[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

说明书

本发明提供一种基于深度学习的带钢精轧宽展预测方法和系统。该方法首先将数值型数据转化为图像数据，然后通过卷积神经网络来提取图像特征，实现强特征提取，并有效地降低带钢精轧过程中巨量的数据维度，同时加入批归一化层，加速了网络模型的收敛，避免了过拟合现象的出现。最后通过构建的深度神经网络模型进行预测，通过该种方法实现了将一维的数值数据转变为了二维的图像数据，而二维的图像数据中的信息更加丰富，能够获得的有效信息更多。本发明提出的新方法可以提高模型的收敛速度，避免了前期冗杂的数据预处理过程，提升了模型的泛化能力和预测精度，对热轧带钢的宽展预测具有十分重要的意义。

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精轧宽展预测方法和系统。

背景技术

长期以来，我国的钢铁产能和产量都处于世界领先位置，但随着国内粗钢产能过剩以及人们对钢材更高的要求，竞争激烈的钢铁企业开始关注高品质、高质量的钢铁产品。热轧带钢由于不仅可以作为热轧钢板直接应用，也能作为冷轧钢的胚料，具有较为广泛的应用而受到了较多关注，如汽车制造、电机、船舶、化工等行业领域。伴随着近几年来我国的热轧轧机设备的技术水平取到了巨大的进步，发展高质量、高精度的热轧带钢成为了热门的话题。

在带钢精轧的过程中，板带的宽度精度是衡量热轧带钢产品的一种重要质量指标，提高板带的宽度精度不仅能提升胚料的成材率，也能为后续的加工提供有利的条件。随着钢铁行业对轧制工艺的不断改进，带钢连轧工艺增加了中间胚的厚度并且提高了精轧温度，这就导致了精轧区的压下量变大，材料在精轧过程中的宽度变化成为了不可忽视的部分，同时又由于板料进行精轧区时的厚度小，难以实施有效的宽度控制，因此精确的设定粗轧区的目标宽度，才能有效控制精轧的出口宽度。通常，粗轧区的宽度设定需要考虑到精轧机出口目标宽度和精轧过程中宽度变化量的总和。精轧区的宽度精度对总体的宽度精度控制影响较大，为了满足最终产品的精度要求，对精轧区的宽展进行预测有着至关重要的作用。

传统的热轧带钢的宽展预测主要采用经验公式模型、浅层神经网络建模等方法。在实际工业生产中，通常采用经验公式对精轧过程中的宽展进行预测，但由于经验公式模型中大多描述的都是理想状态，并且材料的特性在实际生产中是在不断变化的，加上材料的检测仪器存在着一定的误差，就这造成了经验公式模型存在着计算精度较差、计算速度慢、效率低、不能够满足实际生产中的各类复杂情况等问题。

神经网络可以构建非线性关系模型并具有自适应、自学习的能力，并且考虑到精轧过程中影响带钢自由宽展的因素众多，如各个机架的轧制温度和轧制过程参数、钢材种类、轧辊尺寸以及表面状态等，且各个因素之间关系复杂。神经网络在带钢热连轧精轧过程宽展预测中逐步展现出优势，但浅层神经网络在进行预测的过程中容易出现过拟合、学习效率低、学习速度慢等问题，且在面对维度和数量巨大的样本数据时，浅层神经网络往往计算时间过长，预测不准确等情况，甚至可能会出现梯度爆炸问题。结合深度神经网络(DeepNeural Networks,DNN)模型不仅可以处理复杂的非线性问题，实现强特征的提取，同时与浅层网络相比，模型的泛化能力更好，学习效率和速度也更高。因此，基于深度神经网络的带钢自由宽展预测，具有更好地应用前景。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的带钢精轧宽展预测方法和系统，本发明能够针对性的解决现有的问题。

本发明的关键在于提出了一种新的宽展预测模型结构，提出用CNN对宽展生产数值数据转换后的图像数据进行特征提取。其中CNN实现特征的强提取与降维，有效减少了前期复杂的数据处理工作，同时数据特征提取能力大大提高；BN层的引入避免了过拟合等问题的出现，提升了模型的收敛速度；DNN提升了模型的深度，提高了预测精度，预测结果准确性大大提高。

基于上述目的，本发明提出了一种基于深度学习的带钢精轧宽展预测方法，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；