CN117862247A - 一种基于机器学习的轧制过程带钢板形预测方法 - Google Patents
一种基于机器学习的轧制过程带钢板形预测方法 Download PDFInfo
- Publication number
- CN117862247A CN117862247A CN202410272941.4A CN202410272941A CN117862247A CN 117862247 A CN117862247 A CN 117862247A CN 202410272941 A CN202410272941 A CN 202410272941A CN 117862247 A CN117862247 A CN 117862247A
- Authority
- CN
- China
- Prior art keywords
- data
- plate shape
- neural network
- prediction model
- 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 73
- 238000005096 rolling process Methods 0.000 title claims abstract description 41
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 26
- 239000010959 steel Substances 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 210000002569 neuron Anatomy 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 15
- 238000013000 roll bending Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000005097 cold rolling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种基于机器学习的轧制过程带钢板形预测方法,涉及带钢轧制技术领域,本发明使用误差逆反馈人工神经网络建立带钢板形预测模型并确定了其最佳隐藏层神经元数量和学习速率;通过遗传算法优化,得到了基于遗传算法的人工神经网络(GA‑BP)预测模型,以更加精确、稳定地实现板形预测。具体包括:对原始工业数据进行预处理得到实验数据,确定板形预设定控制思路;依据上述实验数据训练人工神经网络,搭建基于BP神经网络的板形预测模型;通过遗传算法GA优化上步骤得到的BP模型,得到GA‑BP预测模型;根据模型评估指标,预测性能对比,选取最优模型,进行预测。本发明能够提高带钢板形预测的精度、增强适用性。
Description
技术领域
本发明涉及带钢轧制技术领域,尤其涉及一种基于机器学习的轧制过程带钢板形预测方法。
背景技术
多机架连轧过程中,带钢张力在各机架辊缝处形成与带钢厚度的交互作用,构成一个多输入多输出系统。在实际带钢生产过程中,工况复杂,各项参数波动较大,伴随着大量不确定性干扰因素,容易导致板形缺陷。板形是评估轧制带钢质量的重要指标之一,板形缺陷会增加板形尺寸控制的难度,严重影响产品质量,极大降低板材的成材率,甚至可能导致生产停工。实现带钢板形的精准预测,提高板形控制精度,是进一步提升连轧板形控制水平的关键问题。
从控制的角度来看,连轧过程中所具有的多变量和非线性的特征,不利于传统的数学模型求解,而人工神经网络是解决这类问题强有力的工具。目前,基于数据驱动的板形预测模型得到了广泛应用。近年来,一些学者提出了基于神经网络的板形控制方法。他们利用神经网络模型学习和预测板材的形变规律,并通过调节控制参数,建立相关的预测模型来实现板形控制,这些方法在轧制板形预测过程中取得了显著的效果。
目前,基于人工神经网络的板形预测模型得到了广泛应用。神经网络相对于传统的数学方法虽具有诸多优点,但随着网络层和节点数的增加,其算法的收敛速度会变得缓慢,而随着训练样本维数的增加,网络的预测性能也会下降。尤其在轧制技术领域,受限于计算机的计算能力和预测模型中多变量之间的强耦合关系,神经网络预测模型普遍存在着预测精度不高,预测不稳定等问题。
