[發明專利]一種基于關聯神經網絡的熱軋卷取溫度預報方法

有效

• 申請號: 201310403188.X
• 申請日: 2013-09-06
• 公開（公告）號: CN103464475A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 柴明亮;王軍生;劉寶權;張巖;侯永剛;秦大偉;李連成;費靜;宋君;金耀輝
• 申請（專利權）人: 鞍鋼股份有限公司
• 主分類號: B21B37/74
• 分類號: B21B37/74
• 代理公司: 鞍山華惠專利事務所 21213
• 代理人: 趙長芳

技術領域

本發明屬于溫度自動控制領域，特別涉及一種基于關聯神經網絡的熱軋卷取溫度預報方法。

背景技術

熱軋卷取溫度對帶鋼的物理組織影響很大，其控制的精度將直接影響帶鋼的力學性能、物理性能和加工性能。所以保證帶鋼的卷取溫度達到目標控制的范圍，一直是熱連軋領域關注的重要課題之一。然而，卷取溫度控制系統是一個大滯后、多變量、強耦合、強非線性的復雜系統，難以建立精確的數學模型進行控制。

基于熱傳導的原理與現代技術的融合，開發出了許多控制冷卻模型。意大利ANSALDO?INDUSTRIA?公司開發的數學模型是基于傳熱學中的常物性、無內熱源的一維非穩態導熱微分方程，主要應用在攀鋼熱軋廠。德國SIMENS?公司開發的數學模型是基于忽略內部熱阻的非穩態、有內熱源的導熱微分方程，主要應用于鞍鋼熱軋廠、本鋼1700mm?熱連軋廠和寶鋼2050mm?熱連軋廠。美國GE?公司開發的數學模型綜合了熱傳導、對流和輻射傳熱,?采用有限差分法(節點是沿厚度方向劃分的)?,?對每一節點而言,?根據能量守恒定律,輻射、對流和傳導熱流量之和等于節點能量的變化率。主要應用于本鋼1700mm?熱連軋。前述幾種模型分析在理論上基本一致,最大區別在于對流換熱系數的確定。由于對流換熱系數與軋件(溫度、速度、厚度、材質和表面質量等)?、冷卻介質(冷卻方式、水溫、水質和噴水強度等)?以及冷卻設備的布置等有密切關系,因此很難有一個統一的關系式。

在熱軋板生產過程中積累了大量的數據，長期以來并沒有很好的為人們所利用，數據挖掘就是這樣一種從數據中挖掘知識的現代技術，數據挖掘就是從大量的﹑不完全的、有噪聲的﹑模糊的、隨機的數據中，提取隱含在其中的﹑人們事先不知道的﹑但又是潛在的有用信息和知識的過程。數據挖掘的主要方法：關聯規則、神經網絡、?統計方法、決策樹、?K-近鄰法﹑遺傳算法﹑數據可視化、OLAP聯機分析等。關聯規則無疑是數據挖掘中最重要的方法之一。關聯規則數據挖掘就是發現數據中項集之間有趣的關聯和相關聯系，這種發現的相關關系可以幫助進行商務決策等。

Apriori算法是一種最有影響的挖掘布爾關聯規則頻繁項集的算法。首先,簡單統計所有含一個元素項目集出現的頻率,并找出那些不小于最小支持度的項目集,?即一維最大項目集。其次，開始循環處理直到再沒有最大項目集生成。循環過程是:?第k步,?根據第k-1步生成的(k-1)維最大項目集產生k維侯選項目集,?然后對數據庫進行搜索,?得到侯選項目集的項集支持度,?與最小支持度比較,?從而找到k維最大項目集。一旦由數據庫D中的事務找出頻繁項集，則由這些頻繁項集產生強關聯規則。

發明內容

本發明提供一種利用影響度標準來進行熱軋卷取溫度關聯性數據挖掘，賦予各影響因素不同的權重，解決不同因素在卷取溫度預報中影響程度不同而帶給卷取溫度預測不精確的問題，從而提高卷取溫度預報精度的基于關聯神經網絡的熱軋卷取溫度預報方法。

為此，本發明所采取的解決方案是：

一種基于關聯神經網絡的熱軋卷取溫度預報方法，其具體方法和步驟為：

????1、數據預處理

通過熱軋機生產現場PDA終端進行數據采集，數據包括帶鋼厚度H、軋制速度V、終軋溫度T₁、帶鋼寬度W、超快冷閥門開啟數N₁、層流閥門開啟數N₂、超快冷入口溫度T₂、目標卷取溫度T₃，采用歸一化和空缺值填充方法進行數據預處理；

2、影響度數據挖掘

影響度：構造輸入矩陣[H，V，T₁，W，N₁，N₂，T₂，T_3?]，輸出矩陣[T]；為了挖掘H的影響度，假定[V，T₁，W，N₁，N₂，T₂，T₃]不變，H增加1個單位，增加前卷取溫度為T_前，增加后卷取溫度為T_后，定義???????????????????????????????????????????????為H的影響度，