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。