一种基于记忆性功能网络的带钢全长厚度预测方法

1.本发明属于轧制过程控制技术领域，涉及一种基于记忆性功能网络的带钢全长厚度预测方法。


背景技术：

2.带钢作为一种重要的轧制产品，它在国民经济的诸多领域得到广泛的应用，带钢的需求量也日益增加，随着现代社会科技和生产的快速发展，行业内对于带钢的质量要求越来越高。带钢厚度已成为衡量带钢性能的重要标准，带钢厚度偏差可能导致严重的工艺中断，并导致缺陷和产品不合格，最终导致产品拒收，可见带钢厚度直接关系到整个带钢产品质量的优劣以及企业的经济效益，因此带钢厚度的高精度预测尤为重要。然而，影响带钢厚度的因素多样，各影响因素具有非线性、强耦合的特点，模型的建立十分复杂，基于传统数学方法很难完成带钢厚度的高精度预测。在当前工业大数据应用背景下，依靠机器学习预测算法建立准确的带钢厚度预测模型为解决此类问题提供了新的方法和思路。
3.神经网络具有很强的非线性处理能力，因此在过程控制中得到广泛的应用研究。近年来，有学者先后提出利用神经网络进行带钢厚度的预测，如基于bp神经网络的带钢厚度预测，基于oselm算法的带钢厚度预测等，同时学者们也将鲸鱼算法、麻雀搜索算法等优化算法用于提高预测模型的精度。然而，目前预测研究都集中在带钢头部厚度的预测上，没有针对整卷带钢进行全长度方向的厚度预测研究。但带钢头部厚度预测这种点预测本身存在一定的缺陷，即预测模型只提供一个单一的预测值，缺乏准确性相关信息，也就是说点预测不能表达正确预测的概率，缺乏对预测误差的表征和分析。轧制过程的机理分析表明，带钢的轧制过程具有较强的时间连续性，带钢沿长度方向不断通过轧机，因此带钢全长厚度可以表现为不同时刻带钢出口厚度。而某时刻的带钢出口厚度与前一时刻的轧制过程及厚度相关，并表现出较强的时间序列特性。然而现有的神经网络模型对带钢数据非线性深度特征和数据之间时间依赖性捕捉能力不强，预测准确度不高，不能实现带钢厚度的区间预测。


技术实现要素：

4.为解决上述技术问题，本发明的目的是提供一种基于记忆性功能网络的带钢全长厚度预测方法。
5.本发明的一种基于记忆性功能网络的带钢全长厚度预测方法，包括：
6.步骤1：每间隔相等时间采集一次实时过程轧制数据和带钢出口厚度的实测值，构成输入特征数据集；
7.步骤2：将输入特征数据集按比例、按时间顺序分为训练集和测试集，并对训练集和测试集的数据进行归一化处理；
8.步骤3：构建用于带钢厚度点预测的glstm网络，并通过训练集对点预测的glstm网络进行训练，得到点预测的glstm网络各层的连接权重和偏置；
9.步骤4：利用粒子群算法优化步骤3中点预测的glstm网络的输出层的连接权重，得到最佳的输出层的连接权重w
opt
；
10.步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得到的w
opt
，构建用于带钢厚度区间预测的glstm网络，并根据评价指标picp、pinaw和cwc来确定区间预测的glstm网络的最佳参数，获得最优的区间预测的glstm网络；
11.步骤6：利用步骤5得到的最优的区间预测的glstm网络进行带钢全长厚度预测，并根据预测得到的带钢厚度的上、下限计算picp、pinaw和cwc评价指标完成对区间预测的glstm网络的性能评估。
12.进一步的，所述实时过程轧制数据包括：轧制公里数、入口厚度以及各机架的轧制速度、轧制力、前后张力、弯辊力、辊缝共34个重要影响因素的实时过程轧制数据。
13.进一步的，所述步骤2中根据下式对训练集和测试集的数据进行归一化处理：
[0014][0015]
式中：x
′k为归一化处理后的特征数据，xk为第k个特征数据，x
min
为该特征数据中的最小数值，x
max
为该特征数据中的最大数值。
[0016]
进一步的，所述步骤3中用于带钢厚度点预测的glstm网络具体为：
[0017][0018]ft
＝1-i
t
[0019][0020][0021]ct
＝f
t
×ht-1
+g
t
×it
[0022]ht
＝o
t
×
relu(c
t
)
[0023]
式中,x
t
