[發明專利]基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法及系統

有效

• 申請號: 202110252202.5
• 申請日: 2021-03-08
• 公開（公告）號: CN113033974B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 余炯
• 申請（專利權）人: 華院計算技術（上海）股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 林聰源

1.一種基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法，其特征在于，包括：

確定鋼卷生產制作工藝，采集所述鋼卷生產制作工藝中的數據；

將所述數據按照因果關系分為輸入數據和輸出數據；

根據深度學習原理，將深度學習模型和機理模型串聯構建綜合模型；

根據所述輸入數據和輸出數據對所述綜合模型進行訓練；

訓練好的所述綜合模型能實時預測生產出所述鋼卷質量；

所述綜合模型實時預測的所述鋼卷質量存在缺陷，調整預測工藝參數，使得所述鋼卷避免存在所述缺陷；

所述深度學習模型為改進LSTM網絡模型，其建立步驟包括：

基于一維的LSTM網絡結構，包括每個所述輸入數據的權重W₁、W₂……W_n和偏移系數h₁、h₂……h_n；

在所述一維的LSTM網絡結構疊加所述一維的LSTM網絡結構，使得LSTM網絡結構包括權重W₁₁、W₂₁…… W_n1和偏移系數h₁₁,h₂₁…… h_n1；

重復疊加所述一維的LSTM網絡結構，直至匹配到輸入二維數據維度N，并獲得N維-1維LSTM網絡結構；

將所述N維-1維LSTM網絡結構的輸出端均接入softmax函數。

2.如權利要求1所述的基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法，其特征在于，所述輸入數據包括：

機組的生產工藝數據：機組的速度，鋼板的出爐溫度、軋制前溫度、初軋溫度、軋制力、壓下行程、軋制道次、冷卻長度、卷徑；

設備的運行參數：加熱爐進鋼機的行程、速度、功率、振動頻率、初軋機的轉速、電壓、功率、除鱗設備的溫度、壓力、電流、精軋機的電流、電壓、轉速、功率；

鋼卷數據：初始鋼坯的長寬高、進加熱爐溫度、出加熱爐溫度、進軋機前溫度，厚度、長度、出軋機溫度、厚度、長度、進軋機速度、出軋機速度、冷卻溫度、冷卻時間、卷曲溫度、卷曲時間、卷曲長度、卷徑長度；

所述輸出數據包括：

鋼卷質量缺陷數據：缺陷類型、缺陷檢測時間、缺陷分類、缺陷發生位置、發生缺陷原因、缺陷跟蹤。

3.如權利要求1所述的基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法，其特征在于，根據所述深度學習模型，構建輸入所述深度學習模型的二維時序矩陣數據：

根據所述鋼卷制作工藝，制作數據表格，并將所述輸入數據和所述輸出數據對應填寫到所述數據表格內。

4.如權利要求3所述的基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法，其特征在于，根據所述輸入數據和輸出數據對所述綜合模型進行訓練的步驟包括：

對所述輸入數據和所述輸出數據進行預處理，包括去除異常數據和數據雜質；

對經過預處理后的所述輸入數據進行標準化和歸一化處理；

分別設置輸入數據對所述輸入數據的權重，即機組的工藝數據的權重為WD₁，所述設備的運行參數的權重為WD₂，所述鋼卷數據的權重為WD₃，且所述權重WD₁、WD₂、WD₃∈(0,1)；

基于所述權重WD₁、WD₂、WD₃，將所述輸入數據和所述輸出數據進行訓練，得到所述綜合模型。

5.如權利要求1所述的基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法，其特征在于，所述鋼卷生產制作工藝的步驟依次包括：

連鑄板坯、加熱爐、板坯出爐、邊部加熱、高壓水除磷、側壓機、粗軋機組、保溫輥道、切頭飛剪、二次除磷、精軋機組、層流冷卻、卷取機、打捆稱重、機器人噴印。

6.如權利要求1-5任一項所述的基于改進LSTM網絡的數字鋼卷特征質量預測及工藝參數動態調整方法的系統，其特征在于，包括：

采集模塊，用于確定鋼卷生產制作工藝，采集所述鋼卷生產制作工藝中的數據，將所述數據按照因果關系分為輸入數據和輸出數據；

綜合模型，用于根據深度學習原理，將深度學習模型和機理模型串聯構建綜合模型；根據所述輸入數據和輸出數據對所述綜合模型進行訓練；訓練好的所述綜合模型能實時預測生產出所述鋼卷質量；

調整模塊，用于根據所述綜合模型實時預測的所述鋼卷質量存在缺陷，調整預測工藝參數，使得所述鋼卷避免存在所述缺陷。