CN114192587B - 一种基于误差反向传播算法的冷轧板形控制参数设定方法 - Google Patents
一种基于误差反向传播算法的冷轧板形控制参数设定方法 Download PDFInfo
- Publication number
- CN114192587B CN114192587B CN202111514549.9A CN202111514549A CN114192587B CN 114192587 B CN114192587 B CN 114192587B CN 202111514549 A CN202111514549 A CN 202111514549A CN 114192587 B CN114192587 B CN 114192587B
- Authority
- CN
- China
- Prior art keywords
- cold
- network
- plate shape
- rolled
- shape control
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- 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)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于冶金自动化和智能化控制技术领域,特别涉及一种基于误差反向传播算法的冷轧板形控制参数设定方法。首先基于多层前馈神经网络建立冷轧板形预报网络,利用收集的历史冷轧轧制参数、板形控制参数等轧制数据和历史板形数据对冷轧板形预报网络进行离线训练,并将训练好的网络作为板形控制参数优化网络,用于在线计算。然后将所需的当前带钢的冷轧轧制参数、板形控制参数初始设定值以及板形目标值输入到板形控制参数优化网络。利用板形控制参数优化网络的网络预报板形值与板形目标值的偏差,基于误差反向传播算法对板形控制参数按照优先级进行逐一迭代计算,获得优化后的板形控制参数。
Description
技术领域
本发明属于冶金自动化和智能化控制技术领域,特别涉及一种基于误差反向传播算法的冷轧板形控制参数设定方法。
背景技术
冷轧板形自动控制系统一般由板形预设定、前馈控制、反馈控制和自学习四部分构成。典型的板形执行机构包括工作辊弯辊、中间辊弯辊、中间辊窜辊、轧辊倾斜和精细冷却设备,可对边浪、中浪、肋浪、复合浪和高次浪形缺陷进行控制。
专利CN201811310587.0“一种冷轧板形闭环控制方法及系统”(专利1)。该专利根据冷轧板形调控功效系数建立冷轧板形执行机构协同控制的评价函数,由评价函数的梯度信息和板形执行机构调节可行域,确定执行机构的调整方向及其最优调节量,提高板形调节速度。
专利CN201810338087.1“一种基于数据驱动的冷轧板形调控功效系数获取方法”(专利2)。该专利采用偏最小二乘算法对冷轧工艺参数和板形值的变化量进行处理,利用模型系数矩阵求得板形调控功效系数。
专利CN201110450321.8“冷轧板形残差消除方法”(专利3)。该专利根据轧辊与冷却液间的传热原理及PI闭环控制原理对工作辊精细冷却开关阀进行有效控制,以消除相应冷却分区上的冷轧板形残差。
专利CN201110450304.4“基于最优化算法的冷轧板形控制自学习方法”(专利4)。该专利根据学习样本对L1级板形控制所需的各板形控制机构的效率因子进行优化,有利于板形控制程序实时提高板形执行机构调节量的计算精度。
专利CN200910055471.1“一种基于来料板廓的冷轧板形前馈控制设定方法”(专利5)。该专利采用接力的方式,在冷连轧机组的前面机架对来料凸度波动进行逐架消除,降低来料凸度波动对成品带钢板形的影响,提高带钢板形的控制精度。
以上专利中,专利1针对的是冷轧板形闭环控制方法,用于确定板形执行机构的调整方向及其最优调节量。专利2和专利4分别采用数据驱动的方式和自学习的方式获取板形调控功效系数或者板形控制机构的效率因子,反映的都是板形执行机构的调节量对板形的影响增益,常用于板形反馈控制。专利3是针对高次浪形,采用精细冷却方式对冷轧板形残差进行控制,也属于板形反馈控制。专利5是针对来料板凸度波动进行板形前馈控制。
综上所述,现有专利主要涉及冷轧板形自动控制系统中的前馈控制、反馈控制和自学习,有关冷轧板形控制参数预设定的新方法尚无报道。
目前冷轧板形预设定主要还是利用影响函数法等离散化求解方法对带载辊系的弹性变形、接触应力、轧制厚度分布以及轧后板形进行迭代计算,对工作辊弯辊力、中间辊弯辊力、中间辊窜辊量、轧辊倾斜值等板形控制参数进行设定以满足板形目标曲线给出的板形控制要求。
基于影响函数法等数学模型的板形预设定模型与自学习模型的结合能够确保批次连续轧制时板形控制参数的高精度设定,但在材质切换、厚度或宽度规格切换轧制时设定精度明显下降,轧件头部区域板形往往较差,直接影响后续工序的稳顺生产,也制约了冷轧产品成材率的提升。神经网络具有很强的适应复杂环境的能力,对多目标控制也有很好的学习能力,并可以任意精度逼近任意非线性连续函数的特性。为此,可在板形预设定中引入神经网络协助数学模型完成板形控制参数的优化设定,增强模型对轧件头部非稳态轧制时的控制能力。
