CN112170501B - 一种轧辊磨损凸度和热凸度的预测方法 - Google Patents

Abstract

本发明公开了一种轧辊磨损凸度和热凸度的预测方法，属于轧制过程自动控制技术领域。首先采集轧制生产过程中的二级计算数据；按照工作辊换辊周期进行划分，生成若干个工作辊换辊周期的建模数据；将各周期内依次轧制带钢的过程抽象成时间序列问题，再将各周期的数据分成训练集和测试集，用训练集数据构建Elman反馈神经网络来进行轧辊磨损凸度和热凸度预测；通过多次测试最终确定Elman反馈神经网络的训练函数、隐含层神经元个数以及最大迭代次数等最佳参数，最后采用确定好的Elman反馈神经网络训练得到预测模型，并对新轧制周期内工作辊的磨损凸度和热凸度进行预测。预测模型基于实际生产数据，而轧制现场生产数据的采集易于操作，模型具有很强的推广能力。

Description

一种轧辊磨损凸度和热凸度的预测方法

技术领域

本发明属于轧制过程自动控制技术领域，特别涉及一种轧辊磨损凸度和热凸度的预测方法。

背景技术

热轧带钢生产是在高温条件下完成的，温度是热轧过程进行计算和控制的关键因素之一。在轧制过程中，加热的带钢会与空气发生热量交换，当带钢与轧辊辊道接触时，还会向轧辊及辊道进行热量传递，由热胀冷缩可以知道，轧辊温度越高，产生的热膨胀量越大，轧辊的热凸度就越大。带钢在高温条件下表面会形成氧化层，氧化层的存在会使工作辊磨损变得非常严重。轧辊的热膨胀和磨损不仅增加轧辊消耗，而且改变辊缝形状，从而对带钢板形和轧机性能产生不利影响。因此，为了获得板形良好的热轧带钢产品，提高板形设定模型的准确性，就必须对轧辊的热凸度和磨损凸度进行准确设定。但是，到目前为止，热膨胀量和磨损量并不能在轧制现场进行准确即时测量，这使得轧辊热凸度和磨损凸度的计算变得更加困难。基于以上原因，对轧辊磨损凸度和热凸度进行智能化预测研究具有重要的理论意义。近年来，基于大量生产数据的人工智能方法被大量应用于工业控制过程中。为此，本发明提出了一种基于反馈神经网络来预测轧辊磨损凸度和热凸度的新方法。

发明内容

针对上述问题本发明提供了一种轧辊磨损凸度和热凸度的预测方法。

为了达到上述目的，本发明采用了下列技术方案：

一种轧制过程轧辊磨损凸度和热凸度的预测方法，包括以下步骤：

1)、采集热轧带钢生产线有关轧辊磨损凸度和热凸度二级计算数据；

2)、将采集到的数据按照工作辊换辊周期为单位进行分割，生成若干个工作辊换辊周期的建模数据；

3)、将各个周期内依次轧制带钢的过程抽象成有关工作辊磨损凸度和热凸度的时间序列问题；

4)、将建模数据进行划分，分为训练集和测试集，采用训练集数据构成训练矩阵C；

5)、修正Elman神经网络并测试最佳参数选择；

6)、将训练集数据输入Elman神经网络进行训练，得到训练完成的轧辊磨损凸度和热凸度预测模型，用测试集数据测试模型的泛化性能；

7)、对新轧制周期内工作辊的磨损凸度和热凸度进行预测；

8)、评估预测结果。

进一步，所述步骤3)将轧制过程中一个换辊周期抽象成一个时间序列问题的具体方法是：取前N块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，即用一个工作辊换辊周期内轧制过去几块带钢时工作辊的磨损凸度和热凸度来预测轧制未来几块带钢时工作辊将产生的磨损凸度和热凸度，映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,...,C_n-N) (1)

n为当前轧制的带钢序号；C代表轧辊的磨损凸度或者热凸度。

进一步，所述步骤4)将带钢数据进行划分，分为训练集和测试集，形成训练矩阵C的具体方法是：抽取C₁...C_n组成第一个样本，其中(C₁,C₂,...,C_n-1)为自变量，C_n为目标函数值；抽取C₂...C_n+1组成第二个样本，其中(C₂,C₃,...,C_n)为自变量，C_n+1为函数值，依次类推，最终形成以下训练矩阵C：

