CN117840232B - 一种基于增量学习的热轧过程宽度预测方法 - Google Patents
一种基于增量学习的热轧过程宽度预测方法 Download PDFInfo
- Publication number
- CN117840232B CN117840232B CN202410246408.0A CN202410246408A CN117840232B CN 117840232 B CN117840232 B CN 117840232B CN 202410246408 A CN202410246408 A CN 202410246408A CN 117840232 B CN117840232 B CN 117840232B
- Authority
- CN
- China
- Prior art keywords
- data
- width
- model
- feature
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005098 hot rolling Methods 0.000 title claims abstract description 39
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 49
- 239000010959 steel Substances 0.000 claims abstract description 49
- 238000005096 rolling process Methods 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000007730 finishing process Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 241000272184 Falconiformes Species 0.000 description 12
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 241000277275 Oncorhynchus mykiss Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003079 width control Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000498 cooling water Substances 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
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
Abstract
本发明提供一种基于增量学习的热轧过程宽度预测方法,涉及轧钢自动控制技术领域,本发明考虑了生产过程中数据的实时变化,建立了基于增量学习的热轧过程宽度预测方法。首先基于历史数据集建立离线宽度预测模型,为在线更新提供基础。通过聚类方法进行特征选择,并引入优化后的宽度机理模型扩充特征集,引导离线模型的训练。考虑对历史知识的回顾以及对新知识的学习,以离线预测模型为初始,基于实时数据集,对模型进行在线更新,实现热轧过程宽度的在线预测方法。本发明提出的基于增量学习的热轧过程宽度预测方法弥补了目前预测模型大都是离线模型的缺陷,增强了模型对实时数据的感知,提升了模型的在线预测精度。
Description
技术领域
本发明涉及轧钢自动控制技术领域,尤其涉及一种基于增量学习的热轧过程宽度预测方法。
背景技术
热轧生产作为板带材生产的重要工序,其产品不仅是下游生产的原材料,还可以直接供给客户使用。目前钢铁板带生产自动化和信息化水平较高,然而,还存在低端热轧产品产能过剩,高端产品供应不足的问题。
带钢宽度是热轧产品的重要质量指标之一,宽度的精准控制能提升带钢成材率。在热轧过程中,宽度控制贯穿整个轧制过程,由于轧制流程长、机械设备多、各工序之间协调性较差以及带钢状态的不断变化,宽度控制问题具有多变量、强耦合、非线性和遗传性等特点。此外,精轧阶段,除部分产线布置小立辊轧机进行宽度微调外,未设置直接宽度控制设备,精轧宽度变化与轧辊压下以及活套张力密切相关。目前大部分精轧宽度预测模型均是基于历史数据进行离线建模,模型对历史数据集的拟合度较好,但难以对实时生产的数据波动进行反应,离线模型对在线数据的预测精度受到挑战。