为t时刻的输入数据；是与输入x相关的权重，为输入门与输入数据x相关的权重，为输出门与输入数据x相关的权重，为新信息向量与输入数据x相关的权重；与输入数据x相关的权重；是与上一时刻的隐藏状态h
t-1
相关的权重；b(i)是输入门的偏置，b
(o)
是输出门的偏置，b
(g)
是新信息向量的偏置；i
t
表示输入门，f
t
表示遗忘门，o
t
表示输出门，g
t
表示新信息向量，c
t
代表t时刻网络的单元状态，h
t
代表t时刻网络的隐藏层状态；iσ代表isigmoid激活函数，lrelu和relu都为激活函数。
[0024]
进一步的，所述步骤4中利用粒子群算法优化步骤3中点预测的glstm的输出层的连接权重，具体为：
[0025]
步骤4.1：将步骤3得到的n
×
1的输出层的连接权重wo进行复制得到n
×
2的w
ho
，并加上一个元素在[-1.1，0.1]之间的维数相同的随机矩阵，得到w
no
；
[0026]
步骤4.2：种群的初始化，在粒子的解空间中随机初始化每个粒子的速度，每个粒子的位置使用w
no
初始化；
[0027]
步骤4.3：将cwc评价指标作为适应度函数评估每个粒子的适应度函数值；
[0028]
步骤4.4：对每个粒子将其当前适应值与其个体历史最佳位置对应的适应值进行比较，如果当前的适应值更好，则使用当前位置更新粒子个体的历史最佳位置；
[0029]
步骤4.5：对每个粒子将其当前适应值与全局最佳位置对应的适应值作比较，如果当前的适应值更好，则用当前位置更新粒子群体的历史最优位置；
[0030]
步骤4.6：根据以下公式更新粒子的速度和位置：
[0031][0032][0033]
其中，pbestj表示第j个粒子的历史最佳位置，gbest表示整个群体的历史最佳位置，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数，t为迭代步数；当速度迭代更新大于其限制范围的最大值v
max
时，使其等于v
max
；同理，当其小于限制范围的最小值v
min
时，使其等于v
min
；
[0034]
步骤4.7：若满足最大迭代次数或迭代过程中适应度函数cwc的值保持m次不变，则输出全局最佳位置，即最佳的输出层的连接权重w
opt
；若未满足迭代终止条件转至步骤4.3继续迭代更新。
[0035]
进一步的，所述步骤5中区间预测的glstm网络的最佳参数包括：隐藏层节点个数、各层激活函数组合、网络学习率以及粒子群优化算法需要确定的参数，所述粒子群优化算法需要确定的参数包括：学习因子c1和c2以及种群大小。
[0036]
进一步的，所述picp、pinaw和cwc评价指标定义如下：
[0037]
(1)覆盖概率picp是区间预测的重要特征，表示目标值位于区间内的概率，其定义如下：
[0038][0039]
其中,n表示样本总数，∈k是一个布尔决策变量，用于表示第k个目标是否已被区间覆盖，如果目标被区间覆盖则∈k＝1，反之∈k＝0，因此∈k的数学公式定义如下：
[0040][0041]
其中，yk表示第k个目标，即带钢出口厚度的实测值；lk和uk分别表示针对yk生成的预测区间的下界和上界；为确保区间预测的准确性，获得有效的预测区间，覆盖概率picp要求不低于预测区间的名义置信水平1-α，α表示显著性水平；否则，预测区间无效，应被舍弃；
[0042]
(2)区间预测宽度的定量测量被定义为预测区间归一化平均宽度pinaw，用数学公式表示如下：
[0043][0044]
其中，rg指目标的变化范围，即目标的最大值和最小值之间的差值；
[0045]
(3)定义一个基于区间预测的综合成本函数，称为覆盖宽度的标准cwc，用于优化
上述两个评价指标，具体定义如下：
[0046]
cwc＝pinaw(1+γ(picp)e-η(picp-μ)
)
[0047][0048]
其中，η和μ是用于控制优化速度和精度的两个参数，η作为一个惩罚因子来惩罚质量差的预测区间，如果picp没有达到预先指定的置信水平，则cwc将在这一项上进行指数性增大，如果picp达到了预先指定的置信水平，则cwc不再关注picp而只关注pinaw；μ对应区间预测相关的置信水平，设为1-α；γ(picp)是一个布尔变量。
[0049]
本发明的一种基于记忆性功能网络的带钢全长厚度预测方法，至少具有以下有益效果：
[0050]
(1)本发明首次提出了带钢全长度方向的厚度预测的概念，并根据带钢全长度厚度具有时间序列的特点，提出了使用具有记忆功能的网络来预测带钢厚度。此网络可以增强带钢数据在时间上的相关性，提高模型预测精度。
[0051]
(2)本发明使用glstm网络进行带钢全长厚度的预测，与传统的记忆性网络相比改进各层激活函数同时使遗忘门和输入门互补，并改进新信息向量为数据最新状态的glstm网络模型预测准确度得到提升，且模型更加稳定。
[0052]
(3)为了提高带钢厚度区间预测的glstm网络的可靠性，本发明提出基于点预测结合区间预测方法和粒子群优化算法完成带钢厚度预测，增强寻优广度和精度。
[0053]
(4)本发明在粒子群算法中提出寻优迭代终止条件为达到最大迭代次数或适应度函数保持m次不变，因为在迭代过程中可能会存在最优解从某一次迭代开始不再改变，这种情况下继续迭代寻优毫无意义，而本发明提出的适应度函数保持m次不变即认为找到最优解，这将有效避免模型训练过程中不必要的时间消耗。
[0054]
(5)本发明的基于记忆性功能网络的带钢全长厚度预测方法可以同时实现带钢厚度的点预测和区间预测。
附图说明
[0055]
图1是本发明的一种基于记忆性功能网络的带钢全长厚度预测方法的流程图；
[0056]
图2是五种网络模型的误差对比图；
[0057]
图3是五种网络模型的绝对系数对比图；
[0058]
图4是五种网络模型的评价指标对比图；
[0059]
图5是本发明的点预测的glstm网络的带钢全长厚度点预测结果；
[0060]
图6是本发明的区间预测的glstm网络的带钢全长厚度区间预测结果。
具体实施方式
[0061]
如图所示，本发明的一种基于记忆性功能网络的带钢全长厚度预测方法，包括：
[0062]
步骤1：每间隔相等时间采集一次实时过程轧制数据和带钢出口厚度的实测值，构成输入特征数据集；
[0063]
具体实施时，每间隔相等时间在某工厂的pda文件中采集一次所记录的随时间变化的实时过程轧制数据，包括：轧制公里数、入口厚度以及各机架的轧制速度、轧制力、前后
张力、弯辊力、辊缝共34个重要影响因素的实时过程轧制数据。
[0064]
步骤2：将输入特征数据集按比例、按时间顺序分为训练集和测试集，由于数据之间存在较大的数量级差异，为了消除各个输入特征数据之间的量纲影响并减少量纲带来的误差，使输入的各个特征数据处于同一量级，以及方便数据的后续处理，加快网络学习速，需要对数据进行归一化处理；
[0065]
具体实施时，根据下式对训练集和测试集的数据进行归一化处理：
[0066][0067]
式中：x
′k为归一化处理后的特征数据，xk为第k个特征数据，x
min
为该特征数据中的最小数值，x
max
为该特征数据中的最大数值。
[0068]
步骤3：构建用于带钢厚度点预测的glstm网络，由于本发明的区间预测网络是基于点预测展开的，先通过训练集对点预测的glstm网络进行训练，得到点预测的glstm网络各层的连接权重和偏置，并将它们分别存储。
[0069]
所述用于带钢厚度点预测的glstm网络具体为：
[0070][0071]ft
＝1-i
t
[0072][0073][0074]ct
＝f
t
×ht-1
+g
t
×it
[0075]ht
＝o
t
×
relu(c
t
)
[0076]
式中,x
t
为t时刻的输入数据；是与输入x相关的权重，为输入门与输入数据x相关的权重，为输出门与输入数据x相关的权重，为新信息向量与输入数据x相关的权重；与输入数据x相关的权重；是与上一时刻的隐藏状态h
t-1
相关的权重；b(i)是输入门的偏置，b
(o)
是输出门的偏置，b
(g)
是新信息向量的偏置；i
t
表示输入门，f
t
表示遗忘门，o
t
表示输出门，g
t
表示新信息向量，c
t
代表t时刻网络的单元状态，h
t
代表t时刻网络的隐藏层状态；iσ代表isigmoid激活函数，lrelu和relu都为激活函数。
