[发明专利]一种基于深度学习的带钢头部厚度预报方法

说明书

本发明提供一种基于深度学习的带钢头部厚度预报方法，涉及轧钢自动控制技术领域。本发明通过分析轧钢过程中影响头部厚度的因素，确定了轧制力、辊缝、轧制温度、板坯厚度和轧制速度因素为预报器的输入参数；利用深度神经网络结构，并提取轧钢生产数据，得到的汇总数据满足后续数据分析和神经网络使用的需求。使用TensorFlow深度学习框架实现了预报器的功能，预报器准确率满足要求，对不同厚度的带钢头部厚度命中率有明显提升，分析神经网络各参数对性能的影响；并且提出了一种优化本预报器的方法，较默认配置预报器准确率有明显提升。使用训练集对神经网络进行训练，最后用测试集评估训练后的模型效果，大大提高了带钢成材率。

技术领域

本发明涉及轧钢自动控制技术领域，尤其涉及一种基于深度学习的带钢头部厚度预报方法。

背景技术

现代的钢铁联合企业是由炼铁、炼钢和轧钢三个主要的生产系统组成的，轧钢生产是钢铁工业生产的最终环节，轧钢过程担负着生产钢材的任务。在精轧轧制过程中，带钢头端部张力较小，并且常常温度较低；同时轧机结构复杂，参数整定困难，成品厚度的头部经常会出现厚度不合格的现象，需要进行切头处理，切头长度会影响钢材成材率。我国2010年钢加工综合成材率为96.1％，在实际生产中，轧制切头去尾造成的金属消耗率占到了总生产钢材的0.30％～0.55％，在金属消耗的各主要因素中仅次于一次氧化烧损率，是金属消耗的“重灾区”。以2010年国内轧钢产量79627万吨计，如果平均成材率提高0.5％，一年就可提高产量约398万吨，相当一条热连轧厂的年产量。

板带轧制过程具有非线性、强耦合、多变量等特点，传统的轧制力模型根据机理建模推理得到，对真实模型在一定程度上进行了简化，其预测精度较低。目前，大多钢铁厂利用自适应技术来改进模型精度，但自学习初始参数仅凭工程师的经验进行设定，生产过程中预测值存在很大波动，并且很难提供足够精确的近似值。本文在针对轧制过程中容易出现的头部厚度不合格现象，提出一种基于深度学习的头部厚度预报方法。通过对钢铁轧制生产过程进行分析，找出各生产参数如何对头部厚度产生影响，实现对头部厚度的精准预测。

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，提供一种基于深度学习的带钢头部厚度预报方法，利用深度神经网络的非线性拟合能力，设计带钢头部厚度预报器，以给轧机的参数设定提供参考，提高头部厚度命中率，减少钢材浪费。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于深度学习的带钢头部厚度预报方法，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；

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；