目前,随着人工智能技术的不断发展,钢铁生产积累的海量数据为精轧过程的宽度预测建模提供了数据基础,许多学者基于智能算法进行精轧宽度的预测。中国专利“CN115169453 A基于密度聚类协同深度残差网络的热连轧宽度预测方法”首先对历史数据进行标准化处理,之后基于密度聚类将标准化数据分为多个类簇,分别建立深度残差网络进行模型训练,得到带钢宽预测值。中国专利“CN 113102516 B 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”针对现场数据,基于Pauta准则进行数据清洗,去除离群值;基于轧制机理模型,计算带钢头部的宽度预测值,作为基准值。之后通过min-max标准化方法消除数据量纲,引入深度置信神经网络,实现带钢头部宽度修正值的预测模型,将机理基准值与深度置信神经网络预测的修正值相加得到带钢头部宽度值。中国专利“CN113011491 A一种主成分分析协同随机森林的热连轧带钢宽度预测方法”针对换钢种、换规格以及换辊后的首块带钢宽度预测,首先基于主成分分析对数据进行特征选择,获取对模型最重要的特征,引入随机森林方法构建宽度预测模型,实现宽度的预测。
目前,上述研究对于带钢宽度的预测取得了一定成果,预测精度较高,然而,模型训练数据均取自历史数据,将历史数据作为整体进行数据划分以及模型训练,所建立的模型都是离线模型。模型未考虑实时生产时数据波动的影响,对于生产实时数据不够敏感,无法对实时波动产生反应。
发明内容
针对现有技术的不足,本发明提供一种基于增量学习的热轧过程宽度预测方法;旨在通过增量学习方法实现对热轧过程宽度的预测建模,对实时生产数据变化做出反应,实现对热轧过程宽度的准确预测。
一种基于增量学习的热轧过程宽度预测方法,包括以下步骤:
步骤1:确定热轧生产线设备布置情况,获取热轧精轧过程生产数据;采集不同时刻热轧精轧过程生产数据,分别作为历史数据集和实时数据集。
所述热轧精轧过程生产数据具体包括热轧现场精轧过程轧制工艺参数、设备参数、带钢成分数据以及带钢尺寸数据,带钢尺寸数据包括带钢宽度数据以及带钢厚度数据;带钢宽度数据为一卷带钢全长宽度均值;其中每一块的带钢的宽度对应一组生产过程数据。
步骤2:对历史数据集进行数据预处理。
步骤2.1:对历史数据集进行预处理,运用Pauta准则剔除历史数据集中的异常值,设定处理后的历史数据集包含M条数据,N个特征,则预处理后的历史数据集表示为:
式中,为第m个样本对应的第n个特征的值。
步骤2.2:预处理后的历史数据集按照设定比例划分为训练集和测试集,并基于min-max归一化方法进行处理, min-max公式如下:
其中:为归一化后的无量纲数据,/>为历史数据集中第m个样本对应的第n个特征的值,/>为历史数据集/>中第n个特征对应的最小值,/>为历史数据集/>中第n个特征对应的最大值。
步骤3:基于聚类特征选择对预处理后的历史数据集进行特征提取,基于嵌入式方法获取最优的特征子集用于预测建模。
步骤3.1:基于k-means聚类方法,将预处理后的历史数据集中的特征分为i个簇,通过方差比准则对聚类结果进行评估,得到不同数目的簇时K-means聚类的CH值。
CH值的计算公式表示为:
其中:N是历史数据集中特征的数目,k是聚类数目,/>是第k个簇中特征的数目,/>是第i个簇中特征的集合,/>是数据集/>的质心,/>表示/>的质心,/>表示历史数据集/>中的第i个特征包含的数据。
步骤3.2:使用嵌入式方法通过将不同的特征子集输入到预测器中,获得不同特征子集下预测器的性能,通过对比得到最优的特征子集。
基于k-means方法将特征进行聚类,得到多个簇,在每个簇中,通过互信息MI方法对各个特征的重要度进行排序,其公式如下:
式中:A、B均为随机变量,a、b分别是随机变量A、B中的所包含值,为A、B的联合概率分布,/>、/>分别为A和B的边缘概率分布。
构建一个特征子集F,无放回选择各个簇中特征重要度最高的特征,加入特征子集F中,特征子集根据特征数据不同,表示为F f ,f表示特征子集中含有的特征数;基于特征子集F f ,分别建立DNN预测模型,对比不同特征子集下模型的性能,获得最优特征子集F x 。
步骤4:基于哈里斯鹰优化算法的宽度机理模型参数优化。
步骤4.1:采用哈里斯鹰优化算法,基于预处理后的历史数据集,对宽度机理模型进行参数优化,提升宽度机理模型对当前产线的适应性。
所述宽度机理模型如下所示:
