特許 7393831 熱間圧延巻取り温度の区間予測法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-11-29

(45)【発行日】2023-12-07

(54)【発明の名称】熱間圧延巻取り温度の区間予測法

(51)【国際特許分類】

   B21B 45/02 20060101AFI20231130BHJP

   B21B 37/00 20060101ALI20231130BHJP

   B21B 37/76 20060101ALI20231130BHJP

   G05B 23/02 20060101ALI20231130BHJP

【ＦＩ】

B21B45/02 320S

B21B37/00 300

B21B37/76 A

G05B23/02 R

【請求項の数】 4

(21)【出願番号】P 2022530319

(86)(22)【出願日】2021-07-29

(65)【公表番号】

(43)【公表日】2023-02-14

(86)【国際出願番号】 CN2021109201

(87)【国際公開番号】W WO2022105294

(87)【国際公開日】2022-05-27

【審査請求日】2022-05-24

(31)【優先権主張番号】202011311991.7

(32)【優先日】2020-11-20

(33)【優先権主張国・地域又は機関】CN

(73)【特許権者】

【識別番号】510000839

【氏名又は名称】東北大学

【氏名又は名称原語表記】Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ

【住所又は居所原語表記】ＮＯ．１１， ＬＡＮＥ３， ＷＥＮＨＵＡ ＲＯＡＤ， ＨＥＰＩＮＧ ＤＩＳＴＲＩＣＴ， ＳＨＥＮＹＡＮＧ， ＬＩＡＯＮＩＮＧ， ＣＨＩＮＡ

(74)【代理人】

【識別番号】110001139

【氏名又は名称】ＳＫ弁理士法人

(74)【代理人】

【識別番号】100130328

【弁理士】

【氏名又は名称】奥野 彰彦

(74)【代理人】

【識別番号】100130672

【弁理士】

【氏名又は名称】伊藤 寛之

(72)【発明者】

【氏名】李 旭

(72)【発明者】

【氏名】▲欒▼ 峰

(72)【発明者】

【氏名】李 宗浩

(72)【発明者】

【氏名】呉 艶

(72)【発明者】

【氏名】韓 月嬌

(72)【発明者】

【氏名】張 殿華

【審査官】池ノ谷 秀行

(56)【参考文献】

【文献】中国特許出願公開第１０３４６４４７５（ＣＮ，Ａ）

【文献】中国特許出願公開第１１１０６２５３３（ＣＮ，Ａ）

【文献】特開２００７－３０１６０３（ＪＰ，Ａ）

【文献】特開２０１７－２２４０９１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２１Ｂ ４５／０２

Ｂ２１Ｂ ３７／００－３７／７８

Ｇ０６Ｎ ３／００－９９／００

(57)【特許請求の範囲】

【請求項1】

圧延工程の実測データにより、最終圧延温度、ストリップ速度であるＦ６速度、平均ストリップ厚及び目標巻取り温度を含む入力データ、及び実測巻取り温度と目標巻取り温度との相対偏差を含む出力データを設定する、ステップ１と、
データを前処理し、前記入力データ及び出力データを特定の割合でトレーニングセット、検証セット及びテストセットに分け、すべてのデータを正規化処理する、ステップ２と、
人工ニューラルネットワークを設定し、前記人工ニューラルネットワークの隠れ層の数及び前記隠れ層の層ごとのノード数を設定し、ｓｉｇｍｏｉｄ関数を活性化関数として、学習率を１、データのスキャン回数を４０、平均勾配ステップ長を１０に設定して、ニューラルネットワークトレーニングを行う、ステップ３と、
クジラ最適化アルゴリズムにより前記人工ニューラルネットワークを最適化し、さらにコスト関数を最小化することにより最適化を行い、人工ニューラルネットワークの最適な重みとバイアス量を取得する、ステップ４と、
前記入力により実測巻取り温度と目標巻取り温度との相対偏差の予測上限と下限を取得し、点予測と区間予測を同時に行う、ステップ５と、
区間予測のカバレッジ率、区間予測の平均幅、及び区間予測の平均二乗誤差という３つの指標を含む提案された評価指標ＮＣＷＣに従って、区間予測のパフォーマンス分析を行う、ステップ６と、
を含むことを特徴とする、熱間圧延巻取り温度の区間予測法。

【請求項2】

前記ステップ３では、それぞれ単層人工ニューラルネットワーク、２層人工ニューラルネットワーク及び３層人工ニューラルネットワークを用いて区間予測を行い、前記単層人工ニューラルネットワークの隠れ層のノード数が１５であり、前記２層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１６及び１８であり、前記３層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１８、１０及び２０であることを特徴とする、請求項１に記載の熱間圧延巻取り温度の区間予測法。

【請求項3】

前記ステップ４では、最初にニューラルネットワークの重み及びバイアスをランダムに初期化し、クジラ最適化アルゴリズムによりニューラルネットワークをトレーニングし、具体的に、以下のステップを含むことを特徴とする、請求項１に記載の熱間圧延巻取り温度の区間予測法。
ステップ４．１：アルゴリズムを初期化し、初期化時に、含まれるザトウクジラの数がＸｉ、現在の反復回数がｔかつｔ＝０、最大反復回数がＴであり、獲物の位置をランダムに初期化する。

【請求項4】

適応度関数がカバレッジ確率とカバレッジ幅とを含む総合評価指標であり、具体的に、以下のステップを含むことを特徴とする、請求項１に記載の熱間圧延巻取り温度の区間予測法。
ステップ４．２．１：区間予測のカバレッジ確率を計算し、ＰＩＣＰは、目標値が上限と下限でカバーされる確率を表し、次のように定義される。

ここで、トレーニングセットの場合、γ（ＰＩＣＰ）＝１、μとηは２つの制御パラメータを表し、公称信頼水準［（１－α）％］はμを選択するための参考で、μが９５％であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはＰＩＣＰとμとの差を拡大する。
予め指定されたＰＩＣＰがμ未満の場合、ＰＩＣＰが９５％に達した時、それはＰＩＮＡＷとＰＩＣＰのバランスになる。
したがって、テストサンプルの場合、γ（ＰＩＣＰ）は階段関数であり、γ（ＰＩＣＰ）はＰＩＣＰの満足度によって決定される。

すなわち、区間予測の結果の評価について、ＰＩＣＰが指定されたμ以上の場合、γ（ＰＩＣＰ）＝０、同様にＰＩＣＰの測定値も０であり、それ以外の場合、γ（ＰＩＣＰ）＝１、対応するペナルティはＮＣＷＣによって計算される。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、温度の区間予測技術の分野に関し、具体的には、特に熱間圧延巻取り温度の区間予測法に関するものである。

【背景技術】

【0002】

巻取り温度の制御は、熱間圧延ストリップの製造における重要なステップであり、その予測はストリップの特性を改善するために有益である。巻取り温度に影響を与える多くの複雑な要因があり、従来の数学モデルで巻取り温度を予測することは困難である。現在、巻取り温度の多くの予測は点予測である。学者は通常、巻取り温度の点予測にＢＰニューラルネットワークを採用しており、また、一部の学者はウェーブレットニューラルネットワークを採用して、ストリップの巻取り温度の点予測を行い、良い効果が得られる。点予測は、目標値の予測点を提供し、予測誤差しか提供できず、正しい予測の確率が示されていない。また、点予測は偶発データを処理できないため、予測精度が低下する。本特許では巻取り温度の区間予測を行うことで、より多くの予測情報を取得することができるとともに、予測の有効性が向上する。

【0003】

Ｄｅｌｔａ、Ｂａｙｅｓｉａｎ及びＢｏｏｔｓｔｒａｐは、ニューラルネットワークベースの区間予測を構築するために一般的に使用される３つの従来の方法である。Ｄｅｌｔａ法は、主にニューラルネットワークの非線形回帰手法を適用し、最初に、二乗誤差の合計を最小化することによって線形ニューラルネットワークのパラメータのセットを取得する。次に、標準の漸近理論を適用して、区間予測の線形化モデルを構築する。予測区間は、ノイズが均一に正規分布していると仮定して作成される。ほとんどの実際のケーススタディではノイズが均一ではないため、構築された区間は正確ではない。Ｂａｙｅｓｉａｎ法は、ニューラルネットワークベースの予測区間を構築するためのもう１つの方法である。ベイジアン手法を使用してニューラルネットワークをトレーニングすると、ネットワークの予測値にエラーバーを割り当てることができる。強力な理論的サポートがあるが、この方法の計算負荷が比較的大きく、確率的ニューラルネットワークを構築するにはコスト関数のＨｅｓｓｉａｎ行列を計算する必要がある。Ｂｏｏｔｓｔｒａｐ法もニューラルネットワークを利用した区間予測法の１つであり、複雑な導関数計算を必要としないが、大量のデータを計算する必要があり、計算コストが高いという主な欠点がある。上記従来の区間予測法は実施が困難であり、それらの欠点が従来の区間予測法の広範な応用を妨げていることが分かる。Ａ．Ｋｈｏｓｒａｖｉは、上界と下界の区間推定法と呼ばれる新しい区間予測法を提案した。この方法では、データ分布についての仮定を行わず、かつＪａｃｏｂｉａｎ行列やＨｅｓｓｉａｎ行列などの計算が回避される。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明は、上述した技術的問題点に鑑み、熱間圧延巻取り温度の区間予測法を提供する。

【課題を解決するための手段】

【0005】

本発明は主に、以下のステップを含むことを特徴とする熱間圧延巻取り温度の区間予測法を利用する。

【0006】

ステップ１：圧延品の元データ及び仕上げ圧延出口の実測サンプルデータにより、最終圧延温度、ストリップ速度であるＦ６速度、平均ストリップ厚及び目標巻取り温度を含む入力データ、及び実測巻取り温度と目標巻取り温度との相対偏差を含む出力データが分かり得る。

【0007】

ステップ２：データを前処理し、前記入力データ及び出力データを特定の割合でトレーニングセット、検証セット及びテストセットに分け、すべてのデータを正規化処理する。

【0008】

ステップ３：人工ニューラルネットワークを設定し、前記人工ニューラルネットワークの隠れ層の数及び前記隠れ層の層ごとのノード数を設定し、ｓｉｇｍｏｉｄ関数を活性化関数として、学習率を１、データのスキャン回数を４０、平均勾配ステップ長を１０に設定して、ニューラルネットワークトレーニングを行う。

【0009】

ステップ４：クジラ最適化アルゴリズムにより前記人工ニューラルネットワークを最適化し、コスト関数を最小化することにより最適化を行い、人工ニューラルネットワークの最適な重みとバイアス量を取得する。

【0010】

ステップ５：前記入力により実測巻取り温度と目標巻取り温度との相対偏差の予測上限と下限を取得し、点予測と区間予測を同時に行うことができる。

【0011】

ステップ６：提案された評価指標ＮＣＷＣに従って、区間予測のパフォーマンス分析を行う。

【0012】

さらに、前記ステップ３では、それぞれ単層人工ニューラルネットワーク、２層人工ニューラルネットワーク及び３層人工ニューラルネットワークを用いて区間予測を行い、前記単層人工ニューラルネットワークの隠れ層のノード数が１５であり、前記２層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１６及び１８であり、前記３層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１８、１０及び２０である。

【0013】

さらに、前記ステップ４では、最初にニューラルネットワークの重み及びバイアスをランダムに初期化し、クジラ最適化アルゴリズムによりニューラルネットワークをトレーニングし、具体的に、以下のステップを含む。

【0014】

ステップ４．１：アルゴリズムを初期化し、初期化時に、含まれるザトウクジラの数がＸｉ、現在の反復回数がｔかつｔ＝０、最大反復回数がＴであり、獲物の位置をランダムに初期化する。

【0015】

ステップ４．２：最適な検索エージェントを決定し、目的の獲物は検索空間の最適な位置であり、最適な検索エージェントを設定し、他の検索エージェントが、前記最適な検索エージェントの位置で自身の位置を更新し、各検索エージェントの適応度関数を計算し、

が最適な検索エージェントを表し、前記最適な検索エージェントが最小の適応度を持つ。

【0016】

ステップ４．３：検索エージェントの位置を更新し、現在の反復回数が最大反復回数より小さい場合、検索エージェントごとに、パラメータ

を更新する。
ここで、

は反復中に２から０まで線形的に減少し、

は０から１の乱数であり、ｌは［－１、１］の間の乱数であり、Ｐは［０、１］の間の乱数であり、

は２つのベクトル係数であり、

の場合、次の式に従って現在の検索エージェントの位置式を更新する。

ここで、ｔは現在の反復回数を表し、

は現在の最適な位置ベクトルを表し、ベクトル係数

は次のように計算される。

【0017】

の場合、ランダムな検索エージェント

、すなわち、ランダムな位置ベクトルを選択し、次の式に従って現在の検索エージェントの位置式を更新する。

【0018】

ｐ＞０．５の場合、次の式に従って現在の検索エージェントの位置式を更新する。

ここで、ｂは対数螺旋形状を定義する定数を表す。

【0019】

ステップ４．４：検索エージェントを更新し、検索エージェントが検索空間を超えているかどうかを判断して修正し、各検索エージェントの適応度関数を計算し、

を適応度値が最小の検索エージェントに置き換える。

【0020】

ステップ４．５：人工ニューラルネットワークの重みとバイアス値を返し、現在の反復回数に１を加算し、現在の反復回数が最大反復回数と等しくなるまでステップ４．３に戻り、最適な位置ベクトル

、すなわち、人工ニューラルネットワークの重みとバイアスを返す。

【0021】

さらに、前記ステップ４．２における適応度関数がカバレッジ確率とカバレッジ幅とを含む総合評価指標であり、具体的に、以下のステップを含む。

【0022】

ステップ４．２．１：区間予測のカバレッジ確率を計算し、ＰＩＣＰは、目標値が上限と下限でカバーされる確率を表し、次のように定義される。

ここで、Ｎはサンプルの総数を表し、

はブール変数を表し、予測区間のカバレッジ率を表し、目標値ｙｉの値が下限Ｌｉ以上でかつ上限Ｕｉ以下の場合、

、目標値ｙｉの値が下限Ｌｉより小さい、または上限Ｕｉより大きい場合、

、数学的に次のように表される。

【0023】

ステップ４．２．２：区間予測の平均幅を計算し、区間予測幅の定量的測定値は、予測区間の正規化された平均幅ＰＩＮＡＷとして定義され、数学的に次のように表される。

ここで、Ｒは目的関数値の最大値と最小値の差を表す。

【0024】

ステップ４．２．３：区間予測の平均二乗誤差を計算し、区間予測の平均二乗誤差ＰＩＭＳＥを導入し、ＰＩＭＳＥインデックスを最小化することにより、実際の信頼区間に近い対称区間を取得し、数学的に次のように表される。

【0025】

ステップ４．２．４：カバレッジ率と幅に基づく標準を再定義し、カバレッジ率と幅に基づく標準ＮＣＷＣを、最終的な区間予測の評価指標とする。

ここで、トレーニングセットの場合、γ（ＰＩＣＰ）＝１、μとηは２つの制御パラメータを表し、公称信頼水準［（１－α）％］はμを選択するための参考で、μが９５％であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはＰＩＣＰとμとの差を拡大する。

【0026】

予め指定されたＰＩＣＰがμ未満の場合、ＰＩＣＰが９５％に達した時、それはＰＩＮＡＷとＰＩＣＰのバランスになる。

【0027】

したがって、テストサンプルの場合、γ（ＰＩＣＰ）は階段関数であり、γ（ＰＩＣＰ）はＰＩＣＰの満足度によって決定される。

【0028】

すなわち、区間予測の結果の評価について、ＰＩＣＰが指定されたμ以上の場合、γ（ＰＩＣＰ）＝０、同様にＰＩＣＰの測定値も０であり、それ以外の場合、γ（ＰＩＣＰ）＝１、対応するペナルティはＮＣＷＣによって計算される。

【発明の効果】

【0029】

従来技術に比べて、本発明は以下の利点を有する。

【0030】

（１）巻取り温度予測の分野では、従来の数学モデルを用いた点予測に比べて、本発明は熱間圧延巻取り温度の区間予測を実現する。また、人工ニューラルネットワークの構造を変えることによって、単層ＡＮＮ、２層ＡＮＮ及び３層ＡＮＮを比較すると、予測に３層人工ニューラルネットワークを採用することはモデルの予測精度を著しく向上できることが分かる。

【0031】

（２）本発明の区間予測法は、クジラ最適化アルゴリズムなどのインテリジェントな最適化アルゴリズムを採用し、大域的最適化能力が優れており、局所的最適問題に簡単に陥ることを回避し、最適化の幅と精度を強化し、収束速度を大幅に向上させる。

【0032】

（３）本発明では、区間予測の評価指標でもある新しいコスト関数を提案した。区間予測のカバレッジ率と区間予測の幅という矛盾した多目的最適化問題を単一目的最適化問題に変換し、区間予測の平均二乗誤差という概念を提案し、全体としてより総合的である。

【0033】

（４）本方法では、点予測と区間予測を同時に実現することができる。

【図面の簡単な説明】

【0034】

本発明の実施形態または先行技術における技術的手段をより明確に説明するために、以下では、実施形態または先行技術の説明に使用される必要のある図面を簡単に説明する。以下の説明における図面は、明らかに、本発明のいくつかの実施形態であり、当業者にとって、創造的な努力なしに、これらの図面に基づいて他の図面を得ることもできる。

【図1】本発明の熱間圧延巻取り温度の区間予測法のフローチャートである。

【図2】本発明の実施形態にかかる熱間圧延巻取り温度の区間予測法のニューラルネットワークのネートワークの構造概略図である。

【図3】本発明の実施形態にかかる熱間圧延巻取り温度の区間予測法の区間予測結果の概略図である。

【図4】本発明の実施形態にかかる熱間圧延巻取り温度の区間予測法の点予測結果の概略図である。

【発明を実施するための形態】

【0035】

当業者に本発明の技術的手段をよりよく理解させるために、以下では、本発明の実施形態における図面を参照して、本発明の実施形態における技術的手段について明確かつ完全に説明する。記載された実施形態は、明らかに、本発明の実施形態の一部のみであり、すべての実施形態ではない。本発明の実施形態に基づいて、創造的な努力なしに当業者によって得られる他のすべての実施形態は、本発明の保護範囲に含まれるものとする。

【0036】

本発明の明細書と特許請求の範囲と上記図面における「第１」、「第２」などの用語は、類似の対象を区別するために使用され、必ずしも特定の順序または次序を説明するために使用されるわけではないことに留意されたい。そのように使用されるデータは、本明細書に記載される本発明の実施形態が本明細書に例示または記載されるもの以外の順序で実施され得るように、適切な状況下で交換され得ることを理解されたい。なお、「含む」や「有する」という用語、ならびにそれらの任意の変形は、非排他的な包含をカバーすることを意図される。例えば、一連のステップまたはユニットを含むプロセス、方法、システム、製品または装置は、明示的に列挙されたステップまたはユニットに限定されるものではなく、明確に列挙されていない、またはこれらのプロセス、方法、製品、または装置に固有の他のステップまたはユニットが含まれる。

【0037】

図１－４に示すように、本発明は、以下のステップを含む熱間圧延巻取り温度の区間予測法を提供する。

【0038】

ステップ１：圧延品の元データ及び仕上げ圧延出口の実測サンプルデータにより、最終圧延温度、ストリップ速度であるＦ６速度、平均ストリップ厚及び目標巻取り温度を含む入力データ、及び実測巻取り温度と目標巻取り温度との相対偏差を含む出力データが分かり得る。

【0039】

ステップ２：データを前処理し、前記入力データ及び出力データを特定の割合でトレーニングセット、検証セット及びテストセットに分け、すべてのデータを正規化処理する。好ましい実施形態として、一般的には、トレーニングセットが検証セットとテストセットよりも大きいことを確保する必要があり、本願では、トレーニングセット：検証セット：テストセットの割合が４：３：３、または６：２：２である。

【0040】

ステップ３：人工ニューラルネットワークを設定し、前記人工ニューラルネットワークの隠れ層の数及び前記隠れ層の層ごとのノード数を設定し、ｓｉｇｍｏｉｄ関数を活性化関数として、学習率を１、データのスキャン回数を４０、平均勾配ステップ長を１０に設定して、ニューラルネットワークトレーニングを行う。前記ステップ３では、それぞれ単層人工ニューラルネットワーク、２層人工ニューラルネットワーク及び３層人工ニューラルネットワークを用いて区間予測を行い、前記単層人工ニューラルネットワークの隠れ層のノード数が１５であり、前記２層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１６及び１８であり、前記３層人工ニューラルネットワークの隠れ層のノード数が、それぞれ１８、１０及び２０である。

【0041】

ステップ４：クジラ最適化アルゴリズムにより前記人工ニューラルネットワークを最適化し、コスト関数を最小化することにより最適化を行い、人工ニューラルネットワークの最適な重みとバイアス量を取得する。

【0042】

前記ステップ４では、最初にニューラルネットワークの重み及びバイアスをランダムに初期化し、クジラ最適化アルゴリズムによりニューラルネットワークをトレーニングし、具体的に、以下のステップを含む。

【0043】

ステップ４．１：アルゴリズムを初期化し、初期化時に、含まれるザトウクジラの数がＸｉ、現在の反復回数がｔかつｔ＝０、最大反復回数がＴであり、獲物の位置をランダムに初期化する。

【0044】

ステップ４．２：最適な検索エージェントを決定し、目的の獲物は検索空間の最適な位置であり、最適な検索エージェントを設定し、他の検索エージェントが、前記最適な検索エージェントの位置で自身の位置を更新し、各検索エージェントの適応度関数を計算し、が最適な検索エージェントを表し、前記最適な検索エージェントが最小の適応度を持つ。

【0045】

前記ステップ４．２における適応度関数がカバレッジ確率とカバレッジ幅とを含む総合評価指標であり、具体的に、以下のステップを含む。

【0046】

ステップ４．２．１：区間予測のカバレッジ確率を計算し、ＰＩＣＰは、目標値が上限と下限でカバーされる確率を表し、次のように定義される。

ここで、Ｎはサンプルの総数を表し、

はブール変数を表し、予測区間のカバレッジ率を表し、目標値ｙｉの値が下限Ｌｉ以上でかつ上限Ｕｉ以下の場合、

、目標値ｙｉの値が下限Ｌｉより小さい、または上限Ｕｉより大きい場合、

、数学的に次のように表される。

【0047】

ステップ４．２．２：区間予測の平均幅を計算し、区間予測幅の定量的測定値は、予測区間の正規化された平均幅ＰＩＮＡＷとして定義され、数学的に次のように表される。

ここで、Ｒは目的関数値の最大値と最小値の差を表す。

【0048】

ステップ４．２．３：区間予測の平均二乗誤差を計算し、区間予測の平均二乗誤差ＰＩＭＳＥを導入し、ＰＩＭＳＥインデックスを最小化することにより、実際の信頼区間に近い対称区間を取得し、数学的に次のように表される。

【0049】

ステップ４．２．４：カバレッジ率と幅に基づく標準を再定義し、カバレッジ率と幅に基づく標準ＮＣＷＣを、最終的な区間予測の評価指標とする。

ここで、トレーニングセットの場合、γ（ＰＩＣＰ）＝１、μとηは２つの制御パラメータを表し、公称信頼水準［（１－α）％］はμを選択するための参考で、μが９５％であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはＰＩＣＰとμとの差を拡大する。

【0050】

予め指定されたＰＩＣＰがμ未満の場合、ＰＩＣＰが９５％に達した時、それはＰＩＮＡＷとＰＩＣＰのバランスになる。

【0051】

したがって、テストサンプルの場合、γ（ＰＩＣＰ）は階段関数であり、γ（ＰＩＣＰ）はＰＩＣＰの満足度によって決定される。

【0052】

すなわち、区間予測の結果の評価について、ＰＩＣＰが指定されたμ以上の場合、γ（ＰＩＣＰ）＝０、同様にＰＩＣＰの測定値も０であり、それ以外の場合、γ（ＰＩＣＰ）＝１、対応するペナルティはＮＣＷＣによって計算される。ＮＣＷＣは小さいほど良く、γ（ＰＩＣＰ）＝１でＮＣＷＣが大幅に増加するため、ペナルティと呼ばれ、ペナルティをコストに変更することができる。

【0053】

ステップ４．３：検索エージェントの位置を更新し、現在の反復回数が最大反復回数より小さい場合、検索エージェントごとに、パラメータ

を更新する。
ここで、

は反復中に２から０まで線形的に減少し、

は０から１の乱数であり、ｌは［－１、１］の間の乱数であり、Ｐは［０、１］の間の乱数であり、

は２つのベクトル係数であり、

の場合、次の式に従って現在の検索エージェントの位置式を更新する。

ここで、ｔは現在の反復回数を表し、

は現在の最適な位置ベクトルを表し、ベクトル係数

は次のように計算される。

【0054】

の場合、ランダムな検索エージェント

、すなわち、ランダムな位置ベクトルを選択し、次の式に従って現在の検索エージェントの位置式を更新する。

【0055】

ｐ＞０．５の場合、次の式に従って現在の検索エージェントの位置式を更新する。

ここで、ｂは対数螺旋形状を定義する定数を表す。

【0056】

ステップ４．４：検索エージェントを更新し、検索エージェントが検索空間を超えているかどうかを判断して修正し、各検索エージェントの適応度関数を計算し、

を適応度値が最小の検索エージェントに置き換える。

【0057】

ステップ４．５：人工ニューラルネットワークの重みとバイアス値を返し、現在の反復回数に１を加算し、現在の反復回数が最大反復回数と等しくなるまでステップ４．３に戻り、最適な位置ベクトル

、すなわち、人工ニューラルネットワークの重みとバイアスを返す。

【0058】

ステップ５：前記入力により実測巻取り温度と目標巻取り温度との相対偏差の予測上限と下限を取得し、点予測と区間予測を同時に行うことができる。

【0059】

ステップ６：提案された評価指標ＮＣＷＣに従って、区間予測のパフォーマンス分析を行う。

【0060】

実施形態１
熱間圧延巻取り温度の区間予測法であって、その予測手順の流れは、上記の図１に示される。以下、実施例を参照して本発明についてさらに説明する。前記方法では、ある熱間圧延工場の層流冷却システムにおける巻取り機の関連データを選択し、採用されるデータは、合計１６００セットである。データセットごとに４つの入力データと１つの出力データが含まれる。入力データは、圧延温度、ストリップ速度（Ｆ６速度）、平均ストリップ厚、目標巻取り温度を含む。出力データは、実測巻取り温度と目標巻取り温度との相対偏差である。

【0061】

より良い予測を行い、その効果を説明するために、前記方法では、最初にデータを前処理し、すべてのデータを０から１の間のデータに正規化する。データを特定の割合でトレーニングセット、検証セット及びテストセットに分ける。人工ニューラルネットワークに対するパラメータ設定を行い、前記方法では、ｓｉｇｍｏｉｄ関数を活性化関数として採用し、学習率を１、データのスキャン回数を４０、平均勾配ステップ長を１０に設定して、トレーニングを行う。区間予測には、それぞれ単層人工ニューラルネットワーク、２層人工ニューラルネットワーク及び３層人工ニューラルネットワークを使用する。単層ＡＮＮの隠れ層のノード数は１５である。２層ＡＮＮ隠れ層のノード数は、それぞれ１６及び１８である。３層ＡＮＮの隠れ層のノード数は、それぞれ１８、１０及び２０である。前記方法で採用されるクジラ最適化アルゴリズムの関連パラメータを設定し、検索エージェントの数を５０、最大反復回数Ｔを２０００に設定する。検索空間の上界と下界は、それぞれ１と－１に設定される。前記評価指標ＮＣＷＣにおける２つの制御パラメータμとηは、それぞれ０．９５と５０に設定される。

【0062】

前記方法では、クジラ最適化アルゴリズムを用いて人工ニューラルネットワークを最適化して、人工ニューラルネットワークの最適な重みとバイアス量を取得する。具体的な手順は次のとおりである。まず、アルゴリズムを初期化し、パラメータを与えた後、すべての検索エージェントの適応度関数値を計算し、適応度関数値が最小の検索エージェントを最適な検索エージェントとして決定する。次に、新しい位置式に従って検索エージェントの位置を更新する。更新後、各検索エージェントの適応度関数値を再度計算し、最小関数値に対応する検索エージェントを選択し、元の最適な検索エージェントを置き換える。反復回数が最大反復回数と等しいかどうかを判断し、等しい場合は、最適な位置ベクトル、すなわち、人工ニューラルネットワークの重みとバイアス量を出力する。前記最適化アルゴリズムのコスト関数は、それぞれ区間予測のカバレッジ率、区間予測の平均幅、及び区間予測の平均二乗誤差という３つの指標に関与する。具体的な式は次のとおりである。

【0063】

この新しい評価指標の提案は、情報性と有効性を両立し、最適化効果を強化し、区間予測法の評価をより包括的に行うことができる。入力データのトレーニングにより、前記区間予測法では、最終的に予測の上限と下限、及び点予測の出力結果を提供し、点予測と区間予測を同時に実現することができる。

【0064】

実験結果により、本発明によって提案された熱間圧延巻取り温度の区間予測法は、予測精度を高め、生産応用の実際の需要を満たし、高品質の巻取り温度制御を実現するのに役立つことが分かる。表１は、前記実施例で提案した３層ＡＮＮによる熱間圧延巻取り温度の区間予測法と単層人工ニューラルネットワーク、２層人工ニューラルネットワークの熱間圧延巻取り温度の区間予測法との比較である。比較の結果から、本特許に採用される区間予測法は、総合評価指標ＮＣＷＣの値が大幅に低下し、より良い予測効果を有することが分かる。

【0065】

【0066】

上記本発明の実施形態の番号は単に説明のためのものであり、実施形態の優劣を示すものではない。

【0067】

本発明の上記実施形態では、各実施形態の説明はそれ自体の強調を有する。特定の実施形態で詳細に説明されていない部分については、他の実施形態の関連する説明を参照することができる。本出願で提供されるいくつかの実施形態において、開示された技術的内容は他の方法で実施され得ることを理解されたい。

【0068】

最後に、上記の各実施形態は、本発明の技術的手段を説明するためにのみ使用され、それらを限定するものではないことに留意されたい。前記各実施形態を参照して、本発明について詳細に説明されたが、当業者は、前記各実施形態に記載された技術的手段を変更することができ、またはその一部または全部を同等に置き換えることができ、これらの変更または置換は、対応する技術的手段の本質を本発明の各実施形態の技術的手段から逸脱させるものではないことを理解されたい。

【図1】

【図2】

【図3】

【図4】