[发明专利]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

说明书

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。

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：