[发明专利]一种主成分分析协同随机森林的热连轧带钢宽度预测方法

说明书

本发明提供一种主成分分析协同随机森林的热连轧带钢宽度预测方法，涉及热连轧轧制过程控制技术领域。该方法首先确定热连轧生产线设备布置形式，并确定温度制度、轧机设备参数及轧制边界条件，根据生产线特征，确定需要采集的关于换钢种、换规格及换辊后的首块钢宽度的实测数据；并对采集的实测数据进行标准化处理；然后采用主成分分析法对标准化处理后的数据集进行降维处理及特征选择，并确定进行带钢宽度预测的随机森林宽度预测模型的输入变量；将基于主成分分析降维处理及特征选择后的数据集按照一定的比例划分为训练集与测试集，根据随机森林算法构建并训练随机森林宽度预测模型；并对随机森林宽度预测模型的预测精度进行评估。

技术领域

本发明涉及热连轧轧制过程控制技术领域，尤其涉及一种主成分分析协同随机森林的热连轧带钢宽度预测方法。

背景技术

板带宽度是带钢热连轧轧制过程中除厚度、板形等外一项极为重要的质量指标，宽度偏差每减小1mm，成材率就可提高0.1％，宽度精度的好坏严重地影响着带钢产品的质量与产量。良好的宽度精度不仅仅可以提高带钢产品的成材率、降低板带损耗率，更可以帮助热轧用户和后部工序创造优良的生产条件。精确的宽度控制对于带钢的产品质量具有重要意义，改进、寻求更加完善的宽度控制策略，提高带钢宽度控制精度已经成为当前轧钢领域研究的热点。日益激烈的全球竞争和钢铁行业的产能过剩危机对热轧带钢的生产技术和产品质量提出了更高的要求。

传统的热轧带钢宽度预测模型在进一步提高宽度预测精度上已经遇到了瓶颈，为了提高热连轧粗轧带钢宽度尺寸设定精度，国内外学者进行了大量的理论探索，提出了人工神经网络以及引入粒子群、朴素贝叶斯来优化神经网络等宽度预报方法，为板带材宽度尺寸精准控制技术的发展起到了积极的推动作用。但随着人工智能技术的快速发展，当前宽度预报模型已经不能满足当前生产力发展及下游企业对宽度尺寸精度的要求，主要原因是宽度控制过程存在非线性、复杂性、耦合性等特点，且人工神经网络虽已广泛应用于带钢宽度的控制和预测，但仍存在收敛速度慢、网络结构选择随机性大、易陷入局部极小值、网络泛化能力有限等缺点，从而限制了宽度预报精度的进一步提高。这就要求对热连轧粗轧生产过程的宽度预测算法进行探索，研究新的宽度预测控制方法。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种主成分分析协同随机森林的热连轧带钢宽度预测方法，提高热连轧粗轧带钢出口宽度预测精度，进而提高热连轧产品成材率。

为解决上述技术问题，本发明所采取的技术方案是：一种主成分分析协同随机森林的热连轧带钢宽度预测方法，包括以下步骤：

步骤1、确定热连轧生产线设备布置形式，并确定温度制度、轧机设备参数及轧制边界条件，根据生产线特征，确定需要采集的关于换钢种、换规格及换辊后的首块钢宽度的实测数据；

所述温度制度，包括：坯料出炉温度和钢板进入粗轧机组前的温度；所述轧机设备参数，包括：轧机最大轧制力、轧机最大力矩、轧机最大功率和轧机刚度；所述轧制边界条件，包括：环境温度、冷却水温度和轧辊温度；

步骤2、将所采集的关于换钢种、换规格及换辊后的首块钢宽度的实测数据进行标准化处理；

设定采集的关于换钢种、换规格及换辊后的首块钢宽度的实测数据中含有m个样本，每个样本有n个指标，且第i个样本对应的第j个指标为x_ij，于是构造成一个m×n维的矩阵X：

将采集的关于换钢种、换规格及换辊后的首块钢宽度的实测数据进行标准化，如下公式所示：

其中，为第j个指标的样本均值，为第j个指标的方差，i＝1、2、...、m，j＝1、2、...、n；得到标准化后的数据符合标准正态分布，即均值为0，方差为1；

将矩阵X中对应的指标变量进行标准化，如下公式所示：