CN113569343A - 板材轧制厚度的控制方法、装置、系统及存储介质 - Google Patents
板材轧制厚度的控制方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113569343A CN113569343A CN202110544669.7A CN202110544669A CN113569343A CN 113569343 A CN113569343 A CN 113569343A CN 202110544669 A CN202110544669 A CN 202110544669A CN 113569343 A CN113569343 A CN 113569343A
- Authority
- CN
- China
- Prior art keywords
- rolling
- rolling force
- thickness
- target
- model
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000002068 genetic effect Effects 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/12—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本申请涉及一种板材轧制厚度的控制方法、装置、系统及存储介质,其中方法包括:基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并基于乘法补偿原则,根据轧制力理论模型和神经网络模型的预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终用于目标板材轧制过程的轧制参数。本申请可以解决板材厚度控制精度低的问题。
Description
技术领域
本申请涉及一种板材轧制厚度的控制方法、装置、系统及存储介质,属于板材厚度控制技术领域。
背景技术
近年来,随着我国国民经济的高速发展与精密结构件的需求增加,市场对金属板材厚度精度的要求不断提高。由于板材的厚度精度取决于轧制力模型的精度,因此提高轧制力模型的精度具有重要意义。由于传统轧制力模型需要采用一定的简化或假定,因而不可避免地存在一定的误差,难以适应高精度的厚度控制需要。而自动化控制使用的AGC控制技术虽能弥补精度,但要牺牲前几块钢的精度,其使用效果也不尽人意。
李大为针对板带轧制时轧件头尾厚度波动较大的问题,专门建立了一种对板带头部和尾部厚度综合控制的数学模型,并通过仿真实验验证了该模型的可行性。张勇和吕慧超[2]则将AGC系统和神经网络进行了结合,通过提升 AGC系统的反应速度降低了轧制成品的厚度波动范围。韩庆等人[3]则根据单机架热轧的特点提出了一种调整负荷分配的厚度控制方法,使用该方法可以在不依赖测厚仪的情况下对多道次轧制厚度进行控制。
现有的轧制厚度精度控制研究多从AGC控制系统着手,以减少轧制设备以及外界因素对板带出口厚度的影响。这种控制方法可以降低板材的厚度波动,但不能提高厚度精度。
发明内容
本申请提供了一种板材轧制厚度的控制方法、装置、系统及存储介质,可以解决现有的板材轧制厚度精度较低的问题。
为解决上述技术问题,本申请提供如下技术方案:
第一方面,提供了一种板材轧制厚度的控制方法,所述方法包括:
基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并基于乘法补偿原则,根据轧制力理论模型和神经网络模型的预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;
将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;
基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终用于目标板材轧制过程的轧制参数,以控制目标板材的轧制厚度。
进一步地,在本申请第一方面的一个实施例中,所述目标轧制力预测模型为:
其中,FM为目标轧制力的预测值,FT为第一轧制力预测值,为误差修正系数,λET为第一轧制力预测值与轧制力实测值的比值,λEANN为第二轧制力预测值与轧制力实测值的比值,所述第一轧制力预测值是根据轧制力理论模型预测得到的轧制力值,所述第二轧制力预测值是根据预先训练的神经网络模型预测得到的轧制力值。
进一步地,在本申请第一方面的一个实施例中,所述神经网络模型为遗传算法-BP神经网络,所述遗传算法-BP神经网络的输入层节点变量包括板厚、板宽、轧辊转速、压下率和开轧温度,输出层节点变量为轧制力。
进一步地,在本申请第一方面的一个实施例中,还包括训练神经网络的步骤:
采用遗传算法对构建的BP神经网络进行初始化,得到所述BP神经网络初始的模型参数;
获取训练样本集,所述训练样本集中的数据为板材的实际生产数据,包括轧制参数数据和对应的标签,所述标签指示板材的轧制力大小;
将所述训练样本集中的轧制参数数据输入初始化后的BP神经网络中,得到轧制力预测值;
确定所述轧制力预测值与所述标签的偏差;
基于所述偏差对所述BP神经网络的模型参数进行迭代训练,直至所述偏差达到预设的偏差范围或迭代次数达到预设次数时,得到训练好的遗传算法-BP神经网络。
进一步地,在本申请第一方面的一个实施例中,所述轧制力理论模型为
其中,F为轧制力,R为轧辊半径,Δh为压下量,vD为轧辊圆周速度,x为力臂系数,Φmin为轧制能率泛函Φ的最小值。
第二方面,提供了一种板材轧制厚度的控制装置,所述装置包括:
目标轧制力预测模块,用于基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并根据轧制力理论模型和神经网络模型的轧制力预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;
