CN117753795A - 一种针对多钢种、多规格热轧产品的前馈控制方法 - Google Patents
一种针对多钢种、多规格热轧产品的前馈控制方法 Download PDFInfo
- Publication number
- CN117753795A CN117753795A CN202410174371.5A CN202410174371A CN117753795A CN 117753795 A CN117753795 A CN 117753795A CN 202410174371 A CN202410174371 A CN 202410174371A CN 117753795 A CN117753795 A CN 117753795A
- Authority
- CN
- China
- Prior art keywords
- hot rolled
- adopting
- candidate
- pool
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000002436 steel type Substances 0.000 title abstract description 9
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 58
- 239000010959 steel Substances 0.000 claims abstract description 58
- 238000005096 rolling process Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000005098 hot rolling Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 6
- 230000001373 regressive effect Effects 0.000 claims description 27
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004138 cluster model Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000005452 bending Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013000 roll bending Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000000195 production control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种针对多钢种、多规格热轧产品的前馈控制方法,涉及钢铁轧制技术领域,本发明考虑了针对多钢种、多规格热轧产品的鲁棒控制,提出了采用聚类方法将多钢种、多规格的热轧产品聚类为不同的簇,并为每个簇选择一个最优预测模型;采用模型融合技术,将不同簇的模型进行融合;并根据预测质量和目标质量的残差,采用哈里斯鹰优化算法对各机架轧制参数进行前馈动态修正。本发明提出的针对多钢种、多规格热轧产品质量前馈控制方法弥补了传统方法的缺陷,提升了热轧生产的控制精度。
Description
技术领域
本发明涉及钢铁轧制技术领域,尤其涉及一种针对多钢种、多规格热轧产品的前馈控制方法。
背景技术
在钢铁工业中,生产过程包含众多工序,下游工序常常受上游工序品质的影响,使得整个生产过程具有遗传性、非线性和强耦合性。有效地实现钢铁生产各工序生产品质的精准预测和智能控制,可以提升生产效率,防止出现批量缺陷带材节约成本。
目前,随着计算机技术的发展,计算机技术在热轧生产的控制中得到了应用。中国专利“CN 103934278 B一种热轧精轧带钢厚度控制方法”根据机架的轧制实绩值数据的检测值,计算机架出口的带钢厚度;跟踪机架的计算带钢厚度数据到达机架的时刻,结合机架的轧制实绩值数据,实时计算带钢通过机架时的塑性系数,进而确定机架辊缝调节量,对带钢厚度进行实时前馈控制;中国专利“CN103920719A热轧板形的凸度控制方法”计算当前控制周期内精轧机组出口输出带钢的凸度偏差,再根据所得的凸度偏差,计算精轧机组中前六个精轧机架各自得分配凸度偏差,最后计算各精轧机架的弯辊调整量,并对其弯辊力进行调整,实现对带钢凸度精准稳定的控制;中国专利“CN109550794 A一种用于热轧精轧出口温度的前馈控制方法”通过调整粗调喷水来纠正预测的终轧温度控制误差,利用精轧入口高温计检测数据对各机架间冷却水嘴开口度进行前馈调整;中国专利“CN116765148A一种用于带钢带钢凸度纵向分布的控制方法”基于测厚仪对带钢板进行出口带钢凸度检测和结果分析,对CVC机架的工作辊横移量和轧机弯辊力进行设置,对带钢带钢凸度纵向分布衰减进行控制,能够为带钢凸度控制提供更大的工作辊横移量和弯辊力调控窗口;中国专利“CN110293135 B一种粗轧宽度动态前馈控制方法”利用粗轧中间道次宽度测量数据,动态识别带钢全长宽度失宽情况,采用全长多点设定控制方法,尽可能在后续道次中补偿宽度失宽情况,解决了带钢全长方向不均匀问题。
目前,上述研究中热轧生产控制方法取得一定成果,但还存在一定缺陷。以上研究往往采用传统的经验模型计算热轧产品质量,模型中引入较多待定系数,造成计算结果有一定偏差,进而影响控制精度。此外,上述研究往往没有考虑多钢种和多规格的复杂热轧钢铁产品数据,使得这些方法无法所有类型的热轧产品进行鲁棒的控制。
发明内容
针对现有技术的不足,本发明提供一种针对多钢种、多规格热轧产品的前馈控制方法。旨在通过聚类技术挖掘包含多钢种多规格产品的热轧大数据的隐含数据结构,将多钢种多规格产品聚类为多个不同的簇;基于聚类结果,采用融合模型技术,为每个簇选择最优的回归器建立预测模型;基于预测结果,采用前馈控制和多目标优化策略,对各机架的轧制参数进行前馈动态修正,以实现热轧生产过程的智能控制。
一种针对多钢种、多规格热轧产品的前馈控制方法,包括以下步骤:
步骤1:建立用于热轧产品质量预测及控制的工业数据集;
步骤1.1:采集生产过程数据、产品质量数据,构建原始数据集;
步骤1.2:采用拉依达准则对原始数据集进行异常值剔除处理,公式如下:
3/>
其中是所有样本的平均值,/>为第i个样本,/>是标准差,S为样本的数量,如果数据点与平均值的差的绝对值大于3倍的标准差,则该点将被视为异常值予以剔除;
步骤1.3:采用最大最小缩放进行归一化处理得到标准化数据,公式如下:
其中代表经过异常值剔除后的数据,/>代表标准化数据,/>和/>代表原始数据集中对应的最大值和最小值。
步骤2:针对热轧产品质量预测及控制的工业数据,提出了基于K-Mean++的聚类方法,将多钢种、多规格带钢的数据聚类为不同的簇;
步骤2.1:搭建K-Mean++聚类模型,其原理公式如下:
公式的目标是最小化新选择的簇的质心和所选簇的质心之间的累积距离;式中,表示样本/>在第q个簇中的选择权值,S j 表示第j个簇的质心,/>表示第q个簇,/>为总簇数,/>表示第k簇;
步骤2.2:将轧制工艺参数、带钢来料尺寸以及带钢各钢种的元素前N个元素含量选为聚类特征;
步骤2.3:基于确定的聚类特征,进一步确定聚类簇数;
步骤2.4:采用交叉验证方式对标准化数据进行划分后,根据确定的聚类特征和聚类簇数,实现聚类。
步骤3:构建融合模型的回归器候选池;
所述融合模型为通过结合K-Means++聚类模型以及不同回归器的预测模型,其中不同回归器组成回归器侯选池。
所述回归器候选池中,将极端梯度提升作为第一个候选回归器,将轻型梯度提升机选为第二个候选回归器,将类别梯度提升机选为第三个候选回归器,将自适应增强回归器选为第四个候选回归器,将随机森林选为第五个候选回归器,将极端随机树选为第六个候选回归器,将堆叠回归预测模型选为第七个候选回归器;
步骤4:采用网格搜索策略和交叉验证法,确定回归器候选池中所有回归器的最优超参数,确保融合模型具有最优的预测性能。
步骤5:构建一个针对多钢种、多规格热轧产品质量预测模型,具体步骤如下:
步骤5.1:采用交叉验证法,从回归器候选池中为每一个簇的数据选择一个最优预测模型;
步骤5.2:采用模型融合技术,将各个簇的最优预测模型进行融合,得到一个针对多钢种、多规格热轧产品质量的预测模型;
步骤6:基于热轧产品质量预测模型的产品质量预测结果,采用前馈控制策略,对各机架轧制参数进行调节;
步骤6.1:根据预测质量和目标质量的残差,采用哈里斯鹰优化算法对各机架的轧制参数进行前馈动态修正;
步骤6.2:判断末机架轧制参数调节量是否超限;若超限,则重新进行步骤6.1;若未超限,则采用修正后的轧制参数进行轧制。
采用上述技术方案所产生的有益效果在于:
本发明提供了一种针对多钢种、多规格热轧产品质量前馈控制方法。本发明考虑了针对多钢种、多规格热轧产品的鲁棒控制,提出了采用聚类方法将多钢种、多规格的热轧产品聚类为不同的簇,并为每个簇选择一个最优预测模型;采用模型融合技术,将不同簇的模型进行融合;并根据预测质量和目标质量的残差,采用哈里斯鹰优化算法对各机架轧制参数进行前馈动态修正。本发明提出的针对多钢种、多规格热轧产品质量前馈控制方法弥补了传统方法的缺陷,提升了热轧生产的控制精度。
本发明预测模型的预测精度远高于其它机器学习方法;本发明提出的针对多钢种、多规格热轧产品的前馈控制方法控制效果更好,具有更强的泛化能力且传统控制方法的缺陷,可以广泛地投入到工业生产当中。
附图说明
图1为本发明实施例中多钢种、多规格热轧产品的前馈控制方法的流程图;
图2为本发明实施例中融合模型与单一预测模型的性能对比图;
图3为本发明实施例中热轧带钢凸度的前馈控制流程图;
图4为本发明实施例中热轧过程参数控制前后对比图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
为验证一种多钢种、多规格热轧产品的前馈控制方法的有效性,以热轧带钢凸度为例,将热轧带钢凸度作为目标,对热轧生产过程进行前馈控制。
一种针对多钢种、多规格热轧产品的前馈控制方法,如图1所示,包括以下步骤:
步骤1:建立用于热轧产品质量预测及控制的工业数据集;
步骤1.1:采集生产过程数据、产品质量数据,构建原始数据集;
步骤1.2:采用拉依达准则对原始数据集进行异常值剔除处理,公式如下:
3/>
其中是所有样本的平均值,/>为第i个样本,/>是标准差,S为样本的数量,如果数据点与平均值的差的绝对值大于3倍的标准差,则该点将被视为异常值予以剔除;