式中,F1指代公式适用于F1机架,F2-F6表示公式公式适用于F2-F6机架,为模型的待定系数,由哈里斯鹰优化算法优化得到,/>是轧后带钢宽度,/>是带钢初始宽度,表示压下率,h 0和h 1分别是轧前和轧后的带钢厚度,/>表示接触弧长,R是轧辊辊径,/>表示厚度压下量,/>表示后张力影响系数,/>表示带钢所受的后张力,/>表示带钢的变形抗力。
步骤4.2:设定各个待定系数的寻优范围均为(c lower,c upper),c lower和c upper分别为设置的寻优范围下限值以及上限值,以最小均方误差值作为哈里斯鹰优化算法的适应度函数,种群数设置为Q,最大迭代次数为Itermax。
步骤5:基于数据机理融合的离线DNN宽度预测建模,建立离线DNN模型。
步骤5.1:基于优化后的宽度机理模型,计算预处理后的历史数据集中各个工艺下的精轧宽度计算值,将精轧宽度计算值作为一维特征补充到最优特征子集F x 中,得到特征集/>。
步骤5.2:基于特征集,建立离线DNN模型,并保存训练后模型的权重参数。
步骤6:基于增量学习的DNN宽度预测建模。
以离线DNN模型为基准,基于迁移学习和增量学习的排练策略,根据实时数据集对离线DNN模型权重进行更新,建立基于增量学习的宽度预测模型,实现宽度的在线预测。
步骤6.1:建立在线更新训练集U r ,用于离线DNN模型权重的在线更新;所述训练集U r 为实时数据集中的数据,由r条实时数据组成,是基于当前带钢的实时数据向前提取r条数据;U r 的特征与特征集一致。
步骤6.2:以离线DNN模型为基准,基于训练集U r 对DNN模型的权重进行更新。建立在线更新的DNN模型,实现增量学习的带钢宽度预测模型,实现精轧带钢宽度预测。
采用上述技术方案所产生的有益效果在于:
本发明提供一种基于增量学习的热轧过程宽度预测方法,首先基异常值处理方法对历史数据集进行预处理,之后基于聚类特征选择获得最优的特征子集,减少了特征冗余,提升模型的可解释性;基于优化算法优化宽度机理模型的参数,得到适合当前产线的宽度机理模型,计算宽度值,为特征子集增维,基于增维后的特征集建立离线DNN模型。进一步,基于实时数据组成的训练集,通过更新离线DNN模型的权重完成模型在线更新,模型的泛化能力相较于离线模型有进一步改善。本发明提出的基于增量学习的带钢热轧过程宽度预测方法精度高,可实现热轧带钢宽度的准确预测,可以广泛地投入到工业生产当中。
附图说明
图1为本发明中基于增量学习的热轧过程宽度预测流程图。
图2为本发明中不同数目簇类时聚类模型CH值对比图。
图3为本发明中不同特征子集下模型的泛化能力对比图。
图4为本发明中基于HHO优化宽度机理模型的迭代图。
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方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明考虑了生产过程中数据的实时变化,建立了基于增量学习的热轧过程带钢宽度预测方法。首先对历史数据集进行预处理,通过聚类方法获得最优的特征子集,并引入优化后的宽度机理模型得到宽度机理计算值,扩充最优特征子集,并建立离线DNN预测模型。以离线DNN预测模型为基础,基于实时数据集,对模型进行在线更新,实现热轧过程宽度的试试准确预测。本发明提出的基于增量学习的热轧过程宽度预测方法弥补了目前的宽度预测模型是离线模型的缺陷,增强了模型对实时数据的感知,提升了模型的在线预测精度。
一种基于增量学习的热轧过程宽度预测方法,如图1所示,包括以下步骤:
步骤1:确定热轧生产线设备布置情况,获取热轧精轧过程生产数据;采集不同时刻热轧精轧过程生产数据,分别作为历史数据集和实时数据集。
所述热轧精轧过程生产数据具体包括热轧现场精轧过程轧制工艺参数、设备参数、带钢成分数据以及带钢尺寸数据,带钢尺寸数据包括带钢宽度数据以及带钢厚度数据;带钢宽度数据为一卷带钢全长宽度均值;其中每一块的带钢的宽度对应一组生产过程数据。
历史数据集用于训练离线深度神经网络 (Deep neural network,DNN)模型以及优化宽度机理模型的参数,实时数据集用于验证所建立的增量学习模型对于未知数据的泛化能力。基于轧制领域知识,初步筛选对精轧带钢宽度预测有影响的参数,作为模型的初始特征,为后续特征选择提供基础。
本实施例中筛选后剩余72种特征用于特征选择,如表1所示。
表1 模型输入特征
步骤2:对历史数据集进行数据预处理。