厚度预测模块,用于将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;
参数调整模块,用于基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终的轧制参数,作为目标板材轧制过程的设定参数,用于目标板材轧制过程中控制目标板材的厚度。
第三方面,提供一种板材轧制厚度的控制装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行,以实现第一方面任一实施例所述的板材轧制厚度的控制方法。
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序由所述处理器加载并执行,以实现第一方面任一实施例所述的板材轧制厚度的控制方法。
本申请的有益效果在于:本申请将轧制力理论模型与基于实测轧制数据训练的神经网络模型进行结合,根据得到的误差修正系数对轧制力理论模型进行修正,使轧制力理论模型能根据实际轧制参数的影响进行调整,从源头上保证了计算预测厚度时,所需目标轧制力的准确性,解决现有AGC控制系统不能直接提高板材厚度控制精度的问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的板材轧制厚度的控制方法的流程图;
图2是本申请另一个实施例提供的板材轧制厚度的控制方法的流程图;
图3是本申请一个实施例提供的音频文件的波形的示意图;
图4是本申请一个实施例提供的音频文件整体放大后的波形的示意图;
图5是本申请一个实施例提供的音频文件逐帧放大后的波形的示意图;
图6是本申请一个实施例提供的板材轧制厚度的控制装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
图1是本申请一个实施例提供的板材轧制厚度的控制方法的流程图。该方法至少包括以下几个步骤:
S101:基于预先建立的目标轧制力预测模型,预测得到目标轧制力。
具体地,参见图2,本实施例的目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并根据轧制力理论模型和神经网络模型的预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的。
参见图3,本实施例建立目标轧制力预测模型的步骤如下:
S31:基于预先建立的轧制力理论模型,进行轧制力预测,得到第一轧制力预测值。
本实施例的轧制力理论模型为
其中,F为轧制力,R为轧辊半径,Δh为压下量,vD为轧辊圆周速度,x为力臂系数,Φmin为轧制能率泛函Φ的最小值。
本实施例轧制能率泛函Φ的表达式为:
Φ=Nd+Nf+Ns
式中,Nd、Nf、Ns分别为内部变形功率、摩擦功率以及剪切功率,具体表达式如下:
式中:h0和h1分别为轧制入口和出口时的轧件厚度,U为变形区内的秒体积流量,m为摩擦因子,σs为变形抗力,l为变形区的长度,b为轧件的宽度,R′为考虑弹性压扁后的轧辊半径,hm为变形区轧件的平均厚度,θ为接触角,αn为中性角,Δh为压下量。
所采用的变形抗力σs的表达式为:
T=t+273+ΔTd
根据上述轧制力理论模型,输入对应的轧制参数,即可得到第一轧制力预测值。
S32,基于预先训练好的神经网络模型进行轧制力预测,得到第二轧制力预测值。
具体地,本实施例的神经网络模型为遗传算法-BP神经网络,该遗该传算法 -BP神经网络的输入层节点变量包括板厚、板宽、轧辊转速、压下率和开轧温度,输出层节点变量为轧制力。
由于特厚板轧制属于复杂的非线性过程,因此采用BP神经网络时容易陷入局部极小。而遗传算法具有全局搜索能力,利用遗传算法的这一优点,把它与存在信息反馈机制的BP神经网络结合起来,有利于优化BP神经网络。
参见图4,本实施例训练神经网络模型的步骤如下:
S41:采用遗传算法对构建的BP神经网络进行初始化,得到所述BP神经网络初始的模型参数。
选取若干(例如,1000组)实际生产数据作为样本数据集,选取样本数据输入BP神经网络,采用遗传算法对BP神经网络进行初始化,得到BP神经网络初始的模型参数。
遗传算法属于本领域技术人员的熟知技术,在此不再赘述。
S42:获取训练样本集。
本实施例的训练样本集中的数据为板材的实际生产数据,包括轧制参数数据和对应的标签,其中,标签指示板材的轧制力大小。
轧制参数数据,例如,可以包括板厚、板宽、轧辊转速、压下率和开轧温度等。
S43:将所述训练样本集中的轧制参数数据输入初始化后的BP神经网络中,得到轧制力预测值;
S44:确定所述轧制力预测值与所述标签的偏差;
S45:基于所述偏差对所述BP神经网络的模型参数进行迭代训练,直至所述偏差达到预设的偏差范围或迭代次数达到预设次数时,得到训练好的遗传算法-BP神经网络。
S33,获取轧制力实测值。
S34,根据轧制力理论模型和神经网络模型的预测误差得到误差修正系数。
S35,基于乘法补偿原则,根据误差修正系数对轧制力理论模型进行修正,得到目标轧制力预测模型。
本实施例的目标轧制力预测模型为:
λET和λEANN的表达式如下:
最终的目标轧制力预测模型可以表示为:
本申请通过实际生产数据训练神经网络模型,并根据神经网络模型和轧制力理论模型的轧制力预测结果,得到误差修正系数,根据误差修正系数对轧制力理论模型进行修正,使轧制力理论模型能根据实际轧制参数的影响进行调整,以修正后的轧制力理论模型为目标轧制力预测模型,预测得到目标轧制力,从源头上保证了后续计算板材轧制厚度时所需目标轧制力的准确性。
S102:将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度。
具体地,本实施例的厚度预测模型为轧机的弹跳方程,即:
其中,h1′为目标板材出口厚度的预测值,S0为轧辊的初始辊缝,FM为预测得到的目标轧制力,K为轧机的刚度,本实施例中K的取值可以为10700kN/mm。
S103:基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终用于目标板材轧制过程的轧制参数,以控制目标板材的轧制厚度。
具体地,本申请实施例在得到预测厚度后,获取目标板材道次出口的目标厚度,确定预测厚度与目标厚度的偏差。如果偏差超出了预设偏差范围,则调整目标轧制力预测模型的轧制参数,重新确定目标轧制力,再次预测目标板材的轧制厚度,直至预测厚度与目标厚度的偏差达到预设范围时,以得到的轧制参数为设定的轧制参数,用于目标板材的轧制过程。
通过预测目标板材的轧制厚度,可以避免对目标板材进行实际轧制后,再根据实际轧制厚度来调整轧制参数,而且采用的目标轧制力预测模型的目标轧制力预测的准确性较高,从而也提高了厚度控制的精度。
综上所述,本申请将轧制力理论模型与基于实测轧制数据训练的神经网络模型进行结合,根据得到的误差修正系数对轧制力理论模型进行修正,使轧制力理论模型能根据实际轧制参数的影响进行调整,从源头上保证了计算预测厚度时,所需目标轧制力的准确性,解决现有AGC控制系统不能直接提高板材厚度控制精度的问题。
下面以表1所示的轧制力理论模型的轧制参数为例,对本申请实施例的厚度控制方法进行进一步的说明。本实施例仅对第2道次的厚度控制进行说明。
表1理论模型计算采用的轧制数据
轧制力理论模型的预测:
计算出以上参数后,使用搜索法找出总功泛函的最小值,即Φmin=14.818742,此时
神经网络模型的预测结果:
选取1000组实际生产数据作为数据库,操作平台为Matlab,BP神经网络与遗传算法部分的设定参数如前所述。确定神经网络结构后进行数据预处理和参数设定,之后运行程序。以下BP神经网络所得的结果
表2
神经网络/% | |
精度误差范围 | 0~3 |
最大误差 | 2.71 |
平均误差 | 2.17 |
迭代次数 | 51 |
表3
由表3可见,遗传算法-BP神经网络对第2道次轧制数据进行预测后所得到的预测值为44477kN。
目标轧制力预测结果:
参照至误差补偿系数的计算公式,由于本实施例只针对第2道次,因此n=1。
FM=41102×1.03864=45291.98kN
h1′即为第2道次出口的预测厚度。
本实施例上述厚度预测结果的最大预测误差为0.15mm,具有较高的预测精度,满足特厚板生产国标中相应尺寸A类板(+3.00mm,-1.40mm)的标准。
本申请还提供一种板材轧制厚度的控制装置,图5是本申请一个实施例提供的板材轧制厚度的控制装置的框图。该装置至少包括以下几个模块:
目标轧制力预测模块,用于基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并根据轧制力理论模型和神经网络模型的轧制力预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;
厚度预测模块,用于将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;
参数调整模块,用于基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终的轧制参数,作为目标板材轧制过程的设定参数,用于目标板材轧制过程中控制目标板材的厚度。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的板材轧制厚度的控制装置在进行板材轧制厚度的控制时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将板材轧制厚度的控制装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的板材轧制厚度的控制装置与板材轧制厚度的控制方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是本申请一个实施例提供的板材轧制厚度的控制系统的框图,该系统可以是:笔记本电脑、台式电脑或服务器。板材轧制厚度的控制系统还可能被称为便携式终端、膝上型终端、台式终端、控制终端等,本实施例不对控制系统的类型作限定。该装置至少包括处理器和存储器。
处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。在一些实施例中,处理器可以在集成有GPU(Graphics ProcessingUnit,图像处理器)。
存储器可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的板材轧制厚度的控制方法。
在一些实施例中,板材轧制厚度的控制系统还可选包括有:外围设备接口和至少一个外围设备。处理器、存储器和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、音频电路、和电源等。
当然,板材轧制厚度的控制系统还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的板材轧制厚度的控制方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的板材轧制厚度的控制方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种板材轧制厚度的控制方法,其特征在于,所述方法包括:
基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并基于乘法补偿原则,根据轧制力理论模型和神经网络模型的预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;
将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;
