一种数据与机理融合的热轧带钢凸度预测方法
1.本发明涉及轧制过程预测领域，具体为一种数据与机理融合的热轧带钢凸度预测方法。
背景技术：
2.热轧带钢是汽车、航空航天、仪器仪表、日常生活等产品生产过程中的重要工业原料，随着社会经济的快速发展和人们生活水平的不断提高对带钢产品的需求也日益增加。提高带钢生产的产品质量不仅可以避免大量的能源和资金的浪费，更可以给下游产业提供优质的原材料，保证下游产品质量。而轧制控制系统是一个复杂的动态系统控制难度相当大，使用轧制过程中采集到的生产数据建模，充分利用数据中的信息，达到准确控制出口凸度的目的，提高产品质量是一个有科学意义和应用价值的方法。
3.轧制过程中带钢凸度受轧机状态、轧辊状态等很多因素影响，具有非线性、大时延、强耦合等特性，是一个复杂的动态控制系统。传统的控制大多是基于建立的带钢机理模型，因为模型过于复杂所以建模过程中采用了大量的近似，建立的模型精确度很低，且轧机的参数都是依靠专家经验设定的，随着用户对质量的要求日益提高，产品规格不断增加，这种设定方法不仅大大增加了专家的工作量而且效率很低。以某热轧场为例，按照带钢实际凸度在目标凸度的
±
10μm内属于合格品的规定，上述方法设定参数生产的带钢仅有61.95％符合要求。为满足客户对产量和质量的需求，目前迫切需要一种基于数据驱动的热轧板凸度预测系统。
技术实现要素：
4.针对现有技术的不足，本发明提出一种数据与机理融合的热轧带钢凸度预测方法，在轧制过程中根据采集到的数据，实时预测出口的凸度，根据凸度预测值控制轧机，以提高产品质量。
5.本发明解决其技术问题所采用的技术方案是：一种数据与机理融合的热轧带钢凸度预测方法，包括以下步骤：
6.步骤1.建立机理模型：采集带钢热连轧过程的生产数据，并建立热轧带钢凸度机理模型；
7.步骤2.特征选取：从采集到的生产数据和热轧带钢凸度机理模型计算数据中选出影响凸度的特征数据；
8.步骤3.数据预处理：对采集到的生产数据进行数据预处理，包括数据平滑和数据标准化；
9.步骤4.构建神经网络：基于步骤2特征选取和步骤3数据预处理之后获得的数据集建立卷积神经网络(cnn)；
10.步骤5.神经网络超参数确定：确定神经网络卷积层个数、卷积核大小、隐含层神经元个数、激活函数、优化器、学习率；
11.步骤6.凸度预测：训练神经网络模型，预测带钢凸度值。
12.进一步地，所述步骤1建立的带钢凸度机理模型的计算公式具体为：
13.步骤1.1.热轧带钢凸度机理模型数学公式如下：
14.ch(i)＝c
w(i)×
w(i)+c
pc(i)×
p(i)+c
fc(i)×
f(i)+c
wc(i)×
{c
hr
(i)+c
hw
(i)+c
ht
(i)}+c
θc(i)×chθ
(i)+c
ηc(i)×ch
(i-1)
15.式中，ch(i)为轧机出口带钢的凸度，w(i)为带钢宽度，p(i)为轧制力，f(i)为弯辊力，c
hr
(i)为工作辊凸度，c
hw
(i)为工作辊磨损凸度，c
ht
(i)为工作辊热凸度，c
hθ
(i)为辊移等效凸度，cw(i)为带钢宽度的修正系数，c
pc
(i)为横向刚度修正系数，c
fc
(i)为弯辊力修正系数，c
wc
(i)为工作辊凸度修正系数，c
θc
(i)为辊移位置修正系数，c
ηc
(i)带钢凸度遗传修正系数，i为精轧机组中轧机的数量；
16.步骤1.2.工作辊热膨胀导致的工作辊热凸度，根据不同工况计算公式分别为：
17.当轧制初期工作辊半径方向温度梯度大时，计算公式为：
[0018][0019]
当轧制一定数量的带钢后，工作辊(接近)热平衡时，计算公式为：
[0020][0021]
式中，为工作辊断面内的平均上升温度，β为工作辊材质线膨胀系数，v为泊松比，tr为工作辊的当前温度，t
r0
为工作辊的初始温度；
[0022]
其中的计算公式为：
[0023]
式中，r为工作辊的半径，r为沿工作辊半径方向的变量。
[0024]
进一步地，所述步骤2特征数据中生产数据包括：中间坯厚度、轧制过程中平均厚度和平均宽度、精轧机组入口(第一个轧机)处带钢温度、精轧机组出口(最后一个轧机)处带钢温度、精轧机组各轧机轧制速度、各轧机轧制力、各轧机弯辊力、各轧机窜辊量、轧制公里数以及精轧机组最后一个轧机轧制后凸度，基于所述热轧带钢凸度机理模型的计算数据为精轧机组中除最后一个轧机外各轧机轧制后凸度。
[0025]
进一步地，所述步骤3的平滑方式采用五点三次平滑法。
[0026]
进一步地，所述步骤4中卷积神经网络的每个模块具体实现方法为：
[0027]
步骤4.1.一维卷积运算：从步骤3处理后的数据集中依次读取数据作为输入向量与一维卷积核y(1*n1)做卷积运算，得到卷积运算结果；其中：为步骤2特征选取中采集的数据维数，且取奇数；
[0028]
步骤4.2.池化运算：对卷积运算结果进行池化运算；
[0029]
步骤4.3.flatten操作：通过flatten操作实现多通道一维向量的首尾相接，构成一个一维向量，与神经网络隐含层连接；
[0030]
步骤4.4.前向传播：设flatten操作展开的一维向量为x，输入层到隐含层之间权重为w，阈值为b1、激活函数为f1；则隐含层输出net1为：
[0031]
[0032]
其中，i和j分别表示输入神经元和隐含层神经元编号；
[0033]
将该隐含层输出net1作为下一层的输入，隐含层与输出层之间权重为v，阈值为b2、激活函数为f2；则输出层输出net2为：
[0034][0035]
其中，m和n分别表示隐含层神经元和输出神经元编号；
[0036]
步骤4.5.反向求导：根据步骤4.4得出的最终输出net2与期望输出即可得到误差项e，然后采用梯度下降法更新权重和阈值。
[0037]
进一步地，采用梯度下降法更新权重和阈值的具体方法为：
[0038]
根据链式法则计算误差项e关于隐含层权重和阈值的偏导数
[0039][0040][0041]
根据链式法则计算误差项e关于输出层权重和阈值的偏导数
[0042][0043][0044]
根据上述求出的各层权重和阈值偏导数，更新阈值和权重的值，更新公式如下：
[0045][0046][0047][0048][0049]
其中η表示学习率，k＝1,2,...,n表示更新次数或迭代次数，k＝1表示第一次更新，以此类推。
[0050]
进一步地，所述步骤5的具体方法为：
[0051]
步骤5.1.确定卷积层以及隐含层个数，根据数据集中数据特征以及数据分布特点确定卷积层以及隐含层数量的大致区间，并遍历区间数值两两组合，选择最优的卷积层个数和隐含层个数；
[0052]
步骤5.2.确定卷积运算中卷积核大小，遍历搜索1～5，确定卷积核大小；
[0053]
步骤5.3.确定神经网络隐含层神经元个数，首先采用经验公式计算出神经元个数的经验值，公式如下：
[0054]
n＝log2t
[0055]
其中，t为输入特征数，n为隐含层神经元个数；基于计算出来的经验值以及卷积层展开后的神经元个数确定一个区间，遍历区间中神经元个数，确定最优神经元个数n；
[0056]
步骤5.4.确定全连接层之间激活函数，对于常用的激活函数sigmoid、tanh和relu两两组合，分别测试这些组合，确定最优激活函数；
[0057]
步骤5.5.确定神经网络的优化器，遍历搜索神经网络训练中常用的几种优化器：sgd、mbgd、adagrad以及adam，确实最优优化器；
[0058]
步骤5.6.确定神经网络的学习率，遍历搜索0.001～0.1，确定最优的学习率lr。
[0059]
进一步地，所述步骤6的具体实现方法为：基于步骤3处理后的现场数据和步骤5确定的卷积神经网络的超参数，训练卷积神经网络，训练好的卷积神经网络即为凸度预测模型，将新采集的轧制数据经过数据预处理后输入凸度预测模型即可得到带钢的凸度预测值。
[0060]
与现有技术相比，本发明的有益效果在于：
[0061]
本发明提供的一种数据与机理融合的热轧带钢凸度预测方法，利用工业现场采集的轧制数据建立卷积神经网络用于凸度预测。解决了传统控制中模型复杂、建模不准确导致的控制效果差的问题。本发明提供的方法，可以充分利用生产过程中采集的数据，建立高精度预测模型，实现凸度预测。节约了大量的人力物力且运算速度快、计算精度高。同时，本发明方法可以在计算机上编程实现，容易操作，成本投入小，可以在热轧生产中推广使用。
附图说明
[0062]
图1为本发明提出的一种基于数据驱动的热轧板凸度预测系统示意图；
[0063]
图2为五点三次数据平滑前后效果对比图；
