一种基于机器学习的轧制过程带钢板形预测方法-凯发k8娱乐

本发明涉及带钢轧制，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、本发明的技术方案为：

3、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。

4、步骤1：原始数据采集：进行轧制数据采集及整理。

5、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。

6、步骤2：对原始数据进行预处理得到实验数据集。

7、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。

8、步骤2.1.1：剔除原始数据中高度异常的异常数据值；

9、具体采用“拉依达准则”判断异常值，之后剔除该异常值：

10、。

11、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。

12、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：

13、。

14、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。

15、平滑处理具体操作如下：

16、首先设置 n个等距点，且实验数据；

17、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：

18、。

19、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：

20、，

21、，

22、，

23、，

24、。

25、式中，为平滑处理后的数据值 i。

26、步骤2.1.3：对步骤2.1.2得到的数据进行归一化处理；

27、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：

28、。

29、式中，为原始数据集中的最大值，为原始数据集中的最小值。

30、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。

31、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。

32、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。

33、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。

34、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。

35、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。

36、步骤4.2.1：确定隐藏层神经元的数量。

37、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：

38、，，。

39、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。

40、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。

41、步骤4.2.3：最后确定训练函数：选择trainlm作为训练函数。

42、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。

43、步骤5.1：优化种群数量；

44、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。

45、步骤5.2：优化迭代次数；

46、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。

47、步骤5.3：优化交叉概率；

48、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。

49、步骤5.4：优化变异概率；

50、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。

51、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；

52、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。

53、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。

54、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。

55、采用上述技术方案所产生的有益效果在于。

56、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。

57、本发明具体具备以下有益效果：

58、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。

59、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。

60、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。

61、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。