步骤1.3:为满足聚类算法的要求以及缓解数据规模和维度对模型预测过程的影响,采用最大最小缩放进行归一化处理得到标准化数据,公式如下:
其中代表经过异常值剔除后的数据,/>代表标准化数据,/>和/>代表原始数据集中对应的最大值和最小值。
本实施例中构建热轧带钢凸度数据集,如表1所示,对凸度数据集进行异常值剔除和归一化,随机提取80%数据作为训练数据,其余数据作为测试数据评估模型性能;
表1
数量 | 入口厚度 (mm) | ... | F1轧制力 (kN) | ... | C含量 (%) | ... | 带钢凸度(μm) |
1 | 44.00 | ... | 20872 | ... | 0.14 | ... | 37.51 |
2 | 44.00 | ... | 20583 | ... | 0.14 | ... | 42.67 |
3 | 44.00 | ... | 20457 | ... | 0.14 | ... | 39.37 |
4 | 56.00 | ... | 20423 | ... | 0.14 | ... | 42.26 |
5 | 44.00 | ... | 20331 | ... | 0.14 | ... | 44.45 |
6 | 34.00 | ... | 20414 | ... | 0.14 | ... | 43.71 |
7 | 44.00 | ... | 20112 | ... | 0.14 | ... | 44.12 |
8 | 44.00 | ... | 20204 | ... | 0.15 | ... | 44.27 |
... | ... | ... | ... | ... | ... | ... | ... |
14410 | 44.00 | ... | 18557 | ... | 0.04 | ... | 40.22 |
14411 | 42.00 | ... | 20872 | ... | 0.03 | ... | 39.50 |
步骤2:针对热轧产品质量预测及控制的工业数据,提出了基于K-Mean++的聚类方法,将多钢种、多规格带钢的数据聚类为不同的簇;
步骤2.1:搭建K-Mean++聚类模型,该模型算法是一种广泛应用于聚类分析的方法。优点包括易于实现,大幅降低大规模数据集的复杂度,以及可以处理不同领域的数据类别划分能力。其原理公式如下:
公式的目标是最小化新选择的簇的质心和所选簇的质心之间的累积距离;式中,表示样本/>在第q个簇中的选择权值,S j 表示第j个簇的质心,/>表示第q个簇,/>为总簇数,/>表示第k簇;
步骤2.2:将轧制工艺参数、带钢来料尺寸以及带钢各钢种的元素前N个元素含量选为聚类特征;本实施例中N=9;
步骤2.3:基于确定的聚类特征,进一步确定聚类簇数;
步骤2.4:采用交叉验证方式对标准化数据进行划分后,根据确定的聚类特征和聚类簇数,实现聚类。
本实施例中采用轮廓系数评价K-Mean++聚类模型的性能,确定聚类簇数为4,公式如下:
式中表示数据点i的剪影系数,其中/>为该数据点与同一簇内其他数据点之间的平均距离,/>为该数据点与所有其他数据子集内的数据点之间平均距离的最小值。
步骤3:考虑建立融合模型的性能和多样性,构建融合模型的回归器候选池;
所述融合模型为通过结合K-Means++聚类模型以及不同回归器的预测模型,其中不同回归器组成回归器侯选池。
所述回归器候选池中,将极端梯度提升作为第一个候选回归器,将轻型梯度提升机选为第二个候选回归器,将类别梯度提升机选为第三个候选回归器,将自适应增强回归器选为第四个候选回归器,将随机森林选为第五个候选回归器,将极端随机树选为第六个候选回归器,将堆叠回归预测模型选为第七个候选回归器;
极端梯度提升(XGBoost, Extreme Gradient Boosting Machine)是一种boosting集成学习算法,可以有效训练大型数据集,具有出色的回归预测性能。因此,将极端梯度提升作为第一个候选回归器;
轻型梯度提升机(LightGBM,Light Gradient Boosting Machine)是boosting集成学习算法,使用基于决策树算法的梯度提升框架,能够在短时间内训练出高性能的模型,处理大规模数据集。因此将轻型梯度提升机选为第二个候选回归器;
类别梯度提升机(CATBoost, Categorical Boosting Machine)是boosting集成学习算法,直接处理类别特征、排序避免过拟合等,从而提高模型的准确性,能够处理各种类型的数据,对异常值和噪声具有较强的鲁棒性。因此将类别梯度提升机选为第三个候选回归器;
自适应增强回归器(ADABoost, Adaptive Boosting Machine)是boosting集成学习算法,根据每次训练集中每个样本的预测误差,以及上次的总体预测误差,来确定每个样本的权值,从而提高模型性能,具有较高的预测精度和抗过拟合能力。因此,将自适应增强回归器选为第四个候选回归器;
随机森林(RF, Random Forest)是一种bagging集成学习算法,具有较好的泛化能力、能够处理高维数据。通过多棵决策树的组合,提高预测的准确性和稳定性。因此将随机森林选为第五个候选回归器;
极端随机树(Extra Trees, Extremely Randomized Trees)也是一种bagging集成学习算法,但不同于随机森林,它采用全部原始数据集训练多个基决策树,每个基决策树的***策略是完全随机的,最终结果通过投票产生,将极端随机树选为第六个候选回归器;
堆叠回归预测模型(Stacking, Stacked Generalization)是一种模型集成方法,将多个基础模型的预测结果作为新的特征输入到一个元模型中,以提高模型的预测能力。还可以通过调整不同的基学习器权重来进一步提高模型的性能,从而适应不同的数据分布和预测任务。因此将堆叠回归预测模型选为第七个候选回归器。
本实施例中采用R2和RMSE评价指标对融合模型超参数调节和模型性能测试,公式如下:
式中为决定性系数,/>为实测值,/>为预测值,m为样本数,/>为实测变量的平均值。
式中为均方根误差,/>是实测值,/>为预测值,/>为实测值的数量。
步骤4:采用网格搜索策略和交叉验证法,确定回归器候选池中所有回归器的最优超参数,确保融合模型具有最优的预测性能。
本实施例中针对不同簇的数据子集,采用交叉验证法和网格搜索策略确定模型候选池中所有模型的主要超参数,如表2所示。
表2
模型 | 簇1 | 簇2 | 簇3 | 簇4 |
RFExtraTrees | n_estimators = 100max_depth= 10 | n_estimators = 50max_depth =17 | n_estimators = 140max_depth= 8 | n_estimators = 80max_depth =15 |
XGBoostLightGBM | n_estimators =130max_depth =6learning_rate = 0.14 | n_estimators =80max_depth =9learning_rate = 0.08 | n_estimators =170max_depth =7learning_rate = 0.1 | n_estimators =110max_depth =10learning_rate = 0.08 |
CATBoost | max_depth = 6learning_rate =0.09 | max_depth = 9learning_rate =0.04 | max_depth = 7learning_rate =0.06 | max_depth = 10learning_rate =0.03 |
ADABoost | n_estimators = 180learning_rate = 0.03 | n_estimators = 70learning_rate = 0.11 | n_estimators = 210learning_rate = 0.02 | n_estimators = 120learning_rate = 0.07 |
步骤5:构建一个针对多钢种、多规格热轧产品质量预测模型,具体步骤如下:
步骤5.1:采用交叉验证法,从回归器候选池中为每一个簇的数据选择一个最优预测模型;
步骤5.2:采用模型融合技术,将各个簇的最优预测模型进行融合,得到一个针对多钢种、多规格热轧产品质量的预测模型;
本实施例中针对聚类后的每个数据子集,利用候选池中模型进行测试,每个簇的数据对应的最佳模型性能对比如表3所示。如图2所示,最终得到融合模型的预测结果R2值为0.969,RMSE值为2.974,对比原始数据集直接采用单一回归策略进行测试的结果发现,融合模型的性能更好。
表3
簇 1 | 簇 2 | 簇 3 | 簇 4 | |||||
R2 | RMSE | R2 | RMSE | R2 | RMSE | R2 | RMSE | |
ADABoost | 0.921 | 3.671 | 0.911 | 3.746 | 0.904 | 3.901 | 0.873 | 4.624 |
XGBoost | 0.942 | 3.377 | 0.927 | 3.675 | 0.938 | 3.464 | 0.897 | 4.341 |
LightGBM | 0.941 | 3.383 | 0.918 | 3.743 | 0.921 | 3.693 | 0.891 | 4.626 |
CATBoost | 0.957 | 2.981 | 0.983 | 3.011 | 0.926 | 3.564 | 0.862 | 4.447 |
Stacking | 0.963 | 3.036 | 0.981 | 3.233 | 0.914 | 3.775 | 0.898 | 4.213 |
RF | 0.932 | 3.470 | 0.971 | 3.510 | 0.907 | 3.959 | 0.842 | 4.591 |
Extra Trees | 0.977 | 2.929 | 0.982 | 3.218 | 0.921 | 3.619 | 0.872 | 4.291 |
步骤6:基于热轧产品质量预测模型的产品质量预测结果,采用前馈控制策略,对各机架轧制参数进行调节;
步骤6.1:根据预测质量和目标质量的残差,采用哈里斯鹰优化算法对各机架的轧制参数进行前馈动态修正;
步骤6.2:判断末机架轧制参数调节量是否超限;若超限,则重新进行步骤6.1;若未超限,则采用修正后的轧制参数进行轧制。
