[发明专利]一种基于深度学习的带钢精轧宽展预测方法和系统

权利要求书

1.一种基于深度学习的带钢精轧宽展预测方法，其特征在于，包括：

步骤一：通过热连轧数据采集系统对热连轧精轧生产机组在轧制过程中的轧制参数进行实时采集；

步骤二：对样本数据进行清洗，处理异常值、缺失值和重复值；

步骤三：通过独热编码对所述样本数据中的类别特征变量进行编码处理，得到矩阵元素为0或1的矩阵；

步骤四：对所述步骤三处理后的样本数据进行标准化处理，使得各数据数量级一致；

步骤五：根据所述轧制参数的影响因子数目，确定图像尺寸大小，即图像的长和宽；

步骤六：将所述轧制参数的影响因子按从左至右、从上而下的顺序依次填入图像的每一个像素点，直至所有的像素点被填满为止将所述样本数据由一维数值型数据转换为二维图像型数据；

步骤七：将步骤六处理后的二维图像型数据划分为训练集和预测集；

步骤八：将所述训练集输入至卷积神经网络，利用不同的卷积核所代表的不同特征规则实现特征的提取；在卷积层和池化层之间设置批量归一化层，经过池化层的池化生成新的融合特征样本；

步骤九：将所述融合特征样本输入至预先构建的深度神经网络模型，并依据预测结果进行优化，确定深度神经网络模型的结构；

步骤十：将优化后的深度神经网络模型作为最终的预测模型，将所述预测集输入至所述预测模型中，得出预测结果。

2.根据权利要求1所述的方法，其特征在于，

所述轧制参数至少包括：带钢宽度、厚度、轧辊状态、和轧制各时间段的温度。

3.根据权利要求1所述的方法，其特征在于，

所述重复值采用删除/合并的方法保留其中一种变量，缺失值采用平均数填充，异常值选用拉伊达准则进行筛选，将超出三倍标准差的数据视为异常，直接删除。

4.根据权利要求1所述的方法，其特征在于，

所述图像的长和宽的乘积远大于所述影响因子数目。

5.根据权利要求1所述的方法，其特征在于，

所述二维图像型数据以灰度图像的形式存储。

6.根据权利要求3所述的方法，其特征在于，

所述步骤二包括：

利用公式(1)所述的拉伊达准则作为筛选标准，将符合该筛选标准的数据判定为异常数据并剔除：

|x_i-μ|＞3σ               (1)

式中：x_i表示样本数据中任意一个变量的数值；i＝1，2，3，…；μ为x_i的均值；σ为x_i的标准差。

7.根据权利要求1所述的方法，其特征在于，

所述步骤四包括：

利用公式(2)所述的标准差标准化法消除各变量数据单位量纲的差异：

式中：x_i表示样本数据中任意一个变量的数值；i＝1，2，3，…；μ为x_i的均值；σ为x_i的标准差；X′为x_i标准化后的样本。