本发明涉及冶金领域，尤其涉及一种基于机器学习方法的冷轧轧制力预测方法及系统。

背景技术：

在轧制技术领域中，传统冷轧轧制力的计算是通过机理模型和经验公式获得。计算结果越精确，对机理研究和经验规律总结要求就越高。如何能够对轧制力进行精确的计算，不仅需要依赖大量专业知识，而且还需要依赖深层次的经验规律。

目前，传统的轧制力计算模型对边界工况的适应性不好，当发生停机更新，规格改变、换辊等变化因素时，都会引起传统模型精度严重变差，影响首卷钢轧制的轧制效果。因此，需要一种新的技术手段，可以提升模型适应能力。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明提供一种基于机器学习方法的冷轧轧制力预测方法及系统，以解决上述技术问题。

本发明提供的基于机器学习方法的冷轧轧制力预测方法，包括：

采集冷轧轧制过程中的生产数据；

对所述生产数据进行预处理，根据预处理后的数据建立预测模型，并通过不同的机器学习对预测模型进行训练；

根据每种机器学习方式均相对误差，对预测模型进行评价，获取最优的训练后的预测模型；

根据所述最优的训练后的预测模型，对冷轧轧制力进行实时预测。

可选的，所述生产数据包括用于表示当前工艺参数的参数数据和表示上一次生产状态的生产状态数据，并根据所述生产数据构建预测模型。

可选的，将预处理后的数据分为训练集和测试集，通过所述训练集对预测模型进行训练，通过所述测试集对预测模型进行评价。

可选的，通过如下公式获取相对误差：

其中，n为测试集数据的个数，ypredict为测试值，ytrue为真实值，根据每个采用不同机器学习算法的预测模型的相对误差，获取所述均相对误差。

可选的，所述预处理包括对所述生产数据进行归一化处理。

可选的，对最优的训练后的预测模型进行周期性更新。

本发明还提供一种基于机器学习方法的冷轧轧制力预测系统，包括：

采集模块，用于采集冷轧轧制过程中的生产数据；

预处理模块，用于对所述生产数据进行预处理，

预测模型模块，用于根据预处理后的数据建立预测模型，并通过不同的机器学习对预测模型进行训练；

评价模块，用于根据每种机器学习方式均相对误差，对预测模型进行评价，获取最优的训练后的预测模型；

根据所述最优的训练后的预测模型，对冷轧轧制力进行实时预测。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述中任一项所述方法。

本发明还提供一种电子终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。

本发明的有益效果：本发明中基于机器学习方法的冷轧轧制力预测方法及系统，通过择优选择最合适的预测模型，得到实时预测的轧制力更接近现场实际值，本发明安全可靠，预测准确，能够在线实时计算得到轧制力，可以应用于冷轧差厚板、冷连轧的动态变规格等过程中轧制力的计算，提升冷轧模型控制水平。

另外，本发明在综合考虑轧制过程中各个工艺参数的基础上，解决了在不同生产情况下轧制力的实时预测问题，

附图说明

图1是本发明实施例中基于机器学习方法的冷轧轧制力预测方法的流程示意图。

图2是本发明实施例中基于机器学习方法的冷轧轧制力预测方法中静态预测模型的流程示意图。

图3是本发明实施例中基于机器学习方法的冷轧轧制力预测方法中动态预测模型的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

如图1所示，本实施例中的基于机器学习方法的冷轧轧制力预测方法，包括：

s1.采集冷轧轧制过程中的生产数据；

s2.对所述生产数据进行预处理，根据预处理后的数据建立预测模型，并通过不同的机器学习对预测模型进行训练；

s3.根据每种机器学习算法均相对误差，对预测模型进行评价，获取最优的训练后的预测模型；

s4.根据所述最优的训练后的预测模型，对冷轧轧制力进行实时预测。

在本实施例中，生产数据包括用于表示当前工艺参数的参数数据和表示上一次生产状态的生产状态数据，根据所述静态数据建立预测模型，通过这种方式，可以综合各种特殊工况，例如换规格、换钢种，换辊，停机重启的情况下，模型需要的特征包括，机架号特征、轧制卷数、轧辊线速度、机架入口材料厚度，机架出口材料厚度、入口张力、出口张力、轧辊直径、带钢宽度、计算摩擦系数、轧辊粗糙系数、压下比、轧辊基准粗糙度、原料厚度；以及上一次模型计算时相关参数：摩擦系数反算值、轧制卷数、轧辊线速度、机架入口材料厚度，机架出口材料厚度、入口张力、出口张力、轧辊直径、带钢宽度、轧辊粗糙系数、压下比、轧辊基准粗糙度、原料厚度、轧制力等。可选的，针对机架号特征，本实施例可以通过one-hot进行二值化处理，得到离散稀疏的机架号特征。

