基于深度置信网络的连铸坯偏析等级预测研究.pdf

总第2 11期2023年第8 期试（实）验研究基于深度置信网络的连铸坏偏析等级预测研究翟莹莹12，孙巍，李洪林1，吴海旭，石玲1（1.忠旺科创中心，辽宁辽阳1110 0 3；2.东北大学计算机科学与工程学院，辽宁沈阳110 8 19）摘要：连铸坏中心偏析缺陷的准确预测对于连铸坏稳定生产、提升连铸质量具有重要意义。为精准预测连铸坏中心偏析缺陷，建立连铸坏偏析等级的深度学习模型，该模型应用禁忌搜索的超参数优化法，对DBN模型的网络层和回归层进行优化,提高了偏析预测的准确率。研究表明,基于DBN-SVR模型的连铸坏中心偏析预测精度较好。关键词：连铸坏；质量预测；深度置信网络；支持向量机中图分类号：TF701.3;TF7770引言连铸工艺是钢铁生产中的重要环节,实际生产中的连铸坏质量受很多因素的影响,而且生产过程中存在着很多未知的扰动性，生产参数间具有较强的非线性和耦合性，这使得连铸坏中心偏析缺陷的精准预测极具挑战1。偏析的产生对铸坏后续的加工和成型处理及最后生产的产品质量都有很大的影响,因此，需要精准预测连铸坏的偏析行为。连铸坏的质量预测一直都是连铸生产过程中的重点研究方向。随着人工智能预测模型的广泛应用，生产中的数据不断被积累，使预测模型具有更强的鲁棒性3 。因此,很多研究学者将人工智能技术应用到预测模型中4-5。本文针对连铸坏偏析预测这一复杂工程问题，引入深度置信网络，并加人支持向量机模型，构建基于DBN-SVR模型的连铸坏偏析等级的预测模型,优化网络结构,提高模型在回归预测的准确率。1基于DBN-SVR的质量预测模型的建立深度置信网络（DBN）由多个限制玻尔兹曼机(RBM)堆叠组成,通过堆叠RBM并进行训练,构成不同深度的DBN模型，进而开展分类以及回归预测任务6 。DBN模型结构如图1所示,其中每一层RBM都是对输入数据特征的提取，输人的数据经过各层RBM，最终将提取到的特征映射到输出层，通过分类层或者回归层对收集的数据进行分类预测。hs隐藏层可见层图1DBN网络结构收稿日期：2 0 2 3-0 3-2 1基金项目：辽宁省教育厅科学研究经费项目（LJKZ0010）；中央高校基本科研业务费项目（N2216011）第一作者简介：翟莹莹（19 8 4一),女，黑龙江奎县人,现为东北大学讲师，忠旺科创中心博士后，研究方向为工业流程与仿真、数据挖掘、深度学习等。山西冶金ShanxiMetallurgy文献标识码：A低维空间映射到高维特征空间中,并在高维数据空间中构造恰当的超平面实现对输人样本的分离。在非线性支持向量机的基础上，利用SVR算法对数据样本进行拟合，使得数据可以投放到同一个平面中，以此完成对样本数据的拟合。DBN-SVR的构建利用的是SVR优化DBN网络的回归层，为了使改进网络的参数达到最优，将DBN模型的回归层设置为神经网络，利用SVR对DBN网络层特征提取后的数据进行拟合，最后构建出模型。基于DBN-SVR的连铸坏质量预测过程如下：1)数据预处理。对数据集进行去边界值、降噪和归一化处理。2)设置DBN模型参数的取值范围,采用网络结构优化算法优化网络结构。3)逐层进行无监督学习。使用训练集数据对DBN中的RBM逐个进行无监督学习,使得每个RBM的参数达到局部最优。4)逐层进行有监督微调。将训练好的RBM与输出层的BP网络相结合，对其进行有监督训练,并将误差逐层反向传播，微调各层参数，直到收敛。5)提取最后一个隐藏层的特征与SVR建立完整的预测模型。使用训练好的DBN对整个数据集进行特征学习，最后一个隐藏层的数据即为得到的新特DBN结构征,将最后一个隐藏层的特征作为 SVR的输入。6)对模型的预测结果进行反归一化处理。使用测试数据集对模型的预测性能进行测试，将测试结果进行反归一化处理，并与真实值进行对比。RBM2连铸坏质量预测应用2.1评价指标采用某钢厂铸机在生产过程中的数据，为了保证模型训练的准确性，对生产数据进行了去边界值、降Total 211No.8,2023DOI:10.16525/14-1167/tf.2023.08.001文章编号：16 7 2-1152(2 0 2 3)0 8-0 0 0 1-0 2支持向量机（SVR)是通过核函数将输入样本从山西冶金E-mail:第46 卷噪和归一化处理。为检验预测模型的预测能力和泛化能力，对训练集样本进行回代检验。使用的评价指标为均方根误差(ERMs)：1ERMSni=1式中：yi为第i个连铸坏偏析等级的实际值；y为使用预测模型得到的第i个样本的预测值。2.2连铸坏质量预测模型参数设置DBN网络结构可见层节点数为10，隐藏层节点数的取值范围为5 15，迭代次数为50 0 次，学习率为0.0 1。根据参数的不同取值构建预测模型，首先对训练集进行逐层无监督的预训练，然后通过神经网络进行有监督的反向微调，对网络结构进行优化，为防止由于迭代次数的增加造成的过拟合现象，对误差函数进行L2正则化处理。SVR的参数优化选择网格搜索的方式,SVR 所选的核函数为 RBF 核函数。2.3实验结果分析本实验选取了钢种Q195B、Q 2 3 5的生产数据进行连铸坏质量的预测，将处理后的数据划分为训练集和测试集，通过训练集数据对模型进行无监督的预训练和有监督的微调，使模型的训练误差降到最低，得到最优的模型结构，从而得出最终的预测结果。Q195和Q235的结果对比情况如图2、图3 所示。1.0F0.80.40.2F0.012345678991011121314151617181920测试样本数图2 Q195结果对比Research on Prediction of Segregation Level of Continuous Casting Billets Based on DeepZhai Yingying2,Sun Wei,Li Honglin,Wu Haixu,Shi Ling(1.Zhongwang Science and Technology Innovation Center,Liaoyang Liaoning 111003,China;2.School ofComputer Science and Engineering,Northeastern University,Shenyang Liaoning 110819,China)Abstract:The accurate prediction of center segregation defects in continuous casting billets is of great significance for stable production ofcontinuous casing billet and improving continuous casting quality.In order to accurately predict the central segregation defect of continuouscasting billets,a deep learning model for the segregation level of continuous casting billets was established.The hyperparameter optimizationmethod of taboo search was applied in this model to optimize the network layer and regression layer of the DBN model,improving theaccuracy of segregation prediction,Research has shown that the prediction accuracy of center segregation in continuous casting billets basedon theDBN-SVRmodel isgood.Key words:continuous casting billet;quality prediction;deep confidence network;support vector machinetrue1.4DBN-SVR1.21.0n0.80.60.40.20.0由图2 和图3 可知，不同钢种经改进后质量等级预测结果差别不大,均可以达到理想的预测效果。因此,采用基于改进的DBN-SVR模型来对连铸坏的偏析等级进行预测，准确率可得到较高的提升。3结论为提升连铸坏偏析等级预测精度，优化DBN模型的网络深度和神经元节点个数，提出改进的DBN-SVR模型。采用某钢厂连铸机生产过程中的数据进行应用实验,结果表明,改进的DBN-SVR模型对于连铸坏质量预测的准确率优于传统的SVR模型。1从俊强，仇圣桃，徐学华，等.连铸坏质量判定系统研究现状与发展趋势J铸造技术，2 0 17,3 8（10)：2 3 2 9-2 3 3 4.2 杨炳儒，龙勇.在线铸坏质量判定的Fuzzy综合集成算法与实现trueJ.系统工程理论与实践，19 9 9(1)：10 6-111.DBN-SVR3Carlos A.Santos,Jaime A,Spim Jr,et al.The use of artificialintelligence technique for the optimisation of process parameters usedin the continuous casting of steelJJ.Applied Mathematical Modelling,2002,26(11):1077-1092.4曹龙汉，孙颖楷，曹长修.基于粗糙集理论的连铸坏缺陷诊断预报系统J.重庆大学学报，2 0 0 1,2 4（1)：9 5-9 8.5王绚，唐雪萍,杨接明.钢中主要杂质元素的特性及影响J.特钢技术,2 0 11,17(1):13-15.6Ryo O,Takahiro Y,Ryu H.Effects of double-axis electromagneticstirring in continuous casting J.IEEE Transactions on Magnetics,2008,44(10):4517-4520.（编辑：武倩倩）Confidence Network245678391011121314151617181920测试样本数图3 Q235结果对比参考文献