[发明专利]一种基于流数据的动态轻压下控制方法

摘要

本发明涉及一种基于流数据的动态轻压下控制方法，通过采集连铸生产线的生产工艺参数并进行归一化处理，得到数据矩阵；利用数据矩阵构建训练样本集和预测样本集；利用训练样本集训练得到对应的回归函数，并建立对应的预测模型；将预测样本集代入预测模型，得到预测结果；对预测结果进行数据处理，得到预测压下量值；利用预测压下量值进行压下量调整，直至实际压下量与预测压下量值相等，完成基于流数据的动态轻压下控制。本发明在压下量的调整中，大幅度的减少了外界干扰对于压下量的影响，实现了压下量调整的人工智能化，降低了生产成本，提高了产品质量。

主权项

1.一种基于流数据的动态轻压下控制方法，其特征在于：包括以下步骤：(1)采集连铸生产线的生产工艺参数；(2)对采集的数据进行归一化处理，得到数据矩阵X；(3)利用数据矩阵X构建训练样本集和预测样本集；(4)利用训练样本集训练得到对应的回归函数，并建立对应的预测模型；(5)将预测样本集代入预测模型，得到预测结果；(6)对预测结果进行数据处理，得到预测压下量值；(7)利用预测压下量值进行压下量调整，直至实际压下量与预测压下量值相等，完成基于流数据的动态轻压下控制；步骤(1)中采集的生产工艺参数包括二冷水进水压力、中间包钢水温度、过热度、拉速、振动频率、振动幅值、传动辊压力、结晶器液位、结晶器宽面压力和结晶器宽面水流量；步骤(2)的数据归一化具体包括：(201)假设是是由采集到的工艺参数组成的一个数据矩阵，且数据矩阵有n行m列，其中，每一列对应着一个工艺参数，每一行对应着一个数据样本，则(202)对于数据矩阵对其归一化的数学表达式如下：其中，为任意一组输入检测向量中的第m维工艺参数，X_nm是归一化后的数据，为数据样本最大值，为数据样本最小值；步骤(3)中构建训练样本集和预测样本集，具体包括以下步骤：对归一化的数据矩阵中的数据添加标签量，得到数据库D＝{(x1,y1),(x2,y2),...,(xi,yi)},yi∈{+1,‑1}，i为数据矩阵中的历史数据数量，则：第一次选取的训练样本集为D1＝{(x1,y1),(x2,y2),...,(xi‑1,yi‑1)},yi∈{+1,‑1}，第一次选取的预测样本集为D1'＝{(xi,yi)},yi∈{+1,‑1}；第二次选取的训练样本集为D2＝{(x2,y2),(x3,y3),...,(xi,yi)},yi∈{+1,‑1}，第二次选取的预测样本集为D2'＝{(x1,y1)},yi∈{+1,‑1}；第三次选取的训练样本集为D3＝{(x1,y1),(x3,y3),...,(xi,yi)},yi∈{+1,‑1}，第三次选取的预测样本集为D3'＝{(x2,y2)},yi∈{+1,‑1}；依次类推，每次取i‑1个历史数据作为训练样本集，剩余一个历史数据作为预测样本集；步骤(4)构建回归函数和预测模型的具体步骤包括：(401)给定训练样本集N为训练样本集中的样本数，训练样本集的分离超平面对应方程h(x)＝ω·x+b    (4‑1)其中，x为输入向量，ω为权值，b为偏置；训练样本集相应的分类决策函数为sign(h(x))    (4‑2)(402)训练样本集线性可分时，用一条或者几条直线把属于不同类别的样本点分开，其最大间隔γ满足由上得到目标函数：s.t.yi(ω·xi+b)‑1≥0,i＝1,2,,...,N    (4‑7)(403)对每个样本点引入一个松弛变量ξi≥0，使得yi(ω·xi+b)≥1‑ξi    (4‑8)对每个松弛变量ξ_i，支付一个代价ξ_i，则目标函数变为其中C＞0为惩罚因子；(404)构造Lagrange函数：其中，αi≥0,i＝1,2,...,N为拉格朗日乘子，N为训练样本集中的样本数；(405)根据Karush‑Kuhn‑Tucker条件，对ω,b,ξ分别求偏微分，并令其等于0，得：αi(yi(ω·xi+b)‑1)＝0,i＝1,2,...,N    (4‑13)yi(ω·xi+b)‑1≥0,i＝1,2,...,N    (4‑14)αi≥0,i＝1,2,...,N    (4‑15)由此分离超平面为：分类决策函数为：yj为支持向量；(406)引入核函数其中g为核函数系数；此时，公式(4‑17)变为得到预测模型；步骤(6)对预测结果进行反归一化之后得到预测压下量值。