[发明专利]一种基于双自学习模型的在线冷却控制方法

权利要求书

1.一种基于双自学习模型的在线冷却控制方法，其特征在于，该方法包括以下步骤：

第一步，建立适合短期小样本量的无监督聚类模型

建立一种多维空间网格，建立过程如下：

建立多维空间坐标系，将每个影响冷却的因素视为多维空间中的一个坐标维度，通过已知待冷却钢板的工况和规格，在这个多维空间中找到与其对应的点；由此，在多维空间坐标系中，历史冷却样本对应点与目标冷却钢板对应点的关系可以利用反距离权重法来衡量，通过历史样本对目标冷却钢板的影响权重分布推算出目标冷却换热系数；

基于上述多维空间坐标系，根据每个维度的坐标节点，将整个多维空间划分成有限个单元，每个单元网格内以其质心作为该单元网格内全部点的代表，当是二维坐标系时，通过网格聚类化最终预测目标冷却换热系数，具体计算步骤如下：

(1)基于多维空间坐标系确定目标价值点所属的网格单元：

X_n+1∈e_i i＝1,…,m (1)

式中，X为空间点；e代表单个网格，这样e_i以外的网格单元内的质心可直接参与后续模型的计算；

(2)空间两点的相关性S用欧式距离表示，计算式如下：

S_p＝||X_n+1-X_j||2X_j∈e_i

S_c＝||X_n+1-C_k||2 k＝1,…,mk≠i (2)

式中，S_p为网格单元e_i内的目标点与历史样本点的距离；S_c为网格单元e_i外的目标点与各质心的距离；X_j为网格单元e_i内样本点；C_k为网格单元e_i外样本点；

根据反距离加权IDW算法原则，权重w表示为：

w＝S^-1 (3)

权重确定后，通过加权平均的方法得到目标点的换热系数h_n+1：

式中，w_j为目标点与网格单元内点之间权重；h_j为网格单元内点对应换热系数；w_k为目标点与网格单元外点之间权重；h_k为网格单元外点对应换热系数；

第二步，建立适合长期大样本量的有监督深度神经网络模型

采用主成分分析法对冷却过程数据进行预处理，选出8个权重大的影响因子作为输入层单元；输出层单元设定为冷却换热系数；

建立深度神经网络框架：确定网络结构为隐含层4层，每层隐含层含有1024个隐层单元，每层之间所用激活函数为Selu激活函数；优化算法为Adam算法、学习率衰减；为了防止过拟合，通过L2正则化与Dropout正则化并用，并且对各个超参数进行调优；深度神经网络建立后，用现场大数据对其进行训练，最终达到准确预测冷却时间、满足投入生产的条件；

第三步，将第一步建立的无监督聚类模型和第二步建立的有监督深度神经网络模型并联，构成整个冷却控制系统的核心双自学习模型；

所述双自学习模型并行运作方式为：将目标待冷却钢板的初始数据传入至冷却控制系统，系统利用多维空间网格自主搜寻与目标冷却钢板最接近的历史样本数，最接近的判定条件为空间相关性Sε，其中ε为相关性阈值；若最接近历史样本数少于20～50个，则直接进入无监督空间聚类模型，通过反距离加权计算出目标冷却换热系数；若最接近历史样本数大于20～50个，则进入有监督深度神经网络模型中，通过已经积累大量数据训练好的网络模型，预测出目标冷却换热系数；进入无监督空间聚类模型的样本将得到保存，累积至一定数量后供有监督深度神经网络模型训练使用，同样有监督深度神经网络模型自身也会不断累积数据进行在线的网络权重同步；

结合无监督聚类模型和有监督深度神经网络模型进行在线网络权重同步的具体步骤如下：

(1)系统同时运行A、B两套具有相同网络结构的有监督深度神经网络模型，其中A网络模型为在线预测用，B网络模型为在线训练用；

(2)B网络模型周期性采集已经冷却完成的钢板数据作为样本集，所述周期为1～3日，并进行数据清洗和数据补全预处理；

(3)将预处理后的数据输入B网络模型进行在线训练，若训练后准确率大于上一次训练结果，则将本次训练结果权重保存至共享内存；否则继续训练；

(4)A网络模型实时读取共享内存中新的网络权重，完成在线的网络权重同步；

第四步，将目标冷却换热系数带入经典热平衡微分方程中，计算在目标温降条件下包括所需冷却时间、流量在内的冷却规程信息。

2.根据权利要求1所述的一种基于双自学习模型的在线冷却控制方法，其特征在于，第二步中，8个权重大的影响因子为板材厚度、C含量、Cr含量、Mn含量、冷却水温、气温、温降和目标终冷温度。