CN111291513A - 一种基于bp神经网络的差厚板轧制力的预测方法 - Google Patents

一种基于bp神经网络的差厚板轧制力的预测方法 Download PDF

Info

Publication number
CN111291513A
CN111291513A CN202010073923.5A CN202010073923A CN111291513A CN 111291513 A CN111291513 A CN 111291513A CN 202010073923 A CN202010073923 A CN 202010073923A CN 111291513 A CN111291513 A CN 111291513A
Authority
CN
China
Prior art keywords
neural network
rolling force
predicting
rolling
nodes
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
Application number
CN202010073923.5A
Other languages
English (en)
Other versions
CN111291513B (zh
Inventor
章顺虎
邓磊
姜兴睿
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202010073923.5A priority Critical patent/CN111291513B/zh
Publication of CN111291513A publication Critical patent/CN111291513A/zh
Application granted granted Critical
Publication of CN111291513B publication Critical patent/CN111291513B/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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明实施例公开了一种基于BP神经网络的差厚板轧制力的预测方法。该预测方法包括采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；将上述所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；根据上述的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。

Description

一种基于BP神经网络的差厚板轧制力的预测方法
技术领域
本发明涉及冶金技术领域，特别是涉及一种基于BP神经网络的差厚板轧制力的预测方法。
背景技术
差厚板制造技术不仅是国家钢铁技术水平的标志，也是国家工业化水平的体现。在差厚板制造过程中，轧制力是校核轧机强度与工艺优化的依据。差厚板在轧制时候，轧辊在垂直方向上的速度是变化的，因此，在轧制变形区的接触弧长、轧制力分布等参数均为动态变化的。传统的轧制理论和几何关系不再适用。在轧制差厚板时，轧制力需要精确计算，从而为轧机的精确控制提供科学依据。
目前，计算轧制力的方法主要有三种：根据作用在微元体上的力平衡关系，分别推导出趋厚轧制和趋薄轧制的力平衡微分方向，现统称为VGR方程；采用ANSYS/LS-DYNA对TRB板进行显式动力学分析，确定差厚板轧制过程中出现最大轧制力的位置及大小；采用四种差厚板轧制过渡区形状的数学模型，为差厚板轧制时的轧制力施加提供数据参考。上述三种计算轧制力的方法都存在假设过多、误差波动较大的问题，从而不能满足工业上轧制力预测的误差得在10％以内的需求。
因此，针对上述技术问题，有必要提供一种误差波动小，能够控制轧制力误差在10％以内的轧制力预测方法。
发明内容
有鉴于此，本发明的目的在于提供一种误差波动小，能够控制轧制力误差在10％以内的轧制力预测方法。
为了实现上述目的，本发明一实施例提供的技术方案如下：一种基于BP神经网络的差厚板轧制力的预测方法，包括：步骤S1：采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；步骤S2：将步骤S1所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；步骤S3：根据步骤S2中建立的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。
作为本发明的进一步改进，所述步骤S2还包括：对步骤S1所获得轧制力数据进行归一化处理。
作为本发明的进一步改进，所述归一化处理的方法为采用Matlab软件中的mapminmax函数进行归一化处理。
作为本发明的进一步改进，在步骤S1中，采用有限元软件对轧辊和轧件的属性依次进行定义，所述轧辊和轧件的属性包括模型种类、密度、杨氏模量、泊松比和屈服强度。
作为本发明的进一步改进，所述工艺参数包括板厚、压下量、摩擦速度和初始速度。
作为本发明的进一步改进，所述BP神经网络模型包括输入层、隐含层和输出层；所述输入层包括输入节点，隐含层包括隐含节点，输出层包括输出节点。
作为本发明的进一步改进，所述输入层节点对应的输入变量包括轧制速度、板厚、压下量和摩擦系数。
作为本发明的进一步改进，所述输出层节点对应的输出变量包括轧制力。
作为本发明的进一步改进，所述隐含层的层数为1。
作为本发明的进一步改进，所述隐含层的节点数为9。
本发明具有以下优点：本发明实施例提出基于BP神经网络的差厚板轧制力的预测方法，该预测方法通过构建BP神经网络模型，能够精准地预测差厚板的轧制力，误差波动小且误差范围能够有效地控制在10％以内，从而符合工业需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例所提供的基于BP神经网络的差厚板轧制力的预测方法的流程示意图；
图2为一具体实施例的BP神经网络结构示意图；
图3为基于BP神经网络的差厚板轧制力的预测结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
如图1所示，本发明实施例所提供的一种基于BP神经网络的差厚板轧制力的预测方法。该差厚板轧制力的预测方法包括三个步骤，每个步骤的具体内容如下所示：
步骤S1：采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据。其中，采用有限元软件对轧辊和轧件的属性进行定义，合理地划分网格并设置不同的工艺参数后进行模拟，获得相应的轧制力数据。轧辊和轧件的属性包括模型种类、密度、杨氏模量、泊松比和屈服强度。预设的工艺参数包括板厚、压下量、摩擦速度和初始速度。在本发明的一具体实施例中，有限元模拟轧辊和轧件的属性的具体参数如表1所示：
表1有限元模拟相关参数
Figure BDA0002377986400000041
相应地，在该具体实施例中，预设的各组工艺参数的具体数值及对应的轧制力结果，如表2所示：
表2有限元模拟各组轧制参数及轧制力结果
Figure BDA0002377986400000042
Figure BDA0002377986400000051
步骤S2：将步骤S1所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型。由于训练样本各数据之间的物理量存在较大区别，为防止步骤S2的输入过大而使误差进入平坦区，需要对步骤S2的输入数据进行归一化。在本发明一具体实施例中，采用Matlab软件自带函数mapminmax对输入数据进行归一化，其归一化公式如式1所示：
Figure BDA0002377986400000052
其中，Xi为试验样本的归一化值；X为轧制力的影响参数；Xmin和Xmax为影响参数的最小值与最大值。
根据输入变量确定输入层节点，根据输出变量确定输出层节点；利用逐步增长法改变节点数量，建立隐含层节点数在预设范围内的BP神经网络；训练并检验精度，根据误差最小的情况来确定最优隐含层节点数。在本发明一具体实施例中，输入层节点的数量为4，输入变量包括轧制速度、板厚、压下量和摩擦系数；输出层节点的数量为1，输出层变量包括轧制力；隐含层的层数为1。在隐含层节点数不同时，基于BP神经网络的轧制力预测方法的预测误差情况，如表3所示：
表3不同隐含层结构对应的预测精度
Figure BDA0002377986400000053
Figure BDA0002377986400000061
从表3中可以看出，在该实施例中，当隐含层的节点数为9时，预测误差最小。因此，在该实施例中，隐含层的节点数选为9。在该具体实施例中，BP神经网络的结构示意图如图2所示。该BP神经网络的结构包括输入层、一层隐含层和输出层，输入层包括输入节点，隐含层包括隐含节点，输出层包括输出节点。输入层共有四个节点，对应的输入变量分别为轧制速度、板厚、压下量和摩擦系数；隐含层共有9个神经元节点；输出层一个节点，对应的输出变量为轧制力。当输入参数不同时，输入层的节点数、隐含层的节点数及隐含层的层数也可根据模型计算而为其他数值，此处不再赘述。