[0077]
本发明的用于带钢厚度点预测的glstm网络在传统的lstm网络的基础改进了遗忘门，使得遗忘门与输入门形成互补关系，同时为了增强网络输入数据特征减少参数数量，将lstm涉及到的新信息向量g
t
改进为当前的数据状态。同时还将网络的单元状态c
t
与上一时刻的隐藏状态h
t-1
进行关联，可以认为其中保存了过去到时刻t的信息。
[0078]
由于sigmoid激活函数存在梯度消失这一固有缺陷，所以本发明结合relu类函数提出使用isigmoid函数以缓解这一问题。tanh激活函数是一种s形函数，也存在梯度消失(爆炸)问题，且涉及到e的指数计算，计算复杂，而relu类函数有效克服了梯度消失(爆炸)问题，所以本专利提出使用relu类函数代替tanh函数以提高预测模型的精确度。相比标准的递归神经网络，本发明的glstm网络具有参数少、计算简单、并行能力强、数据原始特征明
显的特点。
[0079]
步骤4：利用粒子群算法优化步骤3中点预测的glstm网络的输出层的连接权重，得到最佳的输出层的连接权重w
opt
，具体为：
[0080]
步骤4.1：将步骤3得到的n
×
1的输出层的连接权重wo进行复制得到n
×
2的w
ho
，并加上一个元素在[-1.1，0.1]之间的维数相同的随机矩阵，得到w
no
；
[0081]
由于预测区间是由区间上限和下限组成，这意味着区间预测的网络模型需要两个输出节点，而神经网络在点预测中只有一个输出节点，因此为了在迭代一开始就能得到区间的上、下限，加快收敛，对由步骤3得到的输出层的连接权重wo做了处理，最终得到n
×
2的w
no
，再采用粒子群算法对w
no
优化。
[0082]
步骤4.2：种群的初始化，在粒子的解空间中随机初始化每个粒子的速度，每个粒子的位置使用w
no
初始化；
[0083]
步骤4.3：将cwc评价指标作为适应度函数评估每个粒子的适应度函数值；
[0084]
步骤4.4：对每个粒子将其当前适应值与其个体历史最佳位置对应的适应值进行比较，如果当前的适应值更好，则使用当前位置更新粒子个体的历史最佳位置；
[0085]
步骤4.5：对每个粒子将其当前适应值与全局最佳位置对应的适应值作比较，如果当前的适应值更好，则用当前位置更新粒子群体的历史最优位置；
[0086]
步骤4.6：根据以下公式更新粒子的速度和位置：
[0087][0088][0089]
其中，pbestj表示第j个粒子的历史最佳位置，gbest表示整个群体的历史最佳位置，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数，t为迭代步数；当速度迭代更新大于其限制范围的最大值v
max
时，使其等于v
max
；同理，当其小于限制范围的最小值v
min
时，使其等于v
min
。
[0090]
步骤4.7：整个优化过程的终止条件是达到最大迭代次数或迭代过程中适应度cwc的值保持m次不变，当满足终止条件时则输出全局最佳位置，即最佳的输出层的连接权重w
opt
；若未满足迭代终止条件转至步骤4.3继续迭代更新。
[0091]
步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得到的w
opt
，基于测试集数据构建用于带钢厚度区间预测的glstm网络，并根据评价指标picp、pinaw和cwc来确定区间预测的glstm网络的最佳参数，获得最优的区间预测的glstm网络；
[0092]
具体实施时，区间预测的glstm网络的最佳参数包括：隐藏层节点个数、各层激活函数组合、网络学习率以及粒子群优化算法需要确定的参数，所述粒子群优化算法需要确定的参数包括：学习因子c1和c2以及种群大小。
[0093]
步骤6：利用步骤5得到的最优区间预测的glstm网络进行带钢全长厚度预测，并根据预测得到的带钢厚度的上、下限计算picp、pinaw和cwc评价指标完成对区间预测的glstm网络的性能评估。
[0094]
具体实施时，所述picp、pinaw和cwc评价指标定义如下：
[0095]
(1)覆盖概率picp是区间预测的重要特征，表示目标值位于区间内的概率，其定义如下：
[0096][0097]
其中,n表示样本总数，∈k是一个布尔决策变量，用于表示第k个目标是否已被区间覆盖，如果目标被区间覆盖则∈k＝1，反之∈k＝0，因此∈k的数学公式定义如下：
[0098][0099]
其中，yk表示第k个目标，即带钢出口厚度的实测值；lk和uk分别表示针对yk生成的预测区间的下界和上界；为确保区间预测的准确性，获得有效的预测区间，覆盖概率picp要求不低于预测区间的名义置信水平1-α，α表示显著性水平；否则，预测区间无效，应被舍弃；
[0100]
覆盖概率picp作为区间预测的评价指标其取值范围在0到1之间，显然预测区间覆盖的概率越大越好，很容易看出picp的理想值为1，这时表示所有的目标都在预测的区间内。虽然覆盖概率picp是评估区间预测质量的重要指标，但不是唯一指标，这是因为当区间覆盖率足够大的时候区间宽度可能也会非常大，提供的确定性信息会非常少，无法传递有意义的信息，从而整个区间预测的意义不大。因此，除了考虑覆盖概率picp之外，还应该考虑区间的宽度大小。
[0101]
(2)区间预测宽度的定量测量被定义为预测区间归一化平均宽度pinaw，用数学公式表示如下：
[0102][0103]
其中，rg指目标的变化范围，即目标的最大值和最小值之间的差值。
[0104]
在理想情况下，希望在尽可能窄的区间范围内包含尽可能多的目标。很容易看出，想要实现高质量的区间预测，需要较高的区间覆盖率和较窄的区间宽度，从上述计算覆盖概率picp和预测区间归一化平均宽度pinaw的公式可以看出，这两个需求是相互矛盾的，因此，需要定义一个基于区间预测的综合成本函数，称为覆盖宽度的标准cwc(coverage width-based criterion)，用于优化上述两个评价指标。
[0105]
(3)覆盖宽度的标准cwc，具体定义如下：
[0106]
cwc＝pinaw(1+γ(picp)e-η(picp-μ)
)
[0107][0108]
其中，η和μ是用于控制优化速度和精度的两个参数，η作为一个惩罚因子来惩罚质量差的预测区间，如果picp没有达到预先指定的置信水平，则cwc将在这一项上进行指数性增大，如果picp达到了预先指定的置信水平，则cwc不再关注picp而只关注pinaw；μ对应区间预测相关的置信水平，设为1-α；γ(picp)是一个布尔变量。
[0109]
在以cwc为适应度函数的网络模型训练过程中，由上述公式可以看出cwc实现了单目标优化，帮助区间预测在准确性和有效性之间进行平衡，从而实现高质量的区间预测。
[0110]
实施例：
[0111]
为了证明本发明提出的基于记忆性功能网络的带钢全长厚度预测方法的有效性，
间隔相等的时间采集某工厂轧制过程中的数据，选定轧制速度、轧制力、前后张力、弯辊力、辊缝、轧制公里数和入口厚度等共34个重要影响因素的实测数据和计算数据以及上一时刻的带钢出口厚度的实测值作为模型的输入，带钢出口厚度的实测值作为输出数据。共有连续生产的9卷带钢，1528组连续数据，其中前8卷带钢的数据作为训练集，共1371组数据，最后一卷带钢的数据作为测试集，共157组数据。分别对传统的rnn、lstm、gru网络，以及本发明的glstm网络进行实验，并使用人工神经网络(ann)进行对比实验。在点预测时五种不同网络模型在数据集上的平均绝对误差、均方根误差和平均绝对百分比误差如下图2所示，对应的决定系数如图3所示。
[0112]
由图2可以看出四种记忆性网络点预测的平均绝对误差、均方根误差和平均绝对百分比误差明显小于ann网络，四种记忆性网络在数据集上取得较好的点预测效果，同时本发明提出的glstm网络相比其他三种传统的记忆性网络rnn、lstm、gru预测的平均绝对误差、均方根误差和平均绝对百分比误差更小，预测表现效果做好。决定系数一般在0到1之间，越接近1表明模型拟合性能越好，越接近0表明模型拟合性能越差，由图3可知与ann网络相比四种记忆性网络的点预测性能更好，其中本发明采用的glstm网络的预测性能最好。
[0113]
在区间预测时五种不同网络模型在数据集上的picp、pinaw和cwc的对比如下图4所示。由图4可以看出相比ann网络四种记忆性网络区间预测的综合评价指标明显要小很多，其中本发明采用的glstm网络的cwc值最小，这表明本发明的记忆性网络预测带钢全长厚度得到的预测区间性能较好。由于置信度设置的0.95，可以看出五种网络只有本发明采用的glstm网络的picp值为0.951592满足条件，同时可以看出glstm网络的pinaw值最小，这表明glstm网络的预测区间最窄，可见本发明提出的glstm网络模型拥有最好的区间预测效果。
[0114]
具体实施时，采用训练集对本发明的glstm网络进行模型的训练，模型的隐藏层节点数设置为40，学习率设置为0.01，所述区间预测评价指标cwc中的两个控制参数η和μ分布设置为30和0.95，在测试集上使用训练好的模型进行点预测和区间预测，其点预测的结果如图5所示，区间预测结果如图6所示。根据图5和图6可以看出，无论是点预测还是区间预测本发明所提出的glstm网络均能有效预测未来时刻的带钢全长厚度。
[0115]
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，包括：步骤1：每间隔相等时间采集一次实时过程轧制数据和带钢出口厚度的实测值，构成输入特征数据集；步骤2：将输入特征数据集按比例、按时间顺序分为训练集和测试集，并对训练集和测试集的数据进行归一化处理；步骤3：构建用于带钢厚度点预测的glstm网络，并通过训练集对点预测的glstm网络进行训练，得到点预测的glstm网络各层的连接权重和偏置；步骤4：利用粒子群算法优化步骤3中点预测的glstm网络的输出层的连接权重，得到最佳的输出层的连接权重w
opt
；步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得到的w
opt
，构建用于带钢厚度区间预测的glstm网络，并根据评价指标picp、pinaw和cwc来确定区间预测的glstm网络的最佳参数，获得最优的区间预测的glstm网络；步骤6：利用步骤5得到的最优的区间预测的glstm网络进行带钢全长厚度预测，并根据预测得到的带钢厚度的上、下限计算picp、pinaw和cwc评价指标完成对区间预测的glstm网络的性能评估。2.如权利要求1所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述实时过程轧制数据包括：轧制公里数、入口厚度以及各机架的轧制速度、轧制力、前后张力、弯辊力、辊缝共34个重要影响因素的实时过程轧制数据。3.如权利要求1所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述步骤2中根据下式对训练集和测试集的数据进行归一化处理：式中：x
′
k
为归一化处理后的特征数据，x
k
为第k个特征数据，x
min
为该特征数据中的最小数值，x
max
为该特征数据中的最大数值。4.如权利要求1所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述步骤3中用于带钢厚度点预测的glstm网络具体为：f
t
＝1-i
tt
c
t
＝f
t
×
h
t-1
+g
t
×
i
t
h
t
＝o
t
×
relu(c
t
)式中，x
t
为t时刻的输入数据；是与输入x相关的权重，为输入门与输入数据x相关的权重，为输出门与输入数据x相关的权重，为新信息向量与输入数据x相关的权重；入数据x相关的权重；是与上一时刻的隐藏状态h
t-1
相关的权重；b
(i)
是输入门的偏置，b
(o)
是输出门的偏置，b
(g)
是新信息向量的偏置；i
t
表示输入门，f
t
表示遗忘门，o
t
表示输
出门，g
t
表示新信息向量，c
t
代表t时刻网络的单元状态，h
t
代表t时刻网络的隐藏层状态；iσ代表isigmoid激活函数，lrelu和relu都为激活函数。5.如权利要求1所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述步骤4中利用粒子群算法优化步骤3中点预测的glstm的输出层的连接权重，具体为：步骤4.1：将步骤3得到的n
×
1的输出层的连接权重w
o
进行复制得到n
×
2的w
ho
，并加上一个元素在[-1.1，0.1]之间的维数相同的随机矩阵，得到w
no
；步骤4.2：种群的初始化，在粒子的解空间中随机初始化每个粒子的速度，每个粒子的位置使用w
no
初始化；步骤4.3：将cwc评价指标作为适应度函数评估每个粒子的适应度函数值；步骤4.4：对每个粒子将其当前适应值与其个体历史最佳位置对应的适应值进行比较，如果当前的适应值更好，则使用当前位置更新粒子个体的历史最佳位置；步骤4.5：对每个粒子将其当前适应值与全局最佳位置对应的适应值作比较，如果当前的适应值更好，则用当前位置更新粒子群体的历史最优位置；步骤4.6：根据以下公式更新粒子的速度和位置：步骤4.6：根据以下公式更新粒子的速度和位置：其中，pbest
j
表示第j个粒子的历史最佳位置，gbest表示整个群体的历史最佳位置，c1和c2为学习因子，r1和r2为[0，1]范围内的均匀随机数，t为迭代步数；当速度迭代更新大于其限制范围的最大值v
max
时，使其等于v
max
；同理，当其小于限制范围的最小值v
min
时，使其等于v
min
；步骤4.7：若满足最大迭代次数或迭代过程中适应度函数cwc的值保持m次不变，则输出全局最佳位置，即最佳的输出层的连接权重w
opt
；若未满足迭代终止条件转至步骤4.3继续迭代更新。6.如权利要求5所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述步骤5中区间预测的glstm网络的最佳参数包括：隐藏层节点个数、各层激活函数组合、网络学习率以及粒子群优化算法需要确定的参数，所述粒子群优化算法需要确定的参数包括：学习因子c1和c2以及种群大小。7.如权利要求1所述的基于记忆性功能网络的带钢全长厚度预测方法，其特征在于，所述picp、pinaw和cwc评价指标定义如下：(1)覆盖概率picp是区间预测的重要特征，表示目标值位于区间内的概率，其定义如下：其中，n表示样本总数，∈
k
是一个布尔决策变量，用于表示第k个目标是否已被区间覆盖，如果目标被区间覆盖则∈
k
＝1，反之∈
k
＝0，因此∈
k
的数学公式定义如下：其中，y
k
表示第k个目标，即带钢出口厚度的实测值；l
k
和u
k
分别表示针对y
k
生成的预测
区间的下界和上界；为确保区间预测的准确性，获得有效的预测区间，覆盖概率picp要求不低于预测区间的名义置信水平1-α，α表示显著性水平；否则，预测区间无效，应被舍弃；(2)区间预测宽度的定量测量被定义为预测区间归一化平均宽度pinaw，用数学公式表示如下：其中，r
g
指目标的变化范围，即目标的最大值和最小值之间的差值；(3)定义一个基于区间预测的综合成本函数，称为覆盖宽度的标准cwc，用于优化上述两个评价指标，具体定义如下：cwc＝pinaw(1+γ(picp)e-η(picp-μ)
)其中，η和μ是用于控制优化速度和精度的两个参数，η作为一个惩罚因子来惩罚质量差的预测区间，如果picp没有达到预先指定的置信水平，则cwc将在这一项上进行指数性增大，如果picp达到了预先指定的置信水平，则cwc不再关注picp而只关注pinaw；μ对应区间预测相关的置信水平，设为1-α；γ(picp)是一个布尔变量。

技术总结
本发明的一种基于记忆性功能网络的带钢全长厚度预测方法，包括：每间隔相等时间采集一次实时过程轧制数据和带钢出口厚度的实测值，构成输入特征数据集；将输入特征数据集按比例、按时间顺序分为训练集和测试集并进行归一化处理；构建带钢厚度点预测的GLSTM网络，并训练得到点预测的GLSTM网络各层的连接权重和偏置；利用粒子群算法优化点预测的GLSTM网络的输出层的连接权重，得到最佳的输出层的连接权重W


技术研发人员：李旭 栾峰 田向华 吴艳 刘宏旭 张弛 赵海金 廖哲 韩月娇
受保护的技术使用者：东北大学
技术研发日：2023.04.20
技术公布日：2023/9/7