深度学习在中厚板轧后超快速冷却系统中的研究与应用

doi:10.12068/j.issn.1005-3026.2019.05.006

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (5): 635-640.DOI: 10.12068/j.issn.1005-3026.2019.05.006

深度学习在中厚板轧后超快速冷却系统中的研究与应用

张田，张子豪，田勇，王昭东

(东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳110819)

收稿日期:2018-04-02 修回日期:2018-04-02 出版日期:2019-05-15 发布日期:2019-05-17
通讯作者: 张田
作者简介:张田(1989-)，男，安徽马鞍山人，东北大学博士后研究人员；王昭东(1968-)，男，安徽安庆人，东北大学教授，博士生导师.
基金资助:
国家重点基础研究发展计划项目(2017YFB0306404)；中央高校基本科研业务费专项资金资助项目(N170703010).

Research and Application of Deep Learning Method for Plate Ultra Fast Cooling

ZHANG Tian， ZHANG Zi-hao， TIAN Yong， WANG Zhao-dong

State Key Laboratory of Rolling and Automation， Northeastern University， Shenyang 110819， China.

Received:2018-04-02 Revised:2018-04-02 Online:2019-05-15 Published:2019-05-17
Contact: ZHANG Zi-hao
About author:-
Supported by:
-

摘要/Abstract

摘要： 传热系数是冷却控制模型的核心参数.传统学习模型对传热系数的修正存在不稳定、鲁棒性不强等问题.为解决上述问题，进一步提高控制精度，基于深度学习技术，建立了传热系数自学习的深度神经网络，对神经网络框架的超参数进行了优化和算法选型，增强控冷模型的稳定性.通过在某钢厂3500mm中厚板生产线的应用验证，采用深度学习的控冷模型对终冷温度预报精度有明显提高，鲁棒性较强，满足现场实际生产的需要.

关键词: 深度学习, 中厚板, 超快冷, 传热系数, 命中率

Abstract: The heat transfer coefficient (HTC) is a key parameter to determine control precision in a cooling-controlled model. However， the correction for the HTC isn’t always stable and robustness by a traditional self-learning method. In order to solve such problems，the deep neural networks for the self-learning HTC were built based on the deep learning technology. The optimization of hyper parameter and the selection of algorithm in the network frame are studied. Therefore， the stability of the cooling control model can be greatly enhanced. The application of the 3500mm plate mill plant proves the better accuracy and robustness of the model， which can meet the requirements of actual on-site production.

Key words: deep learning, plate, ultra fast cooling, heat transfer coefficient, hit rate

中图分类号:

张田，张子豪，田勇，王昭东. 深度学习在中厚板轧后超快速冷却系统中的研究与应用[J]. 东北大学学报:自然科学版, 2019, 40(5): 635-640.

ZHANG Tian， ZHANG Zi-hao， TIAN Yong， WANG Zhao-dong. Research and Application of Deep Learning Method for Plate Ultra Fast Cooling[J]. Journal of Northeastern University Natural Science, 2019, 40(5): 635-640.

参考文献

[1]田勇，王丙兴，袁国，等.基于超快冷技术的新一代中厚板轧后冷却工艺［J］.中国冶金，2013，23(4):17-20.(Tian Yong，Wang Bing-xing，Yuan Gong，et al.New generation TMCP for plate mill based on ultra-fast cooling technology ［J］.China Metallurgy，2013，23(4):17-20.)
[2]李栋.基于神经网络的层流冷却控制模型研究［D］.沈阳，东北大学，2010.(Li Dong.Study of control model of laminar cooling based on neural networks［D］.Shenyang:Northeastern University，2010.)
[3]Xie H B，Liu X H，Wang G D，et al.Optimization and model of laminar cooling control system for hot strip mills ［J］.Journal of Iron and Steel Research，2006，13(1):18-22.
[4]Gong D Y，Xu J Z，Peng L G，et al.Self-learning and its application to laminar cooling model of hot rolled strip［J］.Journal of Iron and Steel Research，2007，14(4):11-14.
[5]Burba F，Ferraty F，Vieu P.k-nearest neighbour method in functional nonparametric regression［J］.Journal of Nonparametric Statistics， 2009， 21(4):453-469.
[6]刘建伟，刘媛，罗雄麟.深度学习研究进展［J］.计算机应用研究，2014，31(7):1921-1930.(Liu Jian-wei，Liu Yuan，Luo Xiong-lin.Research progress of deep learning［J］.Application Research of Computers，2014，31(7):1921-1930.)
[7]余滨，李绍滋，徐素霞，等.深度学习:开启大数据时代的钥匙［J］.工程研究，2014(3):233-243.(Yu Bin，Li Shao-zi，Xu Su-xia，et al.Deep learning:the key of new world［J］.Journal of Engineering Studies，2014(3):233-243.)
[8]Ebert T，Banfer O，Nelles O.Multilayer perception network with modified Sigmoid activation functions［C］// LNCS6319:Artificial Intelligence and Computational Intelligence.Berlin:Springer，2010:414-421.
[9]Kailik B，Olgac A V.Performance analysis of various activation functions in generalized MLP architectures of neural networks［J］.International Journal of Artificial Intelligence and Expert Systems，2010，1(4):111-122.
[10]Bartlett P L，Hazan E，Rakhlin A.Adaptive online gradient descent［C］//Advances in Neural Information Processing Systems 20.Vancouver，2007:1-15.
[11]Srivastava N，Hinton G，Krizhevsky a，et al.Dropout:a simple way to prevent neural networks from overfitting［J］.The Journal of Machine Learning Research，2014，15(1):1929-1958.
[12]Mendenhall M J.Improving quantitative structure-activity relationship models using artificial neural networks trained with Dropout［J］.Journal of Computer-Aided Molecular Design，2016，30(2):177-189.

[1]	王瀛，王泽浩，李红，黄文军. 基于深度学习的威胁情报领域命名实体识别[J]. 东北大学学报（自然科学版）, 2023, 44(1): 33-39.
[2]	顾德英，罗聿伦，李文超. 基于改进YOLOv5算法的复杂场景交通目标检测[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1073-1079.
[3]	代茵，刘维宾，董昕阳，宋雨朦. 基于注意力机制的U-Net脑脊液细胞分割[J]. 东北大学学报（自然科学版）, 2022, 43(7): 944-950.
[4]	矫志杰，王志强，罗钧译，许志鹏. 中厚板角轧过程的形状预测模型研究[J]. 东北大学学报（自然科学版）, 2022, 43(6): 815-820.
[5]	李鸿儒，任子洋，黄友鹤，于霞. 基于变权重奇异谱分析的心律不齐识别方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 305-312.
[6]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[7]	贾润达，胡慧明，张树磊. 基于宽度学习的浓密机底流浓度软测量[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1231-1237.
[8]	宋欣，李奇，解婉君，李宁. YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 609-615.
[9]	魏颖，雷志浩，齐林. 基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割[J]. 东北大学学报（自然科学版）, 2021, 42(5): 616-623.
[10]	王新刚，韩凯忠，王超，李林. 基于迁移学习的轴承剩余使用寿命预测方法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 665-672.
[11]	孟琭，沈凝，祁殷俏，张昊园. 基于强化学习的三维游戏控制算法[J]. 东北大学学报（自然科学版）, 2021, 42(4): 478-483.
[12]	谢天植，雷为民，张伟，李志远. 一种基于深度学习的实时视频图像背景替换方法[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1540-1546.
[13]	刘宇，魏希来，王帅，戴丽. 基于深度学习的光纤收卷机器视觉自动检测技术[J]. 东北大学学报（自然科学版）, 2021, 42(1): 68-74.
[14]	李强，李瑶坤，夏书月，康雁. 一种改进的医疗文本分类模型:LS-GRU[J]. 东北大学学报:自然科学版, 2020, 41(7): 938-943.
[15]	王卫东，何卓磊，韩征，钱于. 基于深度信念网络的滑坡敏感性评价[J]. 东北大学学报:自然科学版, 2020, 41(5): 609-615.

深度学习在中厚板轧后超快速冷却系统中的研究与应用

Research and Application of Deep Learning Method for Plate Ultra Fast Cooling

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价