[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

本發明公開了基于改進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，屬于深度學習技術領域，包括確定鋼卷制作工藝，采集鋼卷制作工藝中的數據；將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；根據輸入數據和輸出數據對綜合模型進行訓練；訓練好的綜合模型能實時預測生產出鋼卷質量；綜合模型實時預測的鋼卷質量存在缺陷，調整工藝參數，使得鋼卷避免存在缺陷。本發明可在提前預判缺陷和及時彌補缺陷，最大和最迅速的降低最終形成的鋼卷的質量，把質量缺陷降到最低。

技術領域

本發明涉及深度學習技術領域，尤其涉及基于改進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。

背景技術

目前針對熱軋線鋼卷能預測質量，但是并不能實施工藝參數動態調整，例如有以下幾種方案進行質量預測：

專利號:CN 102033523 A基于偏最小二乘的方法進行帶鋼質量預測、爐況預警與故障診斷方法。該方法首先要判斷當前生產的帶鋼的調制度，調用對應型號的模型參數；然后再將采集來的數據進行標準化處理，分別求取帶鋼頭部和尾部歷經，帶入離線模型中，預測帶鋼頭部和尾部硬度，從而預測帶鋼的質量。該技術的缺點在于每次獲得的數據必須通過現場采集，同時模型是離線模型，不具備學習功能，當數據變化以后，模型還是屬于最小二乘算法為本質建立起來的模型，僅僅可以提供回歸預測，準確度并不一定能達到最優。

專利號:CN110264079A該方法主要運用人工神經網絡中的CNN算法和Lasso的回歸模型進行熱軋產品的質量預測，該方法在基于歷史數據的基礎上，對數據進行清洗，建模，并將訓練數據的關鍵輸入變量代入特征向量模型，得到用于代入Lasso回歸模型的輸入變量；確定Lasso回歸模型最優的正則化因子，并利用S3中的輸入變量對Lasso回歸模型進行訓練，得到未修正的混合預測模型加以預測。該方法的缺點在于CNN模型不具備時序預測功能，同時模型是基于歷史數據的基礎上進行訓練的，另外每套數據必須進行清洗和歸一化，這樣造成數據的處理工作量大大提升，不利于快速得到一套合適的模型。同時模型不具備動態的進行調整功能，屬于離線模擬的模型狀態。

發明內容

針對上述問題中存在的不足之處，本發明提供基于改進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。

為實現上述目的，本發明提供基于改進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方法，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。

優選的是，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：