步骤2.1:对历史数据集进行预处理,运用Pauta准则剔除历史数据集中的异常值,设定处理后的历史数据集包含M条数据,N个特征,则预处理后的历史数据集表示为:
式中,为第m个样本对应的第n个特征的值。
本实施例中采用拉依达准则(Pauta criterion)对剔除历史数据集中的异常值,公式如下:
,/>,/>
其中是历史数据集中的第i个样本,/>是/>的平均值,/>是标准差,/>为历史数据集样本数量。若某样本的数据与平均值之差的绝对值大于3倍的标准差,则该点将被视为异常值予以剔除。
通过异常值去除后的历史数据集表示为:
步骤2.2:预处理后的历史数据集按照设定比例划分为训练集和测试集,本实施例中训练集和测试集的比例为7:3。并基于min-max归一化方法进行处理,消除数据量纲对预测精度的影响。min-max公式如下:
其中:为归一化后的无量纲数据,/>为历史数据集/>中第m个样本对应的第n个特征的值,/>为历史数据集/>中第n个特征对应的最小值,/>为历史数据集中第n个特征对应的最大值。
步骤3:基于聚类特征选择对预处理后的历史数据集进行特征提取,基于嵌入式方法获取最优的特征子集用于预测建模。
步骤3.1:基于k-means聚类方法,将预处理后的历史数据集中的特征分为i个簇,通过方差比准则(Calinski-Harabasz Index)对聚类结果进行评估,得到不同数目的簇时K-means聚类的CH值。
CH的本质是簇间距离与簇内距离的比值,CH值越高表明模型的聚类效果越好,CH值的计算公式表示为:
其中:N是历史数据集中特征的数目,k是聚类数目,/>是第k个簇中特征的数目,/>是第i个簇中特征的集合,/>是数据集/>的质心,/>表示/>的质心,/>表示历史数据集/>中的第i个特征包含的数据。不同簇类下模型的CH值结果如图2所示,当簇数目为4时,聚类模型的CH值最高,表明此时模型的聚类效果最好,因此将k-means算法的聚类数目设定为4,用于进行特征聚类。
步骤3.2:使用嵌入式方法是一种基于预测器的特征选择方法,通过将不同的特征子集输入到预测器中,获得不同特征子集下预测器的性能,通过对比得到最优的特征子集。
基于k-means方法将特征进行聚类,得到多个簇,在每个簇中,通过互信息MI(Mutual information, MI)方法对各个特征的重要度进行排序;MI是衡量两个随机变量之间依赖性的方法,当随机变量之间相互独立时,其值为0,变量之间依赖性越大,MI值越大,其公式如下:
式中:A、B均为随机变量,a、b分别是随机变量A、B中的所包含值,为A、B的联合概率分布,/>、/>分别为A和B的边缘概率分布。
构建一个特征子集F,无放回选择各个簇中特征重要度最高的特征,加入特征子集F中,特征子集根据特征数据不同,表示为F f ,f表示特征子集中含有的特征数;基于特征子集F f ,分别建立DNN预测模型,对比不同特征子集下模型的性能,获得最优特征子集F x 。
搭建DNN模型的过程中,对模型的超参数进行设定。其中隐藏层数设置为4层,各隐藏层单元数分别为:128、256、64、8;batch_size为50;epochs为300。
本实施例中图3展示了经过聚类以及特征排序后,使用不同特征子集F f 训练的DNN模型的泛化能力。其中,当特征子集中包含45个特征时,模型具有最优的泛化能力,即最优特征子集为F45。
步骤4:基于哈里斯鹰优化算法的宽度机理模型参数优化。
步骤4.1:采用哈里斯鹰优化算法(Harris Hawks optimizer, HHO),基于预处理后的历史数据集,对宽度机理模型进行参数优化,提升宽度机理模型对当前产线的适应性。
哈里斯鹰优化算法(Harris Hawks Optimize, HHO)是一种启发式优化算法,灵感来自于哈里斯鹰狩猎时的合作行为以及它们在自然中的觅食行为。HHO模型具有模型参数少、易于完成以及高水平的探索和开发能力,广泛应用于各种优化问题。
所述宽度机理模型如下所示:
式中,F1指代公式适用于F1机架,F2-F6表示公式公式适用于F2-F6机架,为模型的待定系数,由哈里斯鹰优化算法优化得到,/>是轧后带钢宽度,/>是带钢初始宽度,表示压下率,h 0和h 1分别是轧前和轧后的带钢厚度,/>表示接触弧长,R是轧辊辊径,/>表示厚度压下量,/>表示后张力影响系数,/>表示带钢所受的后张力,/>表示带钢的变形抗力。
步骤4.2:设定各个待定系数的寻优范围均为(c lower,c upper),c lower和c upper分别为设置的寻优范围下限值以及上限值,以最小均方误差值作为哈里斯鹰优化算法的适应度函数,种群数设置为Q,最大迭代次数为Itermax。
