(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211259744.6 (22)申请日 2022.10.14 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 李霄剑　崔建贺　王德鹏　孙杰　 丁敬国　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 徐笑阳 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/08(2020.01) (54)发明名称 一种数据与机理融合的热轧带钢凸度预测 方法 (57)摘要 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。 权利要求书3页 说明书8页 附图3页 CN 115470595 A 2022.12.13 CN 115470595 A 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： Ch(i)＝CW(i)×W(i)+CPC(i)×P(i)+CFC(i)×F(i)+CWC(i)×{ChR(i)+ChW(i)+ChT(i)} +Cθ C(i)×Chθ(i)+CηC(i)×Ch(i‑1) 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， ChR(i)为工作辊凸度， ChW(i)为工作辊磨损凸度， ChT(i)为工作辊热凸度， Chθ(i)为辊移等效 凸度， CW(i)为带钢宽度的修正系数， CPC(i)为横向刚度修正系数， CFC(i)为弯辊力修正系数， CWC(i)为工作辊凸度修正系数， CθC(i)为辊移位置修正系数， CηC(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， TR 为工作辊的当前温度， TR0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， 基权　利　要　求　书 1/3 页 2 CN 115470595 A 2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 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： 权　利　要　求　书 2/3 页 3 CN 115470595 A 3