[0064]
图3为卷积神经网络中不同情况卷积运算过程示意图；
[0065]
图4为本发明提出的一种数据与机理融合的热轧带钢凸度预测方法中使用的卷积神经网络结构示意图；
[0066]
图5为凸度预测值与实际测量值的散点分布图。
具体实施方式
[0067]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0068]
本实施例中采用六架hcw轧机组成的热连轧生产线，轧辊直径630mm～700mm，可轧带钢的宽度为700mm～2130mm，厚度为1.2mm～25.4mm。
[0069]
一种数据与机理融合的热轧带钢凸度预测方法，如图1所示，包括以下步骤：
[0070]
步骤1.采集某热轧厂热连轧的生产数据，共计4000个钢卷；根据采集到的和凸度相关的数据，建立热轧带钢凸度机理模型，具体计算方法如下：
[0071]
步骤1.1.热轧带钢凸度机理模型数学公式如下：
[0072]ch
(i)＝c
w(i)×
w(i)+c
pc(i)×
p(i)+c
fc(i)×
f(i)+c
wc(i)×
{c
hr
(i)+c
hw
(i)+c
ht
(i)}+c
θc(i)×chθ
(i)+c
ηc(i)×ch
(i-1)
[0073]
式中，ch(i)为轧机出口带钢的凸度，w(i)为带钢宽度，p(i)为轧制力，f(i)为弯辊
力，c
hr
(i)为工作辊凸度，c
hw
(i)为工作辊磨损凸度，c
ht
(i)为工作辊热凸度，c
hθ
(i)为辊移等效凸度。cw(i)为带钢宽度的修正系数，c
pc
(i)为横向刚度修正系数，c
fc
(i)为弯辊力修正系数，c
wc
(i)为工作辊凸度修正系数，c
θc
(i)为辊移位置修正系数，c
ηc
(i)带钢凸度遗传修正系数，i为精轧机组中轧机的数量；
[0074]
步骤1.2.工作辊热膨胀导致的工作辊热凸度，根据不同工况计算公式分别为：
[0075]
当轧制初期工作辊半径方向温度梯度大时，计算公式为：
[0076][0077]
当轧制一定数量的带钢后，工作辊接近于热平衡时，计算公式为：
[0078][0079]
式中，为工作辊断面内的平均上升温度，β为工作辊材质线膨胀系数，v为泊松比，tr为工作辊的当前温度，t
r0
为工作辊的初始温度。
[0080]
其中的计算公式为：
[0081]
式中，r为工作辊的半径，r为沿工作辊半径方向的变量。
[0082]
步骤1.3.将热轧带钢凸度机理模型中除带钢宽度、轧制力、弯辊力、工作辊热凸度之外的其余变量看作定值，计算精轧机出口带钢凸度值，并将其作为卷积神经网络输入数据。
[0083]
步骤2.从步骤1获得的实测数据和计算数据共计122个特征中选取出对凸度影响最大的36个特征进行研究，包括生产线上传感器采集到的变量值：中间坯厚度、轧制过程中平均厚度和平均宽度、精轧机组入口处带钢温度、精轧机组出口处带钢温度、精轧机组(f1～f6)轧制速度、f1～f6轧制力、f1～f6弯辊力、f1～f6窜辊量、轧制公里数、精轧机f6后的带钢凸度以及由凸度机理模型计算出的变量值：精轧机(f1～f5)轧制后凸度。
[0084]
步骤3.采用五点三次数据平滑技术，对现场采集的数据平滑处理，平滑前后效果如图2所示，并进行数据标准化处理；
[0085]
具体方法为：
[0086]
步骤3.1.轧制现场采集的数据具有数据量大、噪声大、复杂度高等特点，为去除数据中的高频噪声，提高数据光滑程度，采用五点三次平滑，对精轧机f6轧制后凸度数据进行预处理，计算公式如下：
[0087][0088]
其中，yi指的是第i个凸度数据，是yi平滑后的值；
[0089]
步骤3.2.轧制生产线上布置了很多不用种类的传感器用于采集轧制过程中的数据，采集到的数据量纲各不相同。为保证网络训练过程中误差收敛，本发明对数据集中数据进行标准化处理，计算公式如下：
[0090][0091]
其中xi'表示xi标准化后的值、xi是第i个x特征数据的初始值、μ是该特征所有数据的均值、σ是该特征所有数据的标准差。
[0092]
步骤4.基于特征选取和数据清理之后的数据建立卷积神经网络(cnn)，cnn的每个模块具体实现方法为：
[0093]
步骤4.1.一维卷积运算：
[0094]
本发明使用的数据集包含现场采集数据和机理模型计算出来的数据，共36个维度5656条数据。从数据集中取一条数据x(1*36)作为输入向量与一个一维卷积核y(1*n1)做卷积运算(其中n1《36且通常取奇数)；卷积运算过程：输入向量x的前n1个元素与卷积核的n1个元素，对应位置数字相乘再相加，所得结果作为输出向量z的第一个元素；将卷积核y向右移一个步长即卷积核的第1个元素和第n1个元素分别与输入向量x的第2个和第n1+1个元素对应，再进行对应位置数字相乘再相加的运算，所得结果作为输出向量z的第二个元素；依次遍历完输入向量，即可得到输入向量x与卷积核y的卷积输出z，上述为单输入通道、单输出通道的情形；同样的从数据集中取一条数据x(1*36)作为输入向量分别与多个一维卷积核做卷积运算，得到多个卷积输出，为单输入通道、多输出通道的情形；进一步将得到的多个卷积输出与多个卷积核做卷积运算，得到卷积结果，为多输入通道、多输出通道的情形。三种情况的卷积运算示意图如图3所示。
[0095]
步骤4.2.池化运算：
[0096]
可以提取主要特征、降低运算复杂度，一般用在卷积层后对卷积结果进行池化运算，分为最大池化和均值池化两大类。下面以(1*2)最大池化为例详述池化运算，对步骤4.1计算出的输出向量z前两个元素取最大值作为池化输出向量的第一个元素；然后向右移动两个步长，即取输出向量z第3、4个元素中的最大值作为池化输出向量的第二个元素；步长为2依次遍历完向量z即可得到池化输出；池化运算不改变数据的通道数目；
[0097]
步骤4.3.flatten操作：
[0098]
对输入数据进行完卷积和池化运算后输出向量的通道一般都大于1，为和神经网
络的隐含层有效连接需要对多通道的输出向量压缩展开，flatten操作可以实现多通道一维向量的首尾相接，构成一个一维向量，方便与隐含层连接。
[0099]
步骤4.4.前向传播：设flatten操作展开的一维向量为x，输入层到隐含层之间权重为w、阈值为b1、激活函数为f1。则隐含层输出net1为：
[0100][0101]
其中，中i和j分别表示输入神经元和隐含层神经元编号；
[0102]
将该隐含层输出net1作为下一层的输入，隐含层与输出层之间权重为v、阈值为b2、激活函数为f2；则输出层输出net2为：
[0103][0104]
其中，中m和n分别表示隐含层神经元和输出神经元编号；
[0105]
步骤4.5.反向求导：根据步骤4.4得出的最终输出net2与期望输出即可得到误差项e。然后采用梯度下降法更新权重和阈值。
[0106]
根据链式法则计算误差项e关于隐含层权重和阈值的偏导数
[0107][0108][0109]
根据链式法则计算误差项e关于输出层权重和阈值的偏导数
[0110][0111][0112]
根据上述求出的各层权重和阈值偏导数，更新阈值和权重的值，更新公式如下：
[0113][0114][0115][0116][0117]
其中η表示学习率，k＝1,2,...,n表示更新次数或迭代次数，k＝1表示第一次更新，以此类推。
[0118]
步骤5.建立的卷积神经网络，结构如图4所示，确定本发明中使用的神经网络卷积层个数、卷积核大小、隐含层神经元个数、激活函数、优化器、学习率等超参数，具体方法为：
[0119]
步骤5.1.确定卷积层以及隐含层层数，根据数据分布特点以及数据特征，确定大致层数区间，然后依次测试并对比结果，最终确定最优的组合为卷积层和隐含层层数均为
2。
[0120]
步骤5.2.确定卷积核大小，以1为增量，分别从1增加至5，每个数值做5次测试，寻出最优的卷积核个数为3；
[0121]
步骤5.3.确定隐含层神经元个数，先根据经验计算公式计算出隐层神经元个数，然后再结合卷积层展开后的实际神经元个数，确定隐含层神经元个数为300；
[0122]
公式如下：
[0123]
n＝log2t
[0124]
其中，t为输入特征数，n为隐含层神经元个数。基于计算出来的经验值以及卷积层展开后的神经元个数确定一个区间，遍历区间中神经元个数，确定最优神经元个数n。
[0125]
步骤5.4.确定全连接层之间的激活函数，对于常用sigmoid、tanh、relu三种函数，两两组合确定出九种不同的组合，分别实验其效果，选择最优激活函数组合为relu、relu；
