CN110110839B - 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 - Google Patents

基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 Download PDF

Info

Publication number
CN110110839B
CN110110839B CN201910316881.0A CN201910316881A CN110110839B CN 110110839 B CN110110839 B CN 110110839B CN 201910316881 A CN201910316881 A CN 201910316881A CN 110110839 B CN110110839 B CN 110110839B
Authority
CN
China
Prior art keywords
strip steel
pso
thickness difference
neural network
cold rolling
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.)
Active
Application number
CN201910316881.0A
Other languages
English (en)
Other versions
CN110110839A (zh
Inventor
王东城
徐扬欢
黄阳阳
张桐源
杨光
刘宏民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201910316881.0A priority Critical patent/CN110110839B/zh
Publication of CN110110839A publication Critical patent/CN110110839A/zh
Application granted granted Critical
Publication of CN110110839B publication Critical patent/CN110110839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • 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
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Metal Rolling (AREA)
  • Metal Rolling (AREA)

Abstract

本发明公开了一种基于PSO‑LM‑BP神经网络的带钢冷轧横向厚差预报方法，涉及到带钢断面形状控制领域。该方法主要包括以下步骤：1、PSO‑LM‑BP神经网络训练样本的获取；2、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的建立；3、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的训练与验证；4、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的预测。该方法只需根据带钢热轧来料断面轮廓三个参数C40、C25、W40，即可预测出其冷轧后的横向厚差值，预测精度高、响应速度快，能够快速参与指导实际生产，对带钢冷轧横向厚差控制具有重要意义。

Description

基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法
技术领域
本发明属于冶金轧制技术中带钢断面形状控制领域，特别涉及一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法。
背景技术
随着我国工业的高速发展，高质量带钢的使用需求越来越大，例如冷轧无取向硅钢广泛应用于电动机等电器设备领域，然而硅钢片的横向厚差越大越易造成叠片厚度与间隙不均，降低设备的运行效率和寿命，这对带钢冷轧横向厚差提出了较高的要求。由于带钢热轧断面形状对其冷轧后断面形状有着直接影响，为此，本发明建立了基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，该方法能够根据带钢热轧来料断面轮廓参数预测其冷轧后的横向厚差，预测精度高、响应速度快、泛化能力强，同时该方法能够对带钢冷轧横向厚差的热轧来料断面控制提供指导，对冷轧带钢断面形状控制具有重要意义。
目前关于带钢冷轧横向厚差控制技术领域已经发表了一些相关文献。例如：“热轧原料断面轮廓对冷轧硅钢尺寸精度的影响分析”参见《钢铁研究学报》2014，26卷第1期：33-36，文献中指出了热轧原料断面轮廓以一定的比例遗传给冷轧带钢，分析了不同热轧原料断面轮廓对冷轧电工钢尺寸精度的影响，并阐明了严格控制热轧原料断面轮廓对保证冷轧电工钢尺寸精度具有重要意义。“冷轧硅钢板形与横向厚度控制的分析”参见《中国冶金》2015，25卷第4期：24-27，文献中指出了热轧原料断面厚度的不均匀性是硅钢板形与横向厚差控制存在的矛盾点，并表明了良好的热轧原料轮廓尺寸是保证冷轧硅钢板形与横向厚差协调控制的关键因素。截止目前，已有的文献都只是指出热轧原料断面轮廓对带钢冷轧横向厚差存在定性影响，但没有给出根据热轧来料断面轮廓精确快速预报冷轧横向厚差的方法。
发明内容
本发明的目的在于提供一种根据带钢热轧来料断面轮廓来预测其冷轧后横向厚差的精准快速预报方法。为此，本发明利用PSO-LM-BP神经网络，通过学习模型耦合法生成的训练样本数据，建立了带钢冷轧横向厚差预报方法，该方法只需根据带钢热轧来料断面轮廓的三个参数C40、C25、W40，即可快速预测出其冷轧后的横向厚差值，预测精度高、响应速度快、泛化能力强，能够快速参与指导实际生产，对带钢冷轧横向厚差的控制具有重要意义。该方法引入的PSO(Particle Swarm Optimization)-LM(Levenberg–Marquardt)算法优化了BP神经网络，在提高模型预测精度的同时，提升了模型的训练及收敛速度。
为了达到上述目的，本发明提出的一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法主要包括以下步骤：
S1、获取PSO-LM-BP神经网络的训练样本；
S11：确定轧制工艺参数，具体包括：轧制道次数n，来料厚度h0，各道次出口厚度hi，各道次轧制力Pi，各道次工作辊弯辊力S1i，各道次中间辊弯辊力S2i和各道次中间辊串辊量Δi，其中i＝1～n；
S12：确定轧制设备参数，具体包括：各道次支撑辊直径Dbi和长度Lbi，各道次中间辊直径Dmi和长度Lmi，各道次工作辊直径Dwi与长度Lwi，各道次压下油缸中心距Lyi，各道次中间辊弯辊缸间距Ls1i和各道次工作辊弯辊缸间距Ls2i，其中i＝1～n；
S13：确定描述带钢热轧来料断面轮廓三个参数的范围，给定距离带钢边部40mm处的凸度最大值C40max与最小值C40min、距离带钢边部40mm处的楔度最大值W40max与最小值W40min、距离带钢边部25mm处的凸度最大值C25max与最小值C25min，在C40max与C40min之间随机生成m个
Figure BDA0002033319910000026
在W40max与W40min之间随机生成m个
Figure BDA0002033319910000027
以及在C25max与C25min之间随机生成m个
Figure BDA0002033319910000028
其中j＝1～m；
S14：利用模型耦合法计算第i道次带钢断面轮廓
Figure BDA0002033319910000021
Figure BDA0002033319910000022
其中：f为模型耦合函数；
S15：根据轧制工艺参数S11、轧制设备参数S12、带钢热轧来料断面轮廓参数S13，利用S14方法，计算最末道次带钢断面轮廓
Figure BDA0002033319910000023
从而求得带钢断面轮廓中心厚度与距离边部15mm处厚度差值，即带钢冷轧横向厚差
Figure BDA0002033319910000024
并保存记录下每个热轧断面轮廓参数与其对应的末道次冷轧横向厚差值，即
Figure BDA0002033319910000025
这些数据作为PSO-LM-BP神经网络模型的训练样本，其中j＝1～m；
S2、建立PSO-LM-BP神经网络带钢冷轧横向厚差预报模型：
S21：根据PSO-LM-BP神经网络建立带钢冷轧横向厚差预报模型；
S22：确定BP神经网络的结构；
S23：设定PSO算法的参数；
S24：设定LM算法的参数；
S3、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的训练与验证；以及
S4、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的预测。
优选地，所述S22中BP神经网络结构的设定内容包括：采用k层神经网络结构、由于带钢热轧来料断面轮廓的三个参数C40、W40、C25作为网络的输入，冷轧后的横向厚差作为输出，因此网络输入层神经元节点数为A1＝3，输出层神经元节点数为Ak＝1、确定网络隐含层的节点个数A2,A3…Ak-1、选取各层的激活函数、设置学习率lr以及确定小批量训练样本batch与训练步数Epoch；
所述S23中PSO算法的参数设定内容包括：初始化时粒子种群规模Q、最大迭代次数n1、最大粒子速度vmax、最小粒子速度vmin、学习因子c1和c2和粒子的位置区间[m1,m2]；
所述S24中LM算法的参数设定内容包括：误差目标ε、阻尼系数mu、调节因子β和最大迭代次数n2。
优选地，所述步骤S3包括以下内容：
S31：训练样本划分为训练集与测试集，随机选取训练样本中的80％作为PSO-LM-BP神经网络训练集样本，其余的20％作为测试集样本；
S32：训练PSO-LM-BP神经网络，当网络模型达到训练步数时，停止训练；
S33：模型训练结束后，做出训练集与测试集误差损失图，判断网络模型的平均误差是否满足要求；
S34：利用完成训练的PSO-LM-BP神经网络，根据训练集与测试集上训练样本的热轧断面轮廓参数
Figure BDA0002033319910000031
预测冷轧横向厚差值
Figure BDA0002033319910000032
同训练集与测试集上的训练样本的冷轧横向厚差
Figure BDA0002033319910000033
比较，判断误差是否满足精度要求，其中j＝1～m；
S35：若同时满足S33、S34两者的精度要求，则保存PSO-LM-BP网络模型作为带钢冷轧横向厚差预报模型；若S33、S34中有一者不满足时，则返回S2中调整网络结构及相应参数重新训练网络。
优选地，所述步骤S4包括以下内容：
S41：利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型，根据不同带钢热轧来料断面轮廓参数，快速批量预测其冷轧后横向厚差，给出热轧来料断面轮廓参数与冷轧横向厚差之间的变化规律；
S42：利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型，针对生产现场中常见带钢热轧来料断面轮廓情况，预测其冷轧后横向厚差，给出不同冷轧横向厚差要求下的热轧断面轮廓参数控制策略。
本发明与现有技术相比具有以下有益效果：
(1)本发明在模型耦合法基础上建立了基于PSO-LM-BP神经网络带钢冷轧横向厚差预报方法，只需提供带钢热轧来料断面轮廓上三个参数C40、W40、C25，即可预测出其冷轧后的横向厚差值；
(2)通过引入PSO-LM算法提高了BP神经网络的寻优能力，提高了收敛速度，该网络模型精度高，误差小，满足实际工程要求；
(3)与传统机理模型相比该方法的运算速度更快，能够快速响应指导生产，对带钢冷轧横向厚差控制具有重要意义。
附图说明
图1为基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法流程图；
图2为PSO-LM-BP神经网络流程图；
图3为BP神经网络结构图；
图4为网络训练误差损失图；
图5为网络训练集横向厚差预测值与训练样本横向厚差值对比图；
图6为网络测试集横向厚差预测值与训练样本横向厚差值对比图；
图7为W40为0.01mm、C40与C25不同比值网络模型预测的冷轧横向厚差曲线；
图8为W40为0.02mm、C40与C25不同比值网络模型预测的冷轧横向厚差曲线；
图9为W40为0.03mm、C40与C25不同比值网络模型预测的冷轧横向厚差曲线；以及
图10为W40为0.04mm、C40与C25不同比值网络模型批量的冷轧横向厚差曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出的一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法主要由PSO-LM-BP神经网络训练样本的获取、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的建立、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的训练与验证和PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的预测四个部分组成，其流程如图1所示，具体步骤如下：
S1、PSO-LM-BP神经网络训练样本的获取：
S11：确定轧制工艺参数，具体包括：轧制道次数n为4，来料厚度h0＝2.2mm，第1道次出口厚度h1＝1.342mm，第2道次出口厚度h2＝0.859mm，第3道次出口厚度h3＝0.618mm，第4道次出口厚度h4＝0.5mm，第1道次轧制力P1＝1029.87t，第2道次轧制力P2＝917.36t，第3道次轧制力P3＝833.14t，第4道次轧制力P4＝719.08t，第1道次工作辊弯辊力S11＝7.28t，第2道次工作辊弯辊力S12＝1.23t，第3道次工作辊弯辊力S13＝4.19t，第4道次工作辊弯辊力S14＝2.53t，第1道次中间辊弯辊力S21＝18.09t，第2道次中间辊弯辊力S22＝10.87t，第3道次中间辊弯辊力S23＝12.94t以及第4道次中间辊弯辊力S24＝10.45t，4个道次中间辊串辊量Δ1＝Δ2＝Δ3＝Δ4＝20mm；
S12：确定轧制设备参数，具体包括：4个道次支撑辊直径Db1＝Db2＝Db3＝Db4＝1150mm和4个道次支撑辊长度Lb1＝Lb2＝Lb3＝Lb4＝1420mm，4个道次中间辊直径Dm1＝Dm2＝Dm3＝Dm4＝470mm和4个道次中间辊长度Lm1＝Lm2＝Lm3＝Lm4＝1445mm，4个道次工作辊直径Dw1＝Dw2＝Dw3＝Dw4＝250mm和4个道次工作辊长度Lw1＝Lw2＝Lw3＝Lw4＝1420mm，4个道次压下油缸中心距Ly1＝Ly2＝Ly3＝L＝y4 2150，m4m个道次中间辊弯辊缸间距Ls11＝Ls12＝Ls13＝Ls14＝2150mm以及4个道次工作辊弯辊缸间距Ls21＝Ls22＝Ls23＝Ls24＝2800mm；
S13：确定描述带钢热轧来料断面轮廓三个参数的范围：给定距离带钢边部40mm处的凸度最大值C40max＝0.035mm与最小值C40min＝0mm、距离带钢边部40mm处的楔度最大值W40max＝0.04mm与最小值W40min＝0mm、距离带钢边部25mm处的凸度最大值C25max＝0.07mm与最小值C25min＝0mm，在[0,0.035]之间随机生成10000个
Figure BDA0002033319910000057
在[0,0.04]之间随机生成10000个
Figure BDA0002033319910000051
以及在[0,0.07]之间随机生成10000个
Figure BDA0002033319910000052
Figure BDA0002033319910000053
S14：利用模型耦合法计算第i道次带钢断面轮廓
Figure BDA0002033319910000054
Figure BDA0002033319910000055
其中：f为模型耦合函数；
S15：根据S11中的轧制工艺条件、S12中的轧制设备条件、S13中的带钢热轧来料断面轮廓参数，利用S14方法，计算出第4道次带钢断面轮廓
Figure BDA0002033319910000056
从而求得带钢断面轮廓中心厚度与距离边部15mm处厚度差值，即冷轧横向厚差
Figure BDA0002033319910000061
并保存记录下每个热轧断面轮廓参数与其对应第4道次的冷轧横向厚差值即
Figure BDA0002033319910000062
这10000组数据作为PSO-LM-BP神经网络模型的训练样本，表1为10000组训练样本中的5组；
表1神经网络模型训练样本
Figure BDA0002033319910000063
S2、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的建立：
S21：利用PSO-LM-BP神经网络建立带钢冷轧横向厚差预报模型，如图2所示为PSO-LM-BP神经网络结构流程图，图中Pbest表示粒子最优个体，Gbest表示粒子群最优种群，t表示种群的进化次数；
S22：BP神经网络结构确定，采用k＝5层神经网络结构，即1个输入层、1个输出层和3个隐含层，热轧带钢断面轮廓的三个参数C40、W40、C25作为网络的输入，冷轧后的横向厚差作为输出，从而网络输入层神经元节点数A1为3，输出层神经元节点数A5为1，网络隐含层的节点个数为A2＝50、A3＝10、A4＝5，此时网络最终结构为3×50×10×5×1如图3所示，各层的激活函数采用relu、学习率lr设置为0.001、小批量训练样本batch选择70、训练步数Epoch为200；
S23：PSO算法参数的设定，初始化时粒子种群规模设定为Q＝80、最大迭代次数设置为n1＝200次、最大粒子速度vmax＝1、最小粒子速度vmin＝-1、学习因子c1＝c2＝2、粒子的位置设置在[-5,5]之间；
S24：LM算法参数的设定，设定误差目标ε＝10-5、系数mu为0.01、调节因子β为10、最大迭代次数n2为1000；
S3、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的训练与验证：
S31：随机选取训练样本中的8000组作为PSO-LM-BP神经网络模型训练集样本，其余的2000组作为测试集样本；
S32：训练PSO-LM-BP神经网络，当网络模型达到训练步数时，停止训练；
S33：模型训练结束后，做出PSO-LM-BP神经网络训练集与测试集的训练误差损失如图4所示，平均误差达到10-6，满足精度要求；
S34：利用完成训练的PSO-LM-BP神经网络，根据训练集与测试集上训练样本的热轧断面轮廓参数
Figure BDA0002033319910000071
预测冷轧横向厚差值
Figure BDA0002033319910000072
同训练集与测试集上训练样本的冷轧横向厚差
Figure BDA0002033319910000073
比较如图5、6所示，误差满足精度要求；
S35：S33、S34两者同时满足精度要求，则保存PSO-LM-BP网络模型作为带钢冷轧横向厚差预报模型；
S4、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的预测：
S41：利用PSO-LM-BP神经网络带钢冷轧横向厚差预报模型批量预测在楔度取不同值，C40与C25取不同比值时带钢冷轧横向厚差随热轧断面轮廓参数C40的变化曲线，在图7～图10中，W40取0.01、C40与C25比值分别取1/2、3/5、2/3、3/4和4/5，对应的曲线分别为l1～l5；W40取0.02、C40与C25比值分别取1/2、3/5、2/3、3/4和4/5，对应的曲线分别为l6～l10；W40取0.03、C40与C25比值分别取1/2、3/5、2/3、3/4和4/5，对应的曲线分别为l11～l15；W40取0.04、C40与C25比值分别取1/2、3/5、2/3、3/4和4/5，对应的曲线分别为l16～l20，图7～图10进行横向对比，可以看出当C40与C25比值固定时，带钢冷轧横向厚差随着热轧断面轮廓楔度W40的增加而较为显著的增加，且当楔度大于30μm，带钢冷轧横向厚差与热轧断面轮廓凸度C40不再严格符合线性关系，出现二次分布规律趋势，且随着楔度的不断增大，二次规律越明显；
S42：利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型，针对生产现场中常见带钢热轧来料断面轮廓情况，预测其冷轧后横向厚差，给出不同冷轧横向厚差要求下的热轧断面轮廓参数控制策略。例如，当冷轧横向厚差要求为10μm，且热轧断面轮廓凸度C40:C25＝1:2时，带钢热轧来料断面轮廓参数控制策略如表2，可利用该策略选取带钢热轧来料断面轮廓参数，以指导实际生产。
表2冷轧横向厚差等于10μm时对应的热轧断面轮廓参数(C40:C25＝1:2)
Figure BDA0002033319910000074
Figure BDA0002033319910000081
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，其特征在于：包括以下执行步骤：
S1、获取PSO-LM-BP神经网络的训练样本；
S11：确定轧制工艺参数，具体包括：轧制道次数n，来料厚度h0，各道次出口厚度hi，各道次轧制力Pi，各道次工作辊弯辊力S1i，各道次中间辊弯辊力S2i和各道次中间辊串辊量Δi，其中i＝1～n；
S12：确定轧制设备参数，具体包括：各道次支撑辊直径Dbi和长度Lbi，各道次中间辊直径Dmi和长度Lmi，各道次工作辊直径Dwi与长度Lwi，各道次压下油缸中心距Lyi，各道次中间辊弯辊缸间距Ls1i和各道次工作辊弯辊缸间距Ls2i，其中i＝1～n；
S13：确定描述带钢热轧来料断面轮廓三个参数的范围，给定距离带钢边部40mm处的凸度最大值C40max与最小值C40min、距离带钢边部40mm处的楔度最大值W40max与最小值W40min、距离带钢边部25mm处的凸度最大值C25max与最小值C25min，在C40max与C40min之间随机生成m个
Figure FDA0002033319900000011
在W40max与W40min之间随机生成m个
Figure FDA0002033319900000012
以及在C25max与C25min之间随机生成m个
Figure FDA0002033319900000013
其中j＝1～m；
S14：利用模型耦合法计算第i道次带钢断面轮廓
Figure FDA0002033319900000014
Figure FDA0002033319900000015
其中：f为模型耦合函数；
S15：根据轧制工艺参数S11、轧制设备参数S12、带钢热轧来料断面轮廓参数S13，利用S14方法，计算最末道次带钢断面轮廓
Figure FDA0002033319900000016
从而求得带钢断面轮廓中心厚度与距离边部15mm处厚度差值，即带钢冷轧横向厚差
Figure FDA0002033319900000017
并保存记录下每个热轧断面轮廓参数与其对应的末道次冷轧横向厚差值，即
Figure FDA0002033319900000018
这些数据作为PSO-LM-BP神经网络模型的训练样本，其中j＝1～m；
S2、建立PSO-LM-BP神经网络带钢冷轧横向厚差预报模型：
S21：根据PSO-LM-BP神经网络建立带钢冷轧横向厚差预报模型；
S22：确定BP神经网络的结构；
S23：设定PSO算法的参数；
S24：设定LM算法的参数；
S3、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的训练与验证；以及
S4、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的预测。
2.根据权利要求1所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，其特征在于：
所述S22中BP神经网络结构的设定内容包括：采用k层神经网络结构、由于带钢热轧来料断面轮廓的三个参数C40、W40、C25作为网络的输入，冷轧后的横向厚差作为输出，因此网络输入层神经元节点数为A1＝3，输出层神经元节点数为Ak＝1、确定网络隐含层的节点个数A2,A3…Ak-1、选取各层的激活函数、设置学习率lr以及确定小批量训练样本batch与训练步数Epoch；
所述S23中PSO算法的参数设定内容包括：初始化时粒子种群规模Q、最大迭代次数n1、最大粒子速度vmax、最小粒子速度vmin、学习因子c1和c2和粒子的位置区间[m1,m2]；
所述S24中LM算法的参数设定内容包括：误差目标ε、阻尼系数mu、调节因子β和最大迭代次数n2。
3.根据权利要求1或者2所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，其特征在于，所述步骤S3包括以下内容：
S31：训练样本划分为训练集与测试集，随机选取训练样本中的80％作为PSO-LM-BP神经网络训练集样本，其余的20％作为测试集样本；
S32：训练PSO-LM-BP神经网络，当网络模型达到训练步数时，停止训练；
S33：模型训练结束后，做出训练集与测试集误差损失图，判断网络模型的平均误差是否满足要求；
S34：利用完成训练的PSO-LM-BP神经网络，根据训练集与测试集上训练样本的热轧断面轮廓参数
Figure FDA0002033319900000021
预测冷轧横向厚差值
Figure FDA0002033319900000022
同训练集与测试集上的训练样本的冷轧横向厚差
Figure FDA0002033319900000023
比较，判断误差是否满足精度要求，其中j＝1～m；
S35：若同时满足S33、S34两者的精度要求，则保存PSO-LM-BP网络模型作为带钢冷轧横向厚差预报模型；若S33、S34中有一者不满足时，则返回S2中调整网络结构及相应参数重新训练网络。
4.根据权利要求1或者2所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，其特征在于，所述步骤S4包括以下内容：
S41：利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型，根据不同带钢热轧来料断面轮廓参数，快速批量预测其冷轧后横向厚差，给出热轧来料断面轮廓参数与冷轧横向厚差之间的变化规律；
S42：利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型，针对生产现场中常见带钢热轧来料断面轮廓情况，预测其冷轧后横向厚差，给出不同冷轧横向厚差要求下的热轧断面轮廓参数控制策略。
CN201910316881.0A 2019-04-19 2019-04-19 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 Active CN110110839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910316881.0A CN110110839B (zh) 2019-04-19 2019-04-19 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910316881.0A CN110110839B (zh) 2019-04-19 2019-04-19 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法

Publications (2)

Publication Number Publication Date
CN110110839A CN110110839A (zh) 2019-08-09
CN110110839B true CN110110839B (zh) 2022-12-09

Family

ID=67485951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910316881.0A Active CN110110839B (zh) 2019-04-19 2019-04-19 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法

Country Status (1)

Country Link
CN (1) CN110110839B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688808B (zh) * 2019-09-24 2022-06-24 南通大学 一种动力电池模型的粒子群及lm优化混合迭代辨识方法
CN111105127B (zh) * 2019-11-06 2023-04-07 武汉理工大学 一种基于数据驱动的模块化产品设计评价方法
CN110941902B (zh) * 2019-11-26 2023-09-12 云南电网有限责任公司 一种输电线路雷击故障预警方法和系统
CN111291513B (zh) * 2020-01-22 2024-01-05 苏州大学 一种基于bp神经网络的差厚板轧制力的预测方法
CN112036626B (zh) * 2020-08-21 2023-08-22 燕山大学 一种热轧带钢边部线状缺陷在线预报方法
CN115007658B (zh) * 2022-04-26 2023-02-14 东北大学 基于深层循环神经网络的冷连轧轧制板形动态预测方法
CN117272811B (zh) * 2023-09-25 2024-07-02 重庆望变电气（集团）股份有限公司 一种铁芯工艺参数确定方法及其相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101765466A (zh) * 2008-09-01 2010-06-30 新日本制铁株式会社 板轧制的轧制道次规程的设定方法
CN105290122A (zh) * 2015-08-20 2016-02-03 张守武 一种rbf网络支持的agc系统厚度测量装置
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7823428B1 (en) * 2006-10-23 2010-11-02 Wright State University Analytical method for use in optimizing dimensional quality in hot and cold rolling mills

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101765466A (zh) * 2008-09-01 2010-06-30 新日本制铁株式会社 板轧制的轧制道次规程的设定方法
CN105290122A (zh) * 2015-08-20 2016-02-03 张守武 一种rbf网络支持的agc系统厚度测量装置
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Influence of profile indicators of hot-rolled strip on transverse thickness difference of cold-rolled silicon steel;Ma, Xiaobao;《METALLURGICAL RESEARCH & TECHNOLOGY》;20190104;第116卷(第1期);1-15 *
Prediction on Transverse Thickness of Hot Rolling Aluminum Strip Based on BP Neural Network;Hai Yong Wang;《Applied Mechanics and Materials》;20120227;78-83 *
基于FEM-ANN的冷轧板带板凸度预报;杜凤山;《钢铁》;20130831;第48卷(第8期);40-44+60 *
神经网络在热轧板凸度预报模型中的应用;黄亚飞;《山东冶金》;20101231;第32卷(第6期);57-59 *

Also Published As

Publication number Publication date
CN110110839A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110839B (zh) 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法
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
CN108637020A (zh) 一种自适应变异pso-bp神经网络带钢凸度预测方法
CN105363794B (zh) 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法
CN104438350B (zh) 平整过程带钢机械性能在线检测控制方法
Hu et al. Multi-parameter deep-perception and many-objective autonomous-control of rolling schedule on high speed cold tandem mill
CN112037209B (zh) 一种钢板轧辊磨损量预测方法及系统
CN103128107B (zh) 一种热连轧粗轧短行程曲线参数的在线计算方法
CN106345823A (zh) 基于热轧钢卷生产流程的在线实时预测机械性能的方法
CN105689405A (zh) 一种冷轧带材在线目标板形的智能设定方法
CN115608793B (zh) 一种机理融合数据的精轧温度调控方法
Cao et al. Preset model of bending force for 6-high reversing cold rolling mill based on genetic algorithm
CN111570533B (zh) 热轧卷取温度与终轧温度对平整变形抗力影响预测方法
CN117655118B (zh) 多模融合的带钢板形控制方法和装置
CN102581032B (zh) 一种冷轧带钢板形前馈控制方法
CN107716560A (zh) 一种新型板带热连轧负荷分配方法
Ma et al. Effect of strip profile of hot-rolled silicon steel on transverse thickness difference of cold-rolled strip
CN109127740B (zh) 一种冷轧带钢表面粗糙度的预报方法
CN109240203B (zh) 一种基于多模型的连铸坯定重控制方法
CN114091352A (zh) 基于Elman神经网络的热连轧出口板凸度动态预测方法
CN202527481U (zh) 一种冷轧带钢板形前馈控制系统
CN113290061A (zh) 一种基于锆合金的多轧程多道次变形制度设计方法
CN109675931B (zh) 一种板形调控功效系数自学习方法及系统
Jung et al. Fuzzy control algorithm for the prediction of tension variations in hot rolling
CN115846418A (zh) 一种热轧钢材高温氧化速率的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant