CN110704956B - 一种冷轧机数据驱动的工艺参数优化方法 - Google Patents
一种冷轧机数据驱动的工艺参数优化方法 Download PDFInfo
- Publication number
- CN110704956B CN110704956B CN201910733592.0A CN201910733592A CN110704956B CN 110704956 B CN110704956 B CN 110704956B CN 201910733592 A CN201910733592 A CN 201910733592A CN 110704956 B CN110704956 B CN 110704956B
- Authority
- CN
- China
- Prior art keywords
- pass
- population
- data
- process parameters
- 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
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Control Of Metal Rolling (AREA)
Abstract
一种冷轧机数据驱动的工艺参数优化方法,属于金属板带材冷轧技术领域,其特征在于实施步骤如为:1)获取工艺参数;2)建立RBF模型;3)采用遗传算法迭代求得最优值;4)求得优化后的工艺参数,通过多组工艺参数数据及厚差数据,建立RBF模型,并采用遗传算法对其进行迭代,寻找到最优解。其优点是避免了复杂机理模型的计算,提高了优化效率和优化后结果的准确性,为冷轧机在线调整工艺参数提供理论基础。
Description
技术领域
本发明属于金属板带材冷轧技术领域,具体涉及一种冷轧机数据驱动的工艺参数优化方法
背景技术
随着社会发展,冷轧带钢在钢材消费中发挥越来越重要的作用。在带钢生产中,坯料经过数道次轧制,依道次减薄,最终轧制出符合生产标准的成品钢材。这一系列的轧制过程是设计者按照原料的厚度、宽度、钢种类型、轧辊辊径、电机容量限制条件和轧制负荷限制条件等来设定压下规程、各个道次的轧制速度、轧制力、张力等。轧制工艺参数是轧机生产工艺的核心内容,是轧机生产能力发挥、产品厚度精度的基本保证,因此轧制工艺参数的优化尤为重要。
传统的冷轧机工艺参数优化方法是基于冷轧机的机理模型进行优化,由于机理模型的复杂性,优化过程中会对一些复杂计算进行简化,导致优化时间较长且优化结果准确性较低。
发明内容
本发明提供一种冷轧机数据驱动的工艺参数优化方法,可以避免机理模型的复杂性,大大减少冷轧机工艺参数的优化时长,提高轧制产品的精度。
为实现上述目的,本发明所采取的技术方案其特征是具体步骤如下:
<1>数据的获取:
①从冷轧厂获取轧机压下规程、轧制速度、轧制时的张力及产品厚差数据;
②计算出每一卷的产品厚差平均值;
③给定工艺参数调整范围,见表一,表中h1为第二道次入口厚度、h2为第二道次出口厚度、v1为第一道次轧制速度、v2为第二道次轧制速度、v3为第三道次轧制速度、σ2为第一道次前张力、σ3为第二道次前张力、σ4为第二道次后张力、σ5为第三道次前张力、σ6为第三道次后张力;
表一工艺参数的调整范围
<2>建立RBF模型:
①明确有效数据的条数及优化变量维数,基函数选择thin plate spline函数;
②数据采用留一交叉验证法检验所建立RBF模型的准确率;
③检验模型的准确率时,使用模型分别对样本中的每一条数据进行估值,与实际值进行比较,两者之差占实际值的百分比小于50%时,认为预测准确,程序流程图见图2;
④得到的RBF模型作为适应函数用于遗传算法;
<3>采用遗传算法迭代求得最优值:
①产生初始种群:随机产生种群大小popsize=100,使用适应函数进行计算;
②交叉:种群中每个个体都随机与种群中的其他个体交叉,共产生2倍子代种群,每个决策变量进行交叉的概率CR=0.5;
③变异:对交叉产生的子代进行变异,个体的每个决策变量进行变异的概率CV=0.01,变异时产生一个在参数调整范围内的随机数,替代原来的决策变量;
④选择:将父代与子代混合,选择种群中适应度值最小的个体;
⑤迭代次数maxlteration=50;
⑥将每一代最好的个体适应度值即最小厚差记录下来,得到最小厚差随种群迭代次数的收敛图;
<4>求得优化后的工艺参数:
经过建模及使用遗传算法迭代50次,得到一组最小厚差Tmin所对应的工艺参数即为优化结果,为了避免结果的偶然性,将程序独立运行n次,取n次最小厚差Tmin的平均值T* min,发现T* min比原始数据中厚差要小很多,达到了优化目的,n为正整数。
附图说明
图1为RBF模型建立及遗传算法的程序流程图;图2为留一交叉验证法程序流程图;图3为最小厚差随种群迭代次数的收敛图。
具体实施方式
<1>数据的获取:
①从某冷轧厂获取近半年的轧机压下规程、轧制速度、轧制时的张力及产品厚差数据,筛选出25卷轧制道次、轧件的入口厚度、轧件的出口厚度均相同的同一型号产品工艺数据,从获取的25组数据中提取出第二道次入口厚度h1、第二道次出口厚度h2、第一道次轧制速度v1、第二道次轧制速度v2、第三道次轧制速度v3、第一道次前张力σ2、第二道次前张力σ3、第二道次前后力σ4、第三道次前张力σ5、第三道次后张力σ6,由于本次数据都是三个道次且产品型号、产品坯料厚度、产品最终厚度均相同,故未考虑第一道次入口厚度及第三道次出口厚,见表二;
②计算出每一卷的产品厚差平均值T,见表二;
③给定工艺参数调整范围,见表一;
<2>建立RBF模型:
①共获得了25条数据,变量为10维,见表二,基函数选择thin plate spline函数;
表二25条数据
②数据采用留一交叉验证法检验所建立RBF模型的准确率;
③检验模型的准确率时,使用模型分别对样本中的每一条数据进行估值,与实际值进行比较,两者之差占实际值的百分比小于50%时,认为预测准确,最终得到的结果是25个估值中有16个认为预测准确,所以准确率为64%,程序流程图见图2;
④得到的RBF模型作为适应函数用于遗传算法;
<3>采用遗传算法迭代求得最优值:
①产生初始种群:随机产生种群大小popsize=100,使用适应函数进行计算;
②交叉:种群中每个个体都随机与种群中的其他个体交叉,共产生2倍子代种群,每个决策变量进行交叉的概率CR=0.5;
③变异:对交叉产生的子代进行变异,个体的每个决策变量进行变异的概率CV=0.01,变异时产生一个在参数调整范围内的随机数,替代原来的决策变量;
④选择:将父代与子代混合,选择种群中适应度值最小的个体;
⑤迭代次数maxlteration=50;
⑥将每一代最好的个体适应度值即最小厚差记录下来,得到了最小厚差随种群迭代次数的收敛图,见图3;
<4>求得优化后的工艺参数:
经过建模及使用遗传算法迭代50次,得到一组最小厚差Tmin所对应的工艺参数即为优化结果,本次参数优化结果取到小数点后两位,为了避免结果的偶然性,将程序独立运行30次,取30次最小厚差Tmin的平均值T* min=0.88×10-4um,见表三,可以发现优化后的厚差比原始数据中的厚差要小10000倍,达到优化目的。
传统优化方法优化用时需要几十秒甚至更多,而本次优化用时为0.15秒,大大提高了优化效率。
表三30次优化结果
Claims (1)
1.一种冷轧轧机关键工艺参数的优化方法,其特征是实施步骤如下:
<1>数据的获取:
①从冷轧厂获取轧机压下规程、轧制速度、轧制时的张力及产品厚差数据;
②计算出每一卷的产品厚差平均值;
③给定工艺参数调整范围,见表一,表中h1为第二道次入口厚度、h2为第二道次出口厚度、v1为第一道次轧制速度、v2为第二道次轧制速度、v3为第三道次轧制速度、σ2为第一道次前张力、σ3为第二道次前张力、σ4为第二道次后张力、σ5为第三道次前张力、σ6为第三道次后张力;
表一 工艺参数的调整范围
<2>建立RBF模型:
①明确有效数据的条数及优化变量维数,基函数选择thin plate spline函数;
②数据采用留一交叉验证法检验所建立RBF模型的准确率;
③检验模型的准确率时,使用模型分别对样本中的每一条数据进行估值,与实际值进行比较,两者之差占实际值的百分比小于50%时,认为预测准确;
④得到的RBF模型作为适应函数用于遗传算法;
<3>采用遗传算法迭代求得最优值:
①产生初始种群:随机产生种群大小popsize=100,使用适应函数进行计算;
②交叉:种群中每个个体都随机与种群中的其他个体交叉,共产生2倍子代种群,每个决策变量进行交叉的概率CR=0.5;
③变异:对交叉产生的子代进行变异,个体的每个决策变量进行变异的概率CV=0.01,变异时产生一个在参数调整范围内的随机数,替代原来的决策变量;
④选择:将父代与子代混合,选择种群中适应度值最小的个体;
⑤迭代次数maxlteration=50;
⑥将每一代最好的个体适应度值即最小厚差记录下来,得到最小厚差随种群迭代次数的收敛图;
<4>求得优化后的工艺参数:
经过建模及使用遗传算法迭代50次,得到一组最小厚差Tmin所对应的工艺参数即为优化结果,再将程序独立运行n次,取n次最小厚差Tmin的平均值T* min,达到优化目的,n为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733592.0A CN110704956B (zh) | 2019-08-09 | 2019-08-09 | 一种冷轧机数据驱动的工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733592.0A CN110704956B (zh) | 2019-08-09 | 2019-08-09 | 一种冷轧机数据驱动的工艺参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110704956A CN110704956A (zh) | 2020-01-17 |
CN110704956B true CN110704956B (zh) | 2022-04-19 |
Family
ID=69193329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910733592.0A Active CN110704956B (zh) | 2019-08-09 | 2019-08-09 | 一种冷轧机数据驱动的工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704956B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361713A (zh) * | 2021-05-24 | 2021-09-07 | 唐山钢铁集团有限责任公司 | 一种基于自适应的轧机产线轧制力控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN103473597A (zh) * | 2013-09-05 | 2013-12-25 | 中国寰球工程公司 | 一种基于遗传算法的天然气液化流程工艺参数优化方法 |
CN106845627A (zh) * | 2017-01-25 | 2017-06-13 | 中国银联股份有限公司 | 一种数据预测方法及装置 |
CN109871937A (zh) * | 2018-11-14 | 2019-06-11 | 江苏师范大学 | 一种基于rbf神经网络的铝型材机械性能预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017070792A1 (en) * | 2015-10-29 | 2017-05-04 | Salsnes Filter As | Method and process for operating and controlling a separation device |
-
2019
- 2019-08-09 CN CN201910733592.0A patent/CN110704956B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN103473597A (zh) * | 2013-09-05 | 2013-12-25 | 中国寰球工程公司 | 一种基于遗传算法的天然气液化流程工艺参数优化方法 |
CN106845627A (zh) * | 2017-01-25 | 2017-06-13 | 中国银联股份有限公司 | 一种数据预测方法及装置 |
CN109871937A (zh) * | 2018-11-14 | 2019-06-11 | 江苏师范大学 | 一种基于rbf神经网络的铝型材机械性能预测方法 |
Non-Patent Citations (7)
Title |
---|
On optimization of the RBF shape parameter in a grid-free local;Y.V.S.S. Sanyasiraju;《https://www.sciencedirect.com/science/article/pii/S0307904X13001248》;20130305;1-28 * |
Operating parameter optimization of centrifuge based on APSO-RBF;Zhou Li-kun;《Proceedings 2011 International Conference on Transportation, Mechanical, and Electrical Engineering (TMEE)》;20120514;2111-2114 * |
冷轧连续退火炉加热段温度控制系统的研究与设计;宋星池;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20190615;B022-87 * |
基于动态RBF模型的冲压成形反求与优化研究:;乔良;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20140915;129-136 * |
基于数据驱动的轧机振动预测研究;张阳;《机械强度》;20170115;B022-287 * |
基于鱼群RBF神经网络和改进蚁群算法的拉深成形工艺参数优化;田银;《锻压技术 计算机应用》;20141231;129-136 * |
轧后钢管冷却过程中厚度方向温度变化规律;周存龙;《钢管 实验与研究》;20160928;12-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN110704956A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | A machine learning and genetic algorithm-based method for predicting width deviation of hot-rolled strip in steel production systems | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN109583474B (zh) | 一种用于工业大数据处理的训练样本生成方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN111899254A (zh) | 基于半监督学习自动标注工业产品外观缺陷图像的方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111738477B (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN111250548B (zh) | 一种基于核偏最小二乘结合支持向量机的板凸度预测方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN110704956B (zh) | 一种冷轧机数据驱动的工艺参数优化方法 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN114676814A (zh) | 一种基于satcn-lstm的风功率超短期预测方法 | |
CN113393339A (zh) | 基于深度神经网络组合模型的配电网短期负荷预测方法 | |
CN111045907A (zh) | 一种基于业务量的系统容量预测方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN116882585A (zh) | 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
CN113172097B (zh) | 一种基于深度自编码的冷轧带材板形模式识别方法及系统 | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN112598026B (zh) | 基于不平衡数据深度学习的连退生产过程故障诊断方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 |
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 |