步骤S3：根据步骤S2中建立的BP神经网络模型，预测差厚板的轧制力，并使其预测误差在10％以内。
在本发明实施例中，以Matlab软件为平台，介绍基于BP神经网络的轧制力的预测方法的软件应用实现过程。
以下为matlab实现BP神经网络的轧制力的预测的程序实现过程：
Figure BDA0002377986400000062
Figure BDA0002377986400000071
Figure BDA0002377986400000081
当给定输入变量的组合“h0＝1,dh＝0.25,v0＝0.21,u＝0.25”时，程序的输出结果为“轧制力＝208.6精度＝95.7％”。
如图3所示，为基于BP神经网络的差厚板轧制力的预测结果示意图。由图3可见，基于BP神经网络模型对差厚板轧制力预测的相关系数为94.464％，平均误差为5.5％。波动的误差范围远远小于工业上的需求10％的误差范围。
本发明实施例提出基于BP神经网络的差厚板轧制力的预测方法通过构建BP神经网络模型，能够精准地预测差厚板的轧制力，误差波动小且误差范围能够有效地控制在10％以内，从而符合工业需求。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述方法包括：
步骤S1：采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；
步骤S2：将步骤S1所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；
步骤S3：根据步骤S2中建立的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。
2.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述步骤S2还包括：对步骤S1所获得轧制力数据进行归一化处理。
3.根据权利要求2所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述归一化处理的方法为采用Matlab软件中的mapminmax函数进行归一化处理。
4.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，在步骤S1中，采用有限元软件对轧辊和轧件的属性依次进行定义，所述轧辊和轧件的属性包括模型种类、密度、杨氏模量、泊松比和屈服强度。
5.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述工艺参数包括板厚、压下量、摩擦速度和初始速度。
6.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述BP神经网络模型包括输入层、隐含层和输出层；所述输入层包括输入节点，隐含层包括隐含节点，输出层包括输出节点。
7.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述输入层节点对应的输入变量包括轧制速度、板厚、压下量和摩擦系数。
8.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述输出层节点对应的输出变量包括轧制力。
9.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述隐含层的层数为1。
10.根据权利要求9所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述隐含层的节点数为9。
CN202010073923.5A 2020-01-22 2020-01-22 一种基于bp神经网络的差厚板轧制力的预测方法 Active CN111291513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010073923.5A CN111291513B (zh) 2020-01-22 2020-01-22 一种基于bp神经网络的差厚板轧制力的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010073923.5A CN111291513B (zh) 2020-01-22 2020-01-22 一种基于bp神经网络的差厚板轧制力的预测方法

Publications (2)

Publication Number Publication Date
CN111291513A true CN111291513A (zh) 2020-06-16
CN111291513B CN111291513B (zh) 2024-01-05

Family

ID=71024371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010073923.5A Active CN111291513B (zh) 2020-01-22 2020-01-22 一种基于bp神经网络的差厚板轧制力的预测方法

Country Status (1)

Country Link
CN (1) CN111291513B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111889524A (zh) * 2020-07-31 2020-11-06 中冶赛迪重庆信息技术有限公司 一种基于机器学习方法的冷轧轧制力预测方法及系统
CN112711867A (zh) * 2021-01-19 2021-04-27 苏州大学 融合理论模型和大数据模型的轧制力预测方法
CN113486587A (zh) * 2021-07-06 2021-10-08 太原科技大学 基于Matlab的无缝钢管穿孔工艺模型参数预测系统
CN115990624A (zh) * 2023-03-22 2023-04-21 太原理工大学 一种差厚板增厚制备过程中轧制力的预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000181893A (ja) * 1998-12-11 2000-06-30 Toshiba Mach Co Ltd ニューラルネットワークの構成方法
CN102254057A (zh) * 2011-04-25 2011-11-23 天津职业技术师范大学 薄板轧制离线力学性能预报方法
CN103745101A (zh) * 2013-12-30 2014-04-23 中冶南方（武汉）自动化有限公司 基于改进神经网络算法的中厚板轧制力设定值预报方法
CN103886373A (zh) * 2014-04-18 2014-06-25 天津理工大学 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法
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
CN110110839A (zh) * 2019-04-19 2019-08-09 燕山大学 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000181893A (ja) * 1998-12-11 2000-06-30 Toshiba Mach Co Ltd ニューラルネットワークの構成方法
CN102254057A (zh) * 2011-04-25 2011-11-23 天津职业技术师范大学 薄板轧制离线力学性能预报方法
CN103745101A (zh) * 2013-12-30 2014-04-23 中冶南方（武汉）自动化有限公司 基于改进神经网络算法的中厚板轧制力设定值预报方法
CN103886373A (zh) * 2014-04-18 2014-06-25 天津理工大学 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法
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
CN110110839A (zh) * 2019-04-19 2019-08-09 燕山大学 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李章刚等: "基于有限元的三辊行星轧制力预测及分析", 材料科学与工艺, no. 06 *
林伟路等: "BP神经网络对斜轧穿孔轧制力的预测", 锻压技术, no. 10 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111889524A (zh) * 2020-07-31 2020-11-06 中冶赛迪重庆信息技术有限公司 一种基于机器学习方法的冷轧轧制力预测方法及系统
CN112711867A (zh) * 2021-01-19 2021-04-27 苏州大学 融合理论模型和大数据模型的轧制力预测方法
CN113486587A (zh) * 2021-07-06 2021-10-08 太原科技大学 基于Matlab的无缝钢管穿孔工艺模型参数预测系统
CN113486587B (zh) * 2021-07-06 2022-08-05 太原科技大学 基于Matlab的无缝钢管穿孔工艺模型参数预测系统
CN115990624A (zh) * 2023-03-22 2023-04-21 太原理工大学 一种差厚板增厚制备过程中轧制力的预测方法
CN115990624B (zh) * 2023-03-22 2023-05-30 太原理工大学 一种差厚板增厚制备过程中轧制力的预测方法

Also Published As

Publication number Publication date
CN111291513B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN111291513B (zh) 一种基于bp神经网络的差厚板轧制力的预测方法
CN108637020B (zh) 一种自适应变异pso-bp神经网络带钢凸度预测方法
Bidabadi et al. Experimental and numerical study of bowing defects in cold roll-formed, U-channel sections
CN112711867B (zh) 融合理论模型和大数据模型的轧制力预测方法
WO2022116571A1 (zh) 一种基于lstm的热轧弯辊力预测方法
CN113705897B (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
CN110773580B (zh) 一种基于XGBoost算法计算轧制力的方法及系统
CN105488263A (zh) 预测封装基板阻焊后翘曲的方法
CN106777594B (zh) 一种基于连续曲面的轧制过程数学模型的自学习方法
CN113275387A (zh) 一种ucm轧机辊系横纵刚度特性曲线的获取方法
CN109675931B (zh) 一种板形调控功效系数自学习方法及系统
CN113343537B (zh) 一种定宽压力机定宽过程狗骨截面形状预测及评价方法
CN113569443B (zh) 一种多机架冷连轧板形有限元仿真方法
CN112507578A (zh) 一种应用于压印成形仿真的基于改进的接触算法的物质点法
CN114741793A (zh) 飞机部件框梁间隙设计方法、装置、设备和存储介质
CN108229026B (zh) 一种基于动态内核极限学习机的电磁场建模仿真方法
CN117019885B (zh) 一种控制板形的带钢轧制生产方法
CN115870350A (zh) 板带材凸度的预测方法、轧辊智能化控制方法及计算设备
Song et al. A Digital Twin Model for Automatic Width Control of Hot Rolling Mill
Gandhi et al. Simulation of three-roller bending process using ANN: a parametric study
CN118095000A (zh) 一种基于机器学习模型的冲压零件回弹补偿方法和装置
CN112001447A (zh) 一种基于神经网络的金属再结晶预测方法及系统
CN114372399A (zh) 一种基于有限元仿真分析确定零件起吊孔位置的方法
CN116441354A (zh) 一种矫直机板形预测及矫直工艺控制方法
CN104376148B (zh) 一种基于相关性原理的动态样本点选取方法

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