CN111241750A - 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 - Google Patents
一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 Download PDFInfo
- Publication number
- CN111241750A CN111241750A CN202010037453.7A CN202010037453A CN111241750A CN 111241750 A CN111241750 A CN 111241750A CN 202010037453 A CN202010037453 A CN 202010037453A CN 111241750 A CN111241750 A CN 111241750A
- Authority
- CN
- China
- Prior art keywords
- network
- strip steel
- rolled strip
- cold
- genetic algorithm
- 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.)
- Withdrawn
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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明涉及一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,属于冷轧带钢力学性能预报技术领域。技术方案是:筛选冷轧带钢生产系统采集的相关数据,进行归一化处理;采用归一化的训练样本数据对模型进行训练,并对所建立的改进的BP网络预测模型进行评估;利用生成的改进BP网络预测模型进行冷轧带钢的力学性能预测。本发明以BP网络为中心,结合遗传算法对BP网络进行改进,可有效预报冷轧带钢的力学性能,提高生产效率、节能降耗以及提高产品质量。
Description
技术领域
本发明涉及一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,属于冷轧带钢力学性能预报技术领域。
背景技术
冷轧带钢生产是钢铁生产过程之一,其产品是汽车、家电、电器、机械等基础工业的重要原材料。冷轧带钢轧制过程非常复杂,它涉及到压力、温度、速度等物理参数,以及弹塑性变形、热力耦合、组织相变等复杂过程。在这个过程中,诸多因素会对带钢产品的力学性能产生影响,比如:化学成分、带钢热轧和冷轧工艺参数等,这是一个多维非线性映射问题,难以建立简单的数学模型表达内在联系,因而,对于带钢力学性能的预报建模在理论上存在难点。
虽然传统轧制理论在轧制技术发展中起到积极的作用,但是在冷轧带钢的力学性能预测方面远满足不了现代轧制技术的需求,如果能解决这一难题,将对提高生产效率、节能降耗以及提高产品质量都有举足轻重的作用,对钢铁行业发展有着深远影响。
人工神经网络是一个超大规模非线性连续时间自适应信息处理系统。近些年国内在带钢轧制领域,应用神经网络技术进行了大量的探索性的研究工作。这些研究工作主要有:利用神经网络多辊轧机板形控制、利用神经网络进行板形识别、利用神经网络和模糊逻辑进行板形控制、利用神经网络预报冷轧轧制力、利用神经网络自适应控制轧机、利用模糊神经网络控制带钢厚度等。
BP(Back Propagation,BP)网络也称前馈神经网络,根据误差梯度下降原则进行权值调整,具有很强的非线性映射、自组织、泛化和容错能力。但是,基本BP网络有着固有的缺陷,包括:①易陷入局部最优;②收敛性能依赖于初始连接权值、学习率;③隐含层节点数难以确定,研究结果表明,若网络的隐含层单元数太少,可能难以训练出结果,或网络不强壮,容错性差;若隐含层单元数太多,将导致网络性能下降,节点冗余,又使学习时间过长。
公开号为CN107609647A的中国专利公开了“一种基于BP神经网络轧辊合金力学性能预测方法”,该专利基于BP神经网络建立了轧辊的合金成分、热处理工艺参数和力学性能之间的映射关系,其中 BP神经网络的隐含层节点数是依据经验值或者试验的方法确定,同一种网络模型不能针对不同品种的产品进行精确预测。
授权号为CN104694720B的中国专利公开了“一种热轧板卷力学性能预测与判定系统”,该专利基于传统BP神经网络建立了热轧板成分、工艺参数和力学性能之间的映射关系,基于传统BP神经网络难以克服基本BP网络精度依赖于学习率、隐含层节点数等固有缺陷。
发明内容
本发明目的是提供一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,该方法以BP网络为中心,结合遗传算法对BP网络进行改进,可有效预报冷轧带钢的力学性能,选择高级训练函数并结合遗传算法的BP网络可有效改善基本BP网络精度依赖于学习率、隐含层节点数等固有缺陷,解决目前通过板卷取样进行力学性能检测造成的质量损失和时间的浪费,进而提高生产效率、节能降耗以及提高产品质量;有效解决成分含量和工艺参数与力学性能的非线性映射关系的问题;有效解决了BP网络隐含层节点数、输入层权值和网络层权值的确定,改善了以往只能根据经验确定的问题,有效地解决了背景技术中存在的上述问题。
本发明的技术方案是:一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,包含以下步骤:
步骤1,筛选冷轧带钢生产系统采集的相关数据,进行归一化处理,即将数据映射到[-1,1]区间得到训练样本;
步骤2,设计输入层节点数、隐含层数及隐含层节点数、输出层节点数构建BP网络模型,隐含层节点数由遗传算法进行优化;
步骤3,选择适当的学习训练参数和训练函数,包括:激活函数、训练算法、动量因子、学习率、最大迭代次数、目标误差、输入层权值和网络层权值,对BP网络进行学习和训练,其中输入层权值和网络层权值由遗传算法进行优化;
步骤4,采用归一化的训练样本数据对模型进行训练,并对所建立的改进的BP网络预测模型进行评估;
步骤5,利用步骤1-步骤4生成的改进BP网络预测模型进行冷轧带钢的力学性能预测,本专利力学性能特征包括屈服强度Rp0.2、抗拉强度Rm、断后延伸率A、加工硬化值n和厚向异性系数r。
所述的步骤1中,由冷轧带钢生产系统采集的数据包括化学成分、热轧卷取温度、热轧终轧温度、酸轧压下率、连退均热温度、连退缓冷温度、连退平整延伸率、连退快冷温度、连退过时效温度,训练样本取200组。
所述的步骤2中,改进的BP网络结构包含:输入层节点数为16,输出节点数为5,为节约训练时间,隐含层数设为1。
所述的步骤2中,隐含层节点数取值范围为[5-20]。
所述的步骤3中,隐含层激活函数为‘双曲正切函数’,输出层激活函数为‘线性函数’,最大迭代次数为5000,目标误差为e为0.001,误差数学模型如公式(1)
式中f*(*)为目标函数输出值,f(*)为目标值。
所述的步骤3中,训练算法采用自适应学习率动量梯度下降法,数学模型如式(2),该方法的调整思想是:在学习收敛的情况下,即 e(k)≤e(k-1),增大学习率lr,以缩短学习时间;当学习率偏大致使不能收敛时,即e(k)>e(k-1),要及时减小学习率lr,直到收敛为止;同时将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,作为本次的实际权值调整量;该方法可有效抑制网络陷入局部最优并缩短搜索时间;学习率lr为0.05,学习率递增因子lr_inc 为1.05,学习率递减因子lr_dec为0.7,动量因子值mc为0.9;
所述的步骤3中,输入层权值取值范围[0-1],网络层权值取值范围[0-1]。
步骤2和步骤3中所述遗传算法,编码方式采用实数编码方式,实数编码计算精度高。
步骤2和步骤3中所述遗传算法,种群数量NP大小取50。
步骤2和步骤3中所述遗传算法,最大遗传代数G大小取100。
步骤2和步骤3中所述遗传算法,采用自适应的交叉和变异算法进行遗传操作,即,交叉概率Pc和变异概率Pm随遗传代数的增加而不断的自动调整。在初始阶段,使用一个较大的交叉概率和较小的突变概率有助于加快收敛过程;而在后期阶段的发展,使用一个较小交叉概率和一个更大的变异有助于防止算法陷入局部最优解的太早。
步骤2和步骤3中所述遗传算法的交叉算子Pc数学模型如式(3) 和变异算子Pm数学模型如式(4)
Pc(k+1)=Pc(k)-[Pc(1)-0.5]/G
(3)
Pm(k+1)=Pm(k)-[Pm(1)-0.1]/G
(4)
式(3)和(4)中取Pc(1)=0.9,Pm(1)=0.01。
步骤2和步骤3中所述遗传算法的个体最优目标函数取为各目标值(屈服强度Rp0.2、抗拉强度Rm、断后延伸率A%、加工硬化值n 和厚向异性系数r)误差的平方和。适应度取为对应目标函数值的倒数。
所述的步骤4中,由冷轧带钢生产系统采集的5组数据进行评估。
本发明的有益效果是:以BP网络为中心,结合遗传算法对BP网络进行改进,可有效预报冷轧带钢的力学性能,选择高级训练函数并结合遗传算法的BP网络可有效改善基本BP网络精度依赖于学习率、隐含层节点数等固有缺陷,解决目前通过板卷取样进行力学性能检测造成的质量损失和时间的浪费,进而提高生产效率、节能降耗以及提高产品质量;有效解决成分含量和工艺参数与力学性能的非线性映射关系的问题;有效解决了BP网络隐含层节点数、输入层权值和网络层权值的确定,改善了以往只能根据经验确定的问题。
附图说明
图1是本发明的流程图;
图2是本发明的16-h-5三层BP神经网络模型;
图3是实施例DC06的屈服强度网络预测和实际值对比图;
图4是实施例DC06的屈服强度网络预测误差率图;
图5是实施例DC06的抗拉强度网络预测和实际值对比图;
图6是实施例DC06的抗拉强度网络预测误差率图;
图7是实施例DC06的断后延伸率网络预测和实际值对比图;
图8是实施例DC06的断后延伸率网络预测误差率图;
图9是实施例DC06的n值网络预测和实际值对比图;
图10是实施例DC06的n值网络预测误差率图;
图11是实施例DC06的r值网络预测和实际值对比图;
图12是实施例DC06的r值网络预测误差率图。
具体实施方式
为了使本发明实施案例的目的、技术方案和优点更加清楚,下面将结合实施案例中的附图,对本发明实施案例中的技术方案进行清晰的、完整的描述,显然,所表述的实施案例是本发明一小部分实施案例,而不是全部的实施案例,基于本发明中的实施案例,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案例,都属于本发明保护范围。
一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,包含以下步骤:
步骤1,筛选冷轧带钢生产系统采集的相关数据,进行归一化处理,即将数据映射到[-1,1]区间得到训练样本;
步骤2,设计输入层节点数、隐含层数及隐含层节点数、输出层节点数构建BP网络模型,隐含层节点数由遗传算法进行优化;
步骤3,选择适当的学习训练参数和训练函数,包括:激活函数、训练算法、动量因子、学习率、最大迭代次数、目标误差、输入层权值和网络层权值,对BP网络进行学习和训练,其中输入层权值和网络层权值由遗传算法进行优化;
步骤4,采用归一化的训练样本数据对模型进行训练,并对所建立的改进的BP网络预测模型进行评估;
步骤5,利用步骤1-步骤4生成的改进BP网络预测模型进行冷轧带钢的力学性能预测,本专利力学性能特征包括屈服强度Rp0.2、抗拉强度Rm、断后延伸率A、加工硬化值n和厚向异性系数r。
所述的步骤1中,由冷轧带钢生产系统采集的数据包括化学成分、热轧卷取温度、热轧终轧温度、酸轧压下率、连退均热温度、连退缓冷温度、连退平整延伸率、连退快冷温度、连退过时效温度,训练样本取200组。
所述的步骤2中,改进的BP网络结构包含:输入层节点数为16,输出节点数为5,为节约训练时间,隐含层数设为1。
所述的步骤2中,隐含层节点数取值范围为[5-20]。
所述的步骤3中,隐含层激活函数为‘双曲正切函数’,输出层激活函数为‘线性函数’,最大迭代次数为5000,目标误差为e为0.001,误差数学模型如公式(1)
式中f*(*)为目标函数输出值,f(*)为目标值。
所述的步骤3中,训练算法采用自适应学习率动量梯度下降法,数学模型如式(2),该方法的调整思想是:在学习收敛的情况下,即 e(k)≤e(k-1),增大学习率lr,以缩短学习时间;当学习率偏大致使不能收敛时,即e(k)>e(k-1),要及时减小学习率lr,直到收敛为止;同时将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,作为本次的实际权值调整量;该方法可有效抑制网络陷入局部最优并缩短搜索时间;学习率lr为0.05,学习率递增因子lr_inc 为1.05,学习率递减因子lr_dec为0.7,动量因子值mc为0.9;
所述的步骤3中,输入层权值取值范围[0-1],网络层权值取值范围[0-1]。
步骤2和步骤3中所述遗传算法,编码方式采用实数编码方式,实数编码计算精度高。
步骤2和步骤3中所述遗传算法,种群数量NP大小取50。
步骤2和步骤3中所述遗传算法,最大遗传代数G大小取100。
步骤2和步骤3中所述遗传算法,采用自适应的交叉和变异算法进行遗传操作,即,交叉概率Pc和变异概率Pm随遗传代数的增加而不断的自动调整。在初始阶段,使用一个较大的交叉概率和较小的突变概率有助于加快收敛过程;而在后期阶段的发展,使用一个较小交叉概率和一个更大的变异有助于防止算法陷入局部最优解的太早。
步骤2和步骤3中所述遗传算法的交叉算子Pc数学模型如式(3) 和变异算子Pm数学模型如式(4)
Pc(k+1)=Pc(k)-[Pc(1)-0.5]/G
(3)
Pm(k+1)=Pm(k)-[Pm(1)-0.1]/G
(4)
式(3)和(4)中取Pc(1)=0.9,Pm(1)=0.01。
步骤2和步骤3中所述遗传算法的个体最优目标函数取为各目标值(屈服强度Rp0.2、抗拉强度Rm、断后延伸率A%、加工硬化值n 和厚向异性系数r)误差的平方和。适应度取为对应的目标函数值的倒数。
所述的步骤4中,由冷轧带钢生产系统采集的5组数据进行评估。
下面结合实施例对本发明做进一步地说明:
如图1-2所示,本发明是一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,以DC06为例并结合具体步骤进一步说明。
步骤1,筛选冷轧带钢DC06生产系统采集的数据,如表1所示,包含:C含量、Si含量、Mn含量、P含量、S含量、Als含量、Nb 含量、Ti含量、热轧卷取温度Hr、热轧终轧温度He、酸轧压下率Sr、连退均热温度At、连退缓冷温度As、连退平整延伸率Sp、连退快冷温度Aq、连退过时效温度Ao、屈服强度Rp0.2、抗拉强度Rm、断后延伸率A%、加工硬化值n和厚向异性系数r,共16个输入数据和5 个输出数据,取200组数据进行训练。
表1输入数据训练样本
表2与输入对应的输出数据训练样本
对训练样本数据进行归一化处理,将数据映射到[-1,1]区间,映射公式:y=2(x-min)/(max-min)-1,式中y为归一化后的数据,x为原始样本数据,min和max分别为原始样本数据的最小值和最大值。
步骤2,用于冷轧带钢力学性能预测的结合遗传算法的BP网络由输入层、隐含层、和输出层构成,输入层包含C含量、Si含量、 Mn含量、P含量、S含量、Als含量、Nb含量、Ti含量、热轧卷取温度Hr、热轧终轧温度He、酸轧压下率Sr、连退均热温度At、连退缓冷温度As、连退平整延伸率Sp、连退快冷温度Aq、连退过时效温度Ao共16个节点,输出层包含屈服强度Rp0.2、抗拉强度Rm、断后延伸率A%、加工硬化值n和厚向异性系数r共5个节点,设隐含层数为1。隐含层节点数由遗传算法进行整定,隐含层节点数取值范围为[5-20]。
步骤3,用于冷轧带钢力学性能预测的结合遗传算法的BP网络,隐含层激活函数为双曲正切S形函数f1(x1)=2/(1+e-x1)-1,f(x1)为隐含层输出,x1为隐含层输入;输出层激活函数为线性函数f2(x2)=x2,f(x2) 为输出层输出,x2为输出层输入;最大迭代次数为5000;目标误差为0.001。训练算法采用自适应学习率动量梯度下降法,该方法数学模型如公式(2),该方法可有效抑制网络陷入局部最优并缩短搜索时间。学习率lr为0.05,学习率递增因子lr_inc为1.05,学习率递减因子lr_dec为0.7,动量因子值mc为0.9。
输入层权值和网络层权值由遗传算法进行优化,种群数量NP为 50,最大遗传代数G为100。输入层权值取值范围[0-1],网络层权值取值范围[0-1],取值范围内随机产生输入层权值和输出层权值初始值。
针对上述步骤2和步骤3中所述遗传算法,对隐含层节点数、输入层权值和网络层权值进行编码,编码方式采用实数编码方式,实数编码计算精度高于二进制编码。交叉和变异采用自适应的遗传操作,交叉概率Pc和变异概率Pm随遗传代数的增加而不断的自动调整,交叉算子Pc公式为Pc(k+1)=Pc(k)-[Pc(1)-0.5]/G,变异算子Pm公式为Pm (k+1)=Pm (k)-[ Pm (1)-0.1]/G,k为遗传代数,1≤k≤100,取Pc(1)=0.9, Pm(1)=0.01。在初始阶段,使用一个较大的交叉概率和较小的突变概率有助于加快收敛过程;而在后期阶段的发展,使用一个较小交叉概率和一个更大的变异有助于防止算法陷入局部最优解的太早。
针对上述步骤2和步骤3中所述遗传算法的个体最优目标函数取为各目标值(屈服强度Rp0.2、抗拉强度Rm、断后延伸率A%、加工硬化值n和厚向异性系数r)误差的平方和,数学模型如公式(1),适应度取为目标函数的倒数。
步骤4,采用测试样本数据对模型进行迭代训练,选取200组样本进行学习、训练、建立模型,当实际输出与期望值输出不符时,误差通过输出层反向传播,按照误差梯度下降的方式修正各层神经元的权值,使误差信号减小,然后进入正向传播,反复迭代,直至误差小于给定值0.001,或直至达到所预先设定的训练次数5000,得到最佳的预测网络模型。图3-图12为200组训练样本的预测和实际对比图和误差率图,屈服强度Rp0.2误差率在(-3%,4%),抗拉强度Rm误差率在(-5%,5%),断后延伸率A误差率在(-6%,6%),加工硬化值n误差率在(-6%,6%),厚向异性系数r误差率在(-4%,4%)。
步骤5,将输入层变量输入最佳的预测网络模型进行预测评估,输入变量包括:C含量、Si含量、Mn含量、P含量、S含量、Als含量、Nb含量、Ti含量、热轧卷取温度Hr、热轧终轧温度He、酸轧压下率Sr、连退均热温度At、连退缓冷温度As、连退平整延伸率Sp、连退快冷温度Aq、连退过时效温度Ao共16个节点,即可得到冷轧带钢的力学特征,包括屈服强度Rp0.2、抗拉强度Rm、断后延伸率A、加工硬化值n和厚向异性系数r。评估数据实际值与预测值如表3所示,误差率如表4所示。
表3评估数据实际值与预测值
表4评估数据误差率/%
R<sub>p0.2</sub> | R<sub>m</sub> | A | r | n | |
1 | -0.06 | -0.36 | -0.28 | -1.97 | -1.16 |
