CN103761423B

CN103761423B - 一种基于pso-elm的热轧板材组织-性能预测方法

Info

Publication number: CN103761423B
Application number: CN201310752648.XA
Authority: CN
Inventors: 曹卫华; 李熙; 吴敏; 安剑奇; 陈鑫; 胡学敏
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2013-12-31
Filing date: 2013-12-31
Publication date: 2016-06-29
Anticipated expiration: 2033-12-31
Also published as: CN103761423A

Abstract

本发明提供了一种基于PSO-ELM算法的热轧板材组织-性能预测方法，包括以下几个步骤：步骤1：获取影响热轧板材组织-性能的参数；步骤2：获取板材的冷却速率Rc；步骤3：按照步骤1获取的数据与步骤2获取的冷却速率对板材进行力学性能试验，获得板材的屈服强度、抗拉强度及延伸率的试验值；步骤4：建立基于ELM（极限学习机）的热轧板材组织-性能预测模型；步骤5：采用粒子群算法对步骤4建立的模型进行训练；步骤6：利用步骤5得到的预测模型对热轧板材组织-性能进行预测；本方法实现了热轧板材组织-性能的在线实时精确预测，解决了以往力学性能只能依靠机器设备检测的问题。

Description

一种基于PSO-ELM的热轧板材组织-性能预测方法

技术领域

本发明属于板材生产过程控制技术领域，涉及一种基于PSO-ELM的热轧板材组织-性能预测方法。

背景技术

随着钢铁冶金技术的发展，近年来，用户对钢材内部质量的要求越来越高，不仅对钢材有严格的化学成分要求，还要求钢材有良好的力学性能，能够满足具体条件下的性能指标和使用寿命。

目前，大多数钢铁企业对成品取样后通过金属力学性能检验设备来检验成品的各项力学性能指标。在板材轧制完后，从一批成品中取一卷板材作为抽样产品，在抽样产品上切割足够量的试料，并制作成试样，通过相关的力学实验如钢模胀形试验、杯突试验和金属拉伸试验等，获取这卷板材的力学性能参数，作为这批产品的力学性能指标。

现有的检验手段不仅要对成品进行破坏性取样，需要耗费大量的设备费用和人工费用，导致效率低下，降低了钢铁企业的自动化水平，而且也只是从一批产品中的一卷板材上切割一段材料进检验，无法代表这卷板材甚至这一批产品的性能指标，具有很大的随机性和局限性。

发明内容

本发明所要解决的技术问题是提出一种基于PSO-ELM算法的热轧板材力学性能预测方法，该方法基于PSO-ELM算法实现热轧板材力学性能的预测，有效解决目前热轧板材力学性能依赖现场取样检验的问题，从而减少取样带来的金属损失，节省了现场检验的设备费用和人工费用，提高了效率。

一种基于PSO-ELM的热轧板材组织-性能预测方法，包括以下步骤：

步骤1：获取板材的化学元素含量以及板材的热轧过程参数；

所述板材的化学元素含量包括碳、硅、锰、磷、硫、铜、铌、铬及铝化学元素的含量，所述板材的热轧过程参数包括板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度及卷曲温度；

步骤2：建立板材的冷却速率模型，按照步骤1中获得的数据求得板材的冷却速率R_c；

\{\begin{matrix} R_{C} = \frac{T_{F} - T_{C}}{t_{C}} \\ t_{C} = \frac{L_{C}}{V_{D}} \end{matrix}

式中，T_F为终轧温度，T_C为卷曲温度，t_C为冷却时间，L_C为实测冷却段总长度，V_D为甩尾速率；

步骤3：按照步骤1获取的数据与步骤2获取的冷却速率对板材进行力学性能试验，获得板材的屈服强度、抗拉强度及延伸率的试验值；

所述力学性能试验包括钢模胀形试验、杯突试验和金属拉伸试验；

步骤4：建立基于ELM（极限学习机）的热轧板材组织-性能预测模型；

以步骤1和步骤2获得的数据作为热轧板材组织-性能预测模型输入层的节点数据，以步骤3获得的屈服强度、抗拉强度及延伸率作为热轧板材组织-性能预测模型输出层的节点数据，隐含层至少包括8层；

步骤5：将热轧板材组织-性能预测模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，采用粒子群优化算法对粒子进行迭代寻优，设定粒子种群个数，随机生成粒子位置、速度、惯性权值w、加速参数r1和r2，计算粒子的适应度函数，按照粒子优化群算法中的位置和速度更新公式进行更新，直到满足迭代条件，输出最优粒子并赋值给热轧板材组织-性能预测模型；

设定适应度函数为其中，N为训练样本总数，y_ij表示热轧板材组织-性能预测模型中第j个输出值的第i次预测值，t_ij为第j个输出值的第i次试验获得的试验值；

所述迭代条件为迭代次数达到迭代次数设定值或适应度函数小于适应度函数设定值；

步骤6：对与步骤1中所述板材型号相同的板材的热轧过程参数进行设定，利用设定的热轧过程参数和板材的化学元素含量作为步骤5获得的热轧板材组织-性能预测模型的输入层的节点参数，以步骤5获得的热轧板材组织-性能预测模型的输出层的输出结果作为热轧板材的组织-性能参数的预测值。

所述隐含层激活函数为Sigmoidal函数。

所述步骤5中粒子优化群算法中的位置x_t+1和速度v_t+1更新公式如下：

\{\begin{matrix} v_{t + 1} = {wv}_{t} + r_{1} \cdot rand () \cdot (P_{t} - x_{t}) + r_{2} \cdot rand () \cdot (G_{t} - x_{t}) \\ x_{t + 1} = x_{t} + v_{t + 1} \end{matrix}

其中，Pt为粒子的自身最好位置，Gt为全局最好位置，w为惯性权值，r1和r2均为加速参数，rand（）表示从[0，1]随机取数，v_t为粒子的当前速度，x_t为粒子的当前位置。

所述偏置值作用是当偏置值为正时，增加激活函数的网络输入；当偏置值为负时，降低激活函数的网络输入；见参考文献[1]。

有益效果

与现有技术相比，本发明的优点主要体现在以下几点

1、在物理冶金学的基础上，以化学元素包括碳、硅、锰、磷、硫、铜、铌、铬和铝，轧制过程参数包括板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度、卷取温度、冷却速率等16个参数作为模型的输入，以合理的参数选择和较少的自变量，简化了模型结构的复杂性，提高了热轧板材的组织-性能预报准确率；

2、建立基于ELM网络的热轧板材组织-性能预测模型，并用PSO优化算法对ELM网络的训练过程进行优化，在确保预测实时性的同时提高了网络的预测精度，实现了热轧板材组织-性能的良好预测，能保证预测精度在±8%的范围内，达到现场的预测要求。

附图说明

图1为热轧板材组织-性能预测模型结构图；

图2为本发明所述方法的流程图；

图3为应用本发明所述方法对热轧板材的屈服强度预测结果对比图；

图4为屈服强度预测相对误差图；

图5为应用本发明所述方法对热轧板材的抗拉强度预测结果对比图；

图6为抗拉强度预测相对误差图；

图7为应用本发明所述方法对热轧板材的延伸率预测结果对比图；

图8为延伸率预测相对误差图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

一种热轧板材组织-性能预测模型的建立方法，将热轧板材在热连轧生产过程中的化学成分、板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度、卷取温度、冷却速率相关参数引入PSO-ELM网络，进行分析建立热轧板材组织-性能预测模型，本发明所述方法流程图如图2所述：

1)在计算机数据库中建立热轧板材生产工艺流程如下：

加热炉→粗轧→精轧→层流冷却→卷曲取样，并将化学成分重量百分比、板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度、卷取温度、甩尾速率等相关生产工艺参数从L1服务器中采集上来后存储在计算机数据库中；

2）针对牌号为Q235B板材进行热轧板材组织-性能测试实验，包括钢模胀形试验、杯突试验和金属拉伸试验，收集板材的屈服强度，抗拉强度和延伸率的实验数据，并与之前采集到的化学成分数据和过程数据对应起来，储存在计算机数据库中；

3）建立基于ELM算法的热轧板材组织-性能预测模型；

冷却速率作为热轧板材组织-性能预测模型的输入，在L1服务器中无法直接采集，因此先建立热轧板材冷却速率R_c模型；

\{\begin{matrix} R_{C} = \frac{T_{F} - T_{C}}{t_{C}} \\ t_{C} = \frac{L_{C}}{V_{D}} \end{matrix}

式中，T_F终轧温度，T_C为卷曲温度，t_C为冷却时间，L_C为冷却段总长度，V_D为甩尾速率。

热轧板材组织-性能预测模型的输入为板坯的化学元素包括碳含量、硅含量、锰含量、磷含量、硫含量、铜含量、铌含量、铬含量、铝含量以及板坯的热轧过程参数包括板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度、卷取温度、冷却速率，输出为对应热轧板材的组织-性能参数，通过屈服强度、抗拉强度和伸长率来反应，获得用于网络训练和测试的数据共有3000组。由于模型有16个输入，3个输出，因此确定网络的结构为16-8-3，如图1所示，图中所述的化学元素包括九个化学元素，即在输入层有九个化学元素的输入节点；因此输入层、隐含层、输出层的神经元数目分别为16、8、3，隐含层激活函数采用Sigmoidal函数。

（4）基于PSO优化算法对ELM网络的训练过程进行优化；

根据网络的拓扑结构，得到网络权值和偏置值的数目总和为16×8+8×1+8×3+3=163（其中16×8为输入层到隐含层的权值，8×1为隐含层节点偏置值，8×3为隐含层到输出层的权值，3为输出层节点偏置值），同时将输入层与隐含层之间的连接权值和隐含层节点的偏置值定义为粒子群搜索空间中的一个粒子，粒子的维数为163。对粒子的种群个数、速度范围、惯性权值w、加速参数r1和r2进行随机初始化，将最大迭代次数定为300，最小误差要求定为0.01。

所述偏置值作用是当偏置值为正时，增加激活函数的网络输入；当偏置值为负时，降低激活函数的网络输入；参见参考文献[1]。

基于粒子群优化算法对粒子进行迭代寻优，具体流程如下：

①随机产生所有粒子的位置x和速度v，位置在区间[-1，1]中随机取值，速度在区间[-0.01，0.01]中随机取值；

②计算粒子群中各个粒子的适应度，适应度函数用网络的均方误差来表示：

Fit = \frac{1}{N} Σ_{j = 1}^{3} Σ_{i = 1}^{N} {(y_{ij} - t_{ij})}^{2}

其中，N为训练样本总数，y_ij表示热轧板材组织-性能预测模型中第j个输出值的第i次预测值，t_ij为第j个输出值的第次试验获得的试验值；

③继续输入其他粒子，计算所有粒子的适应度；

④确定粒子的自身最好位置Pt以及该位置下的适应度pbest和全局最好位置Gt以及该位置下的适应度gbest；

⑤按照下式更新所有粒子的速度和位置；

\{\begin{matrix} v_{t + 1} = {wv}_{t} + r_{1} \cdot rand () \cdot (P_{t} - x_{t}) + r_{2} \cdot rand () \cdot (G_{t} - x_{t}) \\ x_{t + 1} = x_{t} + v_{t + 1} \end{matrix}

⑥判断粒子的速度是否超过最大速度，若超过，将速度更新为最大速度，判断粒子的速度是否小于最小速度，若小于，将速度更新为最小速度，其他情况速度正常更新；

⑦重新计算更新后的粒子适应度，并更新Pt和pbest以及Gt和gbest，如果当前粒子的适应度小于pbest，更新pbest为当前粒子的适应度，相应粒子的位置为自身最好位置Pt，否则Pt和pbest不变；如果当前粒子的适应度小于gbest，更新gbest为当前粒子的适应度，相应粒子的位置为全局最好位置Gt，否则Gt和gbest不变；

⑧继续下一轮迭代，直至满足结束条件。

（5）利用经过优化的网络预测热轧板材的组织-性能。

通过上述迭代寻优后得到最终的最优个体，并将个体对应的输入层与隐含层之间的连接权值和隐含层神经元阈值赋予ELM网络，从而得到经过优化后的热轧板材组织-性能预测模型。网络在3000组数据中随机选取1000组数据用于步骤（4）中的优化过程，在剩余的数据中随机选取100组用于检验优化后的模型预测精度。

优化后的网络对组织-性能预测图如图3-8，从图3-8中可以明显看出经过优化后的网络预测精度较高，能达到现场对误差小于±8%的要求。

以上结果表明，采用本发明方法建立的热轧板材组织-性能预测模型能够对热轧板材的屈服强度，抗拉强度和延伸率进行良好的预测，预测精度较高，能满足现场生产的实际要求，为热轧板材及类似棒材和板带材的组织-性能预测提供了有效的方法。

参考文献：

[1]王正群,陈世福,陈兆乾.带偏置的选择性神经网络集成构造方法[J].计算机科学,2005,32(7):152-155.

Claims

1.一种基于PSO-ELM的热轧板材组织-性能预测方法，其特征在于，包括以下步骤：

步骤1：获取板材的化学元素含量以及板材的热轧过程参数；

\{\begin{matrix} R_{C} = \frac{T_{F} - T_{C}}{t_{C}} \\ t_{C} = \frac{L_{C}}{V_{D}} \end{matrix}

步骤4：建立基于ELM极限学习机的热轧板材组织-性能预测模型；

步骤5：将热轧板材组织-性能预测模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，采用粒子群优化算法对粒子进行迭代寻优，设定粒子种群个数，随机生成粒子位置、速度、惯性权值w、加速参数r1和r2，计算粒子的适应度函数，按照粒子群优化算法中的位置和速度更新公式进行更新，直到满足迭代条件，输出最优粒子并赋值给热轧板材组织-性能预测模型；

2.根据权利要求1所述的基于PSO-ELM的热轧板材组织-性能预测方法，其特征在于，所述隐含层激活函数为Sigmoidal函数。

3.根据权利要求2所述的基于PSO-ELM的热轧板材组织-性能预测方法，其特征在于，所述步骤5中粒子群优化算法中的位置x_t+1和速度v_t+1更新公式如下：

\{\begin{matrix} v_{t + 1} = {wv}_{t} + r_{1} \cdot r a n d () \cdot (P_{t} - x_{t}) + r_{2} \cdot r a n d () \cdot (G_{t} - x_{t}) \\ x_{t + 1} = x_{t} + v_{t + 1} \end{matrix}

其中，P_t为粒子的自身最好位置，G_t为全局最好位置，w为惯性权值，r₁和r₂均为加速参数，rand()表示从[0，1]随机取数，v_t为粒子的当前速度，x_t为粒子的当前位置。