公开(公告)号：CN117862247A

公开(公告)日：2024-04-12

申请号：CN202410272941.4

申请日：2024-03-11

Applicant: 东北大学

Inventor： 孙杰 ,  杨熙成 ,  叶俊成 ,  谢璐璐 ,  蔡钧翔

IPC: B21B37/28

Abstract: 本发明提供一种基于机器学习的轧制过程带钢板形预测方法，涉及带钢轧制技术领域，本发明使用误差逆反馈人工神经网络建立带钢板形预测模型并确定了其最佳隐藏层神经元数量和学习速率；通过遗传算法优化，得到了基于遗传算法的人工神经网络（GA‑BP）预测模型，以更加精确、稳定地实现板形预测。具体包括：对原始工业数据进行预处理得到实验数据，确定板形预设定控制思路；依据上述实验数据训练人工神经网络，搭建基于BP神经网络的板形预测模型；通过遗传算法GA优化上步骤得到的BP模型，得到GA‑BP预测模型；根据模型评估指标，预测性能对比，选取最优模型，进行预测。本发明能够提高带钢板形预测的精度、增强适用性。

公开(公告)号：CN119047649A

公开(公告)日：2024-11-29

申请号：CN202411473615.6

申请日：2024-10-22

Applicant: 东北大学

Inventor： 孙杰 ,  叶俊成 ,  杨熙成 ,  雷佳为 ,  谢璐璐

IPC: G06Q10/04 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G06Q50/04

Abstract: 本发明公开一种基于LSTM的轧制板形的变化趋势预测方法，涉及带钢轧制技术领域。获取连轧生产线工业过程时序数据集；对连轧生产线工业过程时序数据集中的数据点进行预处理；按照设定比例划分为训练集和测试集，并进行Min‑Max归一化处理；确定输入步数；构建CNN‑Attention‑LSTM模型；根据确定的输入步数，利用训练集对所构建的CNN‑Attention‑LSTM模型进行训练；将测试集输入到训练后的CNN‑Attention‑LSTM模型，得到预测的板型值。利用1D CNN在局部特征提取方面的优势，又发挥了注意力机制更加灵活地分配注意力，更有效地捕捉长期依赖关系和序列中的关键特征的优势，从而实现了对轧制过程时序数据高效且准确的建模。运算速度快，利用大量的生产过程数据通过直接在计算机上编程即可实现投入使用，成本十分低廉。