[发明专利]一种用于轧钢自学习模型的数据处理方法和模块

说明书

本发明公开了一种用于轧钢自学习模型的数据处理方法及模块，通过获取一定量的所需实测数据计算出口带钢速度的偏差系数和出口带钢速度的倾斜系数来确定可用的具有稳定性的实测数据，还能去除数据干扰量；并且，通过预设自学习模型对应的主题参数进行升序或降序排列，选取非极值的数据进行学习，规避了极值数据对数据有效性的影响。本发明处理的实测数据能最大限度规避不稳定工况下的负学习现象，提高了自学习的稳定性，提高了设定计算模型的精度。

技术领域

本发明属于轧钢领域，具体涉及一种用于轧钢自学习模型的数据处理方法和模块。

背景技术

轧钢设定计算模型作为轧钢控制系统的核心，直接影响轧钢产品的质量与控制精度。由于轧钢设定计算模型机理复杂，且各参数相互耦合，为提高设定计算模型精度，往往采取自学习模型来修正轧钢设定计算模型参数或者设定结果。

自学习模型步骤通常是，采集实测生产数据，然后对这些数据进行学习。其中选取实测数据有两种方式：其一是间隔一定周期采集生产实测数据，对当前数据进行自学习；其二是间隔一定周期采集生产实测数据，连续采集若干次后，取这些实测数据的平均值进行自学习。

但是，现场实践中经常会出现负学习的现象，即自学习后的系数应用于下次设定计算模型后，预报精度反而变差。为解决负学习对设定计算模型精度的负面影响，当前主流技术观点是采用指数平滑法对学习结果进行处理，此方法确实能够减轻负学习对设定计算精度负面影响的程度，但是并不能消除。而且，不利的是，指数平滑法减慢了自学习模型系数学习速度。

如何进一步减少自学习对设定值模型精度负面影响程度，或者完全规避错误的自学习，是轧钢领域急需解决的问题。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种用于轧钢自学习模型的数据处理方法、模块能够最大限度规避不稳定工况下的负学习现象，提高了自学习的稳定性，提高了设定计算模型的精度。

为达到以上目的，本发明采用的技术方案是：一种用于轧钢自学习模型的数据处理方法，包括以下步骤：

按预设频率获取所需实测数据，所述每条实测数据至少包括出口带钢速度及与预设自学习模型对应的主题参数；

将已获取的实测数据放入队列进行缓存，当实测数据达到阈值条数时，按预定义第一规则计算所获取的所有出口带钢速度的偏差系数；

当偏差系数小于等于预设偏差系数阈值时，按预定义第二规则计算所获取的所有出口带钢速度的倾斜系数；

当出口带钢速度倾斜系数的绝对值小于等于预设倾斜系数阈值时，判断已获取的实测数据可用；

根据预设自学习模型对应的主题参数进行升序或降序排列，选取非极值的数据进行学习。

进一步的，预设自学习模型包括轧制力模型、前滑模型、轧制力矩模型、轧制功率模型，轧制力模型的主题参数为轧制力，前滑模型的主题参数为前滑，轧制力矩模型的主题参数为轧制力矩，轧制功率模型的主题参数为轧制功率。

进一步的，所述按预设频率获取所需实测数据的方法还包括：根据点动轧制、低速轧制、高速轧制的情况确定采集周期。

进一步的，当所述获得的实测数据的数据量达到阈值条数而计算出的出口带钢速度的偏差系数大于预设偏差系数阈值；

或者，当实测数据的数据量达到阈值条数且计算出的出口带钢速度的偏差系数小于等于预设偏差系数阈值，但出口带钢速度倾斜系数的绝对值大于预设倾斜系数阈值；

清空预设条数的数据，重新获取所需实测数据。

进一步的，根据预设自学习模型对应的主题参数进行升序或降序排列，选取非极值的数据进行学习的方法包括：