[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

说明书

本发明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，包括：采集热连轧粗轧过程中的历史生产数据；选取主要影响参数类别的生产数据作为模型的输入；将历史生产数据进行预处理，得到标准化数据；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；对于各类簇，将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，得到各类簇的深度残差网络结构；将实时采集的生产数据标准化处理后送入所属类簇的深度残差网络模型进行预测，得到粗轧宽度预测结果。该方法结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。

技术领域

本发明属于轧钢控制技术领域，涉及基于密度聚类协同深度残差网络的热连轧宽度预测方法。

背景技术

热轧带钢的宽度精度是评价轧制钢板的重要质量指标，直接影响带钢产品的质量和产量。良好的宽度精度不仅可以减少加工中的切头切尾和切边损耗，还能有效提高成材率和生产效率。由于控制模型的设定精度直接决定了加工后的宽度精度，因此，准确的设定控制模型对板带钢生产十分重要。

由于轧制过程存在非线性、强耦合和生产环境复杂等因素，进行准确的参数预测十分困难。在当前生产过程中存在频繁的换规格和换辊现象，为精准预测进一步增加了难度。传统的基于数学和物理模型的预测方法存在很多假设和简化，预测的误差较大，难以满足实际需求。随着智能化发展，神经网络逐渐应用于轧制过程中的预测，相比传统模型在预测精度上有所提升，但受限于浅层网络的结构在预测精度上仍有提升空间。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于密度聚类协同深度残差网络的热连轧宽度预测方法，结合密度聚类算法的基础上，采用深度残差网络结构进行预测，提高了带钢宽度的预测精度。

本发明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，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。

在本发明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中，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。

在本发明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中，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。