基于深度学习的板形识别方法

Abstract

The flatness recognition model based on MLP was proposed to solve the problem caused by the limited nonlinear fitting accuracy of shallow neural network in traditional methods. To overcome the problem of insufficient precision of nonlinear

fitting， the method of deepening network layers was adopted， which provides a new idea for the accurate flatness recognition. In order to make full use of the dependences among Euclidean distances to further improve the accuracy of flatness

recognition， a recognition model based on LSTM was proposed. Considering 8 Euclidean distances step-by-step， the higher order features and dependencies between Euclidean distances were extracted， which reduces unnecessary nonlinear fitting and

enhances the anti-interference ability of recognition model. Simulation results show that the proposed method can recognize the strip flatness accurately. Key words： Cold rolling data; data mining; flatness recognition;

1.1 研究背景及意义

随着汽车工业、建筑业、家电业和高精度仪器工业的迅速发展，客户对钢材的品种、规格需求呈现多样化的趋势，对产品的质量要求也越来越高。带钢的轧制过程比较复杂，其制备过程需要经过炼钢-连铸-热轧-冷轧等工序，其中冷轧工艺又是决定板形质量优劣的重要一环。在整个轧制流程中冷轧工艺对板形质量起到了决定性作用，冷轧工序出口处的带钢板形指标直接反应产品质量。

1.2 国内外研究现状

数据挖掘就是从大量数据中提取隐含在其中事先不知道但又是潜在有用的信息和知识的过程[1]。数据挖掘技术在决策系统的研究，在各个领域得到广泛应用。在轧钢领域，针对冷轧带钢板形控制精度有限问题[2]，许多专家学者利用数据挖掘技术进行了研究，下面分别从板形控制系统的板形识别和板形预测两个方面来进行阐述。

.2.1 冷轧带钢板形识别的研究现状

随着信息技术的发展，面对海量的冷轧生产数据， 借鉴数据驱动的思想对冷轧板形进行分析[14]，利用数据挖掘中的聚类分析方法，李洪波等提 能够快速对大量板形数据进行识别，为控制策略优化提供数据基 轧带钢板形缺陷诊断方法，通过种改进的Apriori 算法将缺陷数据 运行条件之间的相关性，计算出不同缺陷的唯一频繁项集，有助于改善轧 质量。本文结合前人的研究，建立基于MLP 的板形识别模型和LSTM 的板形识别模型，解决板形识别精度不足的问题。

2.1 冷轧带钢板形识别相关理论

随着轧制技术的发展，冷轧生产过程的检测设备越来越多，积累了大量冷轧生产过程数据。这些数据大部分被搁置，其潜在的信息价值尚未得到充分利用。数据挖掘技术可以从蕴含轧制运行信息和详细板形信息的轧制生产过程数据中，挖掘出轧制运行规律。数据挖掘技术无论是在底层的查询还是在高层决策支持中都有十分广泛的应用，在冷轧生产过程积累了海量数据的前提下，本文从数据挖掘的角度，挖掘出蕴含在冷轧生产过程数据中设备运行信息和板形详细信息进行板形识别。

2.2 冷轧生产工艺

带钢冷轧生产过程主要有酸洗、冷连轧、退火、平整、涂镀等工序。带钢来料经过开卷、拉伸弯曲矫正、酸洗破除掉带钢的氧化层之后，进入冷轧的精轧阶段。精轧阶段的冷连轧机组将破除氧化层之后的钢材轧制成符合产品要求的钢卷。带钢原料经过冷连轧的多个机架连续轧制，经过机架间工作辊、中间辊和支撑辊之间的协调工作，控制中间辊缝的变化对带钢施加不同的力来进行轧制，通过冷连轧的工作过程将带钢轧成符合产品需求的尺寸和性能的冷轧钢卷。

2.3 板形描述方法

板形是带钢质量一个重要的评价指标，也叫板形的平直度。板形仪测得的板形平直度偏差值代表的是带钢板形的质量状态，板形仪有 n 个测量通道，不同宽度的带钢每次测量可以得到不同个数的板形平直度偏差值数据，称为板形数据，这些板形数据是评价板形质量的关键。板形就其实质而言是指其带钢内部残余应力的分布。板形描述方法主要有以下几种：相对长度差法、翘曲度（波浪度）表示法、残余应力表示法和张应力表示法。

2.4 深度学习方法

循环神经网络（Recurrent Neural Network，RNN）是一种深度学习模型，对序列数据的处理较有优势，主要应用在语音识别、文本识别等领域。传统神经网络对处理具有序列特征的数据有局限性，无法提取序列数据之间的关系。为了对序列数据进行建模，RNN 网络引入了隐含状态这一概念，隐含状态可以对具有序列特性的数据提取序列间的特征，提取完特征之后转换为输出。RNN 隐藏层的输入有两部分：一部分是输入层，另一部分是含上一序列数据隐藏层的输出。RNN 是属于含多个隐藏层的神经网络。

3.1 板形识别方法

板形识别的目的是从板形平直度偏差值 识别出带钢实际板形缺陷模式。由于不同宽度的带钢产品占用的测量通道数不同，测量得到的板形 板形平直度偏差值进行数据转换。板形识别作为构建板形预测和控制模 ，对后续板形预测和控制具有重要意义。

3.2 板形数据分析

经过研究，板形识别过程其实是一种非线性拟合问题，具有高阶板形特征的实际板形可以分解为常见的不同阶次的板形分量，左边浪和右边浪对应一次板形分量，双边浪中浪对应二次板形分量，四分浪和边中浪对应四次板形分量的板形缺陷分量。上述板形分量可以用不同阶次的勒让德多项式来表示。