基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终用于目标板材轧制过程的轧制参数,以控制目标板材的轧制厚度。
3.根据权利要求1或2所述的方法,其特征在于,所述神经网络模型为遗传算法-BP神经网络,所述遗传算法-BP神经网络的输入层节点变量包括板厚、板宽、轧辊转速、压下率和开轧温度,输出层节点变量为轧制力。
4.根据权利要求3所述的方法,其特征在于,还包括训练神经网络的步骤:
获取训练样本集,所述训练样本集中的数据为板材的实际生产数据,包括轧制参数数据和对应的标签,所述标签指示板材的轧制力大小;
采用遗传算法对所述BP神经网络进行初始化,得到所述BP神经网络的模型参数;
将所述训练样本集中的轧制参数数据输入初始化后的BP神经网络中,得到轧制力预测值;
确定所述轧制力预测值与所述标签的偏差;
基于所述偏差对所述BP神经网络的模型参数进行迭代训练,直至所述偏差达到预设的偏差范围或迭代次数达到预设次数时,得到训练好的遗传算法-BP神经网络。
6.一种板材厚度控制装置,其特征在于,所述装置包括:
目标轧制力预测模块,用于基于预先建立的目标轧制力预测模型,预测得到目标轧制力;所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测,并基于乘法补偿原则,根据轧制力理论模型和神经网络模型的轧制力预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的;
厚度预测模块,用于将所述目标轧制力输入预先建立的厚度预测模型,得到目标板材的预测厚度;
参数调整模块,用于基于所述目标板材的预测厚度与目标厚度的偏差,调整轧制参数,直至所述偏差达到预设范围,得到最终的轧制参数,作为目标板材轧制过程的设定参数,用于目标板材轧制过程中控制目标板材的厚度。
7.一种板材厚度控制系统,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的板材轧制厚度的控制方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至5任一项所述的板材轧制厚度的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544669.7A CN113569343A (zh) | 2021-05-19 | 2021-05-19 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544669.7A CN113569343A (zh) | 2021-05-19 | 2021-05-19 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569343A true CN113569343A (zh) | 2021-10-29 |
Family
ID=78161568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110544669.7A Pending CN113569343A (zh) | 2021-05-19 | 2021-05-19 | 板材轧制厚度的控制方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569343A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397151A (zh) * | 2021-12-03 | 2022-04-26 | 首钢集团有限公司 | 一种板材表面质量控制方法、装置、设备及存储介质 |
CN115237054A (zh) * | 2022-09-21 | 2022-10-25 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN117399435A (zh) * | 2023-12-11 | 2024-01-16 | 常州润来科技有限公司 | 一种铜管轧制过程自适应补偿调整方法及系统 |
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105195524A (zh) * | 2015-10-21 | 2015-12-30 | 东北大学 | 一种冷轧轧制升降速过程中板带厚度补偿控制方法 |
CN108655186A (zh) * | 2018-04-19 | 2018-10-16 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
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 |
-
2021
- 2021-05-19 CN CN202110544669.7A patent/CN113569343A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105195524A (zh) * | 2015-10-21 | 2015-12-30 | 东北大学 | 一种冷轧轧制升降速过程中板带厚度补偿控制方法 |
JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
CN108655186A (zh) * | 2018-04-19 | 2018-10-16 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397151A (zh) * | 2021-12-03 | 2022-04-26 | 首钢集团有限公司 | 一种板材表面质量控制方法、装置、设备及存储介质 |