本实施例中模型待定系数的寻优范围均为(0.001,10),种群数设置为50,最大迭代次数为200次。优化迭代过程如图4所示,当迭代次数达到105次时,即得到了最优的模型参数。
优化后的宽度机理模型如下所示:
步骤5:基于数据机理融合的离线DNN宽度预测建模。
步骤5.1:基于优化后的宽度机理模型,计算预处理后的历史数据集中各个工艺下的精轧宽度计算值,将精轧宽度计算值作为一维特征补充到最优特征子集F x 中,得到特征集/>。
本实施例中基于优化后的看宽度机理模型,计算历史数据集中各个工艺下的精轧宽度计算值,将其作为一维特征补充到最优特征子集F43中,得到特征集,,/>是聚类特征选择得到的特征,/>指宽度机理模型计算的宽度值。特征集/>中包含的特征如表2所示。
表2 特征集F'中特征
序号 | 模型输入特征 | 序号 | 模型输入特征 |
1 | 入口宽度(F1) | 37 | Ti |
2-6 | 入口厚度(F2,F3,F4,F5,F6) | 38 | Mn |
7-11 | 入口温度(F1,F2,F3,F4,F5) | 39 | Si |
12-17 | 轧辊辊径(F1,F2,F3,F4,F5,F6) | 40 | C |
18 | 轧辊速度(F6) | 41 | Mo |
19-24 | 轧辊刚度(F1,F2,F3,F4,F5,F6) | 42 | Fe |
25-29 | 变形抗力(F1,F2,F3,F4,F5) | 43 | S |
30-33 | 机架间活套张力(F2,F3,F4,F5) | 44 | 宽度机理计算值 |
34-36 | 机架间冷却水设定值(F1,F2,F4) | - | - |
步骤5.2:基于特征集,建立DNN预测模型,由于训练数据来源历史数据集,属于离线数据,因此定义为离线DNN模型,并保存训练后模型的权重参数。
步骤6:基于增量学习的DNN宽度预测建模。
增量学习方法是一种不断处理生产过程中连续信息流的方法,能够在学习原有信息的基础上,进一步学习新的信息知识,能感应实时的数据变化。增量学习的排练策略是一种基于基于历史数据和实时数据对模型进行更新的方法。本发明以离线DNN模型为基准,基于迁移学习和增量学习的排练策略,根据实时数据集对DNN模型权重进行更新,建立基于增量学习的宽度预测模型,实现宽度的在线预测。
步骤6.1:建立在线更新训练集,用于离线DNN模型权重的在线更新;所述训练集U r 为实时数据集中的数据,由r条实时数据组成,是基于当前带钢的实时数据向前提取r条数据;/>的特征与特征集/>一致。
本实施例中在线更新训练集大小为50,特征与/>一致,用于离线DNN模型在线更新。/>的数据从实时数据集中提取,以当前带钢数据为准向前提取50条已生产的数据。
步骤6.2:以离线DNN模型为基准,基于训练集对DNN模型的权重进行更新。建立在线更新的DNN模型,实现增量学习的带钢宽度预测模型,实现精轧带钢宽度预测。
采用实时测试数据对模型的泛化能力进行评估,将本发明提出的模型与随机森林(RF, Random Forest)、极端梯度提升(XGBoost, Extreme Gradient Boosting)、CatBoost、离线DNN模型以及支持向量机(SVR,Support Vector Machines)进行对比。各模型的性能评估结果如表3所示。
表3实时测试数据下各模型预测性能评估
评估指标 | MAE | MSE | R 2 |
RF | 23.57 | 3720.95 | 0.9193 |
XGBoost | 25.62 | 3972.40 | 0.9139 |
CatBoost | 24.56 | 3694.62 | 0.9199 |
离线DNN | 24.13 | 3671.81 | 0.9152 |
SVR | 54.07 | 5856.45 | 0.8730 |
增量学习模型 | 22.58 | 1864.25 | 0.9552 |
本发明提出的基于增量学习的热轧过程宽度预测模型MAE、MSE和R 2分别为22.58、1864.25和0.9552。各指标相对于其他离线模型都有大幅度提升。表明所建立的宽度预测模型对于实时生产数据的预测能力强于离线模型,能够感知实时数据信息,提升模型的预测精度。
如图2所示,表示了k-means聚类方法在不同簇类数目时,k-means聚类模型的CH值,CH值越大,表示k-means聚类的效果越好,可以看到当簇的数目为4时,具有最高的CH值,表明此时k-means聚类的结果最优。