在本实施例中，预处理包括对所述生产数据进行归一化处理，归一化方法包括但不限于最大最小化法、(0,1)标准法、z-score标准化，可选的，本实施例中采用的方法如下公式：

其中，xmin为最小值，xmax为最大值，x为需要归一化的真实值，xnorm为归一化结果。

在本实施例中，将预处理后的数据分为训练集和测试集，训练集用于构建机器学习模型，测试集用于评价模型效果，判断模型是否能得到较好的结果，可选的，对采集的数据集，按照时间顺序对样本集进行划分，划分比例可自定。通过训练集和测试集训练预测模型并进行评价，本实施例通过采用多种机器学习算法对处理后的训练集特征数据进行训练。机器学习算法所使用的参数，例如决策树回归算法的最大深度、对特征的采样比例和步长参数，需要根据数据进行调试。通过测试集合数据验证模型优劣主要通过以均相对误差为评价标准，例如，将该机器学习模型与传统模型方法进行比较，以此判断该模型对于当前生产环境是否胜于传统模型，并且选用所有机器学习方式选择出最优秀的机器学习方式，可选的，本实施例中采用的机器学习方式，包括但不限于线性回归、随机森林、xgboost、lightgbm、支持向量回归(svr)等。

在本实施例中，将模型在测试集中每条数据的相对误差存入一个数组中，相对误差计算公式如下所示：

其中，n为测试集数据的个数，ypredict为测试值，ytrue为真实值；

根据式(2)，选择误差最小的预测模型，用于生产环境。

下面以一个具体实施例做进一步介绍：

以某冷轧厂房为例，轧机电机转矩预测流程如图2、图3所示：

s101：采集某钢铁厂2018年12月3日至2019年1月2日的生产数据，包括机架号、轧制里程(轧制卷数)、轧辊速度、入口带钢厚度、出口带钢厚度、入口张力、出口张力、轧辊半径、带钢宽度、压下率等数据。模型数据来自于现有的模型系统，数据采集频率与现有二级模型计算周期一致，同种产品轧制过程时一般1分钟采集一次，钢种、规格切换时模型计算时间稍长。

s102：对不同机架号的特征进行label编码转换成数值特征。

s103：对经筛选后的数据进行预处理，进行最大最小化归一处理。

s104：按照1：1比例对数据集和测试集进行划分，将2018年11月3日至2018年12月3日的数据作为训练集，2018年12月3日至2019年1月2日的数据作为测试集。

s105：选择机器学习方法，包括含线性回归、随机森林、xgboost、lightgbm、支持向量回归(svr)等回归模型。使用不同的机器学习方法，对训练集数据进行训练。

s106：计算各机器学习算法得到的均相对误差，选出最优秀的机器学习算法，例如xgboost予以使用。

相应的，本实施例还提供一种基于机器学习方法的冷轧轧制力预测系统，包括：

采集模块，用于采集冷轧轧制过程中的生产数据；

预处理模块，用于对所述生产数据进行预处理，

预测模型模块，用于根据预处理后的数据建立预测模型，并通过不同的机器学习对预测模型进行训练；

评价模块，用于根据每种机器学习方式均相对误差，对预测模型进行评价，获取最优的训练后的预测模型；

根据所述最优的训练后的预测模型，对冷轧轧制力进行实时预测。

在本实施例中，预测系统可以通过上述实施例中的方法选择最优的训练后的预测模型，对冷轧轧制力进行实时预测。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。

本实施例还提供一种电子终端，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。

本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。

在本实施例中，存储器可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在上述实施例中，说明书对“本实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”的多次出现不一定全部都指代相同的实施例。在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态ram(dram))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。

本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。