发明内容
针对现有技术的不足,本发明提供一种基于机器学习的轧制过程带钢板形预测方法,以获得更高稳定性和预测精度的模型,可以更加高效地优化板形预测精度以满足控制要求,为高质量轧制生产提供了一种思路。
本发明的技术方案为:
一种基于机器学习的轧制过程带钢板形预测方法,包括以下步骤。
步骤1:原始数据采集:进行轧制数据采集及整理。
所述的轧制数据是从现场轧制数据中所得到原始数据集,其包括工艺参数变量和板形值变量。
步骤2:对原始数据进行预处理得到实验数据集。
步骤2.1:对原始数据进行预处理,对预处理之后的数据建立实验数据集。
步骤2.1.1:剔除原始数据中高度异常的异常数据值;
具体采用“拉依达准则”判断异常值,之后剔除该异常值:
。
式中,x i 为原始数据集中的数据值i,为原始数据集的平均值,/>为原始数据集的标准差。
步骤2.1.2:对步骤2.1.1得到数据进行平滑处理,消除噪音,具体采用“加权移动平均法”对数据进行平滑处理,公式如下:
。
式中,为数据值n+1的加权平均数,/>为数据值i的权重值,/>,/>为移动跨期。
平滑处理具体操作如下:
首先设置n个等距点,且实验数据;
之后在每个数据点前后各取相邻的两个点,并用三次多项式进行逼近:
。
最后根据最小二乘法确定系数、/>、/>和/>,得如下“五点三次平滑”公式对数据进行平滑处理:
,
,
,
,
。
式中,为平滑处理后的数据值i。
步骤2.1.3:对步骤2.1.2得到的数据进行归一化处理;
具体采用“线性函数法”对数据进行归一化处理,对于处理后所得的实验数据集,将其归一化到范围内:
。
式中,为原始数据集中的最大值,/>为原始数据集中的最小值。
步骤2.2:对步骤2.1.3处理后所得的实验数据集,按照设定比例将其划分为训练集、测试集以及验证集。
步骤3:确定板形预设定控制方案:确定板形预设定计算调节的优先级、选取计算初值和极限值。
根据轧辊倾斜角、工作辊弯辊力、中间辊弯辊力三种调节参数,将设定计算的优先级划分为轧辊倾斜角、工作辊弯辊力、中间辊弯辊力。
步骤4:依据步骤2.2的实验数据集训练人工神经网络,搭建基于BP神经网络的板形预测模型。
步骤4.1:设置工艺参数变量为输入层,板形值变量为输出层,训练人工神经网络,建立基于BP神经网络的板形预测模型。
步骤4.2:对基于BP神经网络的板形预测模型的各参数进行优化,具体包括以下步骤。
步骤4.2.1:确定隐藏层神经元的数量。
在BP神经网络中,隐藏层是指介于输入层和输出层之间的一层或多层神经元。隐藏层是神经网络进行复杂的数据建模和任务求解的位置。其中,隐藏层神经元的数量根据以下计算确定:
,/>,/>。
在上述公式中,m表示隐藏层神经元数,n表示输入层神经元数,l表示输出层神经元数,a是取自区间[1,10]的常数;最终设置隐藏层神经元数目为10。
步骤4.2.2:确定神经网络学习速率:设置神经网络学习速率为0.03。
步骤4.2.3:最后确定训练函数:选择trainlm作为训练函数。
步骤5:通过遗传算法优化基于BP神经网络的板形预测模型,得到GA-BP预测模型。
步骤5.1:优化种群数量;
基于隐藏层神经元数目为10,设迭代数目为10,交叉概率为0.7,变异概率为0.05;经参数调优得,种群数量为50时,误差值最小,为0.6978I,I为板形单位,因此将种群数量确定为50。
步骤5.2:优化迭代次数;
基于隐藏层神经元数目设为10,种群数量为50;设变异概率为0.05,交叉概率为0.7,经参数调优得,适应度的稳定值为26.7,因此将迭代次数确定为30。
步骤5.3:优化交叉概率;
基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30;设变异概率为0.05;经参数调优得,当交叉概率为0.5时,误差值最小,为0.6602I,因此将交叉概率确定为0.5。
步骤5.4:优化变异概率;
基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30,交叉概率为0.5,经参数调优得,当变异概率为0.03时,误差值最小,为0.6480I,因此将变异概率确定为0.03。
步骤5.5:利用遗传算法对BP神经网络的阈值和权重值进行优化;
设置种群数量为50,迭代次数为30;选择单点交叉的方法,设置交叉概率为0.5,变异概率为0.03,选择锦标赛排序求出预测板形的最小误差,得到用于板形预测的GA-BP预测模型。
步骤6:根据模型评估指标进行预测性能对比基于BP神经网络的板形预测模型与GA-BP预测模型,选取最优模型。
所述评估指标包括均方根误差RMSE、均方误差MSE、平均绝对误差MAE以及平均绝对百分比误差MAPE;通过验证集中的数据,分别与基于BP神经网络的板形预测模型和GA-BP预测模型输出的预测值进行比较,评估两个模型的预测精度和稳定性,从而确定性能最好的预测模型,即GA-BP预测模型。
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机器学习的轧制过程带钢板形预测方法,基于遗传算法的人工神经网络是一种将遗传算法与BP神经网络相结合的方法,其核心思想是通过模拟生物进化过程来优化神经网络的结构和参数,以提高神经网络的性能和适应性。通过遗传算法的迭代过程,神经网络结构和参数逐渐优化,可以适应特定的问题。这种方法的优点是可以自动搜索神经网络的最佳结构和参数,减少了手工调整的需要,尤其在大型复杂神经网络的情况下十分具有优势,有利于获得更好的鲁棒性和预测精度的模型。
本发明具体具备以下有益效果:
本发明基于结合遗传算法与BP算法,采用1742个实验数据建立了轧制过程带钢板形的BP神经网络预测模型和基于遗传算法优化的GA-BP预测模型,并对这两个模型的数据预测结果进行了对比和分析。
完成了工业数据的预处理:采用数学方法将工业数据进行预处理,包括异常值剔除、降噪、平滑处理和归一化,以确保原始数据的质量和可比性。
建立了BP神经网络模型:建立了板形预测的BP神经网络模型,确定了其基本参数,包括隐藏层神经元数量、学习速率和训练函数等。
基于遗传算法优化了模型:通过遗传算法对BP神经网络模型的参数进行优化,包括权重和阈值,以获得更好的模型性能。经过优化后所得到的GA-BP预测模型相较于BP模型具有更高的预测精度和实用性,成功实现了目标函数的高效求解。通过调整其参数,可以高效地优化控制板形以满足控制要求。
附图说明
图1为本发明实施例中的板形控制系统的过程示意图。
图2为本发明实施例中的板形预设定策略流程图。
图3为本发明实施例中的GA-BP预测模型流程图。
图4为本发明实施例中的BP模型预测数据与真实数据对比折线图。
图5为本发明实施例中的GA-BP模型预测数据与真实数据对比折线图。
图6为本发明实施例中的两个模型预测数据与真实数据散点图。
图7为本发明实施例中的两个模型误差分布柱状图。
图8为本发明实施例中的两个模型误差情况对比图。
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。
一种基于机器学习的轧制过程带钢板形预测方法,如图1所示,包括以下步骤。
步骤1:原始数据采集:进行轧制数据采集及整理。
所述的轧制数据是从大量的现场轧制数据中所得到原始数据集,其包括轧制速度、轧制力、工作辊弯辊力、中间辊弯辊力、轧辊倾斜量、轧制张力等74个工艺参数变量与20个板形值变量。
使用板形的相对长度来量化板形;如果将轧后的带钢横向均匀分割成若干条并铺平,可以直观地看出各条长度不同,我们通过横向最长和最短的相对长度差来描述板形。
从数值上来看,相对长度差很小,为了方便表示,通用板形单位为I。一个I单位相当于板形相对长度差为10-5,即为:/>。
本实施例中将这些工业数据收集整理,得到了原始数据,部分原始数据具体见下表1。
表1 部分原始数据展示
序号 | 1机架入口厚度(mm) | 1机架轧制力(kN) | 1机架轧辊倾斜(mm) | ... | 板形值1(I) | ... | 板形值20(I) |
1 | 1.94 | 6439.22 | -0.126 | ... | -3.07 | ... | -11.98 |
2 | 1.93 | 6250.83 | -0.125 | ... | -4.47 | ... | -12.13 |
3 | 1.94 | 6183.36 | -0.126 | ... | -14.17 | ... | -3.88 |
... | ... | ... | ... | ... | ... | ... | ... |
1742 | 3.43 | 6165.79 | -0.392 | ... | 4.81 | ... | -0.47 |
。
步骤2:对原始数据进行预处理得到实验数据集。
步骤2.1:对原始数据进行预处理,对预处理之后的数据建立实验数据集。
步骤2.1.1:剔除原始数据中高度异常的异常数据值,至于异常值是否要剔除,则应根据具体情况而定。采用“拉依达准则”判断含粗大误差的数据(异常值),之后剔除该异常值:
。
式中,x i 为原始数据集中的数据值i,为原始数据集的平均值,/>为原始数据集的标准差。
步骤2.1.2:对步骤2.1.1得到数据进行平滑处理,消除噪音,使数据更接近真实的物理规律,减少测量中由统计误差引起的影响,尤其可被用于那些无法利用多次测量得到其平均值的情况以及因变量随自变量的变化出现急剧波动的部分测量段;
为此具体采用“加权移动平均法”对数据进行平滑处理,以提高数据的稳定性和可信度。
加权移动平均要求我们在计算平均值时不同地对待移动期内的各个数据;对近期数据给予较大的权数,对较远的数据给予较小的权数,以弥补简单移动平均法的不足。公式如下:
。
式中,为数据值n+1的加权平均数,/>为数据值i的权重值,/>,/>为移动跨期。
对于本实验的平滑处理具体操作如下:
首先设置n个等距点,且实验数据;
之后在每个数据点前后各取相邻的两个点,并用三次多项式进行逼近:
。
最后根据最小二乘法确定系数、/>、/>和/>,得如下“五点三次平滑”公式对数据进行平滑处理:
,
,
,
,
。
式中,为平滑处理后的数据值i。
步骤2.1.3:对步骤2.1.2得到的数据进行归一化处理,解决数据分布不均衡问题,将具有不同数量级和不同量纲的数据转换成具有相同数量级和量纲,便于进行数学运算和比较的数据。具体采用“线性函数法”对数据进行归一化处理,以确保数据具有一致的可比性和可计算性。对于处理后所得的实验数据集,将其归一化到范围内:
。
式中,为原始数据集中的最大值,/>为原始数据集中的最小值。
步骤2.2:对步骤2.1.3处理后所得的实验数据集,按照设定比例将其划分为训练集、测试集以及验证集。
本实施例中70%作为训练集,用于模型的训练;20%作为测试集,用于模型的调试;10%作为验证集,用于验证模型的准确性。
步骤3:确定板形预设定控制方案:确定板形预设定计算调节的优先级、选取计算初值和极限值;其中,极限值为轧制设备的极限,例如设定各轧辊弯辊力上限值。
根据轧辊倾斜角、工作辊弯辊力、中间辊弯辊力三种调节参数,将设定计算的优先级划分为轧辊倾斜角、工作辊弯辊力、中间辊弯辊力。具体操作如图2所示,其中△是计算所得当前板形和目标板形的偏差值,ε是常数,设为1I。
步骤4:依据步骤2.2的数据集训练人工神经网络,搭建基于BP神经网络的板形预测模型。
步骤4.1:设置上述74种工艺参数变量为输入层,20种板形值变量为输出层,训练人工神经网络,建立基于BP神经网络的板形预测模型。
步骤4.2:对基于BP神经网络的板形预测模型的各参数进行优化,具体包括以下步骤。
步骤4.2.1:确定隐藏层神经元的数量。
在BP神经网络中,隐藏层是指介于输入层和输出层之间的一层或多层神经元。隐藏层是神经网络进行复杂的数据建模和任务求解的位置。其中,隐藏层神经元的数量根据以下计算确定:
,/>,/>。
在上述公式中,m表示隐藏层神经元数,n表示输入层神经元数,l表示输出层神经元数,a是取自区间[1,10]的常数。基于输入个数为74与输出个数为20;
根据上述公式计算出隐藏层神经元数量为10。经实验测试得,当隐藏层神经元数量为10时,板形的误差值最小,为0.9818I。因此设定隐藏层神经元数目为10。最终设置隐藏层神经元数目为10。
步骤4.2.2:确定神经网络学习速率:设置神经网络学习速率为0.03。
神经网络的学习速率指的是神经网络在每一次循环训练中权值的变化量。适当选择较小的学习速率可以确保神经网络运行的误差值接近最小误差。在设定隐藏层神经元数目为10情况下,经实验测试得,当学习速率为0.03时,误差值最小,为0.9818I,因此设定学习速率为0.03。
步骤4.2.3:最后确定训练函数:在BP神经网络中存在多种训练函数用于全局调整权重值和阈值,以使整体误差最小化。针对本种情况,trainlm训练函数更符合该模型的意义与最终目的,选择trainlm作为训练函数。
