一种基于关联神经网络的热轧卷取温度预报方法

摘要

本发明提供一种基于关联神经网络的热轧卷取温度预报方法，通过PDA终端对带钢厚度H、轧制速度V、终轧温度T1、带钢宽度W、超快冷阀门开启数N1、层流阀门开启数N2、超快冷入口温度T2、目标卷取温度T3数据进行采集，构造输入矩阵[H，V，T1，W，N1，N2，T2，T3]，输出矩阵[T]；假定[V，T1，W，N1，N2，T2，T3]不变，定义Y为H的影响度，按照影响度大小，把相应的影响度赋予输入端与隐含层的权值以及隐含层与输出层的权值，构建三层ASBP神经网络，输出实际卷取温度，并进行ASBP神经网络训练，采用实际测试数据进行卷取温度的预报。本方法可将卷取温度预报误差从-20℃～20℃提高到-10℃～10℃，使卷取温度控制更加准确。

说明书

技术领域

本发明属于温度自动控制领域，特别涉及一种基于关联神经网络的热轧卷取温度预报方法。

背景技术

热轧卷取温度对带钢的物理组织影响很大，其控制的精度将直接影响带钢的力学性能、物理性能和加工性能。所以保证带钢的卷取温度达到目标控制的范围，一直是热连轧领域关注的重要课题之一。然而，卷取温度控制系统是一个大滞后、多变量、强耦合、强非线性的复杂系统，难以建立精确的数学模型进行控制。

基于热传导的原理与现代技术的融合，开发出了许多控制冷却模型。意大利ANSALDO INDUSTRIA 公司开发的数学模型是基于传热学中的常物性、无内热源的一维非稳态导热微分方程，主要应用在攀钢热轧厂。德国SIMENS 公司开发的数学模型是基于忽略内部热阻的非稳态、有内热源的导热微分方程，主要应用于鞍钢热轧厂、本钢1700mm 热连轧厂和宝钢2050mm 热连轧厂。美国GE 公司开发的数学模型综合了热传导、对流和辐射传热, 采用有限差分法(节点是沿厚度方向划分的) , 对每一节点而言, 根据能量守恒定律,辐射、对流和传导热流量之和等于节点能量的变化率。主要应用于本钢1700mm 热连轧。前述几种模型分析在理论上基本一致,最大区别在于对流换热系数的确定。由于对流换热系数与轧件(温度、速度、厚度、材质和表面质量等) 、冷却介质(冷却方式、水温、水质和喷水强度等) 以及冷却设备的布置等有密切关系,因此很难有一个统一的关系式。

在热轧板生产过程中积累了大量的数据，长期以来并没有很好的为人们所利用，数据挖掘就是这样一种从数据中挖掘知识的现代技术，数据挖掘就是从大量的﹑不完全的、有噪声的﹑模糊的、随机的数据中，提取隐含在其中的﹑人们事先不知道的﹑但又是潜在的有用信息和知识的过程。数据挖掘的主要方法：关联规则、神经网络、 统计方法、决策树、 K-近邻法﹑遗传算法﹑数据可视化、OLAP联机分析等。关联规则无疑是数据挖掘中最重要的方法之一。关联规则数据挖掘就是发现数据中项集之间有趣的关联和相关联系，这种发现的相关关系可以帮助进行商务决策等。

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。首先,简单统计所有含一个元素项目集出现的频率,并找出那些不小于最小支持度的项目集, 即一维最大项目集。其次，开始循环处理直到再没有最大项目集生成。循环过程是: 第k步, 根据第k-1步生成的(k-1)维最大项目集产生k维侯选项目集, 然后对数据库进行搜索, 得到侯选项目集的项集支持度, 与最小支持度比较, 从而找到k维最大项目集。一旦由数据库D中的事务找出频繁项集，则由这些频繁项集产生强关联规则。

发明内容

本发明提供一种利用影响度标准来进行热轧卷取温度关联性数据挖掘，赋予各影响因素不同的权重，解决不同因素在卷取温度预报中影响程度不同而带给卷取温度预测不精确的问题，从而提高卷取温度预报精度的基于关联神经网络的热轧卷取温度预报方法。

为此，本发明所采取的解决方案是：

一种基于关联神经网络的热轧卷取温度预报方法，其具体方法和步骤为：

    1、数据预处理

通过热轧机生产现场PDA终端进行数据采集，数据包括带钢厚度H、轧制速度V、终轧温度T₁、带钢宽度W、超快冷阀门开启数N₁、层流阀门开启数N₂、超快冷入口温度T₂、目标卷取温度T₃，采用归一化和空缺值填充方法进行数据预处理；

2、影响度数据挖掘

影响度：构造输入矩阵[H，V，T₁，W，N₁，N₂，T₂，T₃ ]，输出矩阵[T]；为了挖掘H的影响度，假定[V，T₁，W，N₁，N₂，T₂，T₃]不变，H增加1个单位，增加前卷取温度为T_前，增加后卷取温度为T_后，定义                                               为H的影响度，

式中：Y为带钢厚度影响度；Ｔ_后为变化后卷取温度；Ｔ_前为变化前卷取温度；Ｈ_后变化后带钢厚度；Ｈ_前变化前带钢厚度；本步骤需要根据步骤（1）预处理完的数据和影响度的概念，进行影响度的数据挖掘，按照影响度的大小，进行排序BP神经网络的输入端，同时把相应的影响度赋予输入端与隐含层的权值以及隐含层与输出层的权值，构建ASBP神经网络；

3、构建并训练ASBP神经网络

根据步骤（2）影响度数据挖掘构建ASBP神经网络,选择三层神经网络，神经网络输入包括带钢厚度H、轧制速度V、终轧温度T₁、带钢宽度W、超快冷阀门开启数N₁、层流阀门开启数N₂、超快冷入口温度T₂、目标卷取温度T₃，输出为实际卷取温度；根据构建的ASBP神经网络模型，采用一定数量样本数据进行ASBP神经网络训练；

4、ASBP神经网络卷取温度预报

根据步骤（3）训练好的ASBP神经网络模型，采用实际测试数据进行卷取温度的预报，在预报过程中，选择有代表性制度进行预报。

本发明的有益效果为：

本发明在对PDA监测数据进行预处理的基础上，利用处理完的数据和影响度概念进行卷取温度关联性数据挖掘，最后利用构造的ASBP神经网络模型进行卷取温度预报，由于充分考虑了不同影响因素对卷取温度影响效果不同，并赋予了相应权值，从而本发明方法可以把卷取温度预报误差从-20℃～20℃提高到-10℃～10℃，使卷取温度控制更加准确。

附图说明

图1是ASBP神经网络卷取温度预设定模型图；

图2是基于MATLAB训练关联ASBP神经网络过程流程图；

图3是第一种制度传统模型与本文模型预测对照图；

图4是第二种制度传统模型与本文模型预测对照图。

具体实施方式

热轧机控制冷却部分由超快速冷却和层流冷却部分构成,超快冷直接从控冷蓄水池供水,通过水泵打入集管,从集管分出上下各6路支管,支管上安装电磁流量计,流量计后设有电动流量调节阀,每个支管再分出两个接头,经气动调节阀和软管喷头箱连接,喷头箱间距340mm。加速冷却部分在超快速冷却后方,由供水系统、供气系统和控制阀组组成,采用水箱供水,每个集管安装流量计和调节阀,便于进行单独调整。之后间隔安装层流喷嘴和气雾喷嘴，在整个的控制冷却线上，有温度探测仪和相应传感器，轧钢过程中的数据记录在PDA监测站中，从中选取有代表性数据，部分数据进行了取整处理，如表1。

表1     影响因素输入数据表

序号H mmV m/sT_1>℃W mmN₁N₂T_2>℃T₃℃T℃)14.755.3860400121684066065625.755.3860400121684066066735.753.5890300121687068067645.754.58903001216870680689511.33.679434001216900670658611.33.679534001216900670679713.32.979183001216900670662813.32.97918400121690067067899.753.999073001016880650644109.753.9990730012168806506581113.32.9592040012148806706631213.32.9592040012168806706791315.32.588030012168006506481415.32.588030012168406506581510.73.595040012169206506781610.73.59504001216920680689

进行影响度数据挖掘，在众多的影响卷取温度的因素中，主要考虑带钢厚度H、轧制速度V、终轧温度T₁、带钢宽度W、超快冷阀门开启数N₁、层流冷却阀门开启数N₂、超快冷入口温度T₂、目标卷取温度T₃ 8种指标，各因素影响度挖掘结果如表2：

表2   各影响因素影响度表

输入因素H mmV m/sT1 ℃W mmN1N2T2 ℃T3 ℃影响度0.080.0670.330.070.110.170.300.35

测试制度如表3。

表3    测试制度

输入因素H mmV m/sT1 ℃WmmN1N2T2 ℃T3 ℃第一种制度5.754.58903001216870680第二种制度4.755.38604001216840660

以带钢厚度H、轧制速度V、终轧温度T₁、带钢宽度W、超快冷阀门开启数N₁、层流冷却阀门开启数N₂、超快冷入口温度T₂、目标卷取温度T₃ 8种指标为输入，以卷取温度T为输出，建立关联神经网络模型即ASBP神经网络，采用120组样本对其进行训练，在训练过程中，学习率设为0.05，最小梯度要求1*e^-20，动量因子设为0.9，训练次数设为2000次，结束目标1*e^-3，确定最佳的权值和阈值，另外选取两种制度，每种制度44组样本点进行对经过训练的ASBP网络进行测试。ASBP神经网络采用三层神经网络，结构为8X10X1，如图1，其中W_ij、V_jt为输入层到隐含层和隐含层到输出层的权值，U_ij为影响度。本发明对ASBP神经网络结构进行了Matlab程序仿真，仿真流程如图2。选取两种测试制度进行验证，验证结果如图3和图4，实际结果表明通过本方法的应用可以把卷取温度预报误差从-20℃～20℃提高到-10℃～10℃，提高卷取温度控制精度。