如图3所示为基于具有不同特征数目的特征子集建立的DNN模型的MAE、MSE和R 2的对比,可以看到,当特征数目为43时,此时DNN模型的MAE和MSE值最小,R 2值最大。
如图4所示是基于HHO优化算法优化宽度机理模型的迭代过程,可以看到,当HHO迭代次数达到110次时,适应度值最小,模型参数最优。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (2)
1.一种基于增量学习的热轧过程宽度预测方法,其特征在于,包括以下步骤:
步骤1:确定热轧生产线设备布置情况,获取热轧精轧过程生产数据;采集不同时刻热轧精轧过程生产数据,分别作为历史数据集和实时数据集;
步骤2:对历史数据集进行数据预处理;
步骤2.1:对历史数据集进行预处理,运用Pauta准则剔除历史数据集中的异常值,设定处理后的历史数据集包含M条数据,N个特征,则预处理后的历史数据集表示为:;式中,/>为第m个样本对应的第n个特征的值;
步骤2.2:预处理后的历史数据集按照设定比例划分为训练集和测试集,并基于min-max归一化方法进行处理,min-max公式如下:
;其中:/>为归一化后的无量纲数据,/>为历史数据集/>中第m个样本对应的第n个特征的值,/>为历史数据集/>中第n个特征对应的最小值,为历史数据集/>中第n个特征对应的最大值;
步骤3:基于聚类特征选择对预处理后的历史数据集进行特征提取,基于嵌入式方法获取最优的特征子集用于预测建模;
步骤3.1:基于k-means聚类方法,将预处理后的历史数据集中的特征分为i个簇,通过方差比准则对聚类结果进行评估,得到不同数目的簇时K-means聚类的CH值;
CH值的计算公式表示为:
;其中:N是历史数据集/>中特征的数目,k是聚类数目,/>是第k个簇中特征的数目,/>是第i个簇中特征的集合,/>是数据集/>的质心,/>表示/>的质心,/>表示历史数据集/>中的第i个特征包含的数据;
步骤3.2:使用嵌入式方法通过将不同的特征子集输入到预测器中,获得不同特征子集下预测器的性能,通过对比得到最优的特征子集;
基于k-means方法将特征进行聚类,得到多个簇,在每个簇中,通过互信息MI方法对各个特征的重要度进行排序,其公式如下:;式中:A、B均为随机变量,a、b分别是随机变量A、B中的所包含值,/>为A、B的联合概率分布,/>、/>分别为A和B的边缘概率分布;
构建一个特征子集F,无放回选择各个簇中特征重要度最高的特征,加入特征子集F中,特征子集根据特征数据不同,表示为F f ,f表示特征子集中含有的特征数;基于特征子集F f ,分别建立DNN预测模型,对比不同特征子集下模型的性能,获得最优特征子集F x ;
步骤4:基于哈里斯鹰优化算法的宽度机理模型参数优化;
步骤4.1:采用哈里斯鹰优化算法,基于预处理后的历史数据集,对宽度机理模型进行参数优化,提升宽度机理模型对当前产线的适应性;
所述宽度机理模型如下所示:
;式中,F1指代公式适用于F1机架,F2-F6表示公式适用于F2-F6机架,/>为模型的待定系数,由哈里斯鹰优化算法优化得到,/>是轧后带钢宽度,/>是带钢初始宽度,/>表示压下率,h 0和h 1分别是轧前和轧后的带钢厚度,/>表示接触弧长,R是轧辊辊径,/>表示厚度压下量,表示后张力影响系数,/>表示带钢所受的后张力,/>表示带钢的变形抗力;
步骤4.2:设定各个待定系数的寻优范围均为(c lower,c upper),c lower和c upper分别为设置的寻优范围下限值以及上限值,以最小均方误差值作为哈里斯鹰优化算法的适应度函数,种群数设置为Q,最大迭代次数为Itermax;
步骤5:基于数据机理融合的离线DNN宽度预测建模,建立离线DNN模型;
步骤5.1:基于优化后的宽度机理模型,计算预处理后的历史数据集中各个工艺下的精轧宽度计算值,将精轧宽度计算值作为一维特征补充到最优特征子集F x 中,得到特征集F';
步骤5.2:基于特征集F',建立离线DNN模型,并保存训练后模型的权重参数;
步骤6:基于增量学习的DNN宽度预测建模;以离线DNN模型为基准,基于迁移学习和增量学习的排练策略,根据实时数据集对离线DNN模型权重进行更新,建立基于增量学习的宽度预测模型,实现带钢宽度的在线预测;
