CN105921522A - 基于rbf神经网络的层流冷却温度自适应控制方法 - Google Patents
基于rbf神经网络的层流冷却温度自适应控制方法 Download PDFInfo
- Publication number
- CN105921522A CN105921522A CN201610364425.XA CN201610364425A CN105921522A CN 105921522 A CN105921522 A CN 105921522A CN 201610364425 A CN201610364425 A CN 201610364425A CN 105921522 A CN105921522 A CN 105921522A
- Authority
- CN
- China
- Prior art keywords
- temperature
- cooling
- self
- rbf neural
- laminar flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/20—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- Heat Treatment Of Strip Materials And Filament Materials (AREA)
Abstract
本发明公开了基于RBF神经网络的层流冷却温度自适应控制方法,提供一种基于RBF神经网络的层流冷却温度自适应控制技术,针对不锈钢热轧带钢生产过程中存在的目标卷取温度高,冷却区域少等难点,设计了一种基于RBF神经网络的层流冷却温度自适应控制技术,通过创建RBF神经网络和评估RBF神经网络得到最新的自适应参数,层流冷却模型会根据最新的自适应参数,计算冷却策略,该技术的应用可以更加实时、准确的获得层流冷却系统的温度自适应参数,并最终提高不锈钢轧制卷取温度的控制精度,从而使带钢获得良好的组织性能和力学性能,对生产过程有显著的应用价值。
Description
技术领域
本发明涉及钢铁工业控制技术领域,尤其涉及基于RBF神经网络的层流冷却温度自适应控制方法。
背景技术
钢铁工业是支持国民经济发展的重要支柱产业。为了确保热轧带钢的产品性能和产品质量的优良,精确的冷却工艺控制是基本保证。热轧层流冷却是钢铁工业生产中的一个重要环节,在热轧带钢层流冷却过程中,冷却速度、冷却均匀程度是最重要的参数,影响着带钢产品最终的各种性能指标。层流冷却系统的功能就是根据给定的冷却策略,为卷取温度控制提供设定点,控制带钢冷却,实现最终温度。为了满足工艺上对卷取温度越来越高的要求,在卷取温度控制的实践中,并在大量采集过程实际数据的基础上,引入短期、长期自适应功能。
对于普碳钢来说,其要求卷取温度一般为670℃以下,因此,绝大多数层流冷却系统设计中,控制策略可通过多个冷却段的共同调节进行优化完善。但是,对于不锈钢的轧制,由于其要求卷取温度比普碳钢要高,而层流冷却系统一般设计为只有一个冷却段,且辊道长度一般小于普碳钢的层流冷却装置辊道长度;另外不锈钢的化学材质更为复杂,对层流冷却模型计算的影响因素更加突出;因此对于不锈钢热连轧层流冷却控制来说,其工艺设备条件及工艺要求对其控制速度、控制精度都提出了更高的要求。而现有的层流冷却温度控制技术不能满足不锈钢轧制的需要,因此迫切需要提高不锈钢热轧带钢层流冷却系统的自适应控制水平。
发明内容
本发明旨在解决现有技术的不足,而提供基于RBF神经网络的层流冷却温度自适应控制方法。
本发明为实现上述目的,采用以下技术方案:基于RBF神经网络的层流冷却温度自适应控制方法,使用RBF神经网络对自适应参数进行自学习,其特征在于,包括以下步骤:
(1)、定义输入层结点个数及其标准化的均值、标准差,其中包括带钢化学成份种类、带钢终轧厚度、带钢终轧温度、目标卷取温度;
(2)、定义隐层结点个数及偏差单元个数,每个隐层结点都是一个径向基函数;
(3)、选取高斯函数作为隐层激活函数;
(4)、给定每个输入单元对应的隐层结点的结点中心初始值,即基函数的中心位置;
(5)、给定基函数的宽度、隐层结点到输出结点的权值及偏差单元到输出结点的权值;
(6)、定义输出层结点个数为2个,包括自适应系数、自适应温度偏差值;
(7)、对于输入结点,计算隐层和输出层的激活函数,通过该步骤获取最新的长期、短期自适应参数;
(8)、对于一个带钢的每个样本段的头部,穿过层流冷却段的整个历史都被收集,系统对这些实测数据进行处理,并得到最新的自适应参数;
(9)、层流冷却模型根据最新的自适应参数,计算冷却策略,所述的冷却策略包括开关水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀点、计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最终温度与对应的带钢速度之间的斜率。
作为优选,所述步骤(2)中的隐层结点数小于训练样本数。
作为优选,层流冷却系统在每次触发预计算、自适应计算时,都会执行所述步骤(7)。
本发明的有益效果是:本发明针对不锈钢热轧带钢生产过程中存在的目标卷取温度高,冷却区域少等难点,设计了一种基于RBF神经网络的层流冷却温度自适应控制技术。该技术的应用可以更加实时、准确的获得层流冷却系统的温度自适应参数,并最终提高不锈钢轧制卷取温度的控制精度,从而使带钢获得良好的组织性能和力学性能,对生产过程有显著的应用价值。
附图说明
图1为本发明的RBF神经网络结构图;
以下将结合本发明的实施例参照附图进行详细叙述。
具体实施方式
下面结合实施例对本发明作进一步说明:
实施例1
如图1所示,基于RBF神经网络的层流冷却温度自适应控制方法,使用RBF神经网络对自适应参数进行自学习,其特征在于,包括以下步骤:
(1)、定义输入层结点个数及其标准化的均值、标准差,其中包括带钢化学成份种类、带钢终轧厚度、带钢终轧温度、目标卷取温度,分别为X1、X2……Xm;
(2)、定义隐层结点个数及偏差单元个数,分别为G1(r)、G1(r)……G1(r),隐层结点数小于训练样本数,每个结点都是一个径向基函数; j=1,2,…,N,第j个输入数据是RBF的中心;
(3)、选取高斯函数作为隐层激活函数,即每个隐层的计算单元都是:j=1,2,…,N,参数σj是第j个高斯函数的宽度;
(4)、给定每个输入单元对应的隐层结点的结点中心初始值,即基函数的中心位置;
(5)、给定基函数的宽度,隐层结点到输出结点的权值及偏差单元到输出结点的权值;
(6)、定义输出层结点个数为2个,包括自适应系数、自适应温度偏差值,分别为y1、y2;
(7)、对于输入结点,计算隐层和输出层的激活函数,其中,隐层结点激活函数为高斯函数,通过该步骤获取最新的长期、短期自适应参数,层流冷却系统在每次触发预计算、自适应计算时,都会执行该步骤;
(8)、对于一个带钢的每个样本段的头部,穿过层流冷却段的整个历史都被收集,系统对这些实测数据进行处理,并得到最新的自适应参数;
(9)、层流冷却模型根据最新的自适应参数,计算冷却策略,所述的冷却策略包括开关水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀点、计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最终温度与对应的带钢速度之间的斜率。
上面对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种改进,或未经改进直接应用于其它场合的,均在本发明的保护范围之内。
Claims (3)
1.基于RBF神经网络的层流冷却温度自适应控制方法,使用RBF神经网络对自适应参数进行自学习,其特征在于,包括以下步骤:
(1)、定义输入层结点个数及其标准化的均值、标准差,其中包括带钢化学成份种类、带钢终轧厚度、带钢终轧温度、目标卷取温度;
(2)、定义隐层结点个数及偏差单元个数,每个隐层结点都是一个径向基函数;
(3)、选取高斯函数作为隐层激活函数;
(4)、给定每个输入单元对应的隐层结点的结点中心初始值,即基函数的中心位置;
(5)、给定基函数的宽度、隐层结点到输出结点的权值及偏差单元到输出结点的权值;
(6)、定义输出层结点个数为2个,包括自适应系数、自适应温度偏差值;
(7)、对于输入结点,计算隐层和输出层的激活函数,通过该步骤获取最新的长期、短期自适应参数;
(8)、对于一个带钢的每个样本段的头部,穿过层流冷却段的整个历史都被收集,系统对这些实测数据进行处理,并得到最新的自适应参数;
(9)、层流冷却模型根据最新的自适应参数,计算冷却策略,所述的冷却策略包括开关水阀设定、设定点在冷却段入口带钢的表面温度、设定点带钢速度、设定点优化的开阀点、计算的最终温度和目标温度之间的差异、最终温度与对应的起始温度之间的斜率和最终温度与对应的带钢速度之间的斜率。
2.根据权利要求1所述的基于RBF神经网络的层流冷却温度自适应控制方法,其特征在于,所述步骤(2)中的隐层结点数小于训练样本数。
3.根据权利要求1所述的基于RBF神经网络的层流冷却温度自适应控制方法,其特征在于,层流冷却系统在每次触发预计算、自适应计算时,都会执行所述步骤(7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364425.XA CN105921522B (zh) | 2016-05-27 | 2016-05-27 | 基于rbf神经网络的层流冷却温度自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364425.XA CN105921522B (zh) | 2016-05-27 | 2016-05-27 | 基于rbf神经网络的层流冷却温度自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105921522A true CN105921522A (zh) | 2016-09-07 |
CN105921522B CN105921522B (zh) | 2018-12-04 |
Family
ID=56841381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610364425.XA Active CN105921522B (zh) | 2016-05-27 | 2016-05-27 | 基于rbf神经网络的层流冷却温度自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105921522B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273971A (zh) * | 2017-06-13 | 2017-10-20 | 石家庄铁道大学 | 基于神经元显著性的前馈神经网络结构自组织方法 |
CN110914004A (zh) * | 2017-07-28 | 2020-03-24 | 东芝三菱电机产业系统株式会社 | 卷取温度控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19505506A1 (de) * | 1995-02-10 | 1996-08-22 | Daimler Benz Ag | Verfahren zum Einsatz eines Beobachtermodells zur Drehmomentenschätzung und -vorhersage für eine Asynchronmaschine |
CN105234191A (zh) * | 2015-10-30 | 2016-01-13 | 华中科技大学 | 一种层流冷却温度控制方法 |
-
2016
- 2016-05-27 CN CN201610364425.XA patent/CN105921522B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19505506A1 (de) * | 1995-02-10 | 1996-08-22 | Daimler Benz Ag | Verfahren zum Einsatz eines Beobachtermodells zur Drehmomentenschätzung und -vorhersage für eine Asynchronmaschine |
CN105234191A (zh) * | 2015-10-30 | 2016-01-13 | 华中科技大学 | 一种层流冷却温度控制方法 |
Non-Patent Citations (3)
Title |
---|
柴天佑等: "RBF神经网络在加速冷却控制系统中的应用", 《自动化学报》 * |
沈洁等: "一种基于模糊RBF神经网络的Smith预估器", 《控制工程》 * |
王笑波等: "热轧钢板层流冷却过程的优化设定控制", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273971A (zh) * | 2017-06-13 | 2017-10-20 | 石家庄铁道大学 | 基于神经元显著性的前馈神经网络结构自组织方法 |
CN110914004A (zh) * | 2017-07-28 | 2020-03-24 | 东芝三菱电机产业系统株式会社 | 卷取温度控制系统 |
CN110914004B (zh) * | 2017-07-28 | 2021-07-06 | 东芝三菱电机产业系统株式会社 | 卷取温度控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105921522B (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
WO2016101182A1 (zh) | 基于贝叶斯网络和极限学习机的区间型指标预报方法 | |
CN103489039B (zh) | 具有在线自整定优化能力的高速公路交通流量融合预测方法 | |
CN108311544B (zh) | 一种轧制力参数自学习方法及装置 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
US20100100218A1 (en) | Method for Controlling and/or Regulating an Industrial Process | |
CN103611734A (zh) | 一种层流冷却温度控制方法及系统 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN105268748B (zh) | 按产品分类的热轧负荷分配方法 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN108446454A (zh) | 一种提高层冷模型设定计算精度的方法 | |
CN105327949A (zh) | 一种热轧带钢卷取温度的流量控制方法 | |
CN103831304B (zh) | 一种热连轧中间坯目标宽度计算方法及系统 | |
CN105290117A (zh) | 大宽厚比超薄冷轧带钢高次板形缺陷的分级调控方法 | |
CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
US7085619B2 (en) | Method for controlling an industrial process | |
CN107262533B (zh) | 一种层流冷却控制方法及装置 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN105921522A (zh) | 基于rbf神经网络的层流冷却温度自适应控制方法 | |
Nikolayevich et al. | Structural-matrix models for long product rolling processes: modeling production traceability and forming consumer properties of products | |
CN108921232A (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
CN109013717A (zh) | 一种热连轧中间坯心部温度计算方法 | |
CN105344720A (zh) | 一种精轧带钢终轧温度的在线控制方法 | |
CN106557651B (zh) | 一种轧辊温度模型控制精度的优化方法及装置 | |
CN109240203B (zh) | 一种基于多模型的连铸坯定重控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |