[发明专利]一种镀层控制的气刀距离数据驱动预测方法

权利要求书

1.一种镀层控制的气刀距离数据驱动预测方法，其特征在于，包括以下步骤：

步骤1：采集带钢的生产数据，包括：目标镀层厚度、镀层种类、带钢宽度、带钢厚度、带钢速度；

步骤2：对采集到的生产数据进行预处理，包括：计算各生产数据的平均值和标准差、对生产数据的异常值进行剔除、对剔除异常值后的生产数据进行平滑处理、对平滑处理后的生产数据进行归一化处理；

步骤3：建立三层神经网络模型，包括：采用经验公式计算经验值，然后在经验值±20％的区间内进行遍历搜索，获得隐含层神经元节点数n；遍历搜索0.1～0.5，确定隐层神经网络学习率lr；组合purelin、logsig和tansig传递函数，产生6种组合，并选取单隐层神经网络隐含层和输出层的传递函数；采用遍历方法确定隐层神经网络的训练函数；

步骤4：采用快速非支配排序遗传算法对隐层神经网络模型进行优化；

1)设置最大进化代数E_max，并令当前进化代数E＝1；

2)根据训练函数对隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的隐层神经网络模型中,进行预测并输出预测结果；

3)计算隐层神经网络模型的训练误差；

4)采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串；

5)随机产生一个由n个个体组成的种群，由该种群代表可能解的集合；

6)对种群中的每个个体i进行快速非支配排序，判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)；

7)将所选取的个体组成为新的种群，并进行遗传操作，包括：选择操作、交叉操作、变异操作；

8)判断当前进化数E是否小于最大进化数E_max，若是，则返回步骤2)，若否则输出优化后隐层神经网络模型的权值和阈值，继续步骤5；

步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。

2.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法，其特征在于，所述的步骤4中，第6)步具体如下：

步骤4.6.1：对于种群中的每个个体i，考察它所支配的个体集S_i，找到所有解个体的数量n_i＝0的个体i，并将个体i存入当前集合F₁中；

步骤4.6.2：对于当前集合F₁中的每个个体j，考察它所支配的个体集S_j，将集合S_j中的每个个体k的解个体的数量n_k减去1，若n_k-1＝0，则将个体k存入另一个集合H中；

步骤4.6.3：将当前集合F₁作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序i_rank，然后继续对集合H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级；

步骤4.6.4：计算群体中每个个体i的两个属性：非支配序i_rank和拥挤度i_d；

步骤4.6.5：判断种群中两个个体的非支配排序是否相同，若相同，则取拥挤度较小的个体，继续步骤7)，若不同，则取非支配序级别较小的个体，继续步骤7)。

3.根据权利要求1所述的一种镀层控制的气刀距离数据驱动预测方法，其特征在于，所述的步骤4中，第7)步具体如下：

选择操作：从选取个体组成的新种群中选择a个个体并根据单隐层神经网络的训练误差，计算每个个体的适应度，选择适应度较小的b个个体作为双亲用于繁殖后代，产生新的个体；

选择操作采用锦标赛选择法，适应度函数如公式(1)所示：

其中，F为适应度函数，k为常数，y_i为第i个个体的真实值，为第i个个体的预测值；

交叉操作：根据交叉概率随机选择用于繁殖的每一对个体的同一基因位，将其染色体在此基因位断开并相互交换，模拟二进制选择法的公式如公式(2)所示：

其中，x₁和x₂分别为被选中的用来交叉的两个染色体，x′₁和x′₂分别为经过交叉后的两个染色体，γ_i为交叉位置参数；

所述交叉位置参数γ_i的计算公式如公式(3)所示：

其中，μ_i为在0～1内的随机数，η为常数1；i为第i个采样个体；f为交叉概率；

变异操作：根据变异概率随机从群体中选择c个个体，对于选中的个体，根据高斯分布，随机选择一位用随机数进行代替。