公开(公告)号：CN110428175A

公开(公告)日：2019-11-08

申请号：CN201910715086.9

申请日：2019-08-05

Applicant: 东北大学秦皇岛分校

Inventor： 赵强 ,  苏帆帆 ,  汪晋宽 ,  韩英华

IPC: G06Q10/06 ,  G06Q50/04 ,  G06F16/215 ,  G06F16/2458 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的热轧带钢板凸度预报方法，包括以下步骤：S1，采集并记录带钢生产数据，然后对采集到的数据进行预处理，包括缺失值删除、异常值删除、归一化；S2，根据所述带钢生产数据，利用基于Morisita指数的属性选择方法，去除所采集数据中的冗余与不相关属性，筛选出能够表征板凸度变化的最少数量的属性构成预报模型的输入变量集；S3，基于所述的输入变量集建立基于深广卷积神经网络的带钢出口板凸度预报模型，从而获得热轧带钢出口板凸度。本发明利用卷积神经网络中的卷积层提取数据的高阶特征和不变性特征，学习变量间局部相关关系，并结合深度神经网络的全局特征学习能力，显著提高了板凸度预报精度。

公开(公告)号：CN110428175B

公开(公告)日：2022-05-24

申请号：CN201910715086.9

申请日：2019-08-05

Applicant: 东北大学秦皇岛分校

Inventor： 赵强 ,  苏帆帆 ,  汪晋宽 ,  韩英华

IPC: G06Q10/06 ,  G06Q50/04 ,  G06F16/215 ,  G06F16/2458 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的热轧带钢板凸度预报方法，包括以下步骤：S1，采集并记录带钢生产数据，然后对采集到的数据进行预处理，包括缺失值删除、异常值删除、归一化；S2，根据所述带钢生产数据，利用基于Morisita指数的属性选择方法，去除所采集数据中的冗余与不相关属性，筛选出能够表征板凸度变化的最少数量的属性构成预报模型的输入变量集；S3，基于所述的输入变量集建立基于深广卷积神经网络的带钢出口板凸度预报模型，从而获得热轧带钢出口板凸度。本发明利用卷积神经网络中的卷积层提取数据的高阶特征和不变性特征，学习变量间局部相关关系，并结合深度神经网络的全局特征学习能力，显著提高了板凸度预报精度。