[0126]
步骤5.5.确定卷积神经网络中的优化器，依次使用sgd、mbgd、adagrad、adam四种优化器进行神经网络训练，最终确定最优优化器为adam；
[0127]
步骤5.6.确定神经网络学习率，从0.001开始每次学习率增加为原来2倍，遍历完0.001～0.1的范围确定最优学习率为0.002。
[0128]
步骤6.将新采集的数据进行预处理，然后采用卷积神经网络建立凸度预测模型，并使用现场的轧制数据测试模型的最终性能。基于步骤3处理后的现场数据和步骤5确定的卷积神经网络的超参数，训练卷积神经网络，训练好的卷积神经网络即为凸度预测模型，将新采集的轧制数据经过数据预处理后输入凸度预测模型(输入为除精轧机f6后凸度外的35个维度的数据)即可得到精轧机f6后带钢的凸度预测值。
[0129]
对于工业生产来说，实际凸度值在设定值上下10μm的区间内视为合格品。现有的采用神经网络与遗传算法结合的方法有94.42％的预测值满足这个区间。而本发明提出的基于卷积神经网络的预测模型，如图5所示，预测结果中有96.29％满足要求。
[0130]
以上技术方案阐述了本发明的技术思路，不能以此限定本发明的保护范围，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上技术方案所作的任何改动及修饰，均属于本发明技术方案的保护范围。
技术特征：
1.一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，包括以下步骤：步骤1.建立机理模型：采集带钢热连轧过程的生产数据，并建立热轧带钢凸度机理模型；步骤2.特征选取：从采集到的生产数据和热轧带钢凸度机理模型计算数据中选出影响凸度的特征数据；步骤3.数据预处理：对采集到的生产数据进行数据预处理，包括数据平滑和数据标准化；步骤4.构建神经网络：基于步骤2特征选取和步骤3数据预处理之后获得的数据集建立卷积神经网络；步骤5.神经网络超参数确定：确定神经网络卷积层个数、卷积核大小、隐含层神经元个数、激活函数、优化器、学习率；步骤6.凸度预测：训练神经网络模型，预测带钢凸度值。2.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤1基于采集到的生产数据，建立带钢凸度机理模型，具体为：步骤1.1.热轧带钢凸度机理模型数学公式如下：c
h
(i)＝c
w
(i)
×
w(i)+c
pc
(i)
×
p(i)+c
fc
(i)
×
f(i)+c
wc
(i)
×
{c
hr
(i)+c
hw
(i)+c
ht
(i)}+c
θc
(i)
×
c
hθ
(i)+c
ηc
(i)
×
c
h
(i-1)式中，c
h
(i)为轧机出口带钢的凸度，w(i)为带钢宽度，p(i)为轧制力，f(i)为弯辊力，c
hr
(i)为工作辊凸度，c
hw
(i)为工作辊磨损凸度，c
ht
(i)为工作辊热凸度，c
hθ
(i)为辊移等效凸度，c
w
(i)为带钢宽度的修正系数，c
pc
(i)为横向刚度修正系数，c
fc
(i)为弯辊力修正系数，c
wc
(i)为工作辊凸度修正系数，c
θc
(i)为辊移位置修正系数，c
ηc
(i)带钢凸度遗传修正系数，i为精轧机组中轧机的数量；步骤1.2.工作辊热膨胀导致的工作辊热凸度，根据不同工况计算公式分别为：当轧制初期工作辊半径方向温度梯度大时，计算公式为：当轧制一定数量的带钢后，工作辊热平衡时，计算公式为：式中，为工作辊断面内的平均上升温度，β为工作辊材质线膨胀系数，v为泊松比，t
r
为工作辊的当前温度，t
r0
为工作辊的初始温度；其中的计算公式为：式中，r为工作辊的半径，r为沿工作辊半径方向的变量。3.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤2特征数据中生产数据包括：中间坯厚度、轧制过程中平均厚度和平均宽度、精轧机组入口处带钢温度、精轧机组出口处带钢温度、精轧机组各轧机轧制速度、各轧机轧制力、各轧机弯辊力、各轧机窜辊量、轧制公里数以及精轧机组最后一个轧机轧制后凸度，基
于所述热轧带钢凸度机理模型的计算数据为精轧机组中除最后一个轧机外各轧机轧制后凸度。4.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤3的平滑方式采用五点三次平滑法。5.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤4中卷积神经网络的每个模块具体实现方法为：步骤4.1.一维卷积运算：从步骤3处理后的数据集依次读取数据作为输入向量与一维卷积核y(1*n1)做卷积运算，得到卷积运算结果；其中：为步骤2特征选取中采集的数据维数，且取奇数；步骤4.2.池化运算：对卷积运算结果进行池化运算；步骤4.3.flatten操作：通过flatten操作实现多通道一维向量的首尾相接，构成一个一维向量，与神经网络隐含层连接；步骤4.4.前向传播：设flatten操作展开的一维向量为x，输入层到隐含层之间权重为w，阈值为b1、激活函数为f1；则隐含层输出net1为：其中，i和j分别表示输入神经元和隐含层神经元编号；将该隐含层输出net1作为下一层的输入，隐含层与输出层之间权重为v，阈值为b2、激活函数为f2；则输出层输出net2为：其中，m和n分别表示隐含层神经元和输出神经元编号；步骤4.5.反向求导：根据步骤4.4得出的最终输出net2与期望输出即可得到误差项e，然后采用梯度下降法更新权重和阈值。6.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，采用梯度下降法更新权重和阈值的具体方法为：根据链式法则计算误差项e关于隐含层权重和阈值的偏导数根据链式法则计算误差项e关于隐含层权重和阈值的偏导数根据链式法则计算误差项e关于隐含层权重和阈值的偏导数根据链式法则计算误差项e关于输出层权重和阈值的偏导数根据链式法则计算误差项e关于输出层权重和阈值的偏导数根据链式法则计算误差项e关于输出层权重和阈值的偏导数根据上述求出的各层权重和阈值偏导数，更新阈值和权重的值，更新公式如下：
其中η表示学习率，k＝1,2,...,n表示更新次数或迭代次数，k＝1表示第一次更新，以此类推。7.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤5的具体方法为：步骤5.1.确定卷积层以及隐含层个数，根据数据集中数据特征以及数据分布特点确定卷积层以及隐含层数量的大致区间，并遍历区间数值两两组合，选择最优的卷积层个数和隐含层个数；步骤5.2.确定卷积运算中卷积核大小，遍历搜索1～5，确定卷积核大小；步骤5.3.确定神经网络隐含层神经元个数，首先采用经验公式计算出神经元个数的经验值，公式如下：n＝log2t其中，t为输入特征数，n为隐含层神经元个数；步骤5.4.确定全连接层之间激活函数，对于常用的激活函数sigmoid、tanh和relu两两组合，分别测试这些组合，确定最优激活函数；步骤5.5.确定神经网络的优化器，遍历搜索神经网络训练中常用的几种优化器：sgd、mbgd、adagrad以及adam，确实最优优化器；步骤5.6.确定神经网络的学习率，遍历搜索0.001～0.1，确定最优的学习率lr。8.根据权利要求1所述的一种数据与机理融合的热轧带钢凸度预测方法，其特征在于，所述步骤6的具体实现方法为：基于步骤3处理后的现场数据和步骤5确定的卷积神经网络的超参数，训练卷积神经网络，训练好的卷积神经网络即为凸度预测模型，将新采集的轧制数据经过数据预处理后输入凸度预测模型即可得到带钢的凸度预测值。
技术总结
本发明提供一种数据与机理融合的热轧带钢凸度预测方法，包括以下步骤：采集带钢热连轧过程的生产数据，并建立热轧带钢凸度机理模型；从采集到的生产数据和热轧带钢凸度机理模型计算数据中选出影响凸度的特征数据；对采集到的生产数据进行数据预处理，包括数据平滑和数据标准化；基于特征选取和数据预处理之后获得的数据集建立卷积神经网络；确定神经网络卷积层个数、卷积核大小、隐含层神经元个数、激活函数、优化器、学习率；训练神经网络模型，预测带钢凸度值。本发明提供的一种数据与机理融合的热轧带钢凸度预测方法，利用工业现场采集的轧制数据建立卷积神经网络预测凸度。解决了传统控制中模型复杂、建模不准确导致的控制效果差的问题。差的问题。差的问题。