CN114397151B (zh) * | 2021-12-03 | 2023-12-12 | 首钢集团有限公司 | 一种板材表面质量控制方法、装置、设备及存储介质 |
CN115237054A (zh) * | 2022-09-21 | 2022-10-25 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN115237054B (zh) * | 2022-09-21 | 2022-12-16 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN117399435A (zh) * | 2023-12-11 | 2024-01-16 | 常州润来科技有限公司 | 一种铜管轧制过程自适应补偿调整方法及系统 |
CN117399435B (zh) * | 2023-12-11 | 2024-03-15 | 常州润来科技有限公司 | 一种铜管轧制过程自适应补偿调整方法及系统 |
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
CN117420807B (zh) * | 2023-12-14 | 2024-03-12 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569343A (zh) | 板材轧制厚度的控制方法、装置、系统及存储介质 | |
CN108637020B (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
JP6922675B2 (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
CN101758084B (zh) | 模型自适应的板形预测控制方法 | |
JPH11707A (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
Wang et al. | Adaptive calculation of deformation resistance model of online process control in tandem cold mill | |
JP2016074008A (ja) | タンデム圧延ミルの制御装置および制御方法 | |
Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
JP5682131B2 (ja) | 鋼材の材質予測装置 | |
JP4696775B2 (ja) | 板幅制御方法および装置 | |
Li et al. | IoT-based framework for digital twins in steel production: A case study of key parameter prediction and optimization for CSR | |
CN114472544A (zh) | 热轧轧制间隙控制方法、系统、计算机设备及存储介质 | |
JP2017196662A (ja) | 圧延制御方法、圧延制御装置及びプログラム | |
Yeh et al. | Application of ANFIS for inverse prediction of hole profile in the square hole bore-expanding process | |
Yuan et al. | Research on quarter wave shape control of cold rolled high strength steel based on BP-MOPSO | |
Cao et al. | Prediction and analysis of temperature distribution, during the multi-pass hot rolling of nuclear power zirconium alloy under different rolling schedules | |
CN108655176A (zh) | 用于稳定轧制的冷轧前滑模型自适应计算方法 | |
Hsiang et al. | Modeling and optimization of caliber rolling process | |
Li et al. | An industrial IoT-based deformation resistance prediction and thickness control method of cold-rolled strip in steel production systems | |
KR20140115410A (ko) | 압연기의 압연속도 제어장치 및 방법 | |
Li et al. | Finite element analysis of strip shape regulation ability of work roll shifting in a 4-high hot strip mill | |
JP5581600B2 (ja) | 加熱炉抽出間隔決定方法 | |
CN111651884B (zh) | 一种用于温度控制的带钢分层方法和装置 | |
CN117409882A (zh) | 一种基于极限学习机的热轧板凸度预测方法、系统及介质 | |
Dantuluri et al. | Multi-response characterization of ultra-thin strip rolling process-machine learning approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |