【新刊速览】郭贺松：基于SAE-DBN混合深度网络的热轧带钢表面缺陷预报

热轧带钢表面质量缺陷严重制约了产品质量高端化，其带钢表面质量缺陷具有多元化、随机性等特征，不同缺陷的形成机理不同，造成带钢表面质量缺陷的工艺复杂，难以实现对表面质量缺陷的有效控制。为解决热轧带钢质量缺陷难以实现在线诊断的问题，针对热轧生产过程发生频率较高的氧化铁皮印压入、边部翘皮、边部裂纹缺陷展开诊断预报研究。基于表面缺陷机理分析，明确了轧制过程影响带钢表面质量缺陷产生的原因变量，将其作为热轧板带表面质量缺陷预判模型的输入数据源。然后，基于深度置信网络和深度稀疏自编码器，提出一种基于SAE-DBN(spare auto encoder-deep belief nets，稀疏自编码器-深度置信网络)混合深度网络的热轧带钢表面缺陷预报模型。在DBN诊断模型的基础上，训练单个SAE得到最优网络权重。将得到的网络权重赋值给DBN模型的首层RBM(restricted Boltzmann machine，受限玻耳兹曼机)，以此种方式初始化网络权值和偏置，以此进一步提高模型的预报能力和学习效率，改善深度自编码器稳健性不足的情况。采用热轧带钢生产过程实际数据对模型进行验证，结果表明SAE-DBN混合深度网络缺陷预报模型的预报平均准确率达到了94.23%。最后以热轧带钢边部翘皮缺陷为BP(back propagation)神经网络诊断模型、DBN诊断模型、DSAE(deep spare auto encoder，深度稀疏自编码器)诊断模型为对比对象，对比3种模型的预报精度分别提高了18.56%、12.58%、8.23%。同时SAE-DBN模型的误报率能够控制在6%以内，这对热轧带材表面质量缺陷具有良好的预报效果。