一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法

1.本发明属于带钢凸度预测技术领域，涉及一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法。


背景技术：

2.硅钢一种是高附加值的钢铁材料，广泛应用于广泛用于超高速电机、精密电子、电力等高端制造领域。由于产品的性能要求和硅钢品种、规格的不断扩大，下游客户对硅钢板形的要求越来越高。凸度是衡量热轧硅钢板形质量的重要指标之一。由于热轧带钢与冷轧产品横截面形状具有遗传性，所以硅钢在热轧出口的凸度状况在很大程度上决定了冷轧出口板形的质量。目前，硅钢凸度的控制精度偏低，不能满足下工序要求和客户要求，是硅钢产品进一步提高质量水平的最大制约。因此，硅钢凸度的控制精度亟待地提高。
3.实际工业中高牌号硅钢相对于其他钢种产量较少，且硅钢工艺比较复杂，生产难度较大，成材率较低，导致可用于拟合经验模型或训练模型的数据较少。为了克服这个问题，必须开发一个从非硅钢的生产数据中学习得到的知识跨至硅钢的凸度预测模型，为进一步提高热轧高牌号硅钢凸度精度提供依据具有非常重要的意义。


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迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，从海量的非硅钢数据中挖掘共同特征的同时利用鲸鱼优化算法优化模型的超参数，将之前预训练模型的深层参数固定，并由少量带标签的硅钢数据更新浅层参数以达到知识向硅钢的迁移，从而实现了高精度、可靠的热轧硅钢凸度预测。
5.本发明提供一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，包括：
6.步骤1：采集硅钢和非硅钢的轧制现场数据；
7.步骤2：对采集的轧制现场数据进行预处理，将硅钢轧制现场数据作为目标域数据，非硅钢轧制现场数据作为源域数据；
8.步骤3：基于源域数据对硅钢凸度预测模型进行预训练，同时利用鲸鱼捕食算法优化模型网络的结构和超参数；
9.步骤4：通过目标域的训练集对硅钢凸度预测模型进行迁移训练，实现源域知识向目标域的转移，获得最终的硅钢凸度预测模型。
10.进一步的，所述步骤1中的轧制现场数据包括：
11.f1～f6机架的轧制速度、f1～f6机架的轧制力、f1～f6机架弯辊力、f1～f6机架的窜辊量、f1～f6机架的出口凸度、硅含量、带钢宽度、带钢入口厚度、带钢出口厚度、带钢入口温度和带钢出口温度。
12.进一步的，所述步骤2具体为：
13.步骤2.1：根据pauta标准设置置信区间，绝对偏差超过置信区间边界的轧制现场数据将被判断为异常值并被删除，具体通过下式筛选异常值：
[0014][0015][0016][0017]
其中，为轧制现场数据的平均值，s
x
为轧制现场数据的标准差，n为轧制现场数据的个数，xi为第i个轧制现场数据；
[0018]
步骤2.2：根据下式对轧制现场数据进行归一化使轧制现场数据范围在[0,1]之间：
[0019][0020]
其中，x
max
、x
min
分别为轧制现场数据的最大值和最小值，x
i*
为轧制现场数据经归一化处理后的值；
[0021]
步骤2.3：将硅钢轧制现场数据作为目标域d
t
＝{x
t
,y
t
}，非硅钢轧制现场数据作为源域ds＝{xs,ys}，将目标域数据划分为训练集和测试集。
[0022]
进一步的，所述步骤3具体为：
[0023]
步骤3.1：将所有源域数据ds＝{xs,ys}作为预训练数据，xs为输入特征，包括35个轧制现场数据和目标凸度，共36维输入；f6机架的出口凸度作为输出特征ys；
[0024]
步骤3.2：硅钢凸度预测模型的深层部分采用两个1d卷积层，卷积操作公式如下所示：
[0025][0026][0027]
其中，和b分别表示非线性激活函数和偏置项，表示第i次卷积核得到的特征图，fj为第j个卷积核的多特征映射；为卷积核的权值，f
l
表示卷积窗口长度；
[0028]
步骤3.3：卷积层中采用零填充操作，再通过最大池化层，池化操作如下所示：
[0029][0030]
其中，表示第i个池化窗口得到的特征图，pj为第j个池化窗口的多特征映射；n是样本数据数量，p
l
是池化窗口的长度；
[0031]
步骤3.4：硅钢凸度预测模型浅层部分采用两个全连接层，卷积层输出的特征铺平后作为全连接层输入，网络的激活函数全部采用relu；