2 | -0.06 | -1.09 | 0.88 | 2.31 | -1.24 |
3 | -0.74 | -0.10 | 0.03 | -3.99 | -0.39 |
4 | 0.27 | -1.83 | 1.62 | 2.48 | -0.10 |
5 | 2.07 | -0.34 | 0.63 | 3.13 | -0.81 |
由表3和表4可知,评估数据误差率在(-4%,4%)以内。
根据计算流程,分别选取烘烤硬化钢CR180BH、高强IF钢 CR220IF、低合金高强钢HC300LA、双相钢HC340/590DP数据进行学习、训练,原始训练样本数据在此不再赘述,表5和表6分别为此 4个钢种的预测力学性能、实际力学性能和误差率。
表5 CR180BH、CR220IF、HC300LA、HC340/590DP力学性能实际值和预测值
注:“/”表示表示国标中不做要求。
表6 CR180BH、CR220IF、HC300LA、HC340/590DP预测误差率
R<sub>p0.2</sub> | R<sub>m</sub> | A | n | r | |
CR180BH | 0.1444 | -1.1694 | -1.4534 | -0.1734 | 0.1689 |
CR220IF | -0.1923 | -1.1425 | -1.9125 | 2.6770 | -0.3987 |
HC300LA | -0.8394 | -0.0823 | 2.1553 | / | / |
HC340/590DP | -0.0398 | 3.2213 | -0.1241 | / | / |
注:“/”表示表示国标中不做要求。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用发明,对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现,因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在包含以下步骤:
步骤1,筛选冷轧带钢生产系统采集的相关数据,进行归一化处理,即将数据映射到[-1,1]区间得到训练样本;
步骤2,设计输入层节点数、隐含层数及隐含层节点数、输出层节点数构建BP网络模型,隐含层节点数由遗传算法进行优化;
步骤3,选择适当的学习训练参数和训练函数,包括:激活函数、训练算法、动量因子、学习率、最大迭代次数、目标误差、输入层权值和网络层权值,对BP网络进行学习和训练,其中输入层权值和网络层权值由遗传算法进行优化;
步骤4,采用归一化的训练样本数据对模型进行训练,并对所建立的改进的BP网络预测模型进行评估;
步骤5,利用步骤1-步骤4生成的改进BP网络预测模型进行冷轧带钢的力学性能预测,本专利力学性能特征包括屈服强度Rp0.2、抗拉强度Rm、断后延伸率A、加工硬化值n和厚向异性系数r。
2.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:所述的步骤1中,由冷轧带钢生产系统采集的数据包括化学成分、热轧卷取温度、热轧终轧温度、酸轧压下率、连退均热温度、连退缓冷温度、连退平整延伸率、连退快冷温度、连退过时效温度,训练样本取200组。
3.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:所述的步骤2中,改进的BP网络结构包含:输入层节点数为16,输出节点数为5,为节约训练时间,隐含层数设为1。
4.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:所述的步骤2中,隐含层节点数取值范围为[5-20]。
6.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:所述的步骤3中,训练算法采用自适应学习率动量梯度下降法,数学模型如式(2),该方法的调整思想是:在学习收敛的情况下,即e(k)≤e(k-1),增大学习率lr,以缩短学习时间;当学习率偏大致使不能收敛时,即e(k)>e(k-1),要及时减小学习率lr,直到收敛为止;同时将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,作为本次的实际权值调整量;该方法可有效抑制网络陷入局部最优并缩短搜索时间;学习率lr为0.05,学习率递增因子lr_inc为1.05,学习率递减因子lr_dec为0.7,动量因子值mc为0.9;
7.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:所述的步骤3中,输入层权值取值范围[0-1],网络层权值取值范围[0-1]。
