CN113901725A - 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法 - Google Patents

一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法 Download PDF

Info

Publication number
CN113901725A
CN113901725A CN202111197518.5A CN202111197518A CN113901725A CN 113901725 A CN113901725 A CN 113901725A CN 202111197518 A CN202111197518 A CN 202111197518A CN 113901725 A CN113901725 A CN 113901725A
Authority
CN
China
Prior art keywords
unit
neural network
parameter
training
prediction
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
Application number
CN202111197518.5A
Other languages
English (en)
Inventor
张坚
胡建华
双远华
王清华
周研
穆佳浩
赵铁林
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202111197518.5A priority Critical patent/CN113901725A/zh
Publication of CN113901725A publication Critical patent/CN113901725A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Factory Administration (AREA)

Abstract

一种基于Matlab的无缝钢管连轧工艺智能预测系统，属于无缝钢管连轧工艺技术领域。本系统包括：连轧工艺模型设计计算模块、智能模型预测模块和反馈模块，连轧工艺模型设计计算模块建立工艺流程和设计工艺参数指导实际生产，智能模型预测模块包括实际生产数据的导入用来训练神经网络，反馈模块对神经网络训练的数据进行分析并对工艺参数进行调整。此外，本发明还提供了一种基于智能预测系统的预测方法。本发明是一套集设计、预测和反馈为一体的连轧工艺智能系统，在Matlab App Designer环境中开发实现，使智能模型预测模块的建立、优化、预测、反馈和其他系统的交互更加高效便捷，为轧钢厂工艺参数的调整提供了参考价值。

Description

一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法
技术领域
本发明属于无缝钢管连轧工艺技术领域，具体涉及一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法，尤其涉及一种基于Matlab和Matlab App Designer平台，采用遗传算法优化后的BP神经网络的无缝钢管连轧工艺参数智能预测的系统及方法。
背景技术
目前，随着传统的无缝钢管连轧工艺中，通过试轧来调整工艺参数，导致了材料、能源以及时间的浪费，智能化、精准化和可持续性受到设计者的重视，其中神经网络智能预测已经作为我国和其他许多国家重点研究和应用的方向。
连轧过程作为无缝钢管生产过程的第二道工序，对整个钢管生产起着非常重要的作用，同时连轧得到的荒管质量也对最终成品的质量有很大影响。连轧过程作为典型的间歇生产过程具有多时段、非线性、多变量等特点，这使得荒管质量与各生产过程变量之间具有非常复杂的关系。因此，对连轧过程进行建模与质量的智能预报已经成为各大钢厂急需解决的问题。
发明内容
鉴于此，本发明的目的在于提供一种基于Matlab的无缝钢管连轧工艺智能预测系统，旨在解决无缝钢管连轧过程建模与质量无法准确智能预报的问题。
本发明将无缝钢管连轧工艺设计、现场生产和神经网络智能预测联结起来，构成闭环系统，相互监督和修正，同时为无缝钢管连轧工艺参数的调整和参数的预测提供了精确的参考数据和方向，并且利用Matlab软件及其图形用户界面(Matlab App Designer)，灵活组合连轧工艺设计和BP神经网络内部算法和结构，以及高效便捷地交互Windows系统，从而实现无缝钢管连轧工艺的智能预测系统。
本发明的另一目的在于提供一种基于Matlab的无缝钢管连轧工艺智能预测方法。
为了达到上述发明目的，本发明采取以下的技术方案：
一种基于Matlab的无缝钢管连轧工艺智能预测系统，包括连轧工艺模型的设计和计算、神经网络对连轧无缝钢管工艺参数的预测和参数的分析和调整，具体包括：
连轧工艺模型设计计算模块，建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块中；
智能模型预测模块，采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块中；和
反馈模块，实时反映BP神经网络的综合训练效果，并评估预测工艺参数的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至所述连轧工艺模型设计计算模块中。
其中，本发明所述连轧工艺模型设计计算模块包括：
已知参数单元，根据实际要求获取连轧前后管形尺寸的已知参数，并将这些参数录入到Matlab的系统中。
所述连轧工艺模型设计计算模块中的已知参数单元是此模块的基础，是设计孔型参数和后面一系列工艺参数计算的前提，此单元数据包括四部分的工艺参数，具体包括毛管外径、毛管壁厚、荒管壁厚和荒管外径。本发明采用Matlab函数uigetfile()从目标Excel表格调入和保存这四部分的数据，然后分别使用函数xlsread()和函数xlswrite()来分别读取目标表格内的数据和写入数据到软件中。
设计参数单元，根据已知参数单元和无缝钢管变形原理对连轧工艺过程中各道次的工艺参数进行设计。
所述连轧工艺模型设计计算模块的设计参数单元是此模块的核心，是后面单元计算过程的前提。根据已知参数单元中参数和无缝钢管变形原理对无缝钢管连轧工艺过程的参数进行设计，其中包括芯棒直径、出口速度、延伸系数、各道次的减壁量的分配和相对应的减壁率。本发明使用Matlab App Designer中的按钮组件利用其调用函数ButtonPushedFcn对其进行设计计算。
孔型参数单元，根据设计参数单元中各道次的工艺参数来设计孔型参数。
所述连轧工艺模型设计计算模块的孔型参数单元是整个连轧工艺过程最重要的环节。孔型参数决定着能否生产出符合标准的成品无缝钢管。孔型参数包括各道次的孔型高度、孔型宽度、槽底半径、偏心距、侧壁角和槽底壁厚。根据上一个设计参数单元中各道次的减壁量的分配从而设计孔型参数，其中在设计孔型参数中应用的一些经验参数是根据大量实验验证的。本发明利用Matlab中的properties(Aeccess＝public)定义的公有属性，可以方便的将各个app单元中数据进行相互传递。
速度参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的速度参数。
所述连轧工艺模型设计计算模块的速度参数单元是根据最后一机架的出口速度，根据秒流量相等的原理计算出其余连轧机架的速度。本发明为了直观的显示速度在各道次的变化趋势，在Matlab的app.UIAxes中采用plot函数画出各道次速度的折线图，可以方便的判断速度的变化是否合理。
力能参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的力能参数。
所述连轧工艺模型设计计算模块的力能参数单元是整个模块最复杂的一个单元，但在实际生产中，力能参数是直观判断连轧无缝钢管是否存在异常的重要因素。力能参数单元包括各道次的减径区长度、水平投影面积、平均单位压力和减壁区长度、水平投影面积、平均单位压力以及总轧制力和总扭矩。
本发明在计算速度参数单元的速度参数和力能参数单元的力能参数过程是利用传统的数学模型计算。具体参考：汤涛.无缝钢管连轧过程数值模拟及参数优化[D].南华大学,2013。
其中，本发明的智能模型预测模块包括BP神经网络构建单元、遗传算法优化单元、BP神经网络训练单元和BP神经网络预测单元，分别用于进行BP神经网络工艺参数智能预测模型的建立、优化、训练和预测。
所述BP神经网络构建单元，采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，并据此确定BP神经网络的输入神经元数和输入变量，从而独立建立各个工艺参数的BP神经网络，并采用试值法对隐含层神经元数不断优化后获得最优隐含层神经元数，进而构建出符合训练要求的BP神经网络。
BP神经网络构建单元包括神经网络的建立，具体使用newff()建立多个BP神经网络连轧工艺参数预测模型，需要设置输入—隐含层函数、隐含—输出层函数、训练算法、输入神经元个数、隐含层个数、输出层神经元个数、归一化区间、学习速率、最小目标误差和最大训练次数。
BP神经网络建立后的训练初始值是随机生成的，根据输入层神经元、输出层神经元和隐含层神经元，随机数生成初始值矩阵，开始训练；为了确定最优的BP神经网络隐含层神经元数，采用试值法确定最优的隐含层神经元数，具体方法是，不断改变神经网络的隐含层的神经元数，对网络进行训练，并记录不同隐含层数目下的训练集相关系数和测试集相关系数，并进行比较得到最优的隐含层神经元数。
本发明在Matlab App Designer中，上述算法在界面中采用编辑字段(数值)都有直观的显示，并且可以根据需要进行灵活的修改；在Matlab环境中，输入—隐含层函数和隐含—输出层函数均可选择tangsig、logsig和purelin，训练算法可选择LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd，使用Matlab中工具箱实现。归一化区间可选[0,1]和[-0.5,0.5],使用Matlab中的mapminmax()函数。
所述遗传算法优化单元，利用BP神经网络构建单元初步训练结束后的权值和阈值作为遗传算法优化的初始值，然后利用遗传算法对该初始值进行优化，得到比较好的初始权值和阈值，为下一次BP神经网络的训练提供初始的权值和阈值，当遗传算法优化过程达到设置的迭代次数时，初始值优化结束，最终得到最优的初始权值和阈值。
所述遗传算法优化单元是对BP神经网络算法的初始值进行优化的一个单元，该单元中是基于上个神经网络构建单元而对初始值不断优化。一般来说，BP神经网络训练的初始权值和阈值一般是随机生成的，本发明采用遗传算法对初始权值和阈值进行优化，具体实施方法是利用上一个BP神经网络构建单元的初步训练结束后的权值和阈值作为遗传算法优化的初始值，然后利用遗传算法对该初始值进行优化，最终得到比较好初始权值和阈值，为下一次神经网络的训练提供初始权值和阈值。该遗传算法优化单元结束的条件是达到设置的迭代次数，即表明初始值优化结束，最终得到最优的初始权值和阈值。
该单元在Matlab App Designer的环境中采用编辑字段(数值)对遗传算法优化过程进行灵活的设置和修正，设置的参数包括种群规模、最大进化代数、交叉概率、变异概率和训练时间；为了能更直观的看到遗传算法的优越性，在Matlab App Designer中采用组件app.UIAxes画出适应度值的收敛曲线，然后对模型进行保存，传递到BP神经网络训练单元和BP神经网络预测单元。
本发明中的BP神经网络训练单元和BP神经网络预测单元是建立最优神经网络的最后步骤，经过最合适的隐含层神经元数和最优的权值和阈值的初始值，以及其他神经网络参数，所以现在已经获得了较优的BP神经网络，然后应用该神经网络将现场所需要轧制的无缝钢管的规格数据导入至已经获得的较优BP神经网络中进行训练和预测，并写入到Matlab APP Designer中的app.UITable中，预测结果经过数据导出单元将实际值和预测值上传到反馈模块。BP神经网络训练单元中将预测的数据利用plot函数画出折线图和实际数据都直观的呈现在app.UIAxes中能方便的看出预测值的整体趋势。
其中，本发明所述BP神经网络训练单元，将现场所需要轧制的无缝钢管的规格数据导入至已构建并优化后的BP神经网络中，进行再训练，当训练后实际值和预测值相对误差达到工业生产要求后，认为训练达到预期目标，训练结束，作为最终预测工艺参数的预测模型。
所述BP神经网络预测单元，采用最终建立的预测模型来预测下一次生产后的工艺参数。
其中，本发明所述数据导入单元用于导入正常生产现场所采集上传的实际数据，包括连轧工艺模型设计计算模块所设计的重要参数；所述数据导出单元是经过控制变量和灰色关联，在经过BP神经网络训练后输出的预测值并将其输出的预测值上传到反馈模块中。
本发明导入的大量数据集采用函数xlsread()，导出预测数据采用函数xlswrite()。这两个函数针对系统内的数据进行读取或者写数据到系统中。
其中，本发明所述反馈模块包括有：训练误差综合评估单元、参数误差检验单元和参数修正单元。
所述训练误差综合评估单元，实时反映BP神经网络的综合训练效果，为预测模型的确定提供参考。训练误差综合评估单元主要目的是评估该神经网络模型的准确性，根据比较模型预测值和实际值的相对误差等评估手段来直观的显示所建立模型的优越性和准确性。
综合评估参数包括：最大百分误差、最小百分误差、平均百分误差和耗时。使用Matlab App Designer中的编辑字段(数值)显示；综合评估的图示有：训练拟合图和样本误差图，使用Matlab中app.UIAxes显示；百分误差的具体采用下式(1)：
ei＝|Xfi-Xri|/Xri·100％ (1)
其中，i表示第i个样本，Xfi为第i个样本对应的预测值，Xri为第i个样本对应的实际值；工业生产中相对误差满足小于8％，即认为该模型符合实际生产要求，能在实际生产中应用。
耗时是指从BP神经网络某个特定的预测模型建立之后一次训练开始到本次训练结束所用的时间；样本百分误差图显示训练期间样本预测值和所对应的实际值之间的百分误差。
所述参数误差检验单元，分析影响上述预测工艺参数的影响因素，得出被预测工艺参数的变化大小和方向，进而调整该预测工艺参数的大小和方向。具体为：参数误差检验单元是训练误差综合评估单元之后对预测参数进行再分析的一个单元，主要是分析影响该预测工艺参数的因素，然后让影响因子较大的因素和其他因素两两配对，根据两种因素的实际数据对相对百分误差的影响变化画出三维拟合图，然后分析被预测的工艺参数的变化大小和方向，进而调整该参数的调整和方向。此单元主要是在Matlab App Designer环境中采用surf()函数在app.UIAxe组件中画出三维曲面图来验证影响工艺参数影响因子的大小。
所述参数修正单元，根据参数误差检验单元分析得出的对特定的某一个工艺参数的影响因素对其进行调整来优化该工艺参数，在每一次做出调整后进行记录，并把调整后的参数数据上传到连轧工艺模型设计计算模块中。
本发明还提供了一种基于Matlab的无缝钢管连轧工艺智能预测方法，包括：
(1)采用连轧工艺模型设计计算模块建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块的步骤；
(2)采用灰色关联确定连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块的步骤；
(3)实时反映BP神经网络的综合训练效果，并评估智能模型预测模块的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至连轧工艺模型设计计算模块中的步骤。
本发明的有益效果：
Matlab软件自带人工智能神经网络工具箱nntool，该工具箱结合Matlab编程可以实现神经网络预测模型的建立、训练和预测，而且还可以自己编写程序来实现神经网络训练的目的，并且matlab具有优越的数据图像拟合和分析能力，更重要的是Matlab AppDesigner组件可以和神经网络结合，可以灵活的修改神经网络的参数，而且能方便直观的显示训练的结果和预测的数据。
本发明基于Matlab App Designer开发，中文语言环境，可以方便直接调用Matlab软件自身函数、灵活设计用户操作界面和实现快捷地交互Windows系统。
本发明深入到BP神经网络的内部，灵活的设置输入—隐含层函数、隐含—输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数，使得智能预测模型功能的实现可以灵活改变以及直观体现在Matlab App Designer中，并且影响特定预测工艺参数的主要因素在反馈模块体现的清晰明朗。
本发明实现了及无缝钢管设计、现场生产、BP神经网络训练、数据拟合统计分析调整等良性相互促进等功能于一体，既能满足科学研究的需要，也具有商业应用的价值。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定。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相关的附图。
图1是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统总体框架示意图；
图2是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统功能结构图；
图3是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统流程图；
图4是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统登录界面示意图；
图5是本发明中连轧工艺模型设计计算模块中的已知参数界面示意图；
图6是本发明中连轧工艺模型设计计算模块中的设计参数界面示意图；
图7是本发明中连轧工艺模型设计计算模块中的孔型参数界面示意图；
图8是本发明中连轧工艺模型设计计算模块中的速度参数界面示意图；
图9是本发明中连轧工艺模型设计计算模块中的力能参数界面示意图；
图10是本发明中智能模型预测模块中数据导入单元界面示意图；
图11是本发明中智能模型预测模块中BP神经网络构建单元界面示意图；
图12是本发明中智能模型预测模块中遗传算法优化单元界面示意图；
图13是本发明中智能模型预测模块中BP神经网络训练和预测单元界面示意图；
图14是本发明中反馈模块中训练误差综合评估单元界面示意；
图15是本发明中反馈模块中参数误差检验单元界面示意图；
图16是本发明中反馈模块中参数修正单元界面示意图。
具体实施方式
基于前述的背景技术，目前无缝钢管连轧过程存在建模与质量无法准确智能预报的缺陷。
但随着人工智能的发展，以大数据驱动为核心的学习模型被应用于各个行业。其中人工神经网络是在“突触假设”的基础上发展起来的。它是一种具有自适应学习特点的高度非线性智能信息处理系统。神经网络利用大量的原始数据，能够灵活、精确地解决多变量非线性系统的问题。
而且，Matlab软件自带人工智能神经网络工具箱nntool，该工具箱结合Matlab编程可以实现神经网络预测模型的建立、训练和预测，而且还可以自己编写程序来实现神经网络训练的目的，并且matlab具有优越的数据图像拟合和分析能力，更重要的是MatlabApp Designer组件可以和神经网络结合，可以灵活的修改神经网络的参数，而且能方便直观的显示训练的结果和预测的数据。
因此，本发明的申请人是以MATLAB APP Designer为工具来实现的无缝钢管连轧工艺的设计到指导生产，然后根据生产数据训练的神经网络来预测工艺参数，最后根据预测的数据来对连轧工艺设计参数进行修正。
APP Designer中有按钮、文本区域、编辑字段等，采用组件库构建界面，完成界面布局后，MATLAB会根据控件类型自动创建.m编码文件，系统会保存.fig文件和.m文件，其需要在同一路径中保存设计视图和代码视图；在此基础上对模块中的单元添加所实现功能的回调函数，使用xlswrite()将Matlab中计算得到的数据写入到目标表格中，xlsread()读取excel文件中的数据，uiputfile获得文件的路径和文件名称，uigetfile获取所选文件信息，fullfile利用文件各部分信息创建并合并成完整的文件名。
以上现有技术中的方案所存在的缺陷，均是申请人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是申请人在本申请过程中对本申请做出的贡献。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。因此，以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统总体框架示意图。图4为本发明涉及的智能预测系统的登录界面示意图。
如图1所示，一种基于Matlab的无缝钢管连轧工艺智能预测系统具体包括：连轧工艺模型设计计算模块、智能模型预测模块和反馈模块，连轧工艺模型设计计算模块，建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块中；智能模型预测模块，采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块中；和反馈模块，实时反映BP神经网络的综合训练效果，并评估预测工艺参数的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至所述连轧工艺模型设计计算模块中。
其中，连轧工艺模型设计计算模块包括已知参数单元、设计参数单元、孔型参数单元、速度参数单元和力能参数单元共计五个单元；智能模型预测模块包括数据导入和数据导出单元、BP神经网络构建单元、遗传算法优化单元、BP神经网络训练单元和BP神经网络预测单元；反馈模块包含训练误差综合评估单元、参数误差检验单元和参数修正单元。
具体到本发明中：
已知参数单元，根据实际要求获取连轧前后管形尺寸的已知参数，并将这些参数录入到Matlab的系统中。连轧工艺模型设计计算模块中的已知参数单元是此模块的基础，是设计孔型参数和后面一系列工艺参数计算的前提，此单元数据包括四部分的工艺参数，具体包括毛管外径、毛管壁厚、荒管壁厚和荒管外径。本发明采用Matlab函数uigetfile()从目标Excel表格调入和保存这四部分的数据，然后分别使用函数xlsread()和函数xlswrite()来分别读取目标表格内的数据和写入数据到软件中，如图5所示。
设计参数单元，根据已知参数单元和无缝钢管变形原理对连轧工艺过程中各道次的工艺参数进行设计。连轧工艺模型设计计算模块的设计参数单元是此模块的核心，是后面单元计算过程的前提。根据已知参数单元中参数和无缝钢管变形原理对无缝钢管连轧工艺过程的参数进行设计，其中包括芯棒直径、出口速度、延伸系数、各道次的减壁量的分配和相对应的减壁率。本发明使用Matlab App Designer中的按钮组件利用其调用函数ButtonPushedFcn对其进行设计计算。如图6所示。
孔型参数单元，根据设计参数单元中各道次的工艺参数来设计孔型参数。连轧工艺模型设计计算模块的孔型参数单元是整个连轧工艺过程最重要的环节。孔型参数决定着能否生产出符合标准的成品无缝钢管。孔型参数包括各道次的孔型高度、孔型宽度、槽底半径、偏心距、侧壁角和槽底壁厚。根据上一个设计参数单元中各道次的减壁量的分配从而设计孔型参数，其中在设计孔型参数中应用的一些经验参数是根据大量实验验证的。本发明利用Matlab中的properties(Aeccess＝public)定义的公有属性，可以方便的将各个app单元中数据进行相互传递。如图7所示
本发明中，在根据已知参数和无缝钢管变形原理进行设计参数时，以及孔型参数的计算时，可具有参考文献：双远华.无缝钢管轧制工艺及其数值模拟[M].国防工业出版社,2012。
速度参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的速度参数。连轧工艺模型设计计算模块的速度参数单元是根据最后一机架的出口速度，根据秒流量相等的原理计算出其余连轧机架的速度。本发明为了直观的显示速度在各道次的变化趋势，在Matlab的app.UIAxes中采用plot函数画出各道次速度的折线图，可以方便的判断速度的变化是否合理。如图8所示
力能参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的力能参数。连轧工艺模型设计计算模块的力能参数单元是整个模块最复杂的一个单元，但在实际生产中，力能参数是直观判断连轧无缝钢管是否存在异常的重要因素。力能参数单元包括各道次的减径区长度、水平投影面积、平均单位压力和减壁区长度、水平投影面积、平均单位压力以及总轧制力和总扭矩。如图9所示
本发明在计算速度参数单元的速度参数和力能参数单元的力能参数过程是利用传统的数学模型计算。具体参考：汤涛.无缝钢管连轧过程数值模拟及参数优化[D].南华大学,2013。
本发明的智能模型预测模块包括BP神经网络构建单元、遗传算法优化单元、BP神经网络训练单元和BP神经网络预测单元，分别用于进行BP神经网络工艺参数智能预测模型的建立、优化、训练和预测。
BP神经网络构建单元，采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，并据此确定BP神经网络的输入神经元数和输入变量，从而独立建立各个工艺参数的BP神经网络，并采用试值法对隐含层神经元数不断优化后获得最优隐含层神经元数，进而构建出符合训练要求的BP神经网络。BP神经网络构建单元具体包括神经网络的建立，具体使用newff()建立多个BP神经网络连轧工艺参数预测模型，需要设置输入—隐含层函数、隐含—输出层函数、训练算法、输入神经元个数、隐含层个数、输出层神经元个数、归一化区间、学习速率、最小目标误差和最大训练次数。
BP神经网络建立后的训练初始值是随机生成的，根据输入层神经元、输出层神经元和隐含层神经元，随机数生成初始值矩阵，开始训练；为了确定最优的BP神经网络隐含层神经元数，采用试值法确定最优的隐含层神经元数，具体方法是，不断改变神经网络的隐含层的神经元数，对网络进行训练，并记录不同隐含层数目下的训练集相关系数和测试集相关系数，并进行比较得到最优的隐含层神经元数。
本发明在Matlab App Designer中，上述算法在界面中采用编辑字段(数值)都有直观的显示，并且可以根据需要进行灵活的修改；在Matlab环境中，输入—隐含层函数和隐含—输出层函数均可选择tangsig、logsig和purelin，训练算法可选择LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd，使用Matlab中工具箱实现。归一化区间可选[0,1]和[-0.5,0.5],使用Matlab中的mapminmax()函数。学习速率为0到1之间的小数，使用Matlab APP Designer的环境中采用编辑字段(数值)Edit Field实现。如图11所示。
遗传算法优化单元，利用BP神经网络构建单元初步训练结束后的权值和阈值作为遗传算法优化的初始值，然后利用遗传算法对该初始值进行优化，得到比较好的初始权值和阈值，为下一次BP神经网络的训练提供初始的权值和阈值，当遗传算法优化过程达到设置的迭代次数时，初始值优化结束，最终得到最优的初始权值和阈值。
所述遗传算法优化单元是对BP神经网络算法的初始值进行优化的一个单元，该单元中是基于上个神经网络构建单元而对初始值不断优化。一般来说，BP神经网络训练的初始权值和阈值一般是随机生成的，本发明采用遗传算法对初始权值和阈值进行优化，具体实施方法是利用上一个BP神经网络构建单元的初步训练结束后的权值和阈值作为遗传算法优化的初始值，然后利用遗传算法对该初始值进行优化，最终得到比较好初始权值和阈值，为下一次神经网络的训练提供初始权值和阈值。该遗传算法优化单元结束的条件是达到设置的迭代次数，即表明初始值优化结束，最终得到最优的初始权值和阈值。
本发明将权值和阈值数据进行编码，适应度评估、选择交叉变异，不断进行循环，直到满足算法结束的条件，结束条件是达到最大的迭代次数或者适应度值不在发生变化，即认为遗传算优化结束，得到最优解。
该单元在Matlab App Designer的环境中采用编辑字段(数值)对遗传算法优化过程进行灵活的设置和修正，设置的参数包括种群规模、最大进化代数、交叉概率、变异概率和训练时间；为了能更直观的看到遗传算法的优越性，在Matlab App Designer中采用组件app.UIAxes画出适应度值的收敛曲线，然后对模型进行保存，传递到BP神经网络训练单元和BP神经网络预测单元。如图12所示。
本发明中的BP神经网络训练单元和BP神经网络预测单元是建立最优神经网络的最后步骤，经过最合适的隐含层神经元数和最优的权值和阈值的初始值，以及其他神经网络参数，所以现在已经获得了较优的BP神经网络，然后应用该神经网络将现场所需要轧制的无缝钢管的规格数据导入至已经获得的较优BP神经网络中进行训练和预测，并写入到Matlab APP Designer中的app.UITable中，预测结果经过数据导出单元将实际值和预测值上传到反馈模块。
BP神经网络训练单元中将预测的数据利用plot函数画出折线图和实际数据都直观的呈现在app.UIAxes中能方便的看出预测值的整体趋势。
其中，本发明所述BP神经网络训练单元，将现场所需要轧制的无缝钢管的规格数据导入至已构建并优化后的BP神经网络中，进行再训练，当训练后实际值和预测值相对误差达到工业生产要求后，认为训练达到预期目标，(钢管壁厚要求是实际值和预测值的相对百分误差小于6.5％)，训练结束，作为最终预测工艺参数的预测模型。
表1为钢管壁厚工业生产相对百分误差标准表。
表1
Figure BDA0003303636610000171
Figure BDA0003303636610000181
Figure BDA0003303636610000182
所述BP神经网络预测单元，采用最终建立的预测模型来预测下一次生产后的工艺参数。
此阶段设置的参数包括学习速率、最小目标误差和最大训练次数。最小目标误差为接近于0但大于0的小数，使用Matlab APP Designer的环境中采用编辑字段(数字)EditField实现；最大训练次数为大于0的整数，使用Matlab APP Designer的环境中采用编辑字段(数字)Edit Field实现；使用函数train()进行模型的训练，在训练过程中可以调节归一化区间、学习速率、最小目标误差和最大训练次数，在训练达到预期目标后，训练结束，且作为最终预测模型使用函数sim()来预测下一次生产后的管型参数和工艺参数。如图13所示。
本发明所述数据导入单元用于导入正常生产现场所采集上传的实际数据，包括连轧工艺模型设计计算模块所设计的重要参数；所述数据导出单元是经过控制变量和灰色关联，在经过BP神经网络训练后输出的预测值并将其输出的预测值上传到反馈模块中。本发明导入的大量数据集采用函数xlsread()，导出预测数据采用函数xlswrite()。这两个函数针对系统内的数据进行读取或者写数据到系统中。如图10所示。
本发明训练误差综合评估单元，实时反映BP神经网络的综合训练效果，为预测模型的确定提供参考。训练误差综合评估单元主要目的是评估该神经网络模型的准确性，根据比较模型预测值和实际值的相对误差等评估手段来直观的显示所建立模型的优越性和准确性。
综合评估参数包括：最大百分误差、最小百分误差、平均百分误差和耗时。使用Matlab App Designer中的编辑字段(数值)显示；综合评估的图示有：训练拟合图和样本误差图，使用Matlab中app.UIAxes显示；百分误差的具体采用下式(1)：
ei＝|Xfi-Xri|/Xri·100％ (1)
其中，i表示第i个样本，Xfi为第i个样本对应的预测值，Xri为第i个样本对应的实际值；工业生产中相对误差满足小于8％，即认为该模型符合实际生产要求，能在实际生产中应用。
耗时是指从BP神经网络某个特定的预测模型建立之后一次训练开始到本次训练结束所用的时间；样本百分误差图显示训练期间样本预测值和所对应的实际值之间的百分误差。如图14所示。
所述参数误差检验单元，分析影响上述预测工艺参数的影响因素，得出被预测工艺参数的变化大小和方向，进而调整该预测工艺参数的大小和方向。具体为：参数误差检验单元是训练误差综合评估单元之后对预测参数进行再分析的一个单元，主要是分析影响该预测工艺参数的因素，然后让影响因子较大的因素和其他因素两两配对，根据两种因素的实际数据对相对百分误差的影响变化画出三维拟合图，然后分析被预测的工艺参数的变化大小和方向，进而调整该参数的调整和方向。此单元主要是在Matlab App Designer环境中采用surf()函数在app.UIAxe组件中画出三维曲面图来验证影响工艺参数影响因子的大小。如图15所示。
所述参数修正单元，根据参数误差检验单元分析得出的对特定的某一个工艺参数的影响因素对其进行调整来优化该工艺参数，在每一次做出调整后进行记录，并把调整后的参数数据上传到连轧工艺模型设计计算模块中，对连轧工艺模型设计计算模块进行调整，再次指导生产，再进行预测。如图16所示。
图2是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统的功能结构图，包括三大模块，十三个单元。其中已知参数单元是根据生产要求制定的；数据导入和数据导出单元功能实现是以Excel表格为桥梁实现的；BP神经网络构建单元包括灰色关联、输入-隐含层函数、隐含-输出层函数、训练算法，隐含层个数；遗传算法单元设置的参数有群组的大小、编码、适应度函数、最大进化代数、交叉概率、变异概率；神经网络训练和预测单元包括学习速率、最小训练误差、最大训练次数和预测数据拟合图；训练误差综合评估单元包括评估参数和评估图示，评估参数包括最大百分误差、最小百分误差、平均百分误差和耗时；评估图示包括训练拟合图和样本百分误差图；参数误差检验单元是三维拟合曲面图；参数修正单元包括参数单一调整和数据反馈。
本发明还提供了一种基于Matlab的无缝钢管连轧工艺智能预测方法，包括：
(1)采用连轧工艺模型设计计算模块建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块的步骤；
(2)采用灰色关联确定连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块的步骤；
(3)实时反映BP神经网络的综合训练效果，并评估智能模型预测模块的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至连轧工艺模型设计计算模块中的步骤。
如图3所示,是本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统具体的流程图，一次完整的无缝钢管连轧工艺的智能预测系统过程包含以下步骤：1)MatlabApp Designer环境中打开，输入用户名和登录密码，进入系统；2)输入实际生产要求制定的已知参数；3)根据已知参数来设计相关参数，在Matlab App Designer程序编译环境中编译生成设计参数的方法，然后根据已知参数，点击生成设计参数；4)然后根据上一步的设计参数，设计生成孔型参数；5)根据上述的参数，计算出各道次的速度参数；6)最后计算工艺设计模型最后一步，计算力能参数；7)根据前六步设计计算的工艺模型，应用到现场的生产线上，指导实际生产；8)在实际生产过程中，记录工艺参数和管型参数的数据，写入Excel；9)将上一步记录的数据作为训练数据和预测数据导入智能预测模型；10)通过对影响管型参数的工艺参数进行分析、灰色关联计算和神经网络其他参数的设置建立BP神经网络；11)利用遗传算法对建立的BP神经网络进行优化；12)使用BP神经网络训练和预测单元和训练数据对优化后的网络进行训练；13)使用数据导入单元将预测数据导入模型；14)使用BP神经网络训练和预测单元进行模型预测；15)使用数据导出单元将导出预测结果并画出实际数据和预测数据对比图；16)结合效果综合评估单元，分析训练效果；17)对管型预测数据和实际数据误差进行分析和检验，从而得出特定参数对管型参数影响大小，画出三维拟合曲面图，以及根据误差确定该参数的调整大小和方向；18)对上述分析参数进行调整，将调整后的参数反馈到设计参数单元，对工艺设计计算模块进行参数调整，然后返回步骤3)。
下面以一次具体的荒管壁厚的智能预测研究过程作为实施例，对本发明的一种基于Matlab的无缝钢管连轧工艺智能预测系统的主要实施过程进一步说明：
本实施例中，调整的标准是以连轧结束后荒管的壁厚，实际生产背景是某钢厂的无缝钢管生产线，在生产中，已知毛管壁厚15mm、毛管外径158mm、荒管壁厚4mm和荒管外径125mm。毛管尺寸，毛管在无缝钢管连轧工艺设计计算模块中，利用传统的数学几何模型和一些经验公式来对设计参数进行设计计算，然后对孔型参数、速度参数和力能参数，计算结果和Matlab app Designer如图5-9。
下一步把设计好的工艺模型应用到无缝无缝钢管连轧生产线上，取一天的300组生产数据进行记录上传，作为BP神经网络的训练和预测数据，再取另外的验证数据20组，进行保存。
构建BP神经网络，首先从传统工艺模型和经验公式的出影响荒管壁厚的因素有温度、延伸系数、芯棒直径、减径率、出口速度、减壁率和机架最大轧制力。应用灰色关联度计算各工艺参数和荒管壁厚的关联度，计算结果如表2所示。
表2
Figure BDA0003303636610000231
由表可得延伸系数、减径率、出口速度、机架最大轧制力、减壁率和芯棒直径对荒管壁厚的相关度较大，温度在收集的生产数据中和荒管壁厚的相关度较低。所以最终决定输入变量为延伸系数、减径率、出口速度、机架最大轧制力、减壁率和芯棒直径。使用数据导入和导出单元将输入变量相关数据导入到智能模型预测模块；接下来对隐含层个数、输入—隐含层函数、隐含层—输出层函数、训练算法。
在Matlab环境中，输入—隐含层函数可选tansig、logsig和purelin，隐含—输出层函数也可选tansig、logsig和purelin，训练算法可选LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播trainrp和梯度下降反向传播算法trainged。LM反向传播算法trainlm指Matlab Levenberg—Marquardt backpropagation神经网络网络训练算法，其根据Levenberg—Marquardt optimization来更新神经网络的权值和阈值。拟牛顿反向传播算法trainbfg指Matlab BFGS quasi-Newton backpropagation神经网络训练算法，其根据BFGS quasi-Newton method来更新神经网络的权值和阈值。弹性反向传播算法trainrp是指Matlab Resilient backpropagation神经网络训练算法，其根据resilientbackpropagation algorithm来更新神经网络的权值和阈值。梯度下降反向传播法traingd指Matlab Gradient descent backpropagation神经网络训练算法，其根据gradientdescent method来更新神经网络的权值和阈值。本次实施案例选择的输入—隐含层函数为tansig；隐含层—输出层函数为purelin；训练函数为trainlm；利用试凑法确定隐含层节点数为15。所以BP神经网络的结构为6-15-1。
在BP神经网络构建完成以后，使用遗传算法对初始的权值和阈值进行优化，首先需要进行编码，常用的编码方式有：实数编码、二进制编码和格雷码编码。此实例选择实数编码，BP神经网络有权值6×15+15＝105，有阈值15+1＝16。权值加阈值共121个，即121个基因，作为遗传算法的一个染色体。通常，遗传算法的种群规模设定在[20,100]，本实例中选择种群规模选择80，即染色体个数为80，则一共有80×121＝9680个基因参加学习。将上述所有基因元素数据以行优先顺序排成一个数据串(x1,x2,x3,...,x9680)，形成一个染色体，串上的每一个基因对应矩阵的一个元素。首先利用BP神经网络调节网络的链接权值和阈值，然后，将BP神经网络训练后的连接权值和阈值作为遗传算法的初始种群；进化代数即遗传算法迭代搜索次数，也是遗传算法的终止条件之一，本次将迭代次数的最大值设置为10000作为遗传算法进化代数。适应度函数是遗传算法评价问题好坏的标准，本次实例将BP神经网络输出的误差平方和的倒数作为遗传算法的适应度函数，公式(2)如下：
Figure BDA0003303636610000241
其中，i是进化代数，n是训练样本数，Ej是期望输出，Oj是实际输出。
下一步进行遗传操作方法的确定，选择操作是通过模拟达尔文试适者生存的生物进化原则，选择种群中生命力强的个体产生新的种群的过程。目前常用的选择操作方法有轮盘赌法、随机竞争选择、最优保留选择、无放回随机选择、确定式选择、最优保存策略等。本次采用轮盘赌法和最优个体保存策略作为选择操作的方法。交叉操作是产生新个体的主要方法，是遗传算法中的关键步骤，交叉操作通过模拟自然界生物进化过程中的基因重组的过程，将种群内的个体随机配对，并根据交叉率交换染色体的基因。本实例中采用的实数编码，基于实数编码的交叉操作方法有实数型算数交叉、均匀交叉、单点交叉、两点交叉等方法。综合分析，采用是实数编码的算数交叉，对每个基因产生[0,1]间的随机数r，根据经验设定交叉概率Pc，一般取值为[0.4,0.99],本实例取Pc＝0.7。若r小于Pc，则该基因进行交叉操作。交叉后的新个体公式(3)如下：
Figure BDA0003303636610000251
式中，X和Y是父代染色体；X'和Y'是交叉后的子代染色体；i是交叉点，即染色体上的第i个基因
变异操作是模拟生物进化过程的基因突变，根据变异率Pm改变染色体上的一个或几个基因值，为新个体的产生提供了机会，维持种群的多样性，改善算法自身的局部搜索能力，防止出现早熟现象。一般取值为[0.001，0.1]。若r小于概率Pm，则该基因进行变异操作，改变该基因的取值。变异操作的方法因染色体编码方式的不同而不同。本实例采用实数编码，基于实数编码的变异操作方法有均匀变异、非均匀变异、高斯近似变异等方法。本文采用非均匀变异方法，较之均匀变异方法更有利于局部寻优，且Pm＝0.05。所以遗传算法的参数设置如表3所示。
表3
Figure BDA0003303636610000252
在遗传算法参数设置完成，对BP神经网络的权值和阈值进行优化，优化结束以后，再次对BP神经网络进行训练，在BP神经网络的训练中，设置学习速率为0.2，最小目标误差为0.00001，最大训练次数为10000。因此BP神经网络训练和预测单元最终的参数设置如表4所示。
表4
Figure BDA0003303636610000261
表4所示只是本实施例用来说明本发明的预测研究系统训练和预测的多种参数设置组合情况中的一种，而非对参数设置的限定。输入-隐含层函数除logsig之外也可选tansig或purelin，隐含-输出层函数除purelin之外也可选tansig或logsig，训练算法除trainlm之外也可选trainbfg、trainrp或traingd，归一化区间除[-0.5,0.5]之外也可选[0,1]。参数设置的最终确定与研究对象有关，训练和预测效果的好坏决定了参数设置情况，相同研究对象下取效果最好的参数设置组合。
本实施例中，BP神经网络构建和优化结束以后，对网络进行再训练和对预测数据进行预测，另外取没有参加训练的20组验证集数据作为预测数据进行预测，预测结果如图13所示。
在智能预测模型对预测数据进行预测以后，训练效果综合评估单元显示的训练效果如表5和图14所示。表5中数字保留4位有效数字。
表5
Figure BDA0003303636610000262
Figure BDA0003303636610000271
分析表5和图13-14可知，预测模型训练结果曲线和实际曲线具有很高的似合度，训练能够紧跟荒管壁厚曲线的变化趋势，样本最小百分误差值为2.608％，最大百分误差为4.601％，平均百分误差不大于3.5％，耗时在数秒之内。此次具有该训练效果的模型可以作为最终的预测模型来对预测时期的荒管壁厚进行预测。
在进行训练效果综合评估单元以后，根据相对百分误差对参数进行检验，即对神经网络的输入变量进行修正，首先输入变量两两配对，和荒管壁厚误差画出三维拟合曲面图，如图15，分析可得本次实例中，延伸系数对荒管壁厚有较大的影响，延伸系数的数据和其他五项参数的数据对相对百分误差的影响数据，画出三维拟合曲面图，然后进行分析统计，得出最优参数组合，如图16，然后根据参数影响比重，对延伸系数按比重进行调整，得出最优的延伸系数。对输入变量进行单一参数延伸系数的调整，反馈到工艺设计模型中将延伸系数为作为工艺设计值，对连轧生产线参数进行同步的调整，进行无缝钢管的生产，记录和分析数据，在对新采集的数据进行智能预测模型的训练和预测，再次进行参数分析和调整，使生产线和系统达成相互促进的良性循环系统。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进、部件拆分或组合等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，包括：
连轧工艺模型设计计算模块，建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块中；
智能模型预测模块，采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块中；和
反馈模块，实时反映BP神经网络的综合训练效果，并评估预测工艺参数的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至所述连轧工艺模型设计计算模块中。
2.根据权利要求1所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述连轧工艺模型设计计算模块包括：
已知参数单元，根据实际要求获取连轧前后管形尺寸的已知参数，并将这些参数录入到Matlab的系统中；
设计参数单元，根据已知参数单元和无缝钢管变形原理对连轧工艺过程中各道次的工艺参数进行设计；
孔型参数单元，根据设计参数单元中各道次的工艺参数来设计孔型参数；
速度参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的速度参数；
力能参数单元，根据已知参数单元、设计参数单元和孔型参数单元中的数据通过计算得出各道次的力能参数。
3.根据权利要求2所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述智能模型预测模块包括有BP神经网络构建单元，该构建单元采用灰色关联确定所述连轧工艺模型设计计算模块中各个工艺参数的影响因素，并据此确定BP神经网络的输入神经元数和输入变量，从而独立建立各个工艺参数的BP神经网络，并采用试值法对隐含层神经元数不断优化后获得最优隐含层神经元数，进而构建出符合训练要求的BP神经网络。
4.根据权利要求3所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述智能模型预测模块还包括有遗传算法优化单元，该遗传算法优化单元利用BP神经网络构建单元初步训练结束后的权值和阈值作为遗传算法优化的初始值，然后利用遗传算法对该初始值进行优化，得到比较好的初始权值和阈值，为下一次BP神经网络的训练提供初始的权值和阈值，当遗传算法优化过程达到设置的迭代次数时，初始值优化结束，最终得到最优的初始权值和阈值。
5.根据权利要求4所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述智能模型预测模块还包括有BP神经网络训练单元和BP神经网络预测单元；
其中，所述BP神经网络训练单元，将现场所需要轧制的无缝钢管的规格数据导入至已构建并优化后的BP神经网络中，进行再训练，当训练后实际值和预测值相对误差达到工业生产要求后，认为训练达到预期目标，训练结束，作为最终预测工艺参数的预测模型；
所述BP神经网络预测单元，采用最终建立的预测模型来预测下一次生产后的工艺参数。
6.根据权利要求5所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述智能模型预测模块还包括有数据导入单元和数据导出单元；
其中，所述数据导入单元，将生产现场所采集的实际数据和连轧工艺模型设计计算模块中设计完成的工艺参数导入至Matlab的系统中；
所述数据导出单元，将经BP神经网络预测单元预测的工艺参数导出并将其上传到反馈模块中。
7.根据权利要求6所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述反馈模块包括有：训练误差综合评估单元，实时反映BP神经网络的综合训练效果，并根据BP神经网络预测模型的预测值与实际值的相对误差来评估预测模型的准确性。
8.根据权利要求7所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述反馈模块还包括有：参数误差检验单元，分析影响上述预测工艺参数的影响因素，得出被预测工艺参数的变化大小和方向，进而调整该预测工艺参数的大小和方向。
9.根据权利要求8所述的一种基于Matlab的无缝钢管连轧工艺智能预测系统，其特征在于，所述反馈模块还包括有：参数修正单元，根据参数误差检验单元分析得出的对特定的某一个工艺参数的影响因素对其进行调整来优化该工艺参数，在每一次做出调整后进行记录，并把调整后的参数数据上传到连轧工艺模型设计计算模块中。
10.一种基于Matlab的无缝钢管连轧工艺智能预测方法，其特征在于，包括：
(1)采用连轧工艺模型设计计算模块建立连轧工艺流程和设计一系列工艺参数来指导实际生产，并将其设计的工艺参数上传至智能模型预测模块的步骤；
(2)采用灰色关联确定连轧工艺模型设计计算模块中各个工艺参数的影响因素，从而独立建立各个工艺参数的BP神经网络，经试值法优化后获得符合训练要求的神经网络；然后再经遗传算法优化单元和BP神经网络训练单元的不断优化与训练，同时结合现场所需要轧制的无缝钢管的规格数据，对各个工艺参数进行预测，最后将预测工艺参数上传到反馈模块的步骤；
(3)实时反映BP神经网络的综合训练效果，并评估智能模型预测模块的准确性，同时针对上述预测工艺参数的影响因素进行分析后优化调整，并把优化调整后的工艺参数上传至连轧工艺模型设计计算模块中的步骤。
CN202111197518.5A 2021-10-14 2021-10-14 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法 Pending CN113901725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197518.5A CN113901725A (zh) 2021-10-14 2021-10-14 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197518.5A CN113901725A (zh) 2021-10-14 2021-10-14 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法

Publications (1)

Publication Number Publication Date
CN113901725A true CN113901725A (zh) 2022-01-07

Family

ID=79192112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197518.5A Pending CN113901725A (zh) 2021-10-14 2021-10-14 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法

Country Status (1)

Country Link
CN (1) CN113901725A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117148807A (zh) * 2023-10-30 2023-12-01 江苏银家不锈钢管业有限公司 不锈钢钢管的加工控制方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117148807A (zh) * 2023-10-30 2023-12-01 江苏银家不锈钢管业有限公司 不锈钢钢管的加工控制方法及装置
CN117148807B (zh) * 2023-10-30 2024-01-26 江苏银家不锈钢管业有限公司 不锈钢钢管的加工控制方法及装置

Similar Documents

Publication Publication Date Title
Benardos et al. Optimizing feedforward artificial neural network architecture
CN113901725A (zh) 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法
CN108596335B (zh) 一种基于深度强化学习的自适应众包方法
CN109558677A (zh) 一种基于数据驱动的热轧板凸度预测方法
CN100383796C (zh) 铜合金管材铸轧工艺参数设计及优化的方法
CN110386768B (zh) 水泥烧成过程中能耗动态实时控制方法
CN108764568B (zh) 一种基于lstm网络的数据预测模型调优方法及装置
CN105678407A (zh) 一种基于人工神经网络的日用电量预测方法
Tam et al. Selection of vertical formwork system by probabilistic neural networks models
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN111353656A (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN108846526A (zh) 一种二氧化碳排放量预测方法
CN114678080B (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN114693064B (zh) 一种建筑群方案生成性能评价方法
CN115099519B (zh) 一种基于多机器学习模型融合的油井产量预测方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111785326B (zh) 基于生成对抗网络的药物作用后基因表达谱预测方法
CN114580707A (zh) 一种多特征融合产品的情感趋势预测模型、建立方法及预测方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN114611379A (zh) 一种基于数据驱动的加工工艺节能规划方法
CN112163671A (zh) 一种新能源场景生成方法及系统
CN107274016A (zh) 随机蛙跳算法优化对称极限学习机的带钢出口厚度预测方法
CN114239330B (zh) 基于深度学习的大跨度网壳结构形态创建方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN111680452A (zh) 基于全要素数据挖掘的电网工程精准投资决策仿真方法

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