3.3 基于MLP 的板形识别方法

3.3.1 仿真实验结果与分析

本文采用标准板形数据，选择其中80%的数据作为训练数据，剩余的20%作为测试数据，训练MLP 板形识别模型。为了更好地评价模型的优劣及其在冷轧生产过程中的板形识别应用效果，在测试集上检验模型的识别效果。MLP 板形识别模型的识别效果评价指标则采用平均绝对误差（Mean Absolute Error，MAE）、均方误差（MeanSquared Error，MSE）、平均绝对百分误差（Mean Absolute Percentage Error，MAPE）和回归系数（Regressioncoefficient，R）。

不同结构的MLP 模型仿真实验结果识别效果如表3.1 所示。

表 3.1 模型结构仿真实验结果对比Table 3.1 Simulation results comparison of model structure

从表3.1 的仿真结果可以看出，随着网络结构深度的增加，模型的识别精度变高，但当模型结构深度达到8层时，性能指标有所降低，由此确定网络模型结构为7 层，最终得出了MLP 板形识别模型最优结构，各层节点数为[8-8-8-8-8-8-4]，其性能指标 MSE 的数量级也达到了 10-6。

表3.2 不同模型仿真实验结果对比

Table 3.2 Compared simulation results of different models

通过对比实验结果可知基于MLP 的板形识别模型识别精度最高，它的MSE 识别精度达到了10-6，BP 神经网络作为单隐层神经网络，识别精度比MLP 的识别精度低。由此，可以证明基于MLP 的板形识别模型的识别精确度高，该模型可以应用于带钢的板形识别。

3.4 基于LSTM 的板形识别方法

传统的板形模式识别方法只是用欧式距离固定网络的输入层大小，求得的欧式距离直接输入网络通过隐含层进行非线性拟合，忽略了欧式距离间存在依赖关系。为充分利用欧氏距离间依赖关系来进一步提高板形识别精度，提出了基于LSTM 的板形识别模型，分步考虑8 个欧氏距离，逐级提取欧氏距离间的高阶特征与依赖关系，减少了不必要的非线性拟合，增强了识别模型的抗干扰能力；在门控单元计算过程中引入加法运算，避免了反向传播过程中的梯度扩散或消失问题，进一步提高板形识别精度，为板形精确识别提供新方法。

3.5 仿真实验结果与分析

通过模型训练，基于 LSTM 的板形识别模型的识别精度 MSE 达到了 10^-7 。板形隶属度系数 u₁ 、 u₃ 和 u₇ 分别与对应的基本板形模式相乘，得到一次、二次、三次和四次板形分量识别结果。

为了验证本方法在板形识别问题中的优越性，进行了对比实验。实验结果如表 3.3 所示，与传统的BP 板形识别模型相比提高3 个数量级，与循环神经网络的板形识别模型相比提高 2 个数量级，证明了LSTM 板形识别模型的有效性。

表3.3 板形识别模型对比

e 3.3 The comparison of different flatness recognition mo

4 结 论

板形识别和板形预测是板形控制系统不可或缺的部分，所以高精度的板形识别和板形预测对板形控制系统极为重要，它们是生产高质量的带钢板形的保障。

（1）提出了基于MLP 的板形识别模型。针对传统的板形识别方法识别精度不足的问题，提出了一种基于多层感知器的板形识别方法，仿真结果表明，基于MLP 的板形识别模型提高了板形识别精度。

（2）提出了基于LSTM 的板形识别模型。针对传统板形识别方法忽略欧式距离间存在依赖关系的问题，提出了一种基于LSTM 的板形识别模型。在仿真结果表明，该模型进一步提高了板形识别精度，为板形精确识别提供了新方法。

参考文献

[1] 邹志文， 朱金伟. 数据挖掘算法研究与综述[J]. 计算机工程与设计， 2005， 26（9）： 2304-2307.

[2] 高宏适. 冷轧机的人工智能（AI）控制技术[N]. 世界金属导报， 2019-09-24（B12）.

[3] 杨景明， 王洪瑞. 冷轧薄板板形的数据处理方法研究[J]. 燕山大学学报， 1994（2）： 131-135.

[4] Shim M， Lee K Y， Lee D S. Intelligent controller design for the flatness control in a cold rolling process [C].EEE Conference on Decision & Control. IEEE， 2001： 2720-2725.

[5] 张清东， 陈先霖， 徐金梧. 板形缺陷模式识别方法的研究[J]. 钢铁， 1996（1）： 57-60.

[6] 华建新， 周泽燕. 冷轧带钢板形缺陷的多项式拟合板形模式识别方法[J]. 钢铁， 1992， 27（3）： 27-31.

[7] 邸洪双， 张晓峰. 冷轧薄带板形检测信号正交多项式分解及数学模型[J]. 钢铁， 1995（9）： 33-36.

[8] 吴忠强， 康晓华， 于丹琦. 基于小波消噪和优化支持向量机的板形模式识别[J]. 中国机械工程， 2018，

29（01）： 95-103.

[9] 张秀玲， 成龙， 郝爽. 基于 Hopfield NN 遗传优化设计的板形缺陷识别研究[J]. 燕山大学学报， 2015（3）：

235-240.

[10] 张秀玲， 李家欢， 魏其珺. 基于 CGA-SNPOM 优化 RBF-ARX 模型的板形缺陷识别[J]. 矿冶工程， 2018，

38（181）： 133-137.

[11] 张秀玲， 代景欢， 李家欢. 基于 PCA-RBF 的板形识别及 FPGA 软实现[J]. 矿冶工程， 2019， 39（01）：

109-113.

[12] 张秀玲， 程艳涛， 齐晴. GA-CRBF 网络板形识别的 DSP 实现[J]. 矿冶工程， 2016， 36（06）： 113-117.