8.根据权利要求1所述的一种结合遗传算法的BP网络冷轧带钢力学性能预测方法,其特征在于:步骤2和步骤3中所述遗传算法的交叉算子Pc数学模型如式(3)和变异算子Pm数学模型如式(4)
Pc(k+1)=Pc(k)-[Pc(1)-0.5]/G
(3)
Pm(k+1)=Pm(k)-[Pm(1)-0.1]/G
(4)
式(3)和(4)中取Pc(1)=0.9,Pm(1)=0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037453.7A CN111241750A (zh) | 2020-01-14 | 2020-01-14 | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037453.7A CN111241750A (zh) | 2020-01-14 | 2020-01-14 | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111241750A true CN111241750A (zh) | 2020-06-05 |
Family
ID=70880929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010037453.7A Withdrawn CN111241750A (zh) | 2020-01-14 | 2020-01-14 | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487700A (zh) * | 2020-09-15 | 2021-03-12 | 燕山大学 | 一种基于nsga与felm的冷轧轧制力预测方法 |
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
CN115330091A (zh) * | 2022-10-12 | 2022-11-11 | 邢台纳科诺尔精轧科技股份有限公司 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
-
2020
- 2020-01-14 CN CN202010037453.7A patent/CN111241750A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
Non-Patent Citations (3)
Title |
---|
张大志,李谋渭,孙一康,管克智: "用改进的遗传神经网络预报冷连轧轧机的轧制压力" * |
杜晓亮;蒋志方;谭业浩;: "基于样本自组织聚类的BP神经网络预测模型" * |
杨洋,陶歆,施伟.: "基于遗传算法BP人工神经网络的热轧带钢力学性能预报探讨" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487700A (zh) * | 2020-09-15 | 2021-03-12 | 燕山大学 | 一种基于nsga与felm的冷轧轧制力预测方法 |
CN112487700B (zh) * | 2020-09-15 | 2022-04-19 | 燕山大学 | 一种基于nsga与felm的冷轧轧制力预测方法 |
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
US11803165B2 (en) * | 2021-03-01 | 2023-10-31 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
CN115330091A (zh) * | 2022-10-12 | 2022-11-11 | 邢台纳科诺尔精轧科技股份有限公司 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
Zhang et al. | An integrated model of rolling force for extra-thick plate by combining theoretical model and neural network model | |
Son et al. | A study on on-line learning neural network for prediction for rolling force in hot-rolling mill | |
US20220072593A1 (en) | Production specification determination method, production method, and production specification determination apparatus for metal material | |
CN111008477B (zh) | 一种基于冷轧镀锌带钢力学性能调整工艺参数的方法 | |
CN105013832A (zh) | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 | |
Dehghani et al. | Artificial neural network to predict the effect of thermomechanical treatments on bake hardenability of low carbon steels | |
CN114580286A (zh) | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 | |
Jia et al. | The optimal design for the production of hot rolled strip with “tight oxide scale” by using multi-objective optimization | |
CN108062583A (zh) | 一种面向节能减排的加热炉工艺参数寻优方法 | |
Cui et al. | Machine learning model for thickness evolution of oxide scale during hot strip rolling of steels | |
Lin et al. | Prediction of static recrystallization in a multi-pass hot deformed low-alloy steel using artificial neural network | |
Dimatteo et al. | Prediction of mean flow stress during hot strip rolling using genetic algorithms | |
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 | |
Sivasankaran et al. | Modelling of wrinkling in deep drawing of different grades of annealed commercially pure aluminium sheets when drawn through a conical die using artificial neural network | |
Pholdee et al. | Optimization of flatness of strip during coiling process based on evolutionary algorithms | |
CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
CN112170502A (zh) | 一种轧制过程弯辊力的预测方法 | |
Zhang et al. | Rolling force prediction in heavy plate rolling based on uniform differential neural network | |
CN110989522B (zh) | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 | |
CN111861041B (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
Wu et al. | Optimal shape design of an extrusion–forging die using a polynomial network and a genetic algorithm | |
CN113361713A (zh) | 一种基于自适应的轧机产线轧制力控制方法 | |
Wang et al. | A novel strategy based on machine learning of selective cooling control of work roll for improvement of cold rolled strip flatness | |
Wu et al. | Prediction of mechanical properties of hot rolled strips by BP artificial neural network |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200605 |