CN202110274559.3一种基于冷轧全流程数据的硅钢铁损预测方法

权利要求

1.一种基于冷轧全流程数据的硅钢铁损预测方法，其特征在于，包括如下步骤：

S1、对冷轧硅钢进行全流程物料跟踪，其至少包括常化酸洗机组、轧机、连续退火涂层机组的工艺数据，完成钢卷所经历各机组的工艺数据采集，以及硅钢的在线铁损数据采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及最终铁损值，每一卷钢的每个原料位置得到一组数据d，且其包括输入数据di， di为工艺数据，及输出数据do，do 为 铁损数据；

S2、针对每个原料卷，获取它们的所有组数据d，构成一个数据集D；其中数据集D包括输入数据集Di及输出数据集Do；

使用DBSCAN聚类方法对Di进行聚类分析，得到N1个聚类；

使用DBSCAN聚类方法对Do进行聚类分析，得到N2个聚类；

S3、步骤S2中的Di、Do两次聚类是完全独立运行的，其得到N1×N2＝M种聚类组合，即每个数据d都属于M种聚类组合的其中之一，在M种聚类中各挑选现有的cnt组数据，形成新的数据集D；若该聚类包括的数据d个数小于cnt，则选择全部数据d；

S4、对训练数据集进行BP神经网络训练，其中BP神经网络的输入数据为输入数据集Di，输出数据为输出数据集Do；BP神经网络采用三层网络，首层神经元个数为工艺数据个数E，隐层神经元个数为E/2.5并取整数，且保证其大于6小于15，输出层神经元个数为1；

S5、使用建立的神经网络对新的硅钢钢卷进行铁损预报。

2.根据权利要求1所述的硅钢铁损预测方法，其特征在于，步骤S3中挑选数据过程如下：

S31、计算各组数据相对零点的欧式距离；

S32、按照距离升序排列；

S33、然后根据距离等间隔挑选。

说明书

一种基于冷轧全流程数据的硅钢铁损预测方法

技术领域

本发明涉及冷轧硅钢技术领域，具体是涉及一种基于冷轧全流程数据的硅钢铁损预测方法。

背景技术

铁损是冷轧硅钢最重要的质量参数，其直接决定冷轧硅钢的使用性能。目前的文献主要认为炼钢成分与温度、热轧加热与冷却制度对硅钢铁损影响较大，如《新钢50W1300铁损不良原因分析及控制方法》文章中通过分析发现50W1300铁损不良的原因主要是与热轧加热炉加热温度偏高、板坯和加热炉水梁接触处温度偏低、加热炉加热温度不均等有关。又如《炼钢工艺和成分体系对B50A1300硅钢铁损的影响》探讨了精炼RH吹氧量、w[Mn] ²/w[Si]比值、FeAl预脱氧效果以及连铸钢水镇静时间等对B50A1300硅钢铁损的影响。

然而实际生产发现，冷轧硅钢生产各工序，包括常化酸洗机组，轧机，连续退火涂层机组等对冷轧硅钢的铁损也有较大影响，但是目前尚没有建立冷轧各机组工艺与冷轧硅钢铁损的机理模型，甚至未发现相关的定量分析的数据模型。

发明内容

本发明旨在提供一种基于冷轧全流程数据的硅钢铁损预测方法，以探明冷轧各机组工艺对冷轧硅钢铁损的影响。

具体方案如下：

一种基于冷轧全流程数据的硅钢铁损预测方法，包括如下步骤：

S1、对冷轧硅钢进行全流程物料跟踪，其至少包括常化酸洗机组、轧机、连续退火涂层机组的工艺数据，完成钢卷所经历各机组的工艺数据采集，以及硅钢的在线铁损数据采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及最终铁损值，每一卷钢的每个原料位置得到一组数据d，且其包括输入数据di(工艺数据)及输出数据do(铁损数据)；

S2、针对每个原料卷，获取它们的所有组数据d，构成一个数据集D；其中数据集D包括输入数据集Di及输出数据集Do；

使用DBSCAN聚类方法对Di进行聚类分析，得到N1个聚类；

使用DBSCAN聚类方法对Do进行聚类分析，得到N2个聚类；

S3、步骤S2中的Di、Do两次聚类是完全独立运行的，其得到N1×N2＝M种聚类组合，即每个数据d都属于M种聚类组合的其中之一，在M种聚类中各挑选现有的cnt组数据，形成新的数据集D；若该聚类包括的数据d个数小于cnt，则选择全部数据d；

S4、对训练数据集进行BP神经网络训练，其中BP神经网络的输入数据为输入数据集Di，输出数据为输出数据集Do；BP神经网络采用三层网络，首层神经元个数为工艺数据个数E，隐层神经元个数为E/2.5并取整数，且保证其大于6小于15，输出层神经元个数为1；

S5、使用建立的神经网络对新的硅钢钢卷进行铁损预报。

进一步的，步骤S3中挑选数据过程如下：

S31、计算各组数据相对零点的欧式距离；

S32、按照距离升序排列；

S33、然后根据距离等间隔挑选。

本发明提供的基于冷轧全流程数据的硅钢铁损预测方法与现有技术相比较具有以下优点：

1、建立了冷轧硅钢铁损的影响模型，以探明冷轧各机组工艺对冷轧硅钢铁损的影响。

2、基于冷轧全流程数据对冷轧硅钢铁损进行预测，能有效提高冷轧硅钢的质量。

3、采用神经网络建立了冷轧各机组工艺对冷轧硅钢铁损的影响，克服了机理模型研究过程的技术瓶颈。

4、基于聚类算法分类，并选取代表性工艺作为神经网络的训练集，解决了由于训练样本质量对神经网络训练效果的负面影响。

附图说明

图1示出了硅钢铁损预测方法的流程图。

图2示出了一实施例中冷轧硅钢进行全流程物料跟踪的具体工艺数据图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

如图1所示的，本实施例提供了一种基于冷轧全流程数据的硅钢铁损预测方法，其包括如下步骤：

S1：冷轧全流程物料跟踪

对冷轧硅钢进行全流程物料跟踪，至少包括常化酸洗机组、轧机、连续退火涂层机组的工艺数据，完成钢卷所经历各机组的工艺数据采集，以及硅钢的在线铁损数据采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及最终铁损值，如此，每一卷钢的每个原料位置将会得到一组数据d，且其包括输入数据di(工艺数据)及输出数据do(铁损数据)。某一实施例具体数据如图2所示。

S2：DBSCAN聚类分析

针对每个原料卷，获取它们的所有组数据d，构成一个数据集D。其中数据集D包括输入数据集Di(工艺数据集)及输出数据集Do(铁损数据集)。

使用DBSCAN聚类方法对Di进行聚类分析，得到N1个聚类。

使用DBSCAN聚类方法对Do进行聚类分析，得到N2个聚类。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。给定某空间里的一个点集合，这算法能把附近的点分成一组(有很多相邻点的点)，并标记出位于低密度区域的局外点(最接近它的点也十分远)。

DBSCAN需要两个参数：ε(eps)和形成高密度区域所需要的最少点数(minPts)，它由一个任意未被访问的点开始，然后探索这个点的ε-邻域，如果ε-邻域里有足够的点，则建立一个新的聚类，否则这个点被标签为杂音。这个点之后可能被发现在其它点的ε-邻域里，而该ε-邻域可能有足够的点，届时这个点会被加入该聚类中。

DBSCAN相比K-means算法具有以下优势：

(1)、DBSCAN不需要预先声明聚类数量。而且DBSCAN可以找出任何形状的聚类，甚至能找出一个聚类，它包围但不连接另一个聚类，另外，由于minPts参数，single-linkeffect(不同聚类以一点或极幼的线相连而被当成一个聚类)能有效地被避免。

(2)、DBSCAN能分辨噪音(局外点)。

(3)、DBSCAN只需两个参数，且对数据库内的点的次序几乎不敏感(两个聚类之间边缘的点有机会受次序的影响被分到不同的聚类，另外聚类的次序会受点的次序的影响)。

(4)、DBSCAN可设计成能配合加速范围访问的数据库结构。

(5)还可以选择适当的参数以获得最佳的分类。如果一个点位于一个聚类的密集区域里，它的ε-邻域里的点也属于该聚类，当这些新的点被加进聚类后，如果它(们)也在密集区域里，它(们)的ε-邻域里的点也会被加进聚类里。这个过程将一直重复，直至不能再加进更多的点为止，这样，一个密度连结的聚类被完整地找出来，然后，一个未曾被访问的点将被探索，从而发现一个新的聚类或杂音。

上述DBSCAN的优势使得其在基于冷轧全流程数据的硅钢铁损预测过程中能够实现更好的效果。

S3：训练样本选取

上述两次聚类是完全独立运行的。这样会得到N1×N2＝M种聚类组合，即每个数据d都属于M种聚类组合的其中之一。在M种聚类中各挑选现有的cnt组数据，形成新的数据集D。若该聚类包括的数据d个数小于cnt，则选择全部数据d。

挑选数据过程如下：

S31：计算各组数据相对零点的欧式距离。

S32：按照距离升序排列。

S33：然后根据距离等间隔挑选。

选取训练样本的主要原因是，针对同样的工艺参数，其生产出的铁损也会有波动，如果把这些数据都放入神经网络训练集，其训练结果将会出现较大的偏差，为此采用聚类之后，选择代表性样本，即可以解决这个问题。

S4：基于BP神经网络训练

对训练数据集进行BP神经网络训练。显然BP神经网络的输入数据为输入数据集Di，输出数据为输出数据集Do。BP神经网络采用三层网络，首层神经元个数为工艺数据个数E，隐层神经元个数为E/2.5并取整数并保证其大于6小于15。输出层神经元个数为1。

S5：硅钢铁损预报

使用建立的神经网络可以对新的硅钢钢卷进行铁损预报。基于此神经网络也可以对工艺参数进行反向控制，保证铁损更低或者带钢全长方向铁损一致性更好。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。