CN113033974A - 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 - Google Patents

Abstract

本发明公开了基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统，属于深度学习技术领域，包括确定钢卷制作工艺，采集钢卷制作工艺中的数据；将数据按照因果关系分为输入数据和输出数据；根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；根据输入数据和输出数据对综合模型进行训练；训练好的综合模型能实时预测生产出钢卷质量；综合模型实时预测的钢卷质量存在缺陷，调整工艺参数，使得钢卷避免存在缺陷。本发明可在提前预判缺陷和及时弥补缺陷，最大和最迅速的降低最终形成的钢卷的质量，把质量缺陷降到最低。

Description

基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态 调整方法及系统

技术领域

本发明涉及深度学习技术领域，尤其涉及基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统。

背景技术

目前针对热轧线钢卷能预测质量，但是并不能实施工艺参数动态调整，例如有以下几种方案进行质量预测：

专利号:CN 102033523 A基于偏最小二乘的方法进行带钢质量预测、炉况预警与故障诊断方法。该方法首先要判断当前生产的带钢的调制度，调用对应型号的模型参数；然后再将采集来的数据进行标准化处理，分别求取带钢头部和尾部历经，带入离线模型中，预测带钢头部和尾部硬度，从而预测带钢的质量。该技术的缺点在于每次获得的数据必须通过现场采集，同时模型是离线模型，不具备学习功能，当数据变化以后，模型还是属于最小二乘算法为本质建立起来的模型，仅仅可以提供回归预测，准确度并不一定能达到最优。

专利号:CN110264079A该方法主要运用人工神经网络中的CNN算法和Lasso的回归模型进行热轧产品的质量预测，该方法在基于历史数据的基础上，对数据进行清洗，建模，并将训练数据的关键输入变量代入特征向量模型，得到用于代入Lasso回归模型的输入变量；确定Lasso回归模型最优的正则化因子，并利用S3中的输入变量对Lasso回归模型进行训练，得到未修正的混合预测模型加以预测。该方法的缺点在于CNN模型不具备时序预测功能，同时模型是基于历史数据的基础上进行训练的，另外每套数据必须进行清洗和归一化，这样造成数据的处理工作量大大提升，不利于快速得到一套合适的模型。同时模型不具备动态的进行调整功能，属于离线模拟的模型状态。

发明内容

针对上述问题中存在的不足之处，本发明提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统。

为实现上述目的，本发明提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法的方法，包括：

确定钢卷生产制作工艺，采集所述钢卷生产制作工艺中的数据；

将所述数据按照因果关系分为输入数据和输出数据；

根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；

根据所述输入数据和输出数据对所述综合模型进行训练；

训练好的所述综合模型能实时预测生产出所述钢卷质量；

所述综合模型实时预测的所述钢卷质量存在缺陷，调整预测工艺参数，使得所述钢卷避免存在所述缺陷。

优选的是，所述输入数据包括：

机组的生产工艺数据：机组的速度，钢板的出炉温度、轧制前温度、初轧温度、轧制力、压下行程、轧制道次、冷却长度、卷径；

设备的运行参数：加热炉进钢机的行程、速度、功率、振动频率、初轧机的转速、电压、功率、除鳞设备的温度、压力、电流、精轧机的电流、电压、转速、功率；

钢卷数据：初始钢坯的长宽高、进加热炉温度、出加热炉温度、进轧机前温度，厚度、长度、出轧机温度、厚度、长度、进轧机速度、出轧机速度、冷却温度、冷却时间、卷曲温度、卷曲时间、卷曲长度、卷径长度；

所述输出数据包括：

钢卷质量缺陷数据：缺陷类型、缺陷检测时间、缺陷分类、缺陷发生位置、发生缺陷原因、缺陷跟踪。

优选的是，所述深度学习模型为改进LSTM网络模型，其建立步骤包括：

基于一维的LSTM网络结构，包括每个所述输入数据的权重W₁、W₂……W_n和偏移系数h₁、h₂……h_n；

在所述一维的LSTM网络结构叠加所述一维的LSTM网络结构，使得LSTM网络结构包括权重W₁₁、W₂₁…W_n1和偏移系数h₁₁,h₂₁…h_n1；

重复叠加所述一维的LSTM网络结构，直至匹配到输入二维数据维度N，并获得N维-1维LSTM网络结构；

将所述N维-1维LSTM网络结构的输出端均接入softmax函数。

优选的是，根据所述深度学习模型，构建输入所述深度学习模型的二维时序矩阵数据：

优选的是，根据所述钢卷制作工艺，制作数据表格，并将所述输入数据和所述输出数据对应填写到所述数据表格内。

根据所述输入数据和输出数据对所述综合模型进行训练的步骤包括：

对所述输入数据和所述输出数据进行预处理，包括去除异常数据和数据杂质；

对经过预处理后的所述输入数据进行标准化和归一化处理；

分别设置输入数据对所述输入数据的权重，即机组的工艺数据的权重为WD₁，所述设备的运行参数的权重为WD₂，所述钢卷数据的权重为WD₃，且所述权重WD₁、WD₂、WD₃∈(0,1)；

基于所述权重WD₁、WD₂、WD₃，将所述输入数据和所述输出数据进行训练，得到所述综合模型。

优选的是，所述钢卷制作工艺的步骤依次包括：

连铸板坯、加热炉、板坯出炉、边部加热、高压水除磷、侧压机、粗轧机组、保温辊道、切头飞剪、二次除磷、精轧机组、层流冷却、卷取机、打捆称重、机器人喷印。

本发明还提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整系统，包括：

采集模块，用于确定钢卷生产制作工艺，采集所述钢卷生产制作工艺中的数据，将所述数据按照因果关系分为输入数据和输出数据；

综合模型，用于根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；根据所述输入数据和输出数据对所述综合模型进行训练；训练好的所述综合模型能实时预测生产出所述钢卷质量；

调整模块，用于根据所述综合模型实时预测的所述钢卷质量存在缺陷，调整预测工艺参数，使得所述钢卷避免存在所述缺陷。

与现有技术相比，本发明的有益效果为：

本发明通过综合模型可以在轧制的过程中就能预测得到终产的质量问题，也就是在成品前就可以提前预测到产品质量问题，即可在提前预判缺陷和及时弥补缺陷，最大和最迅速的降低最终形成的钢卷的质量，把质量缺陷降到最低。

附图说明

图1为本发明中基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法流程示意图；

图2为本发明中基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整系统的框架图；

图3为本发明中钢卷制作工艺的流程示意图；

图4为本发明中深度学习模型的结构图；

图5为本发明中基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整系统的架构图；

图6为本发明中基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整系统的流程图。

附图标记：

1、采集模块；2、综合模型；3、调整模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统。

参照图1，本发明提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，包括：

确定钢卷生产制作工艺，采集钢卷生产制作工艺中的数据；

具体地，如图3所示，钢卷制作工艺的步骤依次包括：

连铸板坯、加热炉、板坯出炉、边部加热、高压水除磷、侧压机、粗轧机组、保温辊道、切头飞剪、二次除磷、精轧机组、层流冷却、卷取机、打捆称重、机器人喷印

将数据按照因果关系分为输入数据和输出数据；

具体地，输入数据包括：

机组的工艺数据：机组的速度，钢板的出炉温度、轧制前温度、初轧温度、轧制力、压下行程、轧制道次、冷却长度、卷径；

设备的运行参数：加热炉进钢机的行程、速度、功率、振动频率、初轧机的转速、电压、功率、除鳞设备的温度、压力、电流、精轧机的电流、电压、转速、功率；

钢卷数据：初始钢坯的长宽高、进加热炉温度、出加热炉温度、进轧机前温度，厚度、长度、出轧机温度、厚度、长度、进轧机速度、出轧机速度、冷却温度、冷却时间、卷曲温度、卷曲时间、卷曲长度、卷径长度；

输出数据包括：

钢卷质量缺陷数据：缺陷类型、缺陷检测时间、缺陷分类、缺陷发生位置、发生缺陷原因、缺陷跟踪。

根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；

具体地，如图4所示，深度学习模型为改进LSTM网络模型，其建立步骤包括：

基于一维的LSTM网络结构，包括每个输入数据的权重W₁、W₂……W_n和偏移系数h₁、h₂……h_n；

在一维的LSTM网络结构叠加一维的LSTM网络结构，使得LSTM网络结构包括权重W₁₁、W₂₁…W_n1和偏移系数h₁₁,h₂₁…h_n1；

重复叠加一维的LSTM网络结构，直至匹配到输入二维数据维度N，并获得N维-1维LSTM网络结构；

将N维-1维LSTM网络结构的输出端均接入softmax函数。

该深度学习模型中输入数据可为二维时序矩阵数据，这样大大加快了网络的训练速度；二维时序矩阵数据建立包括：

根据钢卷制作工艺，制作数据表格，并将输入数据和输出数据对应填写到数据表格内。

根据输入数据和输出数据对综合模型进行训练；

训练好的综合模型能实时预测生产出钢卷质量；

综合模型实时预测的钢卷质量存在缺陷，调整预测工艺参数，使得钢卷避免存在缺陷。

根据输入数据和输出数据对综合模型进行训练的步骤包括：

对输入数据和输出数据进行预处理，包括去除异常数据和数据杂质；

对经过预处理后的输入数据进行标准化和归一化处理；

分别设置输入数据对输入数据的权重，即机组的工艺数据的权重为WD₁，设备的运行参数的权重为WD₂，钢卷数据的权重为WD₃，且权重WD₁、WD₂、WD₃∈(0,1)；

基于权重WD₁、WD₂、WD₃，将输入数据和输出数据进行训练，得到综合模型。

通过上述方法，通过钢卷在生产线的某一段数据即可推测出最终的质量预测结果，假如在某一段生产工艺上发现了一定的质量缺陷行为，即数据的变动，那么根据综合模型规律，可以提前得知由于该缺陷行为引起的最终产生的质量问题。

由于模型的建立可以在轧制的过程中就能预测得到终产的质量问题，也就是在成品前就可以提前预测到产品质量问题，那么在发现质量缺陷参数变动的时候，例如:精轧机首道次轧机轧制力没能达到预期目标，缺少200公斤的轧制力，那么在发现第一次轧制行为缺陷之后，使用第二机架的精轧机马上及时增加200公斤轧制力做弥补，优化终轧的质量，不让最终成品钢卷产生超厚的结果。这样针对轧机的设置即可在这方面提前预判轧制缺陷和及时弥补轧制缺陷，最大和最迅速的降低最终形成的钢卷的质量，把这类的质量缺陷降到最低。同时在轧制过程中，系统收集到的数据可以和最终的成品质量建立点对点的联动数据，该联动数据作为提前质量判定的依据，可以生成一套以知识图谱为基础的轧制经验模型系统，该系统可以通过轧制条件和轧制因素以及最终的质量来建立针对每类型钢卷的轧制经验模型，模型学习各个阶段中的数据，形成经验数据作为知识库的沉淀来指导轧机的具体轧制行为。比如对于某些条件下的轧制，在无法通过该套轧制经验模型的情况下，选择停止轧制，以便有效的监控和监督轧制的行为，这样能保证轧制行为一直处于模型的监督和训练学习状态，用以保证最终钢卷的质量达标。

参照图2，本发明还提供基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整系统，包括：

采集模块1，用于确定钢卷制作工艺，采集钢卷制作工艺中的数据，将数据按照因果关系分为输入数据和输出数据；

综合模型2，用于根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；根据输入数据和输出数据对综合模型进行训练；训练好的综合模型能实时预测生产出钢卷质量；

调整模块3，用于根据综合模型实时预测的钢卷质量存在缺陷，调整输入数据，使得钢卷避免存在缺陷。

具体地，该系统可构建三层基础架构，如图5所示，包括应用层、模型层和数据层，即调整模块3设于应用层，综合模型2设于模型层，采集模块1设于数据层。例如，在数据层设有采集装置和PLC，PLC通过OPC-UA协议与采集每个数据的采集装置连接，且PLC通过OPC-UA协议将采集到的数据统一传入到数据库中；模型层内设有综合模型2，综合模型2提取到数据库中的数据，并根据数据进行钢卷质量的预测；在应用层设有质量预测系统和工艺参数动态调整系统，根据质量预测系统预测钢卷质量，判断是否需要调整输入数据，若需要调整数据，则工艺参数动态调整系统调整工艺参数，调整后重复上述步骤，直至不需要调整，具体流程如图6。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，包括：

确定钢卷生产制作工艺，采集所述钢卷生产制作工艺中的数据；

将所述数据按照因果关系分为输入数据和输出数据；

根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；

根据所述输入数据和输出数据对所述综合模型进行训练；

训练好的所述综合模型能实时预测生产出所述钢卷质量；

所述综合模型实时预测的所述钢卷质量存在缺陷，调整预测工艺参数，使得所述钢卷避免存在所述缺陷。

2.如权利要求1所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，所述输入数据包括：

机组的生产工艺数据：机组的速度，钢板的出炉温度、轧制前温度、初轧温度、轧制力、压下行程、轧制道次、冷却长度、卷径；

设备的运行参数：加热炉进钢机的行程、速度、功率、振动频率、初轧机的转速、电压、功率、除鳞设备的温度、压力、电流、精轧机的电流、电压、转速、功率；

钢卷数据：初始钢坯的长宽高、进加热炉温度、出加热炉温度、进轧机前温度，厚度、长度、出轧机温度、厚度、长度、进轧机速度、出轧机速度、冷却温度、冷却时间、卷曲温度、卷曲时间、卷曲长度、卷径长度；

所述输出数据包括：

钢卷质量缺陷数据：缺陷类型、缺陷检测时间、缺陷分类、缺陷发生位置、发生缺陷原因、缺陷跟踪。

3.如权利要求2所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，所述深度学习模型为改进LSTM网络模型，其建立步骤包括：

基于一维的LSTM网络结构，包括每个所述输入数据的权重W₁、W₂……W_n和偏移系数h₁、h₂……h_n；

在所述一维的LSTM网络结构叠加所述一维的LSTM网络结构，使得LSTM网络结构包括权重W₁₁、W₂₁…W_n1和偏移系数h₁₁,h₂₁…h_n1；

重复叠加所述一维的LSTM网络结构，直至匹配到输入二维数据维度N，并获得N维-1维LSTM网络结构；

将所述N维-1维LSTM网络结构的输出端均接入softmax函数。

4.如权利要求3所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，根据所述深度学习模型，构建输入所述深度学习模型的二维时序矩阵数据：

根据所述钢卷制作工艺，制作数据表格，并将所述输入数据和所述输出数据对应填写到所述数据表格内。

5.如权利要求4所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，根据所述输入数据和输出数据对所述综合模型进行训练的步骤包括：

对所述输入数据和所述输出数据进行预处理，包括去除异常数据和数据杂质；

对经过预处理后的所述输入数据进行标准化和归一化处理；

分别设置输入数据对所述输入数据的权重，即机组的工艺数据的权重为WD₁，所述设备的运行参数的权重为WD₂，所述钢卷数据的权重为WD₃，且所述权重WD₁、WD₂、WD₃∈(0,1)；

基于所述权重WD₁、WD₂、WD₃，将所述输入数据和所述输出数据进行训练，得到所述综合模型。

6.如权利要求1所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法，其特征在于，所述钢卷生产制作工艺的步骤依次包括：

连铸板坯、加热炉、板坯出炉、边部加热、高压水除磷、侧压机、粗轧机组、保温辊道、切头飞剪、二次除磷、精轧机组、层流冷却、卷取机、打捆称重、机器人喷印。

7.如权利要求1-6任一项所述的基于改进LSTM网络的数字钢卷特征质量预测及工艺参数动态调整方法的系统，其特征在于，包括：

采集模块，用于确定钢卷生产制作工艺，采集所述钢卷生产制作工艺中的数据，将所述数据按照因果关系分为输入数据和输出数据；

综合模型，用于根据深度学习原理，将深度学习模型和机理模型串联构建综合模型；根据所述输入数据和输出数据对所述综合模型进行训练；训练好的所述综合模型能实时预测生产出所述钢卷质量；

调整模块，用于根据所述综合模型实时预测的所述钢卷质量存在缺陷，调整预测工艺参数，使得所述钢卷避免存在所述缺陷。

Images