基于密度聚类协同深度残差网络的热连轧宽度预测方法技术

本发明专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法，包括：采集热连轧粗轧过程中的历史生产数据；选取主要影响参数类别的生产数据作为模型的输入；将历史生产数据进行预处理，得到标准化数据；对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；对于各类簇，将标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，得到各类簇的深度残差网络结构；将实时采集的生产数据标准化处理后送入所属类簇的深度残差网络模型进行预测，得到粗轧宽度预测结果。该方法结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。提高了带钢宽度的预测精度。提高了带钢宽度的预测精度。

【技术实现步骤摘要】
基于密度聚类协同深度残差网络的热连轧宽度预测方法


[0001]本专利技术属于轧钢控制
，涉及基于密度聚类协同深度残差网络的热连轧宽度预测方法。

技术介绍

[0002]热轧带钢的宽度精度是评价轧制钢板的重要质量指标，直接影响带钢产品的质量和产量。良好的宽度精度不仅可以减少加工中的切头切尾和切边损耗，还能有效提高成材率和生产效率。由于控制模型的设定精度直接决定了加工后的宽度精度，因此，准确的设定控制模型对板带钢生产十分重要。
[0003]由于轧制过程存在非线性、强耦合和生产环境复杂等因素，进行准确的参数预测十分困难。在当前生产过程中存在频繁的换规格和换辊现象，为精准预测进一步增加了难度。传统的基于数学和物理模型的预测方法存在很多假设和简化，预测的误差较大，难以满足实际需求。随着智能化发展，神经网络逐渐应用于轧制过程中的预测，相比传统模型在预测精度上有所提升，但受限于浅层网络的结构在预测精度上仍有提升空间。

技术实现思路

[0004]为解决上述技术问题，本专利技术的目的是提供一种基于密度聚类协同深度残差网络的热连轧宽度预测方法，结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。
[0005]本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法，包括：
[0006]步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；
[0007]步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；
[0008]步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；
[0009]步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；
[0010]步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值；
[0011]步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；
[0012]步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。
[0013]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤
2中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。
[0014]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤3具体为：
[0015]采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：
[0016][0017]式中，为某种特征的任意一次的采样值，x
max
，x
min
为该种特征的最大值和最小值，为归一化后的标准化数据。
[0018]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤4具体为：
[0019]步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；
[0020]步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：
[0021][0022]式中，N为数据点的维度，即样本的特征总数；x
ji
为数据点集中数据点P
j
的第i个特征对应的值，x
ki
为数据点集中数据点P
k
的第i个特征对应的值；
[0023]步骤4.3：统计某个数据点到其他数据点的欧式距离小于邻域半径的点的个数，若个数大于Minpts，则该数据点视为核心点；若小于Minpts但该数据点处于其他核心点邻域半径内的则视为边界点；既不是核心点也不是边界点的为噪音点，将噪音点去除，并将该数据点标记为已处理；
[0024]步骤4.4：继续选取下一点，重复步骤4.2和4.3，直至所有数据点均被标记；
[0025]步骤4.5：任选一个核心点，找到核心点所有密度可达的点，通过密度相连形成一个类簇，将边界点分配到关联的核心点的簇中，重复步骤4.5，直至形成多个基于密度的类簇，将数据点划分为几类。
[0026]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，根据标准化数据大小和样本的特征总数设置邻域半径eps，根据数据点总数设置密度阈值Minpts。
[0027]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，所述步骤5具体为：
[0028]步骤5.1：深度残差网络模型采用全连接前馈神经网络和残差结构，残差结构的显著特点是跳跃连接，具体分为两条通路，一条为只连接，一条为敬国隐藏层激活，激活采用公式(3)，残差结构的输出z为两条通路结合后得到，表达式如(4)所示：
[0029][0030][0031]式中，w为隐藏层的权重，b为隐藏层的偏置，为隐藏层的输出，z为残差结构的输出；
[0032]步骤5.2：采用公式(5)计算带钢宽度的均方误差，并利用误差反向传播更新权重；
[0033][0034]式中，MSE为带钢宽度的均方误差值，为带钢宽度的真实值，为带钢宽度的预测值，m为预测样本的总数；
[0035]步骤5.3：计算模型拟合决定系数，并根据模型拟合决定系数以及训练消耗的时间确定最佳残差结构的数量和最优的模型结构：
[0036][0037]式中，表示带钢宽度的真实值的平均值，R2为模型的拟合决定系数。
[0038]在本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法中，残差结构的隐藏层层数和节点个数根据样本的特征总数和数据点的总数设置，层与层之间采用线性整流单元Relu激活，Relu激活函数：
[0039][0040]式中，a为隐藏层的输出。
[0041]本专利技术的基于密度聚类协同深度残差网络的热连轧宽度预测方法，至少具有以下有益效果：
[0042]根据数据集特点采用密度聚类的方法将工艺和显微组织具有相似性的生产数据归为同类，再对不同的类别分别采用相应的深度残差网络结构进行预测，使得模型的预测精度进一步提高，改善误差较大的问题。此外，通过对生产数据进行分类，相比于直接对原始数据集进行训练，模型训练的负担小且可以加快训练的速度，对于训练的精度有明显提升。在研究中采用的深度网络在复杂的多维问题中，多隐层的特征使其深入挖掘数据间隐含的高层抽象信息，比传统的浅层网络的预测精度更高。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，包括：步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值；步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。2.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤2中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。3.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤3具体为：采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：式中，为某种特征的任意一次的采样值，x
max
，x
min
为该种特征的最大值和最小值，为归一化后的标准化数据。4.如权利要求3所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤4具体为：步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：式中，N为数据点的维度，即样本的特征总数；x
ji
为数据...

【专利技术属性】
技术研发人员：丁敬国，倪晔，李旭，张殿华，
申请(专利权)人：东北大学，
类型：发明
国别省市：