其中，每列为一个样本，最后一行为期望输出。

进一步，所述步骤5修正Elman神经网络并测试最佳参数选择的具体方法是：

Elman神经网络的非线性状态空间可表示为：

y(k)＝g(w³x(k)) (3)

x(k)＝f(w¹x_c(k)+w²(u(k-1))) (4)

x_c(k)＝x(k-1) (5)

其中，y为m维输出节点向量；x为n′维隐含层节点单元向量；u为r维输入向量；x_c为n′维反馈状态向量；w³为隐含层到输出层连接权值；w²为输入层到隐含层连接权值；w¹为承接层到隐含层的连接权值；g(*)为输出层神经元的传递函数，是隐含层输出的线性组合；f(*)为隐含层神经元的传递函数；k为序列号。

Elman神经网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数，表达式如下：

式中，E(w)为误差平方和函数；

为预测输出；y_k(w)为目标输出；然后将隐含层设置为“Logsig”函数，将输出层的传递函数设置为“purelin”函数；再确定Elman神经网络训练函数；确定Elman神经网络隐含层神经元个数；确定Elman神经网络最大迭代次数。

进一步，所述确定Elman神经网络训练函数的方法是通过测试训练函数对模型泛化性能的影响来确定Elman神经网络训练函数。

进一步，所述训练函数包括trainbfg、trainbr、traincgf、traincgp、traingd、traingdx、trainlm、trainoss、trainrp、trainscg和traincgb中的任意一种或几种。

表1神经网络常用的训练函数

进一步，所述步骤7)对新工作辊换辊周期内工作辊的磨损凸度和热凸度进行预测的具体方法是采用步骤6)所建立的预测模型对一个周期内各个机架工作辊的磨损凸度和热凸度分别进行预测，并分析预测精度。

进一步，所述步骤8)评估预测结果的具体方法是：采用平均绝对误差MAE、平均绝对百分误差MAPE和均方根误差RMSE来评价预测模型的整体性能。

与现有技术相比本发明具有以下优点：

本发明建立基于Elman神经网络的轧制过程中轧辊磨损凸度和热凸度预测模型。模型将一个工作辊换辊周期内轧制各块带钢时工作辊的磨损凸度和热凸度抽象成关于轧制带钢先后顺序的时间序列问题。本发明通过确定反馈神经网络的最佳参数可以有效进行轧制过程工作辊的磨损凸度和热凸度的精准预测，为板形模型的精准设定奠定了基础。且由于轧制生产线都具有完备的生产数据采集和存储系统，便于操作，所以模型的推广能力较强。该方法为解决轧制过程中轧辊磨损凸度和热凸度难以准确预测的问题提供了一种全新的方法。

附图说明

图1一种轧辊磨损凸度和热凸度预测方法流程图；

图2是模型在测试集上工作辊磨损凸度的预测效果图；

图3是模型在测试集上工作辊热凸度的预测效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明。

实施例1

本实施例以国内某1780mm热轧带钢生产线有关轧辊磨损凸度和热凸度计算数据作为建模的数据。

工作辊的磨损凸度和热凸度的预测方法流程如图1所示。预测方法包括如下步骤：

步骤1：采集1780mm热轧带钢生产线有关轧辊磨损凸度和热凸度二级计算数据作为建模的实验数据。本实施例选择某一工作辊换辊周期内轧制的91块带钢的磨损凸度和热凸度进行预测研究。该生产线为精轧七机架，部分数据如表2所示。

表2某工作辊换辊周期内轧辊磨损凸度和热凸度数据

步骤2：将采集到的数据按照工作辊换辊周期为单位进行分割，可以获取若干个工作辊换辊周期内各个机架工作辊的磨损凸度和热凸度数据。在本实施例中，只选择一个工作辊换辊周期进行说明，该工作辊换辊周期一共轧制91块带钢，具体数据即步骤1中所呈现数据。

