CN112767380B - 一种宽厚板端部形状预测方法 - Google Patents
一种宽厚板端部形状预测方法 Download PDFInfo
- Publication number
- CN112767380B CN112767380B CN202110119070.9A CN202110119070A CN112767380B CN 112767380 B CN112767380 B CN 112767380B CN 202110119070 A CN202110119070 A CN 202110119070A CN 112767380 B CN112767380 B CN 112767380B
- Authority
- CN
- China
- Prior art keywords
- wide
- thick plate
- head
- value
- data points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000001788 irregular Effects 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000005096 rolling process Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种宽厚板端部形状预测方法，首先提取宽厚板生产过程中与端部形状相关的生产数据，然后提取宽厚板轮廓点数据，得到宽厚板端部形状特征量，并对数据进行异常值检测，将去除异常值后的数据归一化并划分为训练集和测试集；最后确定最佳人工神经网络结构，采用遗传算法优化神经网络迭代过程，用训练集进行模型训练，利用测试集测试所建立模型的泛化性能。本方法利用宽厚板轮廓数据对宽厚板端形状进行直接的量化表示，并用人工智能方法进行预测，克服的传统方法对影响因素考虑不全的缺点，具有较高的预测精度，同时具有较快的计算速度。
Description
技术领域
本发明涉及冶金自动化生产技术领域，具体涉及一种宽厚板端部形状预测方法。
背景技术
宽厚板在整个钢铁行业中占有非常大的比重，由于其屈服强度大，抗拉伸性能好等特点被广泛应用于汽车大梁、压力容器、船舶工业以及焊接构件中，其总产量占到钢材总量的10％～16％。在宽厚板成型过程中，板坯的头尾两端由于缺少外端的牵引，发生较为严重的不均匀塑性变形，使得轧制成品两端会出现鱼尾型、舌型等不规则端部形状，需要后续的精整剪切工序进行切除，这就会使得宽厚板的成材率降低，严重者更会导致宽厚板短尺，无法满足订单需求。因此对宽厚板端部形状的预测对于端部形状控制，降低宽厚板切损是很有必要的，其中端部形状控制不仅包括宽厚板头部的形状控制，还包括宽厚板尾部的形状控制。但是宽厚板的不规则端部形状问题存在着复杂的产生机理，并包含大量非线性与耦合影响关系。影响宽厚板端部形状的因素很多，例如：坯料尺寸、轧制力、轧制速度、压下率以及温度等。因此，要实现精准的端部形状预测是一项比较困难的任务。传统方法多是根据轧制理论建立宽厚板端部形状的数学模型，或根据有限元理论进行建模，但是为便于计算，这些方法对于轧制系统做了一定程度的简化，无法较为完整地考虑实际影响因素，降低了模型的预测精度。因此，需要寻找新的方法对宽厚板头部形状进行精准的建模和预测，从而达到精准控制宽厚板头部形状的目的。
发明内容
针对现有技术的不足，本发明提出一种宽厚板端部形状预测方法，包括：
步骤1：采集同一轧制工艺下的每一块宽厚板中的m个生产过程数据，并用一个m维行向量进行表示，共收集同一轧制工艺下的n块宽厚板的生产过程数据，构成一个n×m维的矩阵M＝[xn'm']n×m,n'＝1,2,…,n,m'＝1,2,…,m，其中xn'm'表示编号为n'的宽厚板的第m'个生成过程数据；
步骤2：采集宽厚板n'的图像，并根据图像提取宽厚板边缘轮廓的数据点坐标；
步骤3：根据宽厚板的轮廓数据点坐标计算宽厚板头部的形状特征量，构建观测值矩阵；
步骤4：将利用3σ原则对观测值矩阵中的元素进行异常值检测，并去除异常值；
步骤5：对剔除异常值后剩余数据进行归一化处理，计算公式如下：
式中，xnim'表示观测值矩阵Ee中的元素，xmin表示xnim'所在列向量中所有元素的最小值，xmax表示xnim'所在列向量中所有元素的最大值；
步骤6：将归一化处理后的所有数据以行向量为单位划分为训练集和测试集两部分；
步骤7：构建人工神经网络结构，利用遗传算法确定人工神经网络中最佳的初始权值和阈值；
步骤8：利用训练集训练人工神经网络的初始预测模型，利用测试集查看预测模型的泛化性能，其中生产过程数据作为预测模型的输入，头部形状特征量作为预测模型的输出。
所述步骤3包括：
步骤3.1：利用公式(2)将轮廓数据点坐标转换为实际物理坐标；
式中，(Ui,Vi)表示宽厚板图像中的第i个轮廓数据点坐标，i＝1,2,…,Ψ，Ψ表示宽厚板图像中轮廓数据点的总个数，σ表示宽厚板图像中单位像素的长度，(Xi,Yi)表示坐标(Ui,Vi)转换后对应的实际物理坐标，(U,V)表示宽厚板图像中的Ψ个轮廓数据点构成的集合，(X,Y)表示n个实际物理坐标点构成的集合；
步骤3.2：利用公式(3)计算宽厚板轮廓中心点C的实际物理坐标(xc,yc)；
步骤3.3：以坐标点(xc,yc)为原点建立直角坐标系，以宽厚板的长度方向为坐标系的横轴，利用公式(4)将实际物理坐标(Xi,Yi)转换到直角坐标系中对应坐标(xi,yi)；
式中，(x,y)表示Ψ个轮廓数据点坐标转换后的坐标集合；
步骤3.4：统计集合(x,y)中横坐标值大于0的坐标点，作为宽厚板头部位置数据点；
步骤3.5：对宽厚板头部位置数据点按照纵坐标值进行分类，其中纵坐标值大于0的头部位置数据点作为操作侧头部位置数据点，并从纵坐标值最小的数据点开始沿宽厚板轮廓依次保存在列表o中，即o＝[o1,o2,…,op',…,op]，p'＝1,2,…,p，p表示操作侧头部位置数据点的总个数，纵坐标值小于0的头部位置数据点作为传动侧头部位置数据点，并从纵坐标值最大的数据点开始沿宽厚板轮廓依次保存在列表d中，即d＝[d1,d2,…,dq',…,dq]，q'＝1,2,…,q，q表示传动侧头部位置数据点的总个数；
步骤3.6：分别对列表o和列表d中的数据点进行处理，得到宽厚板头部的形状特征量，所述头部形状特征量包括宽厚板头部不规则长度l与宽厚板头部失宽量w，具体表述为：
步骤3.6.1：从列表o中的第一个数据点o1开始，依次计算相邻两个数据点的纵坐标值的变化量△yo＝|yp'-yp'-1|，如果连续k个数据点中所有纵坐标值变化量△yo均满足△yo<h1，则将第k个数据点的坐标记为(xo′,yo′)，其中k表示预设统计个数，h1表示操作侧的变化量阈值，将列表o中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′omax,y′omax)，则操作侧的宽厚板头部失宽量wo＝|y′omax-y′o|；
步骤3.6.2：从列表d中的第一个数据点d1开始，依次计算相邻两个数据点的纵坐标值的变化量△yd＝|yd'-yd'-1|，如果连续k个数据点中所有纵坐标值变化量△yd均满足△yd<h，则将第k个数据点的坐标记为(x′d,y′d)，其中h表示传动侧的变化量阈值，将列表d中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′dmax,y′dmax)，则传动侧的宽厚板头部失宽量wd＝|y′dmax-y′d|；
步骤3.6.3：利用公式(5)计算每块宽厚板头部的失宽量w；
步骤3.6.4：将传动侧和操作侧头部不规则长度的平均值作为宽厚板头部的不规则长度
步骤3.7：将每块宽厚板的生产过程数据与所述宽厚板头部的形状特征量表示在同一个行向量En'中，将n块宽厚板的生产过程数据以及对应的形状特征量表示为观测值矩阵E，则E表示为：
式中，ln'表示宽厚板n'头部的不规则长度，wn'表示宽厚板n'头部的失宽量。
所述步骤4包括：
步骤4.1：计算特征量L＝[l1,l2,…,ln',…,ln]中所有元素的标准差σl和均值μl，以及特征量W＝[w1,w2,…,wn',…,wn]中所有元素的标准差σl和均值μl；
步骤4.2：当((ln'<μl-3σl)∪(ln'>μl+3σl))∪((wn'<μw-3σw)∪(wn'<μw-3σw))时，剔除观测值矩阵中ln'与wn'所在行的行向量，最终保留列数为N的观测值矩阵Ee表示为
所述步骤7包括：
步骤7.1：确定人工神经网络结构，包括人工神经网络隐层数目、各个隐层神经元节点数目以及激活函数；
步骤7.2：染色体种群初始化，生成数目为5K的初始染色体种群，每个染色体包含神经网络中所有的权值和阈值，具体包括神经网络输入层神经元与隐含层神经元的连接权值、隐含层神经元之间的连接权值、隐含层神经元阈值、隐含层与输出层神经元连接权值以及输出层神经元的阈值五部分组成，其中K表示预设种群基值；
步骤7.3：分别将每条染色体中的对应连接权值和阈值赋予人工神经网络结构中；
步骤7.4：根据均方误差计算遗传算法中的适应度函数值，具体表示为：
式中，f为适应度函数值，MSE表示均方误差值，表示测量得到的每块宽厚板头部不规则长度与失宽量的加权和，/>表示人工神经网络输出的宽厚板头部不规则长度的预测值，/>表示人工神经网络输出的宽厚板头部失宽量的预测值，/>表示宽厚板头部不规则长度的预测值/>与失宽量的预测值/>的加权和，λ1、λ2表示加权系数，Γ表示训练集或者测试集中包含的行向量个数；
步骤7.5：对初始种群按照适应度函数值由高到低进行排序，并取前K个数目的种群保留到下一代，其余4K种群进行交叉变异操作，重新得到数目为5K的新种群作为子代种群；
步骤7.6：重复步骤7.3～步骤7.5直到达到迭代终止条件；
步骤7.7：将条件终止后所得到的种群中均方误差值MSE最小的染色体所对应的神经元权值和阈值作为人工神经网络中最佳的初始权值和阈值，得到人工神经网络的初始预测模型。
本发明的有益效果是：
本发明提出了一种宽厚板端部形状预测方法，采用人工智能的方法来建立宽厚板端部形状预测模型，模型训练所用数据是基于大量实际生产中的数据，且数据集的制作较为简单，因此本发明所提出模型具有较强的推广能力。模型的建立摆脱了各个影响因素之间复杂的数学物理关系，在充分考虑各个影响因素地同时，很好地解决了各个输入变量之间强耦合，非线性等问题，使得模型对宽厚板头部形状具有较高的预测精度，为减小宽厚板不规则端部奠定了基础。
附图说明
图1为本发明中宽厚板端部形状预测方法流程图；
图2为本发明中宽厚板展宽轧制阶段MAS参数示意图；
图3为本发明中宽厚板图像的采集设备示意图，其中1为高速线阵相机，2为线形LED光源，3、宽厚板，4、辊道；
图4为本发明中根据采集的宽厚板图像提取的轮廓数据点图，其中(a)为未改变坐标原点时的轮廓数据点示意图，(b)为改变坐标原点后的轮廓数据点示意图；
图5为本发明中宽厚板头部形状特征示意图；
图6为本发明中遗传算法优化神经网路流程图；
图7为本发明中模型训练过程图；
图8为本发明中模型训练完成后在测试集上对宽厚板头部不规则长度的预测效果图；
图9为本发明中模型训练完成后在测试集上对宽厚板头部失宽量的预测效果图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，利用宽厚板轮廓仪对宽厚板形状进行检测，建立起宽厚板轧制工艺与成型后端部形状的神经网络模型，并利用遗传算法对模型初始参数进行迭代优化，使得模型的预测精度得到提高。
如图1所示，一种宽厚板端部形状预测方法，包括：
步骤1：采集同一轧制工艺下的每一块宽厚板中的m个生产过程数据，并用一个m维行向量进行表示，共收集同一轧制工艺下的n块宽厚板的生产过程数据，构成一个n×m维的矩阵M＝[xn'm']n×m,n'＝1,2,…,n,m'＝1,2,…,m，其中xn'm'表示编号为n'的宽厚板的第m'个生成过程数据；在粗轧阶段时，同一轧制工艺下的宽厚板是指所有宽厚板具有相同的轧制道次和转钢时机；在精轧阶段时，同一轧制工艺下的宽厚板是指所有宽厚板具有相同的轧制道次；
本实施方式中采集某4300宽厚板厂的生产过程数据，收集得到宽厚板数据所采用的轧制规格为：粗轧轧制道次为7道次，其中第2、4道次轧制前发生转钢；精轧轧制道次为7道次。所采集生产过程数据如下表1所示：
表1生产过程数据表
表中，展宽阶段MAS轧制为：在宽厚板展宽轧制阶段最后一道次的动态压下过程，实际应用中具体以三个参数表示，分别为预行程长度Δl1、动态压下投影长度Δl2以及动态压下量Δh1，如图2所示；
步骤2：利用轮廓仪采集宽厚板n'的图像，并根据图像提取宽厚板边缘轮廓的数据点坐标，如图3所示轮廓仪由高清线阵成像设备与辅助光源组成，轮廓仪安装在宽厚板生产线上的热矫直机的后面，对每块经过热矫直机的宽厚板进行图像采集，并经过图像处理后得到宽厚板图像边缘轮廓的数据坐标点。
轮廓数据点的提取可以参考专利《一种板带钢图像轮廓的提取方法》(公开号CN111476792A)，宽厚板作为板带钢的一种，借鉴板带钢轮廓的提取方法提取宽厚板的轮廓，具体包括如下步骤：
步骤2.1：根据标定的相机内参，计算出相机采集到的宽厚板图像中单位像素的长度σ；
步骤2.2：对采集到的宽厚板图像进行畸变校正，得到畸变校正处理后的宽厚板图像；
步骤2.3：为了增强宽厚板图像的前景区域与背景区域之间的比对度，将畸变校正处理后的宽厚板图像进行图像增强处理，得到增强后的宽厚板图像；
步骤2.4：对增强后的宽厚板图像进行中值滤波处理，得到中值滤波处理后的宽厚板图像；
步骤2.5：对中值滤波处理后的宽厚板图像，先采用大津法计算分割阈值，然后利用计算得到的分割阈值进行二值化处理，得到宽厚板图像的二值化图像；
步骤2.6：利用面积特征筛选二值化图像，得到宽厚板特征图像，所述宽厚板特征图像为只包含宽厚板部分的二值化图像；
步骤2.7：根据区域边界条件计算宽厚板特征图像的边界，得到区域边界图像；
步骤2.8：将区域边界图像先进行膨胀处理，然后将膨胀处理后的区域边界图像与中值滤波处理后的宽厚板图像进行交集运算，得到宽厚板的边界图像；
步骤2.9：利用Canny算子对宽厚板的边界图像进行轮廓提取，得到宽厚板的边界图像的粗边缘图像；
步骤2.10：利用基于灰度梯度的亚像素边缘轮廓提取算法，对粗边缘图像进行轮廓计算，得到宽厚板图像的轮廓线。
高清线阵成像设备的性能参数如表1所示：
表1高清线阵成像设备的性能参数表
步骤3：根据宽厚板的轮廓数据点坐标计算宽厚板头部的形状特征量，构建观测值矩阵,包括：
步骤3.1：利用公式(2)将轮廓数据点坐标转换为实际物理坐标；
式中，(Ui,Vi)表示宽厚板图像中的第i个轮廓数据点坐标，i＝1,2,…,Ψ，Ψ表示宽厚板图像中轮廓数据点的总个数，σ表示宽厚板图像中单位像素的长度，(Xi,Yi)表示坐标(Ui,Vi)转换后对应的实际物理坐标，(U,V)表示宽厚板图像中的Ψ个轮廓数据点构成的集合，(X,Y)表示n个实际物理坐标点构成的集合；
步骤3.2：利用公式(3)计算宽厚板轮廓中心点C的实际物理坐标(xc,yc)；
步骤3.3：以坐标点(xc,yc)为原点建立直角坐标系，以宽厚板的长度方向为坐标系的横轴，利用公式(4)将实际物理坐标(Xi,Yi)转换到直角坐标系中对应坐标(xi,yi)；
式中，(x,y)表示Ψ个轮廓数据点坐标转换后的坐标集合；
计算得到的宽厚板图像中单位像素的长度σ＝7.87*10-5m(单位：米)，换算得到的宽厚板实际物理坐标如图4(a)所示，计算得到的轮廓中心点C实际物理坐标(xc,yc)＝(15434.8，-9.879)，以轮廓中心点C的实际物理坐标为原点建立直角坐标系后，宽厚板上各轮廓数据点的实际物理坐标更改如图4(b)所示。
步骤3.4：统计集合(x,y)中横坐标值大于0的坐标点，作为宽厚板头部位置数据点；
步骤3.5：对宽厚板头部位置数据点按照纵坐标值进行分类，其中纵坐标值大于0的头部位置数据点作为操作侧头部位置数据点，并从纵坐标值最小的数据点开始沿宽厚板轮廓依次保存在列表o中，即o＝[o1,o2,…,op',…,op]，p'＝1,2,…,p，p表示操作侧头部位置数据点的总个数，纵坐标值小于0的头部位置数据点作为传动侧头部位置数据点，并从纵坐标值最大的数据点开始沿宽厚板轮廓依次保存在列表d中，即d＝[d1,d2,…,dq',…,dq]，q'＝1,2,…,q，q表示传动侧头部位置数据点的总个数；
步骤3.6：分别对列表o和列表d中的数据点进行处理，得到宽厚板头部的形状特征量，所述头部形状特征量包括宽厚板头部不规则长度l与宽厚板头部失宽量w，宽厚板头部形状特征示意图如图5所示，具体表述为：
步骤3.6.1：从列表o中的第一个数据点o1开始，依次计算相邻两个数据点的纵坐标值的变化量△yo＝|yp'-yp'-1|，如果连续k个数据点中所有纵坐标值变化量△yo均满足△yo<h1，则将第k个数据点的坐标记为(x′o,y′o)，其中k表示预设统计个数，h1表示操作侧的变化量阈值，将列表o中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′omax,y′omax)，则操作侧的宽厚板头部失宽量wo＝|y′omax-y′o|；
步骤3.6.2：从列表d中的第一个数据点d1开始，依次计算相邻两个数据点的纵坐标值的变化量△yd＝|yd'-yd'-1|，如果连续k个数据点中所有纵坐标值变化量△yd均满足△yd<h，则将第k个数据点的坐标记为(x′d,y′d)，其中h表示传动侧的变化量阈值，将列表d中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′dmax,y′dmax)，则传动侧的宽厚板头部失宽量wd＝|y′dmax-y′d|；
步骤3.6.3：利用公式(5)计算每块宽厚板头部的失宽量w；
步骤3.6.4：将传动侧和操作侧头部不规则长度的平均值作为宽厚板头部的不规则长度
步骤3.7：将每块宽厚板的生产过程数据与所述宽厚板头部的形状特征量表示在同一个行向量En'中，将n块宽厚板的生产过程数据以及对应的形状特征量表示为观测值矩阵E，则E表示为：
式中，ln'表示宽厚板n'头部的不规则长度，wn'表示宽厚板n'头部的失宽量。
步骤4：将利用3σ原则对观测值矩阵中的元素进行异常值检测，并去除异常值,包括：
步骤4.1：计算特征量L＝[l1,l2,…,ln',…,ln]中所有元素的标准差σl和均值μl，以及特征量W＝[w1,w2,…,wn',…,wn]中所有元素的标准差σl和均值μl；
步骤4.2：当((ln'<μl-3σl)∪(ln'>μl+3σl))∪((wn'<μw-3σw)∪(wn'<μw-3σw))时，剔除观测值矩阵中ln'与wn'所在行的行向量，最终保留列数为N的观测值矩阵Ee表示为
计算得到的某一块宽厚板的特征量的标准差和均值如表2所示：
表2某一块宽厚板的特征量的标准差和均值
步骤5：对剔除异常值后剩余数据进行归一化处理，计算公式如下：
式中，表示观测值矩阵Ee中的元素，xmin表示/>所在列向量中所有元素的最小值，xmax表示/>所在列向量中所有元素的最大值；
步骤6：将归一化处理后的所有数据以行向量为单位划分为训练集和测试集两部分，分割比例为4:1；
步骤7：构建人工神经网络结构，利用遗传算法确定人工神经网络中最佳的初始权值和阈值，遗传算法优化神经网络的流程图如图6所示，包括：
步骤7.1：确定人工神经网络结构，包括人工神经网络隐层数目、各个隐层神经元节点数目以及激活函数；人工神经网络的结构确定为单隐层神经网络，其中输入层神经元节点数目为57，输出层神经元节点数目为2，隐层神经元节点数目为24；激活函数设置为tansig函数，学习率设置为0.001。
步骤7.2：染色体种群初始化，对人工神经网络(简称ANN)模型中连接权值和阈值进行编码，生成数目为5K的初始染色体种群，每条染色体包含神经网络中所有的权值和阈值，具体包括神经网络输入层神经元与隐含层神经元的连接权值、隐含层神经元阈值、隐含层与输出层神经元连接权值以及输出层神经元的阈值四部分组成，其中K＝10表示预设种群基值；
步骤7.3：分别将每条染色体中的对应连接权值和阈值赋予人工神经网络结构中；在步骤7.1中的神经网络结构已知的情况下，每个染色体都可以构成一个权值和阈值都确定的神经网络；
步骤7.4：根据均方误差计算遗传算法中的适应度函数值，具体表示为：
式中，f为适应度函数值，MSE表示均方误差值，表示测量得到的每块宽厚板头部不规则长度与失宽量的加权和，/>表示人工神经网络输出的宽厚板头部不规则长度的预测值，/>表示人工神经网络输出的宽厚板头部失宽量的预测值，/>表示宽厚板头部不规则长度的预测值/>与失宽量的预测值/>的加权和，λ1、λ2表示加权系数，均设置为0.5，Γ表示训练集或者测试集中包含的行向量个数；
步骤7.5：对初始种群按照适应度函数值由高到底进行排序，并取前K个数目的种群保留到下一代，其余4K种群进行交叉变异操作，交叉方式为单点交叉，交叉概率为0.7，变异为随机变异，变异概率为0.01，重新得到数目为5K的新种群作为子代种群；
步骤7.6：重复步骤7.3～步骤7.5直到达到迭代终止条件，迭代次数设置为350；
步骤7.7：将条件终止后所得到的种群中均方误差值MSE最小的染色体所对应的神经元权值和阈值作为人工神经网络中最佳的初始权值和阈值，得到人工神经网络的初始预测模型；
步骤8：利用训练集训练人工神经网络的初始预测模型，当训练到模型在测试集上表现的均方误差小于等于预设精度且连续ψ代没有减少时结束训练，利用测试集查看训练后的预测模型的泛化性能，其中生产过程数据作为预测模型的输入，头部形状特征量作为预测模型的输出。
模型训练过程如图7所示，训练完成后在测试集上对宽厚板头部变形量预测效果如图8所示，对宽厚板头部失宽量预测效果如图9所示；因为训练神经网络模型时的训练集和测试集都是经过归一化处理后的样本数据，所以经过神经网络模型直接输出的预测值也是归一化后的值，为方便观察，绘制图8、图9时，纵坐标表示的头部不规则长度、头部失宽量都是经过反归一化计算后的真实数据值。从图8和图9中可以看出，在测试集上训练预测结果与实际测量结果吻合较好，表明模型具有较高的泛化性能。
需要说明的是：宽厚板端部形状包括头部的形状特征量和尾部的形状特征量，尾部的形状特征量包括尾部不规则长度与尾部失宽量，根据步骤3.4表述，如果将横坐标值大于0的坐标点作为宽厚板头部位置数据点，那么横坐标小于0的坐标点则认为是宽厚板尾部位置数据点，利用宽厚板尾部位置数据点计算尾部的形状特征量时，将操作侧尾部位置数据点从纵坐标值最小的数据点开始沿宽厚板轮廓依次保存在列表o中，将传动侧尾部位置数据点从纵坐标值最大的数据点开始沿宽厚板轮廓依次保存在列表d中，具体计算原理如下：
执行步骤3.6.1时，需要统计出列表o中所有数据点的横坐标值中的最小值对应的数据点坐标记为(x′omin,y′omin)，则操作侧的宽厚板尾部失宽量表示为w'o＝|y′omin-y′o|；
执行步骤3.6.2时，需要统计出列表d中所有数据点的横坐标值中的最小值对应的数据点坐标记为(x′dmin,y′dmin)，则传动侧的宽厚板尾部失宽量w'd＝|y′dmin-y′d|；
执行步骤3.6.4时，将传动侧和操作侧尾部不规则长度的平均值作为宽厚板尾部的不规则长度
根据步骤3.5～步骤3.7、步骤4～步骤5描述的原理对尾部位置数据点进行处理后，结合遗传算法利用人工神经网络可以实现对尾部形状特征量的预测。
Claims (4)
1.一种宽厚板端部形状预测方法，其特征在于，包括：
步骤1：采集同一轧制工艺下的每一块宽厚板中的m个生产过程数据，并用一个m维行向量进行表示，共收集同一轧制规格下的n块宽厚板的生产过程数据，构成一个n×m维的矩阵M＝[xn'm']n×m,n'＝1,2,…,n,m'＝1,2,…,m，其中xn'm'表示编号为n'的宽厚板的第m'个生成过程数据；
步骤2：采集宽厚板n'的图像，并根据图像提取宽厚板边缘轮廓的数据点坐标；
步骤3：根据宽厚板的轮廓数据点坐标计算宽厚板头部的形状特征量，构建观测值矩阵；
步骤4：将利用3σ原则对观测值矩阵中的元素进行异常值检测，并去除异常值；
步骤5：对剔除异常值后剩余数据进行归一化处理，计算公式如下：
式中，表示观测值矩阵Ee中的元素，xmin表示/>所在列向量中所有元素的最小值，xmax表示/>所在列向量中所有元素的最大值；
步骤6：将归一化处理后的所有数据以行向量为单位划分为训练集和测试集两部分；
步骤7：构建人工神经网络结构，利用遗传算法确定人工神经网络中最佳的初始权值和阈值；
步骤8：利用训练集训练人工神经网络的初始预测模型，利用测试集查看预测模型的泛化性能，其中生产过程数据作为预测模型的输入，头部形状特征量作为预测模型的输出。
2.根据权利要求1所述的一种宽厚板端部形状预测方法，其特征在于，所述步骤3包括：
步骤3.1：利用公式(2)将轮廓数据点坐标转换为实际物理坐标；
式中，(Ui,Vi)表示宽厚板图像中的第i个轮廓数据点坐标，i＝1,2,…,Ψ，Ψ表示宽厚板图像中轮廓数据点的总个数，σ表示宽厚板图像中单位像素的长度，(Xi,Yi)表示坐标(Ui,Vi)转换后对应的实际物理坐标，(U,V)表示宽厚板图像中的Ψ个轮廓数据点构成的集合，(X,Y)表示n个实际物理坐标点构成的集合；
步骤3.2：利用公式(3)计算宽厚板轮廓中心点C的实际物理坐标(xc,yc)；
步骤3.3：以坐标点(xc,yc)为原点建立直角坐标系，以宽厚板的长度方向为坐标系的横轴，利用公式(4)将实际物理坐标(Xi,Yi)转换到直角坐标系中对应坐标(xi,yi)；
式中，(x,y)表示Ψ个轮廓数据点坐标转换后的坐标集合；
步骤3.4：统计集合(x,y)中横坐标值大于0的坐标点，作为宽厚板头部位置数据点；
步骤3.5：对宽厚板头部位置数据点按照纵坐标值进行分类，其中纵坐标值大于0的头部位置数据点作为操作侧头部位置数据点，并从纵坐标值最小的数据点开始沿宽厚板轮廓依次保存在列表o中，即o＝[o1,o2,…,op',…,op]，p'＝1,2,…,p，p表示操作侧头部位置数据点的总个数，纵坐标值小于0的头部位置数据点作为传动侧头部位置数据点，并从纵坐标值最大的数据点开始沿宽厚板轮廓依次保存在列表d中，即d＝[d1,d2,…,dq',…,dq]，q'＝1,2,…,q，q表示传动侧头部位置数据点的总个数；
步骤3.6：分别对列表o和列表d中的数据点进行处理，得到宽厚板头部的形状特征量，所述头部形状特征量包括宽厚板头部不规则长度l与宽厚板头部失宽量w，具体表述为：
步骤3.6.1：从列表o中的第一个数据点o1开始，依次计算相邻两个数据点的纵坐标值的变化量△yo＝|yp'-yp'-1|，如果连续k个数据点中所有纵坐标值变化量△yo均满足△yo<h1，则将第k个数据点的坐标记为(x′o,y′o)，其中k表示预设统计个数，h1表示操作侧的变化量阈值，将列表o中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′omax,y′omax)，则操作侧的宽厚板头部失宽量wo＝|y′omax-y′o|；
步骤3.6.2：从列表d中的第一个数据点d1开始，依次计算相邻两个数据点的纵坐标值的变化量△yd＝|yd'-yd'-1|，如果连续k个数据点中所有纵坐标值变化量△yd均满足△yd<h，则将第k个数据点的坐标记为(x′d,y′d)，其中h表示传动侧的变化量阈值，将列表d中所有数据点的横坐标值中的最大值对应的数据点坐标记为(x′dmax,y′dmax)，则传动侧的宽厚板头部失宽量wd＝|y′dmax-y′d|；
步骤3.6.3：利用公式(5)计算每块宽厚板头部的失宽量w；
步骤3.6.4：将传动侧和操作侧侧头部不规则长度的平均值作为宽厚板头部的不规则长度
步骤3.7：将每块宽厚板的生产过程数据与所述宽厚板头部的形状特征量表示在同一个行向量En'中，将n块宽厚板的生产过程数据以及对应的形状特征量表示为观测值矩阵E，则E表示为：
式中，ln'表示宽厚板n'头部的不规则长度，wn'表示宽厚板n'头部的失宽量。
3.根据权利要求1所述的一种宽厚板端部形状预测方法，其特征在于，所述步骤4包括：
步骤4.1：计算特征量L＝[l1,l2,…,ln',…,ln]中所有元素的标准差σl和均值μl，以及特征量W＝[w1,w2,…,wn',…,wn]中所有元素的标准差σl和均值μl；
步骤4.2：当((ln'<μl-3σl)∪(ln'>μl+3σl))∪((wn'<μw-3σw)∪(wn'<μw-3σw))时，剔除观测值矩阵中ln'与wn'所在行的行向量，最终保留列数为N的观测值矩阵Ee表示为
4.根据权利要求1所述的一种宽厚板端部形状预测方法，其特征在于，所述步骤7包括：
步骤7.1：确定人工神经网络结构，包括人工神经网络隐层数目、各个隐层神经元节点数目以及激活函数；
步骤7.2：染色体种群初始化，生成数目为5K的初始染色体种群，每个染色体包含神经网络中所有的权值和阈值，具体包括神经网络输入层神经元与隐含层神经元的连接权值、隐含层神经元之间的连接权值、隐含层神经元阈值、隐含层与输出层神经元连接权值以及输出层神经元的阈值五部分组成，其中K表示预设种群基值；
步骤7.3：分别将每条染色体中的对应连接权值和阈值赋予人工神经网络结构中；
步骤7.4：根据均方误差计算遗传算法中的适应度函数值，具体表示为：
式中，f为适应度函数值，MSE表示均方误差值，表示测量得到的每块宽厚板头部不规则长度与失宽量的加权和，/>表示人工神经网络输出的宽厚板头部不规则长度的预测值，表示人工神经网络输出的宽厚板头部失宽量的预测值，/>表示宽厚板头部不规则长度的预测值/>与失宽量的预测值/>的加权和，λ1、λ2表示加权系数，Γ表示训练集或者测试集中包含的行向量个数；
步骤7.5：对初始种群按照适应度函数值由高到低进行排序，并取前K个数目的种群保留到下一代，其余4K种群进行交叉变异操作，重新得到数目为5K的新种群作为子代种群；
步骤7.6：重复步骤7.3～步骤7.5直到达到迭代终止条件；
步骤7.7：将条件终止后所得到的种群中均方误差值MSE最小的染色体所对应的神经元权值和阈值作为人工神经网络中最佳的初始权值和阈值，得到人工神经网络的初始预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119070.9A CN112767380B (zh) | 2021-01-28 | 2021-01-28 | 一种宽厚板端部形状预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119070.9A CN112767380B (zh) | 2021-01-28 | 2021-01-28 | 一种宽厚板端部形状预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767380A CN112767380A (zh) | 2021-05-07 |
| CN112767380B true CN112767380B (zh) | 2024-02-02 |
Family
ID=75707475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110119070.9A Active CN112767380B (zh) | 2021-01-28 | 2021-01-28 | 一种宽厚板端部形状预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767380B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113695404B (zh) * | 2021-09-03 | 2024-01-23 | 北京北科麦思科自动化工程技术有限公司 | 一种带钢热连轧宽度控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005016566A1 (ja) * | 2003-08-13 | 2005-02-24 | Jfe Steel Corporation | 鋼帯または表面処理鋼帯の製造方法 |
| CN109317522A (zh) * | 2017-08-01 | 2019-02-12 | 株式会社日立制作所 | 设备控制装置、轧钢机控制装置及其控制方法、记录介质 |
| CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
| CN111581829A (zh) * | 2020-05-11 | 2020-08-25 | 辽宁大学 | 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法 |
| CN112184655A (zh) * | 2020-09-24 | 2021-01-05 | 东北大学 | 一种基于卷积神经网络的宽厚板轮廓检测方法 |
-
2021
- 2021-01-28 CN CN202110119070.9A patent/CN112767380B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005016566A1 (ja) * | 2003-08-13 | 2005-02-24 | Jfe Steel Corporation | 鋼帯または表面処理鋼帯の製造方法 |
