[发明专利]基于CNN算法和Lasso回归模型的热轧产品质量预测方法

说明书

本发明属于轧钢产品质量预测技术领域，尤其涉及一种基于CNN算法和Lasso回归模型的热轧产品质量预测方法。它包括以下步骤，S1：获取用于建模的样本数据，样本数据包括训练数据，并确定关键输入变量；S2：利用样本数据的关键输入变量对CNN进行训练，得到特征向量模型；S3：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；S4：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，将未修正的混合预测模型修正，得到修正后的混合预测模型；S5：将未来时间段的生产数据输入修正后的混合预测模型，以获取生产数据的预测结果。该方法能够提高模型的预测精度。

技术领域

本发明属于轧钢产品质量预测技术领域，尤其涉及一种基于CNN算法和Lasso回归模型的热轧产品质量预测方法。

背景技术

近年来，钢铁企业虽然已经解决钢铁产品生产不足的情况，但是针对产品质量并没有合适的控制模型，导致生产过程中资源使用量高于平均水平，轧钢生产能耗比过多，与国外的先进技术相比，仍有很大的进步空间。目前，钢铁产品主要用于建造业、航空航天以及汽车制造等各方各面中，这些行业对钢铁质量的要求十分严格，所以建立一个合适、准确的轧钢产品质量预测模型，对于产品质量性能预测，具有重大的意义。

钢铁的生产过程由多个环节组成，并且每一个环节都对产品质量产生影响，为了保障产品质量，需要建立生产变量和产品性能指标之间的联系，在现有的生产条件下，通过改变生产参数，达到控制产品质量的目的。钢铁企业经过多年的生产经验，已经积累了大量的生产数据，这些数据容易受到工厂噪声的污染，所以如何处理这些数据并将其使用在建模中，是产品质量建模前期的准备工作。目前，对产品质量建立预测模型的方法主要有回归算法和神经网络算法这两大类：回归模型结构简单，虽然可以避免过拟合问题的产生，但存在着预测结果与预期相差很大的缺点；全连接神经网络模型节点与节点之间均有连接，导致提取出的参数数量上升，使模型计算复杂度增加。因此，考虑到轧钢产品数据和建模过程存在的上述问题，需要选用合适的建模方法，完成产品质量预测。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种能够在一定程度上缓解模型过拟合的问题，提高模型预测精度的基于CNN算法和Lasso回归模型的热轧产品质量预测方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于CNN算法和Lasso回归模型的热轧产品质量预测方法，包括以下步骤，

S1：获取关于热轧产品性能历史数据中用于建模的样本数据，样本数据包括训练数据，并确定关键输入变量；

S2：利用样本数据的关键输入变量对CNN进行训练，得到特征向量模型；

S3：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；

S4：确定Lasso回归模型最优的正则化因子，并利用步骤S3中得到的输入变量对Lasso回归模型进行训练，得到未修正的混合预测模型，将未修正的混合预测模型进行至少一次的修正，得到修正后的用于对未来时间段的生产数据进行预测的混合预测模型；

S5：将未来时间段的生产数据输入所述修正后的混合预测模型，以获取生产数据的预测结果。

具体地，步骤S1中，获取关于热轧产品性能历史数据中用于建模的样本数据，包括，

S11：获取预设时间段内关于热轧产品性能的历史数据，对历史数据进行清洗处理，获取完整的清洗后的第一次数据；

S12：对清洗后的第一次数据进行采样，得到采样后的第二次数据；