步骤3：将轧制过程中一个工作辊换辊周期抽象成一个时间序列问题，即用一个换辊周期内轧制过去几块带钢时工作辊的磨损凸度和热凸度预测轧制未来几块带钢时工作辊将产生的磨损凸度和热凸度。假设取前N块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，则映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,...,C_n-N) (7)

其中，n为当前轧制的带钢序号；C代表轧辊的磨损凸度或者热凸度。

在本实施例中，n＝3，即取前3块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，则映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,C_n-3) (8)

步骤4：对于给定的M块带钢数据，首先将其分为训练集和测试集。以训练集样本为例，抽取C₁...C_n组成第一个样本，其中(C₁,C₂,...,C_n-1)为自变量，C_n为目标函数值；抽取C₂...C_n+1组成第二个样本，其中(C₂,C₃,...,C_n)为自变量，C_n+1为函数值，依次类推，最终形成以下训练矩阵C：

其中每列为一个样本，最后一行为期望输出。将训练样本输入Elman神经网络进行训练，得到训练完成的轧辊磨损凸度和热凸度预测网络模型。

本实施例中值n＝3，当n值取3时，91块带钢一共可以生成88个样本数据，取前81块带钢数据产生的78个样本数据作为训练集数据，后13块带钢数据产生的10个样本数据作为测试集数据。

步骤5：构建Elman神经网络，并测试得到网络的最佳参数选择。

Elman神经网络的非线性状态空间可表示为：

y(k)＝g(w³x(k)) (10)

x(k)＝f(w¹x_c(k)+w²(u(k-1))) (11)

x_c(k)＝x(k-1) (12)

式中，y为m维输出节点向量；x为n维隐含层节点单元向量；u为r维输入向量；x_c为n维反馈状态向量；w³为隐含层到输出层连接权值；w²为输入层到隐含层连接权值；w¹为承接层到隐含层的连接权值；g(*)为输出层神经元的传递函数，是隐含层输出的线性组合，本实施例选择“purelin”函数；f(*)为隐含层神经元的传递函数，本实施例选择“Logsig”函数。

Elman神经网络同样采用BP算法进行权值修正，学习指标函数采用误差平方和函数，表达式如下：

式中，E(w)为误差平方和函数；

为预测输出；y_k(w)为目标输出。

步骤5.1：确定Elman神经网络训练函数。分别测试了表1中常用的训练函数对模型泛化性能的影响。除训练函数外，网络的其它参数保持一致。具体是隐含层神经元个数设置为15，目标误差MSE设置为0.00001，最大迭代次数设置为2000。测试结果如表3所示。

通过综合比较可以发现，基于“traingdx”训练函数的网络在训练过程中无论是在训练集还是在测试集上都具有最小MSE误差，且训练耗时较少，明显优于其它训练函数所代表的学习算法。因此，本实施例选择最优训练函数为“traingdx”。

表3 Elman神经网络训练函数测试结果

步骤5.2：确定Elman神经网络隐含层神经元个数。除隐含层神经元个数不同外，网络的其它参数保持一致，具体是，训练函数选为“traingdx”，目标误差MSE设置为0.00001，最大迭代次数设置为2000。测试结果如表4所示。

从表4可以看出，随着隐含层神经元个数的大幅增加，网络训练时间也逐步增加，但是误差指标的改善并不明显，当隐含层神经元个数为15时，网络的综合性能最佳，因此，最后选择最佳网络性能时对应的隐含层神经元个数取值为15。

表4 Elman神经网络隐含层神经元个数测试结果

步骤5.3：确定Elman神经网络最大迭代次数。除最大迭代次数不同外，网络的其它参数保持一致，具体是，训练函数选为“traingdx”，隐含层神经元个数为15，目标误差MSE设置为0.00001。测试结果如表5所示。

