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 PDF

Info

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
Application number
CN201910733592.0A
Other languages
English (en)
Other versions
CN110704956A (zh
Inventor
张阳
马兴旺
任志海
彭艳
孙建亮
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201910733592.0A priority Critical patent/CN110704956B/zh
Publication of CN110704956A publication Critical patent/CN110704956A/zh
Application granted granted Critical
Publication of CN110704956B publication Critical patent/CN110704956B/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
    • G06N3/12—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

一种冷轧机数据驱动的工艺参数优化方法
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
Figure BDA0002161425170000011
<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
Figure BDA0002161425170000031
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
Figure BDA0002161425170000041
Figure BDA0002161425170000051

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
Figure FDA0003512839330000011
<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。
CN201910733592.0A 2019-08-09 2019-08-09 一种冷轧机数据驱动的工艺参数优化方法 Active CN110704956B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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