[0032][0033]
其中，a为激活系数；
[0034]
步骤3.5：采用鲸鱼优化算法对硅钢凸度预测模型的网络进行优化，从而获得最优的学习率、卷积核数、隐藏层神经元、循环次数和超参数，获得优化后的硅钢凸度预测模型。
[0035]
进一步的，所述步骤3.5具体为：
[0036]
步骤3.5.1：初始化鲸鱼优化算法中种群规模、鲸鱼的初始位置、最大迭代次数t
max
及参数m、a、c、l、p；
[0037]
步骤3.5.2：计算并比较每个鲸鱼个体的适应度值，确定当前最优个体的位置，适应度函数fintness如下公式所示：
[0038][0039]
其中，y
p
为网络的输出凸度，ym为实际测量凸度，n
t
为种群中的样本个数；
[0040]
步骤3.5.3：当满足p《0.5，如果也满足|a|》1，则鲸鱼根据全局搜索机制更新位置，如下公式所示：
[0041]
x(t+1)＝x
rand
(t)-a
×drand
[0042]drand
＝|c
×
x
rand
(t)-x(t)|
[0043]
式中，x(t)表示当前的位置，x(t+1)表示更新后的位置，t表示当前的迭代次数，x
rand
(t)表示随机鲸鱼个体的位置，a和c通过下式计算：
[0044]
a＝2mr-m
[0045]
c＝2r
[0046][0047]
其中，r是(0,1)之间的随机数，m的值从2降到0；
[0048]
如果|a|≤1，则鲸鱼个体根据包围捕食机制更新位置，其计算公式为：
[0049]
x(t+1)＝x
*
(t)-a
×
d1[0050]
d1＝|c
×
x
*
(t)-x(t)|
[0051]
其中，x
*
(t)为当前的个体最优位置；
[0052]
步骤3.5.4：当p≥0.5时，鲸鱼个体根据螺旋气泡网捕食机制更性位置，表示为：
[0053]
x(t+1)＝|c
×
x
*
(t)-x(t)|e
bl
cos(2πl)+x
*
(t)
[0054]
其中，b为螺旋形式系数，l为(-1,1)之间的随机数；
[0055]
步骤3.5.5：重新计算种群每个个体的适应度值，确定当前全局最优个体位置；
[0056]
步骤3.5.6：满足最大迭代次数，进入下一步；否则转到步骤3.5.2，继续进行迭代计算；
[0057]
步骤3.5.7：输出全局最优个体位置，输出最佳个体参数并将其作为模型的超参数。
[0058]
进一步的，所述步骤4具体为：
[0059]
步骤4.1：由源域数据确定硅钢凸度预测模型结构和超参数后，对卷积层的参数进行冻结；
[0060]
步骤4.2：利用目标域中的训练集数据对硅钢凸度预测模型进行训练实现全连接层参数的更新，卷积层的参数不变，获得最终的硅钢凸度预测模型；
[0061]
步骤4.3：将测试集数据送入迁移训练后最终的硅钢凸度预测模型，获得测试结果验证硅钢凸度预测模型的可靠性。
[0062]
进一步的，所述步骤4.3中选用平均绝对误差mae、均方根误差rmse和相关系数r2作为硅钢凸度预测模型的评价指标。
[0063]
本发明的一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，解决了优质无取向硅钢样本数据不足，无法对热轧硅钢凸度进行准确预测的问题。采用鲸鱼捕食算法优化卷积层的卷积核数、全连接层神经元数、学习率和循环次数，确定了由源域海量数据训练的模型结构和超参数。冻结模型的卷积层参数，由目标域的训练数据更新全连接层的参数，完成模型迁移，从而大幅提高了无取向硅钢凸度的预测精度。该模型可广泛推广应用于其它轧制工艺复杂、数据不充足钢种的凸度预测，以提高板形质量和成品率。
附图说明
[0064]
图1是本发明的一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法的流程图；
[0065]
图2是硅钢凸度预测模型的结构示意图；
[0066]
图3为采用鲸鱼优化算法对硅钢凸度预测模型的网络进行优化的流程图；
[0067]
图4为采用本发明方法进行硅钢凸度预测的效果图；
[0068]
图5为本发明基于不同领域数据对硅钢凸度的预测结果评价指标对比图。
具体实施方式
[0069]
本实施例以某热轧厂2250产线为例，使用本发明的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法对该产线生产的优质无取向硅钢凸度进行预报。
[0070]
如图1所示，本发明的一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，包括：
[0071]
步骤1：采集硅钢和非硅钢的轧制现场数据；
[0072]
具体实施时，轧制现场数据包括：
[0073]
f1～f6机架的轧制速度、f1～f6机架的轧制力、f1～f6机架弯辊力、f1～f6机架的窜辊量、f1～f6机架的出口凸度、硅含量、带钢宽度、带钢入口厚度、带钢出口厚度、带钢入口温度和带钢出口温度。
[0074]
本发明实施例中，采集现场的历史数据共26800条。
[0075]
步骤2：对采集的轧制现场数据进行预处理，将硅钢轧制现场数据作为目标域数据，非硅钢轧制现场数据作为源域数据，所述步骤2具体为：
[0076]
步骤2.1：根据pauta标准设置置信区间，绝对偏差超过置信区间边界的轧制现场数据将被判断为异常值并被删除，具体通过下式筛选异常值：
[0077][0078][0079][0080]
其中，为轧制现场数据的平均值，s
x
为轧制现场数据的标准差，n为轧制现场数据的个数，xi为第i个轧制现场数据；
[0081]
步骤2.2：根据下式对轧制现场数据进行归一化使轧制现场数据范围在[0,1]之间：
[0082][0083]
其中，x
max
、x
min
分别为轧制现场数据的最大值和最小值，为轧制现场数据经归一化处理后的值；
[0084]
步骤2.3：将硅钢轧制现场数据作为目标域d
t
＝{x
t
,y
t
}，非硅钢轧制现场数据作为源域ds＝{xs,ys}，将目标域数据划分为训练集和测试集。
[0085]
步骤3：基于源域数据对硅钢凸度预测模型进行预训练，同时利用鲸鱼捕食算法优化模型网络的结构和超参数，具体为：
[0086]
步骤3.1：将所有源域数据ds＝{xs,ys}作为预训练数据，xs为输入特征，包括35个轧制现场数据和目标凸度，共36维输入；f6机架的出口凸度作为输出特征ys。输入特征如表1所示。
[0087]
表1模型输入特征表示
[0088][0089][0090]
步骤3.2：硅钢凸度预测模型的结构如图2所示。硅钢凸度预测模型深层部分采用两个1d卷积层，卷积操作公式如下所示：
[0091][0092]
[0093]
其中，和b分别表示非线性激活函数和偏置项，表示第i次卷积核得到的特征图，fj为第j个卷积核的多特征映射；为卷积核的权值，f
l
表示卷积窗口长度；
[0094]
步骤3.3：卷积层中采用零填充操作，再通过最大池化层，最大池化操作如下所示：
[0095][0096]
其中，表示第i个池化窗口得到的特征图，pj为第j个池化窗口的多特征映射；n是样本数据数量，p
l
是池化窗口的长度；
[0097]
步骤3.4：硅钢凸度预测模型浅层部分采用两个全连接层，卷积层输出的特征铺平后作为全连接层输入，网络的激活函数全部采用relu；
[0098][0099]
其中，a为激活系数；
[0100]
步骤3.5：采用鲸鱼优化算法对硅钢凸度预测模型的网络进行优化，从而获得最优的学习率、卷积核数、隐藏层神经元、循环次数和超参数，获得优化后的硅钢凸度预测模型，如图3所示具体为：
[0101]
进一步的，所述步骤3.5具体为：
[0102]
步骤3.5.1：初始化鲸鱼优化算法中种群规模、鲸鱼的初始位置、最大迭代次数t
max
及参数m、a、c、l、p；
[0103]
步骤3.5.2：计算并比较每个鲸鱼个体的适应度值，确定当前最优个体的位置，适应度函数fintness如下公式所示：
[0104][0105]
其中，y
p
为网络的输出凸度，ym为实际测量凸度，n
t
为种群中的样本个数；
[0106]
步骤3.5.3：当满足p《0.5，如果也满足|a|》1，则鲸鱼根据全局搜索机制更新位置，如下公式所示：
[0107]
x(t+1)＝x
rand
(t)-a
×drand
[0108]drand
＝|c
×
x
rand
(t)-x(t)|
[0109]
式中，x(t)表示当前的位置，x(t+1)表示更新后的位置，t表示当前的迭代次数，x
rand
(t)表示随机鲸鱼个体的位置，a和c通过下式计算：
[0110]
a＝2mr-m
[0111]
c＝2r
[0112][0113]
其中，r是(0,1)之间的随机数，m的值从2降到0；
[0114]
如果|a|≤1，则鲸鱼个体根据包围捕食机制更新位置，其计算公式为：
[0115]
x(t+1)＝x
*
(t)-a
×
d1[0116]
d1＝|c
×
x
*
(t)-x(t)|
[0117]
其中，x
*
(t)为当前的个体最优位置；
[0118]
步骤3.5.4：当p≥0.5时，鲸鱼个体根据螺旋气泡网捕食机制更性位置，表示为：
[0119]
x(t+1)＝|c
×
x
*
(t)-x(t)|e
bl cos(2πl)+x
*
(t)
[0120]
其中，b为螺旋形式系数，l为(-1,1)之间的随机数；
[0121]
步骤3.5.5：重新计算种群每个个体的适应度值，确定当前全局最优个体位置；
[0122]
步骤3.5.6：满足最大迭代次数，进入下一步；否则转到步骤3.5.2，继续进行迭代计算；
[0123]
步骤3.5.7：输出全局最优个体位置，输出最佳个体参数并将其作为模型的超参数。
[0124]
表2超参数最优结果
[0125]
超参数数据超参数数据学习率0.0044第二个卷积层核数量33批大小1078第二个卷积层核大小3循环次数225第一个全连接层神经元数39第一个卷积层核数量16第二个全连接层神经元数27第一个卷积层核大小3
ꢀꢀ
[0126]
步骤4：通过目标域的训练集对硅钢凸度预测模型进行迁移训练，实现源域知识向目标域的转移，获得最终的硅钢凸度预测模型，具体为：
[0127]
步骤4.1：由源域数据确定硅钢凸度预测模型结构和超参数后，对卷积层的参数进行冻结；
[0128]
步骤4.2：利用目标域中的训练集数据对硅钢凸度预测模型进行训练实现全连接层参数的更新，卷积层的参数不变，获得最终的硅钢凸度预测模型；
[0129]
步骤4.3：将测试集数据送入迁移训练后最终的硅钢凸度预测模型，获得测试结果验证硅钢凸度预测模型的可靠性。
[0130]
如图4所示，为采用本发明的方法进行板凸度预测的效果图。结果表明发明的最终的硅钢凸度预测模型的均方根误差为1.14μm，硅钢凸度偏差4.0μm以内的命中率达到99.502％，充分证明了所提出的硅钢凸度预测模型在线预测模型的有效性，对提高热轧硅钢板形质量具有重要意义。
[0131]
具体实施时，选用平均绝对误差mae、均方根误差rmse和相关系数r2作为预测方法的评价指标，并与ann模型和dbn模型相对比，实验结果如表3所示：
[0132]
表3硅钢凸度预测实验结果
[0133]
序号maermser2本发明方法0.8881.1390.953ann1.5902.2040.973dbn2.2872.8910.992
[0134]
预测方法的评价指标对比结果图参见图5。结果表明本发明的最终的硅钢凸度预测模型的mae、rmse以及r2评价指标均优于传统ann和dbn模型。
[0135]
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：
1.一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，包括：步骤1：采集硅钢和非硅钢的轧制现场数据；步骤2：对采集的轧制现场数据进行预处理，将硅钢轧制现场数据作为目标域数据，非硅钢轧制现场数据作为源域数据；步骤3：基于源域数据对硅钢凸度预测模型进行预训练，同时利用鲸鱼捕食算法优化模型网络的结构和超参数；步骤4：通过目标域的训练集对硅钢凸度预测模型进行迁移训练，实现源域知识向目标域的转移，获得最终的硅钢凸度预测模型。2.如权利要求1所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤1中的轧制现场数据包括：f1～f6机架的轧制速度、f1～f6机架的轧制力、f1～f6机架弯辊力、f1～f6机架的窜辊量、f1～f6机架的出口凸度、硅含量、带钢宽度、带钢入口厚度、带钢出口厚度、带钢入口温度和带钢出口温度。3.如权利要求2所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤2具体为：步骤2.1：根据pauta标准设置置信区间，绝对偏差超过置信区间边界的轧制现场数据将被判断为异常值并被删除，具体通过下式筛选异常值：将被判断为异常值并被删除，具体通过下式筛选异常值：将被判断为异常值并被删除，具体通过下式筛选异常值：其中，为轧制现场数据的平均值，s
x
为轧制现场数据的标准差，n为轧制现场数据的个数，x
i
为第i个轧制现场数据；步骤2.2：根据下式对轧制现场数据进行归一化使轧制现场数据范围在[0,1]之间：其中，x
max
、x
min
分别为轧制现场数据的最大值和最小值，为轧制现场数据经归一化处理后的值；步骤2.3：将硅钢轧制现场数据作为目标域d
t
＝{x
t
,y
t
}，非硅钢轧制现场数据作为源域d
s
＝{x
s
,y
s
}，将目标域数据划分为训练集和测试集。4.如权利要求3所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤3具体为：步骤3.1：将所有源域数据d
s
＝{x
s
,y
s
}作为预训练数据，x
s
为输入特征，包括35个轧制现场数据和目标凸度，共36维输入；f6机架的出口凸度作为输出特征y
s
；步骤3.2：硅钢凸度预测模型的深层部分采用两个1d卷积层，卷积操作公式如下所示：
其中，和b分别表示非线性激活函数和偏置项，表示第i次卷积核得到的特征图，f
j
为第j个卷积核的多特征映射；为卷积核的权值，f
l
表示卷积窗口长度；步骤3.3：卷积层中采用零填充操作，再通过最大池化层，池化操作如下所示：其中，表示第i个池化窗口得到的特征图，p
j
为第j个池化窗口的多特征映射；n是样本数据数量，p
l
是池化窗口的长度；步骤3.4：硅钢凸度预测模型浅层部分采用两个全连接层，卷积层输出的特征铺平后作为全连接层输入，网络的激活函数全部采用relu；其中，a为激活系数；步骤3.5：采用鲸鱼优化算法对硅钢凸度预测模型的网络进行优化，从而获得最优的学习率、卷积核数、隐藏层神经元、循环次数和超参数，获得优化后的硅钢凸度预测模型。5.如权利要求1所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤3.5具体为：步骤3.5.1：初始化鲸鱼优化算法中种群规模、鲸鱼的初始位置、最大迭代次数t
max
及参数m、a、c、l、p；步骤3.5.2：计算并比较每个鲸鱼个体的适应度值，确定当前最优个体的位置，适应度函数fintness如下公式所示：其中，y
p
为网络的输出凸度，y
m
为实际测量凸度，n
t
为种群中的样本个数；步骤3.5.3：当满足p<0.5，如果也满足|a|>1，则鲸鱼根据全局搜索机制更新位置，如下公式所示：x(t+1)＝x
rand
(t)-a
×
d
rand
d
rand
＝|c
×
x
rand
(t)-x(t)|式中，x(t)表示当前的位置，x(t+1)表示更新后的位置，t表示当前的迭代次数，x
rand
(t)表示随机鲸鱼个体的位置，a和c通过下式计算：a＝2mr-mc＝2r其中，r是(0,1)之间的随机数，m的值从2降到0；
如果|a|≤1，则鲸鱼个体根据包围捕食机制更新位置，其计算公式为：x(t+1)＝x
*
(t)-a
×
d1d1＝|c
×
x
*
(t)-x(t)|其中，x
*
(t)为当前的个体最优位置；步骤3.5.4：当p≥0.5时，鲸鱼个体根据螺旋气泡网捕食机制更性位置，表示为：x(t+1)＝|c
×
x
*
(t)-x(t)|e
bl
cos(2πl)+x
*
(t)其中，b为螺旋形式系数，l为(-1,1)之间的随机数；步骤3.5.5：重新计算种群每个个体的适应度值，确定当前全局最优个体位置；步骤3.5.6：满足最大迭代次数，进入下一步；否则转到步骤3.5.2，继续进行迭代计算；步骤3.5.7：输出全局最优个体位置，输出最佳个体参数并将其作为模型的超参数。6.如权利要求1所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤4具体为：步骤4.1：由源域数据确定硅钢凸度预测模型结构和超参数后，对卷积层的参数进行冻结；步骤4.2：利用目标域中的训练集数据对硅钢凸度预测模型进行训练实现全连接层参数的更新，卷积层的参数不变，获得最终的硅钢凸度预测模型；步骤4.3：将测试集数据送入迁移训练后最终的硅钢凸度预测模型，获得测试结果验证硅钢凸度预测模型的可靠性。7.如权利要求6所述的迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，其特征在于，所述步骤4.3中选用平均绝对误差mae、均方根误差rmse和相关系数r2作为硅钢凸度预测模型的评价指标。

技术总结
本发明的一种迁移学习融合鲸鱼优化算法的硅钢凸度预测方法，包括：步骤1：采集硅钢和非硅钢的轧制现场数据；步骤2：对采集的轧制现场数据进行预处理，将硅钢轧制现场数据作为目标域数据，非硅钢轧制现场数据作为源域数据；步骤3：基于源域数据对硅钢凸度预测模型进行预训练，同时利用鲸鱼捕食算法优化模型网络的结构和超参数；步骤4：通过目标域的训练集对硅钢凸度预测模型进行迁移训练，实现源域知识向目标域的转移，获得最终的硅钢凸度预测模型。获得最终的硅钢凸度预测模型。获得最终的硅钢凸度预测模型。


技术研发人员：丁敬国 孟令明 金利 李旭 彭文 孙杰 李霄剑 张殿华
受保护的技术使用者：东北大学
技术研发日：2023.06.12
技术公布日：2023/9/12