步骤6.1:建立在线更新训练集,用于离线DNN模型权重的在线更新;所述训练集U r 为实时数据集中的数据,由r条实时数据组成,是基于当前带钢的实时数据向前提取r条数据;的特征与特征集/>一致;
步骤6.2:以离线DNN模型为基准,基于训练集对DNN模型权重进行更新;建立在线更新的DNN模型,完成增量学习的热轧过程宽度预测方法,实现精轧带钢宽度在线预测。
2.根据权利要求1所述的一种基于增量学习的热轧过程宽度预测方法,其特征在于,步骤1中所述热轧精轧过程生产数据具体包括热轧现场精轧过程轧制工艺参数、设备参数、带钢成分数据以及带钢尺寸数据,带钢尺寸数据包括带钢宽度数据以及带钢厚度数据;带钢宽度数据为一卷带钢全长宽度均值;其中每一块的带钢的宽度对应一组生产过程数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410246408.0A CN117840232B (zh) | 2024-03-05 | 一种基于增量学习的热轧过程宽度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410246408.0A CN117840232B (zh) | 2024-03-05 | 一种基于增量学习的热轧过程宽度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117840232A CN117840232A (zh) | 2024-04-09 |
CN117840232B true CN117840232B (zh) | 2024-05-31 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
CN113011491A (zh) * | 2021-03-17 | 2021-06-22 | 东北大学 | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 |
CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN114818456A (zh) * | 2022-02-18 | 2022-07-29 | 北京科技大学 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
CN115034437A (zh) * | 2022-05-11 | 2022-09-09 | 燕山大学 | 一种基于改进XGBoost的热轧板凸度预测方法 |
CN115169453A (zh) * | 2022-06-30 | 2022-10-11 | 东北大学 | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 |
CN115470595A (zh) * | 2022-10-14 | 2022-12-13 | 东北大学 | 一种数据与机理融合的热轧带钢凸度预测方法 |
CN116307195A (zh) * | 2023-03-22 | 2023-06-23 | 苏州大学 | 一种基于深度学习的带钢精轧宽展预测方法和系统 |
CN116484745A (zh) * | 2023-05-15 | 2023-07-25 | 东北大学 | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 |
CN116689503A (zh) * | 2023-04-20 | 2023-09-05 | 东北大学 | 一种基于记忆性功能网络的带钢全长厚度预测方法 |
CN117139380A (zh) * | 2023-08-29 | 2023-12-01 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种基于调控经验自学习的镰刀弯控制方法 |
CN117610195A (zh) * | 2023-12-04 | 2024-02-27 | 北京首钢自动化信息技术有限公司 | 一种带钢宽展的预测方法、装置、介质以及电子设备 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
CN113011491A (zh) * | 2021-03-17 | 2021-06-22 | 东北大学 | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 |
CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN114818456A (zh) * | 2022-02-18 | 2022-07-29 | 北京科技大学 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
CN115034437A (zh) * | 2022-05-11 | 2022-09-09 | 燕山大学 | 一种基于改进XGBoost的热轧板凸度预测方法 |
CN115169453A (zh) * | 2022-06-30 | 2022-10-11 | 东北大学 | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 |
CN115470595A (zh) * | 2022-10-14 | 2022-12-13 | 东北大学 | 一种数据与机理融合的热轧带钢凸度预测方法 |
CN116307195A (zh) * | 2023-03-22 | 2023-06-23 | 苏州大学 | 一种基于深度学习的带钢精轧宽展预测方法和系统 |
CN116689503A (zh) * | 2023-04-20 | 2023-09-05 | 东北大学 | 一种基于记忆性功能网络的带钢全长厚度预测方法 |
CN116484745A (zh) * | 2023-05-15 | 2023-07-25 | 东北大学 | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 |
CN117139380A (zh) * | 2023-08-29 | 2023-12-01 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种基于调控经验自学习的镰刀弯控制方法 |
CN117610195A (zh) * | 2023-12-04 | 2024-02-27 | 北京首钢自动化信息技术有限公司 | 一种带钢宽展的预测方法、装置、介质以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
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 | |
CN112085252B (zh) | 一种关于集合类型决策效果的反事实预测方法 | |
CN105740467A (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
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 | |
CN116012337A (zh) | 一种基于改进YOLOv4的热轧带钢表面缺陷检测方法 | |
CN117840232B (zh) | 一种基于增量学习的热轧过程宽度预测方法 | |
CN112598026B (zh) | 基于不平衡数据深度学习的连退生产过程故障诊断方法 | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN110910528B (zh) | 纸页抗张强度的预测方法及装置 | |
CN117840232A (zh) | 一种基于增量学习的热轧过程宽度预测方法 | |
CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN115906557A (zh) | 一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法 | |
CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
CN110704956B (zh) | 一种冷轧机数据驱动的工艺参数优化方法 | |
CN117753795B (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 | |
CN112966870B (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
CN113189963B (zh) | 一种基于非平衡数据的轧制过程故障诊断方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |