基于深度学习的热轧带钢力学性能工艺参数反向优化方法

本发明涉及工艺参数优化，具体是涉及一种基于深度学习的热轧带钢力学性能工艺参数反向优化方法。

背景技术：

1、热轧带钢是重要的工业原材料，其力学性能必须满足严苛的客户订单要求。生产过程中，这些性能由终轧温度、卷取温度、压下率等一系列工艺参数决定。当客户提出新的性能目标时，如何快速、准确地反向确定最优的工艺参数组合，是钢铁企业面临的核心技术挑战。

2、现有基于深度学习的反向优化方法主要存在以下瓶颈：第一，正向工艺-性能预测模型被视为一个绝对准确的黑箱，忽略了模型在某些生疏区域预测不确定性高的问题，导致反向优化时被错误引导至不可靠的解；第二，实际生产的工艺可行域是高度复杂且边界模糊的，传统方法难以精确界定，优化出的工艺参数常常在实际中不可行。因此，需要提供一种基于深度学习的热轧带钢力学性能工艺参数反向优化方法，旨在解决上述问题。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的热轧带钢力学性能工艺参数反向优化方法，以解决上述背景技术中存在的问题。

2、本发明是这样实现的，基于深度学习的热轧带钢力学性能工艺参数反向优化方法，所述方法包括以下步骤：

3、采集热连轧过程的工艺参数与对应的带钢力学性能数据，经时间对齐、稳态筛选和异常剔除后，构建由工艺参数向量和力学性能向量构成的样本集；

4、以工艺参数向量为输入、力学性能向量为输出，训练深度性能预测场，使其学习工艺参数到力学性能的映射关系；

5、利用所述样本集，训练深度可信度场，以工艺参数向量为输入，输出标量可信度；

6、利用所述样本集中的可行工艺参数，训练深度可行性势场，该势场在可行区域趋近零值；

7、对于给定的目标力学性能向量和当前基准工艺参数向量，构造协同能量函数，所述协同能量函数由可信度加权的性能预测偏差项、可行性势能项和锚定平滑项三部分相加组成；

8、以当前基准工艺参数和若干由历史相似目标性能对应的工艺参数聚类中心为起始点，沿所述协同能量函数的梯度方向执行多起点约束下降搜索，并将每步迭代结果投影回预设的工艺硬约束边界内，得到候选工艺参数集合；

9、从候选工艺参数集合中剔除可行性势能高于第一阈值或可信度低于第二阈值的解，并在剩余解中选取所述锚定平滑项取值最小的工艺参数向量作为反向优化的最终输出。

10、作为本发明进一步的方案，构建样本集的步骤，具体包括：

11、以精轧出口测厚仪和高温计的同步时间戳为基准，将各机架轧制参数、温度参数、冷却参数与拉伸试验结果对齐；

12、剔除含传感器故障、停轧阶段及带钢头尾非稳态段的记录；

13、采用局部加权回归平滑方法检测并移除离群样本点，得到工艺-性能样本集。

14、作为本发明进一步的方案，训练深度性能预测场的步骤，具体包括：

15、对输入的工艺参数向量注入符合现场仪表噪声统计特征的随机扰动，生成若干扰动样本；

16、使得所述深度性能预测场对于同一工艺参数点的多个扰动样本输出具有一致性的力学性能预测值；

17、通过最小化预测误差与一致性约束的联合目标，使性能预测场在样本点及其邻域内均保持光滑和准确。

18、作为本发明进一步的方案，训练深度可信度场的步骤，具体包括：

19、将所述样本集中高密度聚集的工艺参数点标记为高可信度样本；

20、在工艺参数空间中随机采样远离样本聚集区的外推点，标记为低可信度样本；

21、通过对比式训练，使可信度场对高可信度样本输出趋近于1的值，对低可信度样本输出趋近于0的值，且过渡区域平滑变化。

22、作为本发明进一步的方案，训练深度可行性势场的步骤，具体包括：

23、以所述样本集中的可行工艺参数作为正样本；

24、生成三类负样本：超出设备极限的工艺参数组合、违反工艺逻辑的关联组合、以及沿可行工艺流形边缘向外做扰动产生的越界点；

25、基于正样本和负样本，通过引入过渡带平滑约束的判别式训练，使可行性势场在正样本上输出零值附近的低势值，在负样本上输出高势值，且势场梯度在可行域边界处连续。

26、作为本发明进一步的方案，所述协同能量函数为：e(x)=c(x)·‖f(x)-ytgt‖2+α·φ(x)+β·‖x-xcur‖2s，x为待优化的工艺参数向量；f(x)为深度性能预测场输出的力学性能向量；ytgt为目标力学性能向量；c(x)为深度可信度场在x处输出的标量可信度，作为性能偏差项的逐点权重；φ(x)为深度可行性势场在x处的取值；α为可行性惩罚系数；‖x-xcur‖2s为当前基准工艺参数xcur与x的加权平方距离，s是由各工艺参数调整代价构成的对角权重矩阵；β为平滑锚定系数。

27、作为本发明进一步的方案，执行多起点约束下降搜索的步骤，具体包括：

28、确定起始点集合，所述起始点集合至少包含当前基准工艺参数向量，以及从历史数据中找出与目标力学性能相似订单对应的工艺参数向量的聚类中心；

29、对每个起始点，计算所述协同能量函数对工艺参数向量的梯度，按固定步长沿负梯度方向更新工艺参数向量，并将更新后的向量各分量投影至由设备能力和工艺规范确定的硬边界之内；

30、迭代执行直至满足收敛条件，得到多个局部能量极小点，构成候选工艺参数集合。

31、作为本发明进一步的方案，所述方法还包括：

32、当按最终输出的工艺参数生产后，获取下线带钢的实测力学性能，计算其与目标力学性能向量的偏差；

33、固定深度性能预测场和深度可信度场，以当前使用的工艺参数为起点，对所述协同能量函数执行极小步长的局部梯度下降，生成修正增量并叠加，实现无重优化的快速偏移补偿；

34、定期将新生产数据纳入样本集，对深度性能预测场、深度可信度场和深度可行性势场进行增量式重训练，使各深度场随生产过程同步演化。

35、与现有技术相比，本发明的有益效果是：

36、通过引入深度可信度场，赋予了优化过程对预测不确定性进行感知和规避的能力，优化会自动远离模型不熟悉的工艺区域，只在预测可信的区域进行搜索，极大提升了反向优化结果的可靠性。通过构建深度可行性势场，保证了输出的工艺参数一定落在设备能力范围内且符合工艺逻辑，无需事后验证。通过在优化目标中加入锚定平滑项，会优先推荐与当前生产状态最接近、调整代价最小的工艺方案，在满足新订单要求的同时，最大限度地维持生产线的稳定运行。

1.基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，构建样本集的步骤，具体包括：

3.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，训练深度性能预测场的步骤，具体包括：

4.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，训练深度可信度场的步骤，具体包括：

5.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，训练深度可行性势场的步骤，具体包括：

6.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，所述协同能量函数为：e(x)=c(x)·‖f(x)-ytgt‖2+α·φ(x)+β·‖x-xcur‖2s，x为待优化的工艺参数向量；f(x)为深度性能预测场输出的力学性能向量；ytgt为目标力学性能向量；c(x)为深度可信度场在x处输出的标量可信度，作为性能偏差项的逐点权重；φ(x)为深度可行性势场在x处的取值；α为可行性惩罚系数；‖x-xcur‖2s为当前基准工艺参数xcur与x的加权平方距离，s是由各工艺参数调整代价构成的对角权重矩阵；β为平滑锚定系数。

7.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，执行多起点约束下降搜索的步骤，具体包括：

8.根据权利要求1所述的基于深度学习的热轧带钢力学性能工艺参数反向优化方法，其特征在于，所述方法还包括：