值的方差,计算公式为:
其中σi 2表示总体方差,xi表示第i个数据点的值,μ表示所有样本中对应的该特征的均值,N表示样本的总数量。
5.根据权利要求4中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤4中的镰刀弯头部弯曲量绝对值为30mm,数据集按照3∶1的比例划分训练数据集和测试数据集。
6.根据权利要求5中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤5具体为:
步骤5.1:针对热连轧粗轧辊缝倾斜量调控经验数据集中包含的N个样本,每个样本用(xi,yi),i=1,2…N表示,记作D={(x1,y1),...,(xi,yi),...,(xN,yN)},每个样本包含P个输入变量,,每个变量用j=1,2,…P表示,记作/>输出变量为当前辊缝倾斜量调整值,记作yi;
步骤5.2:利用时序k折验证将训练数据集划分成k个互斥子集,针对k个子集按照时序及比例进一步划分训练子集和测试子集,测试子集的时间在训练集时间之后,测试子集作为验证数据,在每个训练过程中,总计得到k组训练和验证数据来训练辊缝倾斜量调整值的预测模型;
步骤5.3:使用梯度提升树算法的辊缝倾斜量调控值生成模型表达为:
其中,hm(x)是梯度提升树模型中的第m棵回归树;Z是所有回归树的函数空间;εm是步长;NGBDT是回归树数量;
步骤5.4:将基于梯度提升树算法的辊缝倾斜量调控值预测模型表达式改写为加法模型:
fm(x)=fm-1(x)+εmhm(x)
其中,fm-1(x)是由m-1棵回归树构成的辊缝倾斜量调控值预测模型;fm(x)是在现有m-1棵回归树中加入一棵新的回归树,得到辊缝倾斜量调控值预测模型;
步骤5.5:通过最小化损失函数L来构建新的回归树,进而建立新的辊缝倾斜量调控值预测模型:
步骤5.6:在损失函数的负梯度方向搜索最小损失函数以构建新的回归树,进而建立新的辊缝倾斜量调控值预测模型:
其中,步长εm通过线性搜索得到:
步骤5.7:在模型训练过程中,平均绝对误差MAE、均方根误差RMSE被用于评价用k组测试子数据集的输出结果。
平均绝对误差MAE根据下式计算:
均方根误差RMSE根据下式计算:
其中,为模型根据测试子数据集输出的辊缝倾斜量调控值,yi为测试数据集输出的辊缝倾斜量调控真实值。
7.根据权利要求6中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述步骤6中获取的最优参数具体为回归树的数量NGBDT、学习率R、回归树的最大深度MaxGBDT、回归树节点分裂所需的最小样本数MinGBDT、判断回归树节点分裂所涉及的最大特征数MaxGBDTF和子采样率SGBDT。
8.根据权利要求6中所述的基于调控经验自学习的镰刀弯控制方法,其特征在于,所述k=5,每个子集按照时序及3∶1的比例划分训练子集和测试子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102955.3A CN117139380A (zh) | 2023-08-29 | 2023-08-29 | 一种基于调控经验自学习的镰刀弯控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102955.3A CN117139380A (zh) | 2023-08-29 | 2023-08-29 | 一种基于调控经验自学习的镰刀弯控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117139380A true CN117139380A (zh) | 2023-12-01 |
Family
ID=88911299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311102955.3A Pending CN117139380A (zh) | 2023-08-29 | 2023-08-29 | 一种基于调控经验自学习的镰刀弯控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117139380A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117840232A (zh) * | 2024-03-05 | 2024-04-09 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
CN117840232B (zh) * | 2024-03-05 | 2024-05-31 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
-
2023
- 2023-08-29 CN CN202311102955.3A patent/CN117139380A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117840232A (zh) * | 2024-03-05 | 2024-04-09 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
CN117840232B (zh) * | 2024-03-05 | 2024-05-31 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN107729943B (zh) | 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
WO2021036546A1 (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
CN109647899B (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
CN114022021A (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
CN112170501A (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
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 | |
CN109920489A (zh) | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
CN116663607A (zh) | 一种基于lstm来构建油田分层注水预测模型的方法 | |
CN116277821A (zh) | 一种注塑机注射成形过程异常的监控方法及设备 | |
CN113762791B (zh) | 一种铁路工程造价管理系统 | |
CN114580151A (zh) | 一种基于灰色线性回归-马尔科夫链模型的需水预测方法 |
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 |