| CN109317522A (zh) * | 2017-08-01 | 2019-02-12 | 株式会社日立制作所 | 设备控制装置、轧钢机控制装置及其控制方法、记录介质 |
| CN111241657A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 一种基于深度学习的冷轧带钢板形预测方法 |
| CN111581829A (zh) * | 2020-05-11 | 2020-08-25 | 辽宁大学 | 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法 |
| CN112184655A (zh) * | 2020-09-24 | 2021-01-05 | 东北大学 | 一种基于卷积神经网络的宽厚板轮廓检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Prediction of bending force in the hot strip rolling process using artificial neural network and genetic algorithm;Zhenhua Wang等;《SPRINGER》;第93卷;3325-3338 * |
| 热轧宽厚板平面形状优化与成材率提高的数值模拟研究;阮金华;《中国优秀博士学位论文全文数据库 工程科技II辑》;B022-162 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767380A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
| WO2021139069A1 (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
| CN110097543B (zh) | 基于生成式对抗网络的热轧带钢表面缺陷检测方法 | |
| Wang et al. | Automated crack severity level detection and classification for ballastless track slab using deep convolutional neural network | |
| CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
| CN101236608B (zh) | 基于图片几何结构的人脸检测方法 | |
| CN115082467A (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
| CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
| CN112767380B (zh) | 一种宽厚板端部形状预测方法 | |
| CN112561881A (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN116486224A (zh) | 一种基于改进U-Net的换热器管口图像识别算法 | |
| CN112950570A (zh) | 一种结合深度学习与密集连续中心点的裂纹检测方法 | |
| CN115439839A (zh) | 基于点云数据的多类型结构面分层识别方法 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN115147341A (zh) | 一种基于生物视觉启发的织物表面缺陷分类深度网络方法 | |
| CN109741313B (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
| CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
| CN111091554B (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
| CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
| CN113095164A (zh) | 基于强化学习和标志点表征的车道线检测定位方法 | |
| CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 |
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 |