[发明专利]一种基于深度学习的带钢头部厚度预报方法

权利要求书

1.一种基于深度学习的带钢头部厚度预报方法，其特征在于，包括以下步骤：

步骤1：对带钢的参数进行选择并对参数数据进行提取；

所述参数包括钢种代码、产品目标宽度、实际成品带钢头部厚度各1个；头部辊缝、头部轧制力、头部轧制速度各n个、设定厚度n+1个，因此，上述每个参数的数据集中所有需要选取的数据共计4n+4个，精轧机机架数量为n；

步骤2：对参数数据进行预处理；

对步骤1中的参数数据进行标准化处理；将带钢产品头部厚度数据分为三类：厚度偏薄、厚度合格、厚度偏厚，分别给予0、1、2的标签值；

步骤3：基于深度学习，设计带钢头部厚度预报器；

所述步骤3具体包括以下步骤：

步骤3.1：导入和解析数据集：输入的每一组数据集包含4n+1个特征，在对数据进行训练和评估的时候，除此4n+1个特征，还把标签也输入到程序中；因此，使用的数据为4n+2列，第一行是表头，最后一列是标签值，数据文档采用csv格式存放；

步骤3.2：设置特征列；设置数值列和分类识别列为特征列；

步骤3.3：对DNN模型进行构建：所述DNN模型，层数设定为5层，包括输入层、输出层和三个隐层；隐层层数设定为3，节点数为12；输入层节点数为4n+1个，对应上述数据集中4n+1个输入参数；输出层节点数为3个，对应带钢厚度的三类预测结果，以实际厚度是否合格为依据，将预测结果分为“偏薄”、“合格”和“偏厚”三类；优化器使用AdagradOptimizer，激活函数使用ReLU和Sigmoid；实例化神经网络时，设定n_classes输出类别数为3，

步骤3.4：训练模型：采用Dataset API的shuffle和batch函数，对特征列中的数据随机洗乱之后对预报器进行分批训练；

步骤3.5：使用两个大小为100的batch对模型进行评估，检验预报器命中率；

步骤3.6：使用模型预测：模型在分析完成所有输入参数之后，生成一个结果预测字典，存储一个由三个浮点值组成的列表，每个浮点值表示带钢头部厚度是该类的概率，把概率最高的概率值和对应的类别输出；

步骤4：对预报器输出的预报结果进行分析；

预报器节点数选取从5开始，以5为间隔增加，每次程序运行三次，记录带钢测试集数据的命中率平均值，命中率最大对应的节点数为最终选定节点数，输出预报结果，对带钢头部厚度进行预测。