CN103341505B - 一种冷轧板形信号在线模式识别方法 - Google Patents

Abstract

本发明提供一种冷轧板形信号在线模式识别方法，接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，将其与设定的对应目标板形分布值比较，得到各测量段板形偏差值；确定板形偏差值的绝对值最大值，并对各测量段板形偏差值进行归一化处理；对归一化处理后的各测量段板形偏差值进行粗滤波处理；使用基于差分进化智能优化算法的径向基神经网络进行板形模式识别；判断板形模式识别结果。通过对各测量段板形偏差值进行归一化处理和粗滤波处理，可显著消除板形测量值坏点数据对板形模式识别的不利影响，提高板形模式识别精度；将差分进化智能优化算法应用到基于径向基神经网络的板形模式识别中，显著提高建模精度和网络训练效率。

Description

一种冷轧板形信号在线模式识别方法

技术领域

本发明属于冷轧带钢领域，尤其涉及一种冷轧板形信号在线模式识别方法。

背景技术

在冷轧带钢生产过程中，冷轧板形模式识别是冷轧板形控制系统的重要组成部分。板形模式识别就是对板形仪输出的实测板形信号进行识别和分类，从而准确判断板带材存在的板形缺陷类型，为控制系统提供控制依据，最终生产出高质量的冷轧板带材产品。

传统的板形信号模式识别方法是基于最小二乘法的多项式分解方法以及改进的正交多项式回归分解方法，这些方法抗干扰能力差，在理论上存在缺陷，不符合板形分布的本质，难以满足高精度板形控制需求。基于模糊分类原理的板形模式识别方法简单实用、快速有效，但精度和实时性仍不够理想，对样本依赖性强，其实际应用价值并不大。近年来，本领域内的专家学者开展了基于神经网络技术的板形信号模式识别研究和应用工作，所得技术方案具有较强的容错能力和较高的识别精度；但是，由于在网络节点的确定和权值的学习上的技术不足，导致所得神经网络模式识别系统的辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性较差等技术问题，很大程度上限制了神经网络技术在冷轧带钢工业生产上的应用。

板形是指板带材内部残余应力沿板宽方向的分布状况，板形识别的任务就是把在线检测的一组张力分布离散值经过一定的数学处理映射为较少的几个特征参数，二者几个特征参数能够较好的反映板形缺陷的分类情况。径向基神经网络(RBF)具有良好的泛化能力和很强的逼近性能，其擅长于处理非线性映射逼近问题。值得指出的是，已有使用径向基神经网络进行冷轧板形信号模式识别的技术方案并不能直接应用到冷轧带钢板形控制的现场中，这主要是因为神经网络训练选用的学习方法不能使得网络快速收敛到最优解。

另一方面，智能优化技术在最近十几年里得到了快速发展，通过智能优化方法可以获得很多非线性优化问题的最优解。从科学角度上讲，将智能优化技术应用到径向基神经网络的网络训练中，提高建模精度和效率，是非线性建模领域的富有前景和应用价值的研究方向。这也为高精度和高效率的冷轧板形信号在线模式识别技术问题提供了技术支持和理论依据。

综上所述，研发兼具高精度和高效率的冷轧板形信号在线模式识别方法，为控制系统提供可靠的控制依据，从而生产出高质量的冷轧板带材产品，是进一步提高当前冷轧带钢板形控制水平的一个亟待解决关键技术问题。

发明内容

本发明的目的在于提供一种冷轧板形信号在线模式识别方法，该方法可以有效解决使用传统板形模式识别方法时经常会遇到的精度和实时性不够理想、辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性差的技术问题，可以为控制系统提供可靠的控制依据，为提高冷轧带钢的板形控制质量提高有力保证。

为了解决上述技术问题，本发明提供的技术方案为：一种冷轧板形信号在线模式识别方法，其特征在于：它包括以下步骤：

1)接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，将其与设定的对应目标板形分布值比较，得到各测量段板形偏差值；令测量段的个数为m，第i测量段板形测量值为F_i，第i测量段目标板形分布值为T_i，第i测量段板形偏差值为ΔF_i；

2)确定ΔF_i的绝对值最大值：ΔF_max＝max|ΔF_i|，并对各测量段板形偏差值进行归一化处理，第i测量段归一化处理后的板形偏差值Δf_i＝ΔF_i/ΔF_max；

3)对归一化处理后的各测量段板形偏差值进行粗滤波处理：

Δg_i＝min{Δf_i，p₁(x_i)，p₂(x_i)，p₃(x_i)，p₄(x_i)，p₅(x_i)，p₆(x_i)}，i＝1，2，…，m；

式中，Δg_i为第i测量段粗滤波处理后的板形偏差值；

x_i为第i个测量段对应的归一化横坐标，其计算公式为：

其中，d_i为第i个测量段宽度，k为正整数，表示第k个测量段的序号；

令j＝1，2，…，6，p_j(x_i)为板形缺陷的6种基本模式的数学公式，其数学表达式为：

左边浪p1(x_i)＝x_i，右边浪p₂(x_i)＝-x_i，

中间浪p₃(x_i)＝1.5x_i ²-0.5，双边浪p₄(x_i)＝-1.5x_i ²+0.5，

四分浪p₅(x_i)＝(35x_i ⁴-30x_i ²+3)/8，边中浪p₆(x_i)＝-(35x_i ⁴-30x_i ²+3)/8；

4)使用基于差分进化智能优化算法的径向基神经网络进行板形模式识别：

计算Δg_i与板形缺陷的6种基本模式之间的欧式距离D_j：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\Δ}{g}_i-p_j\left(x_i\right))}^2},$

将D_j作为网络输入，代入基于差分进化智能优化算法的径向基神经网络进行板形模式识别，网络输出为a₁、a₂和a₃；

5)判断板形模式识别结果：

若a₁＞0，表示板形具有左边浪，输出幅值为：a₁×ΔF_max；

若a₁＜0，表示板形具有右边浪，输出幅值为：-a₁×ΔF_max；

若a₂＞0，表示板形具有中间浪，输出幅值为：a₂×ΔF_max；

若a₂＜0，表示板形具有双边浪，输出幅值为：-a₂×ΔF_max；

若a₃＞0，表示板形具有四分浪，输出幅值为：a₃×ΔF_max；

若a₃＜0，表示板形具有边中浪，输出幅值为：-a₃×ΔF_max。

按上述方案，所述步骤4)基于差分进化智能优化算法的径向基神经网络的建立过程为：

a、确定用于板形模式识别的径向基神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练的差分进化智能优化算法的种群个数NP，差分进化智能优化算法的最大学习代数N，网络训练效果的目标值f，以及训练样本数目M；

b、依据控制参数生成训练样本数据：

M组训练样本生成的规则是：分别在区间[-1，1]按照均匀概率分布生成一个a₁，然后在区间[-1+|a₁|，1-|a₁|]按照均匀概率分布生成一个a₂，最后在区间[-1+|a₁|=|a₂|，1-|a₁|-|a₂|]按照均匀概率分布生成一个a₃；则此次生成的一组a₁、a₂和a₃作为一组训练样本数据的网络输出值，对应每一组a₁、a₂和a₃，利用公式生成其对应的板形偏差分布曲线σ(x_i)：

σ(x_i)＝a₁×p₁(x_i)+a₂×p₃(x_i)+a₃×p₅(x_i)，

利用公式计算该组σ(x_i)与6个板形基本样式之间的欧式距离作为一组训练样本数据的网络输入值：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\σ}\left(x_i\right)-p_j\left(x_i\right))}^2},$

c、设径向基神经网络隐含层节点个数n的初始值为2；

d、将基函数中心点、基函数方差、隐含层到输出层的权值定义为差分进化智能优化算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

共有n个基函数中心点c_k，k＝1，2...，n；n个基函数方差σ_k，k＝1，2...，n；3n个隐含层到输出层的权值w_kj，k＝1，2...，n，j＝1，2，3，则对应的差分进化智能优化算法的个体向量为Y_i＝(y_i1，y_i2，...，y_iv)，i＝1，...，NP，v＝1，2，...，5n，按照等概率随机分布在可行区间内确定NP个个体向量Y_i的种群初始值；

e、按照差分进化智能优化算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的Y_i来配置径向基神经网络参数，再将M个训练样本数据代入该径向基神经网络来计算网络输出值，继而通过计算上述M个训练样本数据对应的3M个网络输出值与其实际值之间的算术差的平方和，该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，这里网络训练效果的目标值g应当根据径向基神经网络规模来选取和调整，或者差分进化智能优化算法学习代数超过设定的最大值N，则停止进一步学习；否则增加径向基神经网络隐含层节点个数，使得n＝n+1转至步骤d继续学习；

f、记录训练学习的网络参数，得到一个6输入3输出的基于差分进化智能优化算法的径向基神经网络；

按上述步骤建立好基于差分进化智能优化算法的径向基神经网络后，再进行板形模式识别。

本发明的有益效果为：

1、通过对各测量段板形偏差值进行归一化处理和粗滤波处理，可以显著消除板形测量值坏点数据对板形模式识别的不利影响，提高板形模式识别精度。

2、将差分进化智能优化算法应用到基于径向基神经网络的板形模式识别技术中，显著提高建模精度和网络训练效率，有效解决使用传统板形模式识别方法时经常会遇到的精度和实时性不够理想、辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性差的技术问题，其判断结果能够为控制系统提供可靠的控制依据，为提高冷轧带钢的板形控制质量提高有力保证。

附图说明

图1为本发明一实施例的流程图。

图2为本发明一实施例中基于差分进化智能优化算法的径向基神经网络训练学习流程图。

图3为本发明一实施例中归一化处理后的板形值分布图板形分布图。

图4为采用本发明方法进行在线模式识别后所得到的识别效果图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

图1为本发明一实施例的流程图，它包括以下步骤：

1)接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，将其与设定的对应目标板形分布值比较，得到各测量段板形偏差值；令测量段的个数为m，第i测量段板形测量值为F_i，第i测量段目标板形分布值为T_i，第i测量段板形偏差值为ΔF_i；

2)确定ΔF_i的绝对值最大值：ΔF_max＝max|ΔF_i|，并对各测量段板形偏差值进行归一化处理，第i测量段归一化处理后的板形偏差值Δf_i＝ΔF_i/ΔF_max；

3)对归一化处理后的各测量段板形偏差值进行粗滤波处理：

Δg_i＝min{Δf_i，p₁(x_i)，p₂(x_i)，p₃(x_i)，p₄(x_i)，p₅(x_i)，p₆(x_i)}，i＝1，2，…，m；

式中，Δg_i为第i测量段粗滤波处理后的板形偏差值；

x_i为第i个测量段对应的归一化横坐标，其计算公式为：

其中，d_i为第i个测量段宽度，k为正整数，表示第k个测量段的序号；

令j＝1，2，…，6，p_j(x_i)为板形缺陷的6种基本模式的数学公式，其数学表达式为：

左边浪p₁(x_i)＝x_i，右边浪p₂(x_i)＝-x_i，

中间浪p₃(x_i)＝1.5x_i ²-0.5，双边浪p₄(x_i)＝-1.5x_i ²+0.5，

四分浪p₅(x_i)＝(35x_i ⁴-30x_i ²+3)/8，边中浪p₆(x_i)＝-(35x_i ⁴-30x_i ²+3)/8；

4)使用基于差分进化智能优化算法的径向基神经网络进行板形模式识别：

计算Δg_i与板形缺陷的6种基本模式之间的欧式距离D_j：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\Δ}{g}_i-p_i\left(x_i\right))}^2},$

将D_j作为网络输入，代入基于差分进化智能优化算法的径向基神经网络进行板形模式识别，网络输出为a₁、a₂和a₃；

5)判断板形模式识别结果：

若a₁＞0，表示板形具有左边浪，输出幅值为：a₁×ΔF_max；

若a₁＜0，表示板形具有右边浪，输出幅值为：-a₁×ΔF_max；

若a₂＞0，表示板形具有中间浪，输出幅值为：a₂×ΔF_max；

若a₂＜0，表示板形具有双边浪，输出幅值为：-a₂×ΔF_max；

若a₃＞0，表示板形具有四分浪，输出幅值为：a₃×ΔF_max；

若a₃＜0，表示板形具有边中浪，输出幅值为：-a₃×ΔF_max。

所述步骤4)基于差分进化智能优化算法的径向基神经网络的建立过程如图2所示：

a、确定用于板形模式识别的径向基神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练的差分进化智能优化算法的种群个数NP，差分进化智能优化算法的最大学习代数N，网络训练效果的目标值f，以及训练样本数目M；

b、依据控制参数生成训练样本数据：

M组训练样本生成的规则是：分别在区间[-1，1]按照均匀概率分布生成一个a₁，然后在区间[-1+|a₁|，1-|a₁|]按照均匀概率分布生成一个a₂，最后在区间[-1+|a₁|+|a₂|，1-|a₁|-|a₂|]按照均匀概率分布生成一个a₃；则此次生成的一组a₁、a₂和a₃作为一组训练样本数据的网络输出值，对应每一组a₁、a₂和a₃，利用公式生成其对应的板形偏差分布曲线σ(x_i)：

σ(x_i)＝a₁×p₁(x_i)+a₂×p₃(x_i)+a₃×p₅(x_i)，

利用公式计算该组σ(x_i)与6个板形基本样式之间的欧式距离作为一组训练样本数据的网络输入值：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\σ}\left(x_i\right)-p_j\left(x_i\right))}^2,}$

c、设径向基神经网络隐含层节点个数n的初始值为2；

d、将基函数中心点、基函数方差、隐含层到输出层的权值定义为差分进化智能优化算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

共有n个基函数中心点c_k，k＝1，2...，n；n个基函数方差σ_k，k＝1，2...，n；3n个隐含层到输出层的权值w_kj，k＝1，2...，n，j＝1，2，3，则对应的差分进化智能优化算法的个体向量为Y_i＝(y_i1，y_i2，...，y_iv)，i＝1，...，NP，v＝1，2，...，5n，按照等概率随机分布在可行区间内确定NP个个体向量Y_i的种群初始值；

e、按照差分进化智能优化算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的Y_i来配置径向基神经网络参数，再将M个训练样本数据代入该径向基神经网络来计算网络输出值，继而通过计算上述M个训练样本数据对应的3M个网络输出值与其实际值之间的算术差的平方和，该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，这里网络训练效果的目标值g应当根据径向基神经网络规模来选取和调整，或者差分进化智能优化算法学习代数超过设定的最大值N，则停止进一步学习；否则增加径向基神经网络隐含层节点个数，使得n＝n+1转至步骤d继续学习；

f、记录训练学习的网络参数，得到一个6输入3输出的基于差分进化智能优化算法的径向基神经网络；

按上述步骤建立好基于差分进化智能优化算法的径向基神经网络后，再进行板形模式识别。

本发明方法可用于四辊、六辊单机架或多机架冷连轧机组。以下以一台单机架六辊轧机为例，六辊轧机可轧制的产品包括普通板、高强钢、部分不锈钢和硅钢等。本实施例轧制的是中高牌号硅钢，机型为UCM轧机，板形控制手段包括轧辊倾斜、工作辊正负弯辊、中间辊正弯辊、中间辊窜辊以及乳化液分段冷却等。其中中间辊窜辊是根据带钢宽度进行预设定，调整原则是将中间辊辊身边缘与带钢边部对齐，亦可由操作方考虑添加一个修正量，调到位后保持位置不变；乳化液分段冷却具有较大的时间滞后特性。因而在线调节的板形控制手段主要有轧辊倾斜、工作辊正负弯辊、中间辊正弯辊三种。该机组的主要技术性能指标和设备参数为：

轧制速度：Max900m/min，轧制压力：Max18000KN，最大轧制力矩：140.3KN×m，卷取张力：Max220KN，主电机功率：5500KW；

来料厚度范围：1.8～2.5mm，来料宽度范围：850～1280mm，轧后厚度范围：0.3mm～1.0mm；

工作辊直径：290～340mm，工作辊身长：1400mm，中间辊直径：440～500mm，中间辊身长：1640mm，支撑辊直径：1150～1250mm，支撑辊身长：1400mm；

每侧工作辊弯辊力：-280～350KN，每侧中间辊弯辊力：0～500KN，中间辊轴向横移量：-120～120mm，辅助液压系统压力：14MPa，平衡弯辊系统压力：28MPa，压下系统压力：28MPa。

板形测量装置(通常为接触式板形仪)采用瑞典的ABB公司板形辊，该板形辊辊径313mm，由实心钢轴组成，沿宽度方向每隔52mm或者26mm被分成一个测量区域，每个测量区域内沿轴向在测量辊的四周均匀分布着四个沟槽以放置磁弹性力传感器，传感器的外面被钢环所包裹。本实例中产品规格(厚度×宽度)为：0.80mm×1250mm，板形仪中间20个测量区段宽度为52mm，其余两侧测量区段宽度为26mm。

本实施例进行失效测量通道的板形信号补偿的具体计算流程为：

(1)接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，对其进行处理得到各测量段板形偏差值。板形仪在冷轧带钢宽度方向上配置有确定宽度的若干个测量区域，每一个测量区域提供对应区域的板形测量值。从板形仪操作侧到传动侧共有28个有效测量区域，则测量段段数m＝28，即F_i，i＝1，2，...，28，单位为板形国际单位I。在带材轧制前，工艺专业人员会根据工艺要求设定目标板形分布值，即T_i，i＝1，2，...，28，单位为板形国际单位I；所设定的目标板形分布值存储于板形计算机数据库中。在接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值后，读取目标板形分布值并进行处理得到各测量段板形偏差值ΔF_i＝F_i-T_i，i＝1，2，...，28，单位为板形国际单位I。图3给出了本实例中待识别的一组归一化处理后的板形值分布图板形分布图。

(2)确定28个测量段板形偏差值ΔF_i的绝对值最大值：ΔF_max＝max|ΔF_i|；并对个测量段板形偏差值进行归一化处理：Δf_i＝ΔF_i/ΔF_max，i＝1，2，...，28，单位为板形国际单位I。由图3可以看出本实例中对应的ΔF_max＝10.2664I。

(3)对归一化处理后的各测量段板形偏差值进行粗滤波处理：

Δg_i＝min{Δf_i，p₁(x_i)，p₂(x_i)，p₃(x_i)，p₄(x_i)，p₅(x_i)，p₆(x_i)}，i＝1，2，...，28；

式中，min为括号里各物理量的最小值；xi为第i个测量段对应的归一化横坐标，其计算公式为：其中，d_i为第i个测量段宽度，单位为mm；P_j(x_i)，j＝1，2，...，6为板形缺陷的六种基本模式的数学公式，其数学表达式为：

左边浪p₁(x_i)＝x_i，右边浪p₂(x_i)＝-x_i，

中间浪p₃(x_i)＝1.5x_i ²-0.5，双边浪p₄(x_i)＝-1.5x_i ²+0.5，

四分浪p₅(x_i)＝(35x_i ⁴-30x_i ²+3)/8，边中浪p₆(x_i)＝-(35x_i ⁴-30x_i ²+3)/8。

(4)使用基于差分进化智能优化算法的径向基神经网络进行板形模式识别。

建立径向基神经网络：

本实例中基于差分进化智能优化算法的径向基神经网络的具体建立过程采用网络训练学习方法：

a、确定用于板形模式识别的径向基神经网络训练学习的控制参数：具体控制参数包括：用于网络训练的差分进化智能优化算法的种群个数NP＝20，差分进化智能优化算法的最大学习代数N＝200，网络训练效果的目标值f＝0.0001，训练样本数目M＝1000。

b、依据控制参数生成训练样本数据：

M组训练样本生成的规则是：分别在区间[-1，1]按照均匀概率分布生成一个a₁，然后在区间[-1+|a₁|，1-|a₁|]按照均匀概率分布生成一个a₂、最后在区间[-1+|a₁|+|a₂|，1-|a₁|-|a₂|]按照均匀概率分布生成一个a₃；则此次生成的一组a₁、a₂和a₃为一组训练样本数据的网络输出值。对应每一组a₁、a₂和a₃，利用公式生成其对应的板形偏差分布曲线：

σ(x_i)＝a₁×p₁(x_i)+a₂×p₃(x_i)+a₃×p₅(x_i)；

最后利用公式计算该组σ(x_i)与6个板形基本样式之间的欧式距离做为一组训练样本数据的网络输入值：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\σ}\left(x_i\right)-p_j\left(x_i\right))}^2};$

c、将径向基神经网络隐含层节点个数n初始值定为2；

d、将基函数中心点、基函数方差、隐含层到输出层的权值定义为差分进化智能优化算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

共有n个基函数中心点c₁，l＝1，2...，n；n个基函数方差σ₁，l＝1，2...，n；3n个隐含层到输出层的权值w_1w，l＝1，2...，n，w＝1，2，3，则对应的差分进化智能优化算法的个体向量为Y_m＝(y_m1，y_m2，...，y_mv)，m＝1，...，NP，v＝1，2，...，5n，按照等概率随机分布在可行区间内确定NP个个体向量Y_m的种群初始值。

e、按照差分进化智能优化算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；

f、判断是否达到学习终止条件：

若步骤e中差分进化智能优化算法学习代数超过N，则停止学习，否则继续下一代的学习；

g、判断网络是否满足条件：

使用优化学习得到的Y_i来配置径向基神经网络参数，再将M个训练样本数据代入该径向基神经网络来计算网络输出值，继而通过计算上述M个训练样本数据对应的3M个网络输出值与其实际值之间的算术差的平方和，该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，这里网络训练效果的目标值g应当根据径向基神经网络规模来选取和调整，此时停止进一步学习转至步骤h，否则增加径向基神经网络隐含层节点个数，使得n＝n+1转至步骤c继续学习。

h、记录训练学习的网络参数，得到一个6输入3输出的基于差分进化智能优化算法的径向基神经网络。

建立好径向基神经网络后，再利用此6输入3输出的基于差分进化智能优化算法的径向基神经网络进行板形模式识别：

首先计算粗滤波处理后的各测量段板形偏差值Δg_i与6个板形基本样式之间的欧式距离：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(\mathrm{\Δ}{g}_i-p_j\left(x_i\right))}^2},$ j＝1，2，...，6；

其中，d_i为第i个测量段宽度，单位为mm；

将D_j作为网络输入，代入于差分进化智能优化算法的径向基神经网络进行板形模式识别，网络输出为a₁、a₂和a₃。

(5)判断板形模式识别结果，并传送给控制系统，为其提供控制依据，具体传送规则为：

若a₁＞0，表示板形具有左边浪，输出幅值为：a₁×ΔF_max；

若a₁＜0，表示板形具有右边浪，输出幅值为：-a₁×ΔF_max；

若a₂＞0，表示板形具有中间浪，输出幅值为：a₂×ΔF_max；

若a₂＜0，表示板形具有双边浪，输出幅值为：-a₂×ΔF_max；

若a₃＞0，表示板形具有四分浪，输出幅值为：a₃×ΔF_max；

若a₃＜0，表示板形具有边中浪，输出幅值为：-a₃×ΔF_max。

图4给出了本实例进行在线模式识别后所得到的识别效果图。其中图4-(A)为待识别的一组归一化处理后的板形值分布图板形分布图；图4-(B)为识别后的右边浪分量；图4-(C)为识别后的双边浪分量；图4-(D)为识别后的四分浪分量。可以看出本发明提出的技术方案能够完成板形信号在线模式识别任务。解决常规方法遇到的精度和实时性不够理想、辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性差的技术问题，可以为控制系统提供可靠的控制依据，为提高冷轧带钢的板形控制质量提高有力保证。

以上实施例仅用于说明本发明的计算思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (1)

1.一种冷轧板形信号在线模式识别方法，其特征在于：它包括以下步骤：

1)接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，将其与设定的对应目标板形分布值比较，得到各测量段板形偏差值；令测量段的个数为m，第i测量段板形测量值为F_i，第i测量段目标板形分布值为T_i，第i测量段板形偏差值为△F_i；

2)确定△F_i的绝对值最大值：△F_max＝max|△F_i|，并对各测量段板形偏差值进行归一化处理，第i测量段归一化处理后的板形偏差值△f_i＝△F_i/△F_max；

3)对归一化处理后的各测量段板形偏差值进行粗滤波处理：

△g_i＝min{△f_i,p₁(x_i),p₂(x_i),p₃(x_i),p₄(x_i),p₅(x_i),p₆(x_i)}，i＝1,2,…,m；

式中，△g_i为第i测量段粗滤波处理后的板形偏差值；

x_i为第i个测量段对应的归一化横坐标，其计算公式为：

其中，d_i为第i个测量段宽度，k为正整数，表示第k个测量段的序号；

令j＝1,2,…,6，p_j(x_i)为板形缺陷的6种基本模式的数学公式，其数学表达式为：

左边浪p₁(x_i)＝x_i，右边浪p₂(x_i)＝-x_i，

中间浪p₃(x_i)＝1.5x_i ²-0.5，双边浪p₄(x_i)＝-1.5x_i ²+0.5，

四分浪p₅(x_i)＝(35x_i ⁴-30x_i ²+3)/8，边中浪p₆(x_i)＝-(35x_i ⁴-30x_i ²+3)/8；

4)使用基于差分进化智能优化算法的径向基神经网络进行板形模式识别：

计算△g_i与板形缺陷的6种基本模式之间的欧式距离D_j：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{\Δg}}_i-p_j\left(x_i\right))}^2},$

将D_j作为网络输入，代入基于差分进化智能优化算法的径向基神经网络进行板形模式识别，网络输出为a₁、a₂和a₃；

5)判断板形模式识别结果：

若a₁>0，表示板形具有左边浪，输出幅值为：a₁×△F_max；

若a₁<0，表示板形具有右边浪，输出幅值为：-a₁×△F_max；

若a₂>0，表示板形具有中间浪，输出幅值为：a₂×△F_max；

若a₂<0，表示板形具有双边浪，输出幅值为：-a₂×△F_max；

若a₃>0，表示板形具有四分浪，输出幅值为：a₃×△F_max；

若a₃<0，表示板形具有边中浪，输出幅值为：-a₃×△F_max；

所述步骤4)基于差分进化智能优化算法的径向基神经网络的建立过程为：

a、确定用于板形模式识别的径向基神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练的差分进化智能优化算法的种群个数NP，差分进化智能优化算法的最大学习代数N，网络训练效果的目标值f，以及训练样本数目M；

b、依据控制参数生成训练样本数据：

M组训练样本生成的规则是：分别在区间[-1,1]按照均匀概率分布生成一个a₁，然后在区间[-1+|a₁|,1-|a₁|]按照均匀概率分布生成一个a₂，最后在区间[-1+|a₁|+|a₂|,1-|a₁|-|a₂|]按照均匀概率分布生成一个a₃；则此次生成的一组a₁、a₂和a₃作为一组训练样本数据的网络输出值，对应每一组a₁、a₂和a₃，利用公式生成其对应的板形偏差分布曲线σ(x_i)：

σ(x_i)＝a₁×p₁(x_i)+a₂×p₃(x_i)+a₃×p₅(x_i)，

利用公式计算该组σ(x_i)与6个板形基本样式之间的欧式距离作为一组训练样本数据的网络输入值：

$D_j=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{(\mathrm{\&sigma;}\left(x_i\right)-p_j\left(x_i\right))}^2},$

c、设径向基神经网络隐含层节点个数n的初始值为2；

d、将基函数中心点、基函数方差、隐含层到输出层的权值定义为差分进化智能优化算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

共有n个基函数中心点c_l，l＝1,2…,n；n个基函数方差σ_l，l＝1,2…,n；3n个隐含层到输出层的权值w_lw，l＝1,2…,n，w＝1,2,3，则对应的差分进化智能优化算法的个体向量为Y_m＝(y_m1,y_m2,…,y_mv)，m＝1,…,NP，v＝1,2,…,5n，按照等概率随机分布在可行区间内确定NP个个体向量Y_m的种群初始值；

e、按照差分进化智能优化算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的Y_i来配置径向基神经网络参数，再将M个训练样本数据代入该径向基神经网络来计算网络输出值，继而通过计算上述M个训练样本数据对应的3M个网络输出值与其实际值之间的算术差的平方和，该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，这里网络训练效果的目标值g应当根据径向基神经网络规模来选取和调整，或者差分进化智能优化算法学习代数超过设定的最大值N，则停止进一步学习；否则增加径向基神经网络隐含层节点个数，使得n＝n+1转至步骤d继续学习；

f、记录训练学习的网络参数，得到一个6输入3输出的基于差分进化智能优化算法的径向基神经网络；

按上述步骤建立好基于差分进化智能优化算法的径向基神经网络后，再进行板形模式识别。