表5 Elman神经网络最大迭代次数测试结果

步骤6：确定Elman神经网络的最佳设参数后，完整的基于一个周期内时间序列的轧辊磨损凸度和热凸度预测模型即可建立。采用建立的模型对一个周期内七个机架工作辊的磨损凸度和热凸度分别进行预测研究，并分析预测方法的精度。采用平均绝对误差MAE，平均绝对百分误差MAPE，均方根误差RMSE来评价预测模型的整体性能。模型的预测结果如表6所示。

表6预测模型的整体性能

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：包括以下步骤：

1)、采集热轧带钢生产线有关轧辊磨损凸度和热凸度二级计算数据；

2)、将采集到的数据按照工作辊换辊周期为单位进行分割，生成若干个工作辊换辊周期的建模数据；

3)、将各个周期内依次轧制带钢的过程抽象成有关工作辊磨损凸度和热凸度的时间序列问题；

4)、将建模数据进行划分，分为训练集和测试集，采用训练集数据构成训练矩阵C；

5)、修正Elman神经网络并测试最佳参数选择；

6)、将训练集数据输入Elman神经网络进行训练，得到训练完成的轧辊磨损凸度和热凸度预测模型，用测试集数据测试模型的泛化性能；

7)、对新轧制周期内工作辊的磨损凸度和热凸度进行预测；

8)、评估预测结果；

所述步骤3)将轧制过程中一个换辊周期抽象成一个时间序列问题的具体方法是：取前N块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，即用一个工作辊换辊周期内轧制过去几块带钢时工作辊的磨损凸度和热凸度来预测轧制未来几块带钢时工作辊将产生的磨损凸度和热凸度，映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,...,C_n-N) (1)

n为当前轧制的带钢序号；C代表轧辊的磨损凸度或者热凸度；

所述步骤4)将带钢数据进行划分，分为训练集和测试集，形成训练矩阵C的具体方法是：抽取C₁…C_n组成第一个样本，其中(C₁,C₂,...,C_n-1)为自变量，C_n为目标函数值；抽取C₂…C_n+1组成第二个样本，其中(C₂,C₃,...,C_n)为自变量，C_n+1为函数值，依次类推，最终形成以下训练矩阵C：

其中，每列为一个样本，最后一行为期望输出。

2.根据权利要求1所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述步骤5修正Elman神经网络并测试最佳参数选择的具体方法是：

Elman神经网络的非线性状态空间可表示为：

y(k)＝g(w³x(k)) (3)

x(k)＝f(w¹x_c(k)+w²(u(k-1))) (4)

x_c(k)＝x(k-1) (5)

其中，y为m维输出节点向量；x为n′维隐含层节点单元向量；u为r维输入向量；x_c为n′维反馈状态向量；w³为隐含层到输出层连接权值；w²为输入层到隐含层连接权值；w¹为承接层到隐含层的连接权值；g(*)为输出层神经元的传递函数，是隐含层输出的线性组合；f(*)为隐含层神经元的传递函数；k为序列号；

Elman神经网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数，表达式如下：

式中，E(w)为误差平方和函数；

为预测输出；y_k(w)为目标输出；然后将隐含层设置为“Logsig”函数，将输出层的传递函数设置为“purelin”函数；再确定Elman神经网络训练函数；确定Elman神经网络隐含层神经元个数；确定Elman神经网络最大迭代次数。

3.根据权利要求2所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述确定Elman神经网络训练函数的方法是通过测试训练函数对模型泛化性能的影响来确定Elman神经网络训练函数。

4.根据权利要求3所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述训练函数包括trainbfg、trainbr、traincgf、traincgp、traingd、traingdx、trainlm、trainoss、trainrp、trainscg和traincgb中的任意一种或几种。

5.根据权利要求4所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述步骤7)对新工作辊换辊周期内工作辊的磨损凸度和热凸度进行预测的具体方法是采用步骤6)所建立的预测模型对一个周期内各个机架工作辊的磨损凸度和热凸度分别进行预测，并分析预测精度。

6.根据权利要求5所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述步骤8)评估预测结果的具体方法是：采用平均绝对误差MAE、平均绝对百分误差MAPE和均方根误差RMSE来评价预测模型的整体性能。

Images