以测试集的第1个样本为例,当带钢轧过1机架后,将1机架的实际参数和后续机架的设定参数带入预测模型进行预测,其预测带钢凸度为43.36μm,目标凸度为40μm。采用哈里斯鹰优化算法对后续机架的设定弯辊力进行前馈控制,前馈控制流程如图3所示。修正后的各机架弯辊力如图4所示,末机架弯辊力的调节量为19kN,未超过调节限制。控制后输出凸度为39.74μm,与目标凸度的残差仅为0.26μm,实现了良好的带钢凸度控制效果,说明本发明可以准确、有效地实现多钢种、多规格热轧产品的智能控制。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,包括以下步骤:
步骤1:建立用于热轧产品质量预测及控制的工业数据集;
步骤2:针对热轧产品质量预测及控制的工业数据,提出了基于K-Mean++的聚类方法,将多钢种、多规格带钢的数据聚类为不同的簇;
步骤3:构建融合模型的回归器候选池;
步骤4:采用网格搜索策略和交叉验证法,确定回归器候选池中所有回归器的最优超参数,确保融合模型具有最优的预测性能;
步骤5:构建针对多钢种、多规格热轧产品质量预测模型;
步骤6:基于热轧产品质量预测模型的产品质量预测结果,采用前馈控制策略,对各机架轧制参数进行调节。
2.根据权利要求1所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,所述步骤1具体包括以下步骤:
步骤1.1:采集生产过程数据、产品质量数据,构建原始数据集;
步骤1.2:采用拉依达准则对原始数据集进行异常值剔除处理,公式如下:
3/> 、/> 、/>其中/>是所有样本的平均值,/>为第i个样本,/>是标准差,S为样本的数量,如果数据点与平均值的差的绝对值大于3倍的标准差,则该点将被视为异常值予以剔除;
步骤1.3:采用最大最小缩放进行归一化处理得到标准化数据,公式如下:
其中,/>代表经过异常值剔除后的数据,/>代表标准化数据,/>和代表原始数据集中对应的最大值和最小值。
3.根据权利要求1所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2.1:搭建K-Mean++聚类模型,其原理公式如下:
公式的目标是最小化新选择的簇的质心和所选簇的质心之间的累积距离;式中,/>表示样本/>在第q个簇中的选择权值,S j 表示第j个簇的质心,/>表示第q个簇,/>为总簇数,/>表示第k簇;
步骤2.2:将轧制工艺参数、带钢来料尺寸以及带钢各钢种的元素前N个元素含量选为聚类特征;
步骤2.3:基于确定的聚类特征,进一步确定聚类簇数;
步骤2.4:采用交叉验证方式对标准化数据进行划分后,根据确定的聚类特征和聚类簇数,实现聚类。
4.根据权利要求1所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,步骤3中所述融合模型为通过结合K-Means++聚类模型以及不同回归器的预测模型,其中不同回归器组成回归器侯选池。
5.根据权利要求4所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,所述回归器候选池中,将极端梯度提升作为第一个候选回归器,将轻型梯度提升机选为第二个候选回归器,将类别梯度提升机选为第三个候选回归器,将自适应增强回归器选为第四个候选回归器,将随机森林选为第五个候选回归器,将极端随机树选为第六个候选回归器,将堆叠回归预测模型选为第七个候选回归器。
6.根据权利要求1所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,所述步骤5具体包括以下步骤:
步骤5.1:采用交叉验证法,从回归器候选池中为每一个簇的数据选择一个最优预测模型;
步骤5.2:采用模型融合技术,将各个簇的最优预测模型进行融合,得到一个针对多钢种、多规格热轧产品质量的预测模型。
7.根据权利要求1所述的一种针对多钢种、多规格热轧产品的前馈控制方法,其特征在于,所述步骤6具体包括以下步骤:
步骤6.1:根据预测质量和目标质量的残差,采用哈里斯鹰优化算法对各机架的轧制参数进行前馈动态修正;
步骤6.2:判断末机架轧制参数调节量是否超限;若超限,则重新进行步骤6.1;若未超限,则采用修正后的轧制参数进行轧制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174371.5A CN117753795B (zh) | 2024-02-07 | 2024-02-07 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174371.5A CN117753795B (zh) | 2024-02-07 | 2024-02-07 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117753795A true CN117753795A (zh) | 2024-03-26 |
CN117753795B CN117753795B (zh) | 2024-05-31 |
Family
