[发明专利]基于密度聚类协同深度残差网络的热连轧宽度预测方法

权利要求书

1.基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，包括：

步骤1：采集热连轧粗轧过程中的历史生产数据，所述历史生产数据包括仪器仪表采集到的测量数据、控制系统的轧制规程设定的数据、对各道次参数的预测数据以及包含工艺信息的数据；

步骤2：将采集到的历史生产数据按照影响参数类别进行分类，选取主要影响参数类别的生产数据作为模型的输入；

步骤3：将步骤2选取的历史生产数据进行预处理，得到标准化数据；

步骤4：对于标准化数据，采用密度聚类算法按照数据空间分布特点，将密度集中的区域归为同类点，将标准化数据划分为几个类簇；

步骤5：对于各类簇，将处理后的标准化数据作为输入，分别构建对应的深度残差网络模型进行训练，并根据训练精度和效率负反馈调节调整残差结构的数量，得到各类簇最终的深度残差网络结构，模型的输出为带钢宽度的预测值；

步骤6：实时采集热连轧现场的生产数据，选出主要影响参数类别的数据并标准化后送入聚类模型中判断所属的类簇；

步骤7：根据标准化数据所属的类簇调用对应的最终的深度残差网络模型进行预测，得到最终的粗轧宽度预测结果。

2.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤2中选取板坯、轧件、温度和工艺4种主要影响参数类别的数据作为模型的输入。

3.如权利要求1所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤3具体为：

采集多组历史生产数据，每组历史生产数据视为一个样本，多次采集的样本构成样本矩阵，样本矩阵的每一列对应一种生产数据，即样本的一种特征，根据下式分别对每种特征进行归一化处理，统一为(0,1)之间的数：

式中，为某种特征的任意一次的采样值，x_max，x_min为该种特征的最大值和最小值，为归一化后的标准化数据。

4.如权利要求3所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，所述步骤4具体为：

步骤4.1：对标准化数据，将每个样本视作一个数据点，构成数据点集，将每个数据点都投影到高维特征空间中，设置邻域半径eps和密度阈值Minpts；

步骤4.2：选择数据点集中的任意一点，根据下式计算数据点到其他数据点的欧式距离d：

式中，N为数据点的维度，即样本的特征总数；x_ji为数据点集中数据点P_j的第i个特征对应的值，x_ki为数据点集中数据点P_k的第i个特征对应的值；

步骤4.3：统计某个数据点到其他数据点的欧式距离小于邻域半径的点的个数，若个数大于Minpts，则该数据点视为核心点；若小于Minpts但该数据点处于其他核心点邻域半径内的则视为边界点；既不是核心点也不是边界点的为噪音点，将噪音点去除，并将该数据点标记为已处理；

步骤4.4：继续选取下一点，重复步骤4.2和4.3，直至所有数据点均被标记；

步骤4.5：任选一个核心点，找到核心点所有密度可达的点，通过密度相连形成一个类簇，将边界点分配到关联的核心点的簇中，重复步骤4.5，直至形成多个基于密度的类簇，将数据点划分为几类。

5.如权利要求4所述的基于密度聚类协同深度残差网络的热连轧宽度预测方法，其特征在于，根据标准化数据大小和样本的特征总数设置邻域半径eps，根据数据点总数设置密度阈值Minpts。