[发明专利]一种基于数据驱动的热轧板凸度预测方法

权利要求书

1.一种基于数据驱动的热轧板凸度预测方法，其特征在于，包括以下步骤：

步骤1：采集带钢的生产数据，包括钢卷号、生产时间、中间坯厚度、F1～F6机架的轧制力、F1～F6机架的弯辊力、F1～F6机架的窜辊量、轧后带钢的宽度、轧后带钢的厚度、轧后带钢的凸度、精轧入口温度以及终轧温度；

步骤2：对采集到的生产数据进行预处理，包括去除异常值、平滑处理和归一化；

步骤3：建立单隐层神经网络模型；

步骤4：采用快速非支配排序遗传算法对单隐层神经网络模型进行优化，具体步骤如下：

步骤4.1：设置最大进化代数G_max，并令当前进化代数G＝1；

步骤4.2：根据训练函数对单隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的单隐层神经网络模型中进行预测并输出预测结果；

步骤4.3：计算单隐层神经网络的训练误差；

步骤4.4：采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串；

步骤4.5：随机产生一个由n个个体组成的种群，由该种群代表可能解的集合；

步骤4.6：对种群中的每个个体p进行快速非支配排序；

步骤4.7：将所选取的个体组成为新的种群，并进行遗传操作；

步骤4.8：判断当前进化代数G是否小于最大进化代数G_max，若是，则返回步骤4.2，若否，则输出优化后单隐层神经网络模型的权值和阈值，继续步骤5；

步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。

2.根据权利要求1所述的基于数据驱动的热轧板凸度预测方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1：计算各生产数据的平均值和标准差；

步骤2.2：对生产数据的异常值进行剔除；

步骤2.3：对剔除异常值后的生产数据进行平滑处理；

步骤2.4：对平滑处理后的生产数据进行归一化处理。

3.根据权利要求2所述的基于数据驱动的热轧板凸度预测方法，其特征在于，所述步骤2.2中对生产数据中的异常值进行剔除的方式为拉衣达准则，具体方式为对满足如下公式的生产数据进行异常值剔除：

其中，x_i为第i个生产数据，是生产数据的平均值，S_x是生产数据的标准差。

4.根据权利要求2所述的基于数据驱动的热轧板凸度预测方法，其特征在于，所述步骤2.3中对剔除异常值后的生产数据进行平滑处理的方式是采用5点3次平滑法，具体公式如下：

其中，Y_i是第i个剔除异常值后的生产数据，是Y_i平滑后的值。

5.根据权利要求1所述的基于数据驱动的热轧板凸度预测方法，其特征在于，所述步骤3包括以下步骤：

步骤3.1：采用经验公式计算经验值，然后在经验值±50％的区间范围内进行遍历搜索，获得隐含层神经元节点数n；

步骤3.2：遍历搜索0.1～0.5，确定单隐层神经网络学习率lr；

步骤3.3：两两组合purelin、logsig和tansig 3种传递函数，产生9种组合，分别测试并选取单隐层神经网络隐含层和输出层的传递函数；

步骤3.4：遍历常用的方法，选择单隐层神经网络的训练函数。