ID=90314686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410174371.5A Active CN117753795B (zh) | 2024-02-07 | 2024-02-07 | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117753795B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
CN111275136A (zh) * | 2020-03-13 | 2020-06-12 | 安图实验仪器(郑州)有限公司 | 基于小样本下的故障预测***及其预警方法 |
CN114971064A (zh) * | 2022-06-14 | 2022-08-30 | 冶金自动化研究设计院有限公司 | 基于NGBoost算法的热轧带钢表面缺陷预测方法 |
CN115034437A (zh) * | 2022-05-11 | 2022-09-09 | 燕山大学 | 一种基于改进XGBoost的热轧板凸度预测方法 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN116796646A (zh) * | 2023-07-13 | 2023-09-22 | 太原科技大学 | 一种热连轧机振动预测方法 |
CN117724433A (zh) * | 2024-02-07 | 2024-03-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
-
2024
- 2024-02-07 CN CN202410174371.5A patent/CN117753795B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740467A (zh) * | 2016-03-07 | 2016-07-06 | 东北大学 | 一种C-Mn钢工业大数据的挖掘方法 |
CN110929347A (zh) * | 2019-10-25 | 2020-03-27 | 东北大学 | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 |
CN111275136A (zh) * | 2020-03-13 | 2020-06-12 | 安图实验仪器(郑州)有限公司 | 基于小样本下的故障预测***及其预警方法 |
WO2023130666A1 (zh) * | 2022-01-04 | 2023-07-13 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
CN115034437A (zh) * | 2022-05-11 | 2022-09-09 | 燕山大学 | 一种基于改进XGBoost的热轧板凸度预测方法 |
CN114971064A (zh) * | 2022-06-14 | 2022-08-30 | 冶金自动化研究设计院有限公司 | 基于NGBoost算法的热轧带钢表面缺陷预测方法 |
CN116796646A (zh) * | 2023-07-13 | 2023-09-22 | 太原科技大学 | 一种热连轧机振动预测方法 |
CN117724433A (zh) * | 2024-02-07 | 2024-03-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117753795B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN113011491A (zh) | 一种主成分分析协同随机森林的热连轧带钢宽度预测方法 | |
CN110773573B (zh) | 一种板形调控功效系数实测数据处理方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN113434994B (zh) | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
CN113102516A (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
Zhao et al. | Prediction of mechanical properties of cold rolled strip based on improved extreme random tree | |
CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
CN117753795B (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 | |
CN113290061A (zh) | 一种基于锆合金的多轧程多道次变形制度设计方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN115106384A (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |