[发明专利]一种基于双自学习模型的在线冷却控制方法

说明书

本发明提供了一种基于双自学习模型的在线冷却控制方法，属于轧钢技术领域。本发明结合无监督空间聚类模型和有监督的深度神经网络预测模型的特点，优势互补，建立双自学习模型并行、权重共享的系统结构。本发明能实现在低成本数据量条件下，快速进行组合式自学习，短时间内完成非线性耦合计算，提高整体控冷系统的鲁棒性和学习效率。

技术领域

本发明属于轧钢技术领域，尤其涉及一种结合无监督和有监督学习模型的轧后冷却温度精度的控制方法。

背景技术

钢铁产品一直都是国民经济的重要原材料之一。随着社会发展和技术进步，市场对钢铁产品的规格和质量都提出更高需求，企业的生产模式也从大批量单一化向小批量多样化的模式转变。复杂的工况和多变的产品规格，使得传统的控制系统面临巨大挑战，尤其对控制系统的自适应能力和强大的调整能力提出更高要求。

如今，随着自动化水平的提高，越来越多的钢企已经开始采用有自学习功能的轧后冷却系统。但是，在工况复杂、产品多样化的大生产中，仅依靠一种类型的自学习模型很难保证冷却控制的可靠性，效率高的模型短期调整速度快但缺乏长期稳定性，准确率高的模型学习效率低、学习成本大，导致高效率和高准确率不可兼得的局限。

如何让控制系统精度提高的同时，提高其灵活性，即模型的自学习能力是工业智能的发展趋势，钢企也迫切需要一种自动化程度高的轧后冷却系统来保证稳定高效的多品种、小批量生产。

发明内容

针对现有技术中存在的问题，本发明提供一种可提高轧后冷却温度控制精度稳定性和调整效率的方法。

本发明的技术方案为：

一种基于双自学习模型的在线冷却控制方法，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，如图1所示；具体建立过程如下：

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，可以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，即历史冷却样本对应点与目标冷却钢板对应点间的空间距离远其影响权重小、空间距离近则影响权重大。通过历史样本对目标冷却钢板的影响权重分布，即可推算出目标冷却换热系数。

为了提高计算效率，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，以二维坐标系为例，如图2所示，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：

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，如图2中(c)所示；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)