最终得到基于BP神经网络的板形预测模型中所有相对最优的参数值,如表2所示。然而,受限于计算机的计算能力和预测模型中多变量之间的强耦合关系,此方法得到的基于BP神经网络的板形预测模型的误差较大,这是在复杂多变量情况下常见的挑战。
表2 基于BP神经网络的板形预测模型各参数设置
输入层数量 | 隐藏层数量 | 输出层数量 | 学习速率 | 训练函数 |
74 | 10 | 20 | 0.03 | trainlm |
。
步骤5:通过遗传算法优化基于BP神经网络的板形预测模型,得到GA-BP预测模型。
继承上一步的参数,采用优化后的基于BP神经网络的板形预测模型,用个体代替神经网络中的初始权重值和阈值,使用个体值初始化时的神经网络预测误差作为适应度值,通过选择、交叉和变异操作来获得最优的个体,进而得到最优的初始权重值和阈值。最终得到一个更加精确的GA-BP预测模型,用于学习冷连轧带钢板形的输入和输出数据之间的关系,其运行流程如图3所示。
步骤5.1:优化种群数量;
基于隐藏层神经元数目为10,鉴于提高运算速度的考虑,设迭代数目为10,交叉概率为0.7,变异概率为0.05;经参数调优得,种群数量为50时,误差值最小,为0.6978I,I为板形单位,因此将种群数量确定为50。
步骤5.2:优化迭代次数;
基于隐藏层神经元数目设为10,种群数量为50;为加快运算速度,设变异概率为0.05,交叉概率为0.7,经参数调优得,适应度曲线呈现下降趋势,并且在迭代次数达到27次时趋于稳定,最终适应度的稳定值为26.7,因此将迭代次数确定为30。
步骤5.3:优化交叉概率;
基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30;为加快运算速度,设变异概率为0.05;经参数调优得,当交叉概率为0.5时,误差值最小,为0.6602I,因此将交叉概率确定为0.5。
步骤5.4:优化变异概率;
基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30,交叉概率为0.5,以确定最优的变异概率。经参数调优得,当变异概率为0.03时,误差值最小,为0.6480I,因此将变异概率确定为0.03。
步骤5.5:继承以上步骤优化得到的所有参数值,包括隐藏层神经元数目、种群数量、迭代次数、交叉概率以及变异概率,如表3所示。利用遗传算法对BP神经网络的阈值和权重值进行优化;设置种群数量为50,迭代次数为30;选择单点交叉的方法,设置交叉概率为0.5,变异概率为0.03,选择锦标赛排序求出预测板形的最小误差,完成其主程序的编辑,得到用于板形预测的GA-BP预测模型。
表3 遗传算法的参数设置
遗传算法相关参数 | 数值 |
种群数量 | 50 |
隐藏层神经元数目 | 10 |
迭代次数 | 30 |
交叉算法 | 单点交叉 |
交叉概率 | 0.5 |
变异概率 | 0.03 |
选择算法 | 锦标赛排序 |
。
步骤6:根据模型评估指标进行预测性能对比基于BP神经网络的板形预测模型与GA-BP预测模型,选取最优模型。
所述评估指标包括均方根误差RMSE、均方误差MSE、平均绝对误差MAE以及平均绝对百分比误差MAPE;通过验证集中的数据,分别与基于BP神经网络的板形预测模型和GA-BP预测模型输出的预测值进行比较,评估两个模型的预测精度和稳定性,从而确定性能最好的预测模型,即GA-BP预测模型。
特别地,RMSE是一种衡量预测模型精度的常用指标,它能够衡量预测值与真实值之间的误差,对异常值相对敏感。RMSE值越小,表示模型预测的准确度越高:
。
MAE衡量了预测误差的平均绝对值,提供了预测误差的绝对量级信息。MAE值越小,表示预测的准确度越高:
。
上式中,yi是数据集中第i个样本的真实值,是相对应的预测值。根据计算比较两个模型在验证集上的预测性能,得到GA-BP预测模型的RMSE和MAE分别仅为0.45I和0.22I,而BP模型的RMSE和MAE分别为0.98I和0.62I。因此选取的最佳模型为GA-BP预测模型,其在轧制过程中的带钢板形方面表现出更高的准确性和稳定性。
如图4与图5所示,细实线表示真实数据值,粗实线表示预测数据值,两种实线重合部分越多则反映出模型预测能力越强,反之则表示预测能力较弱。通过两个模型的数据折线图对比,我们可以明显地看出基于BP神经网络的板形预测模型中两种实线的重合部分较少,并且细实线在很多峰值处与粗实线存在较大偏差;而在GA-BP预测模型中,两种实线基本重合。因此,GA-BP模型的预测性能明显优于BP模型,其预测精度更高,误差更小。
如图6所示,数据点的分布情况沿45度线,分布越紧密表示模型的预测误差越小。图中的深色点代表误差较大的点。对比两个模型的数据点分布情况,可以明显地看出基于BP神经网络的板形预测模型中深色点的分布明显相对更多,并且GA-BP模型中的数据点相对更集中于45度线附近。说明GA-BP预测模型的稳定性更高,误差更小。
如图7所示,两个预测模型的误差分布近似服从正态分布。基于BP神经网络的板形预测模型的误差数据点非常分散,在-7I到-4I之间存在误差值;GA-BP预测模型的分布曲线相对更集中于0点,并且其预测误差主要分布在-1I到1I之间,表现出更高的预测精度。
根据计算比较两个模型在验证集上的预测性能,得到两个模型的一系列误差值,如图8所示。特别地,GA-BP预测模型的RMSE和MAE分别仅为0.45I和0.22I,而BP模型的RMSE和MAE分别为0.98I和0.62I。因此,经过遗传算法优化的GA-BP预测模型在冷连轧带钢板形预测过程中表现出更高的准确性和稳定性。
因此,本发明采用上述一种基于机器学习实现轧制过程带钢板形精准预测的方法,构建的GA-BP预测模型通过获取冷连轧实际工业生产线的数据,通过调整其参数,可以有效地解决冷连轧板形预测的多输入多输出的多层非线性问题,实现目标板形的精确控制,以满足工业生产要求,为高质量冷轧生产提供了一种思路。
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 (5)
1.一种基于机器学习的轧制过程带钢板形预测方法,其特征在于,包括以下步骤:
步骤1:原始数据采集:进行轧制数据采集及整理;
所述的轧制数据是从现场轧制数据中所得到原始数据集,其包括工艺参数变量和板形值变量;
步骤2:对原始数据进行预处理得到实验数据集;
所述步骤2具体包括以下步骤:
步骤2.1:对原始数据进行预处理,对预处理之后的数据建立实验数据集;
所述步骤2.1具体包括以下步骤:
步骤2.1.1:剔除原始数据中高度异常的异常数据值,采用“拉依达准则”判断异常值,之后剔除该异常值;;式中,x i 为原始数据集中的数据值i,/>为原始数据集的平均值,/>为原始数据集的标准差;
步骤2.1.2:对步骤2.1.1得到数据进行平滑处理,消除噪音,具体采用“加权移动平均法”对数据进行平滑处理,公式如下:;式中,/>为数据值n+1的加权平均数,/>为数据值i的权重值,/>,/>为移动跨期;
平滑处理具体操作如下:
首先设置n个等距点,且实验数据;
之后在每个数据点前后各取相邻的两个点,并用三次多项式进行逼近:;
最后根据最小二乘法确定系数、/>、/>和/>,得如下“五点三次平滑”公式对数据进行平滑处理:/>;
;;;;式中,/>为平滑处理后的数据值i;
步骤2.1.3:对步骤2.1.2得到的数据进行归一化处理,具体采用“线性函数法”对数据进行归一化处理,对于处理后所得的实验数据集,将其归一化到范围内:;式中,/>为原始数据集中的最大值,/>为原始数据集中的最小值;
步骤2.2:对步骤2.1.3处理后所得的实验数据集,按照设定比例将其划分为训练集、测试集以及验证集;
步骤3:确定板形预设定控制方案:确定板形预设定计算调节的优先级、选取计算初值和极限值; 根据轧辊倾斜角、工作辊弯辊力、中间辊弯辊力三种调节参数,将设定计算的优先级划分为轧辊倾斜角、工作辊弯辊力、中间辊弯辊力;
步骤4:依据步骤2.2的实验数据集训练人工神经网络,搭建基于BP神经网络的板形预测模型;
步骤5:通过遗传算法优化基于BP神经网络的板形预测模型,得到GA-BP预测模型;
步骤6:根据模型评估指标进行预测性能对比基于BP神经网络的板形预测模型与GA-BP预测模型,选取最优模型。
2.根据权利要求1所述的一种基于机器学习的轧制过程带钢板形预测方法,其特征在于, 所述步骤4具体包括以下步骤:
步骤4.1:设置工艺参数变量为输入层,板形值变量为输出层,训练人工神经网络,建立基于BP神经网络的板形预测模型;
步骤4.2:对基于BP神经网络的板形预测模型的各参数进行优化。
3.根据权利要求2所述的一种基于机器学习的轧制过程带钢板形预测方法,其特征在于, 所述步骤4.2具体包括以下步骤:
步骤4.2.1:确定隐藏层神经元的数量;
在BP神经网络中,隐藏层是指介于输入层和输出层之间的一层或多层神经元;隐藏层是神经网络进行复杂的数据建模和任务求解的位置;其中,隐藏层神经元的数量根据以下计算确定:;/>;/>;在上述公式中,m表示隐藏层神经元数,n表示输入层神经元数,l表示输出层神经元数,a是取自区间[1,10]的常数;最终设置隐藏层神经元数目为10;
步骤4.2.2:确定神经网络学习速率:设置神经网络学习速率为0.03;
步骤4.2.3:最后确定训练函数:选择trainlm作为训练函数。
4.根据权利要求1所述的一种基于机器学习的轧制过程带钢板形预测方法,其特征在于, 所述步骤5具体包括以下步骤:
步骤5.1:优化种群数量;基于隐藏层神经元数目为10,设迭代数目为10,交叉概率为0.7,变异概率为0.05;经参数调优得,种群数量为50时,误差值最小,为0.6978I,I为板形单位,因此将种群数量确定为50;
步骤5.2:优化迭代次数;基于隐藏层神经元数目设为10,种群数量为50;设变异概率为0.05,交叉概率为0.7,经参数调优得,适应度的稳定值为26.7,因此将迭代次数确定为30;
步骤5.3:优化交叉概率;基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30;设变异概率为0.05;经参数调优得,当交叉概率为0.5时,误差值最小,为0.6602I,因此将交叉概率确定为0.5;
步骤5.4:优化变异概率;基于隐藏层神经元数目设为10,种群数量为50,迭代次数为30,交叉概率为0.5,经参数调优得,当变异概率为0.03时,误差值最小,为0.6480I,因此将变异概率确定为0.03;
步骤5.5:利用遗传算法对BP神经网络的阈值和权重值进行优化;设置种群数量为50,迭代次数为30;选择单点交叉的方法,设置交叉概率为0.5,变异概率为0.03,选择锦标赛排序求出预测板形的最小误差,得到用于板形预测的GA-BP预测模型。
5.根据权利要求1所述的一种基于机器学习的轧制过程带钢板形预测方法,其特征在于, 步骤6中所述评估指标包括均方根误差RMSE、均方误差MSE、平均绝对误差MAE以及平均绝对百分比误差MAPE;通过验证集中的数据,分别与基于BP神经网络的板形预测模型和GA-BP预测模型输出的预测值进行比较,评估两个模型的预测精度和稳定性,从而确定性能最好的预测模型,即GA-BP预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410272941.4A CN117862247A (zh) | 2024-03-11 | 2024-03-11 | 一种基于机器学习的轧制过程带钢板形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410272941.4A CN117862247A (zh) | 2024-03-11 | 2024-03-11 | 一种基于机器学习的轧制过程带钢板形预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117862247A true CN117862247A (zh) | 2024-04-12 |
Family
ID=90597016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410272941.4A Pending CN117862247A (zh) | 2024-03-11 | 2024-03-11 | 一种基于机器学习的轧制过程带钢板形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117862247A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012121050A (ja) * | 2010-12-08 | 2012-06-28 | Sumitomo Metal Ind Ltd | ロールクロス式圧延機における圧延材の形状制御方法、及び、圧延材の製造方法 |
CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN114386364A (zh) * | 2021-12-06 | 2022-04-22 | 西安交通大学 | 电子表面贴装焊接质量预测与工艺参数优化方法 |
CN116796546A (zh) * | 2023-06-28 | 2023-09-22 | 安徽海螺暹罗耐火材料有限公司 | 基于小样本学习的高温合金增材制造工艺优化预测方法 |
CN117371282A (zh) * | 2023-10-18 | 2024-01-09 | 长安大学 | 桥梁病害桩基剩余承载力的预测方法、系统、设备及介质 |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
-
2024
- 2024-03-11 CN CN202410272941.4A patent/CN117862247A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012121050A (ja) * | 2010-12-08 | 2012-06-28 | Sumitomo Metal Ind Ltd | ロールクロス式圧延機における圧延材の形状制御方法、及び、圧延材の製造方法 |
CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN114386364A (zh) * | 2021-12-06 | 2022-04-22 | 西安交通大学 | 电子表面贴装焊接质量预测与工艺参数优化方法 |
CN116796546A (zh) * | 2023-06-28 | 2023-09-22 | 安徽海螺暹罗耐火材料有限公司 | 基于小样本学习的高温合金增材制造工艺优化预测方法 |
CN117371282A (zh) * | 2023-10-18 | 2024-01-09 | 长安大学 | 桥梁病害桩基剩余承载力的预测方法、系统、设备及介质 |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
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 | |
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 | |
CN112037209B (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
CN112287550B (zh) | 基于主成分分析控制器的带钢头部厚差过程参数优化方法 | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
CN117862247A (zh) | 一种基于机器学习的轧制过程带钢板形预测方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
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 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN112487700B (zh) | 一种基于nsga与felm的冷轧轧制力预测方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN110704956B (zh) | 一种冷轧机数据驱动的工艺参数优化方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion | |
CN117753795B (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 | |
CN117840232B (zh) | 一种基于增量学习的热轧过程宽度预测方法 | |
CN116702632B (zh) | 一种基于全流程冷轧硅钢磁性能在线预测方法及装置 | |
CN111266405B (zh) | 一种板带材热轧过程控制方法和控制装置 | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
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 |