[发明专利]一种连续退火产品硬度在线集成学习预报方法

说明书

技术领域

本发明属于钢铁企业连续退火生产过程的自动控制技术领域，特别涉及一种连续退火产品硬度在线集成学习预报方法。

背景技术

在钢铁企业冷轧厂连续退火机组的实际生产过程中，带钢的硬度是衡量产品质量与指导生产的核心指标。在实际生产过程中，带钢的硬度还无法实现在线检测，现场是通过截取退火后带钢的头、尾部分，再进行离线实验分析来测定带钢的硬度，从而判断产品质量情况。但是，通过离线实验分析来获得产品的质量信息一般都具有一定的时间滞后性，也就是说只有当带钢生产出来一段时间后，才能获得其具体的质量信息，而实际生产中带钢的生产速度非常快，在几分钟之内就能完成退火处理，从而经常发生带钢硬度波动非常大的情况，导致产生硬度不达标甚至废品等质量问题，严重影响冷轧厂的经济效益。

论文“基于PLS的连续退火机组带钢质量预报及过程监测系统设计与实现[D]”(汪源,东北大学,2009)虽然针对带钢产品硬度提出了一种基于偏最小二乘(Partial Least Squares,PLS)的数据驱动型建模方法，但是这篇论文中所提出的方法并不能满足实际生产过程的需要，主要原因有：(1)该文献所考虑的与带钢硬度相关的信息较少，仅有20个左右，而实际生产过程中与带钢硬度相关的过程信息则要多达51个；(2)该文献所提出的PLS方法主要还是针对连续退火生产过程的监测与故障诊断，并且PLS方法属于一种线性回归方法，而实际的生产过程则是非线性的，从而导致PLS方法的精度不高；(3)样本数据存在输入项众多并且相互耦合、而输出结果范围却较窄的问题，导致样本之间存在输入项差别较大而输出结果却相同或相近，使得传统的数据建模方法难以获得较高的预测精度和鲁棒性。

发明内容

针对现有技术存在的不足，本发明提供一种连续退火产品硬度在线集成学习预报方法。

本发明的技术方案是：

一种连续退火产品硬度在线集成学习预报方法，包括如下步骤：

步骤1：针对每一种调质度带钢，从数据库中读取最近m时间段内的连续退火生产样本，得到含有B个样本的连续退火生产样本集合；

步骤2：针对每一种调质度带钢的连续退火生产样本集合，进行数据处理；

步骤2.1分别对样本集合内每一数据项进行归一化处理，以消除不同数据项之间量纲不同的影响；

步骤2.2：针对归一化处理后的样本集合采用基于聚类的过失误差侦破方法，剔除样本集合中A个包含过失误差的样本；

步骤2.2.1：分别计算每个样本与其它B-1个样本之间的最小欧氏距离d_i(i＝1,2,…,B)；

步骤2.2.2：计算所有样本的最小欧氏距离的平均值d_avg，将d_avg的q倍作为第一门槛；

步骤2.2.3：将样本集合中与其它B-1个样本之间的最小欧氏距离d_i大于第一门槛值的样本剔除，同时将剩余的样本进行聚类，得到P个聚类；

步骤2.2.4：分别计算每一聚类与其它P-1个聚类之间的最小欧氏距离D_u(u＝1,2,…,P)；

步骤2.2.5：计算所有聚类的最小欧氏距离的平均值D_avg，并将D_avg的r倍作为第二门槛；

步骤2.2.6：将与其它P-1个聚类之间的最小欧氏距离大于第二门槛值并且聚类内样本数量小于t的聚类及其包含的样本剔除；

步骤3：根据步骤2数据处理后的样本集合，求取主元转换矩阵M及针对每种调质度带钢采用基于LSSVM的集成学习建模方法建立其产品硬度预报模型并形成离线连续退火带钢产品硬度预报模型库；

步骤3.1：利用PCA方法，对步骤2数据处理后的样本集合中所有生产过程数据构成的矩阵进行降维，保留特征根大于等于1的主元，并将保留的主元存储于主元转换矩阵M；

步骤3.2：根据步骤2数据处理后的样本集合，采用基于LSSVM的集成学习建模方法，针对每种调质度带钢建立其产品硬度预报模型，形成离线连续退火带钢产品硬度预报模型库；所述针对每种调质度带钢建立其产品硬度预报模型的方法，包括如下步骤：

步骤3.2.1：为步骤2数据处理后的样本集合中所有样本均赋予相同的权重值，即每个样本的权重w_i＝1/(B-A)；

步骤3.2.2：基于当前的样本权重，使用LSSVM方法建立一个带钢产品硬度预报的子学习机模型，计算该模型的均方根误差以及各样本的训练误差；