1986年Rumelhart和McClelland提出了一种利用误差反向传播算法训练的多层前馈网络,即BP(Back Propagation)网络,也是目前应用最广泛的神经网络模型之一。它的学习规则采用最速下降法,通过误差反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
专利CN201911018054.X“一种基于BP神经网络的轧机模型控制方法”(专利6)。该专利通过建立由轧制参数作为输入,轧制力作为输出的三层BP网络来预报轧制力,并采用在线和离线相结合方式对轧制力进行自适应调节。
由专利6可知,在模型设定控制时,对神经网络的使用主要是利用神经网络的前向计算开展网络预报,误差反向传播算法仅用于网络训练时权值和阈值的学习更新。
发明内容
本发明提出了一种基于误差反向传播算法的冷轧板形控制参数设定方法,如图1所示,首先基于多层前馈神经网络建立冷轧板形预报网络,利用收集的历史冷轧轧制参数、板形控制参数等轧制数据和历史板形数据对冷轧板形预报网络进行离线训练,并将训练好的网络作为板形控制参数优化网络,用于在线计算。
然后将所需的当前带钢的冷轧轧制参数、板形控制参数初始设定值以及板形目标值输入到板形控制参数优化网络。其中针对特定板形目标值的冷轧轧制参数包括例如钢种、原料宽度、凸度和楔形、末机架压下率、轧制力、前张力、后张力、轧制速度和轧制厚度等,板形控制参数包括中间辊窜辊值、工作辊弯辊力、轧辊倾斜值等。
如图1所示,对于确定的冷轧过程,当轧件信息、轧制工艺、设备参数和板形目标曲线已经确定后,轧制参数可通过冷轧轧制规程计算模型进行设定,板形控制参数初始设定值可通过冷轧板形计算模型进行计算设定。冷轧轧制规程计算模型和冷轧板形计算模型可采用现有技术中的模型。
利用板形控制参数优化网络的网络预报板形值与板形目标值的偏差,基于误差反向传播算法对板形控制参数按照优先级进行逐一迭代计算,获得优化后的板形控制参数。最后还可将优化后的板形控制参数再提供给冷轧板形计算模型,从而完成对冷轧板形控制参数设定值的优化。
具体地,本发明包括以下步骤:
步骤1:按照图2所示的多层前馈型全连接神经网络型式,建立冷轧板形预报网络,所述冷轧板形预报网络输入层有N个神经元,仅用于接收冷轧轧制参数和板形控制参数的输入;所述冷轧板形预报网络的输出层有Q个神经元,与板形辊测量单元的个数一致,用于输出分别对应Q个板形辊测量单元的网络预报板形值;所述的冷轧板形预报网络的隐含层有L层,各隐含层的神经元个数分别为P1、P2,…PL。隐含层和输出层神经元均可采用ReLU激活函数:
f(x)=max(0,x) (1)
步骤2:利用冷轧机组历史轧制数据(包括历史冷轧轧制参数、板形控制参数)和相应的板形数据,对冷轧板形预报网络进行训练,依次进行步骤2.1~步骤2.3:
步骤2.1:收集历史冷轧轧制参数、板形控制参数和板形数据,按照材质、厚度、宽度、板形目标曲线代码等进行数据归集形成网络训练样本数据;
步骤2.2:对所述网络训练样本数据进行标准化处理,标准化处理采用z-Score归一化方法;
其中,轧制的带钢由于宽度不同,有可能无法完全覆盖Q个板形辊测量单元,这种情况下,冷轧过程中,板形辊实际测量单元数量是小于Q的,此时标准化处理还需要先将冷轧带钢板形映射到板形辊全部Q个测量单元上以获得板形数据,并保持带钢板形特征不变。
为了实现这种映射,可以采用多项式插值的方法,具体如下:
对于拥有Q个测量单元的板形辊,如果冷轧过程中,冷轧带钢宽度仅覆盖m个测量单元且m个测量单元均匀分布,则在带钢宽度上会得到m个板形测量值pn(n=1,2,…m),pn为第n个带钢宽度覆盖到的测量单元的板形测量值。
使用插值函数pn=flat(n)=a0+a1n+...+am-1nm-1,按照下面公式进行插值,获得插值函数的多项式系数a0,a1,...,am-1:
再按照下面公式获得对应板形辊全部Q个测量单元对应的板形数据:
其中flat(ql)为板形辊全部Q个测量单元中,映射到第l个测量单元的板形数据。
步骤2.3:对冷轧板形预报网络进行训练,训练采用误差反向传播算法,当整体板形误差满足给定要求后结束训练。
采用误差反向传播算法进行训练的具体方法为:将网络训练样本数据逐一输入到冷轧板形预报网络中,参照图3,以含两个隐含层的预报网络为例,按照公式(2)~公式(7)进行网络前向计算,获得网络板形预报值,根据样本实际板形数据值与网络预报板形值,按照公式(8)建立基于误差平方和的损失函数E,再按照公式(9)~公式(14)所示的误差反向传播算法,根据相应的学习率α、β、η对冷轧板形预报网络的权值调节量ΔUkl、ΔVjk、ΔWij和阈值调节量Δτl、Δθ″k、Δθ′j进行计算,对冷轧板形预报网络的权值和阈值进行更新,以权值Ukl为例,更新后的权值为Ukl+ΔUkl。
当全部样本数据都输入后,记为整体学习一次,然后如此循环迭代,学习若干次后,如果整体板形误差满足给定要求后即可结束训练过程。其中xi(i=1,2…,N)为输入层输入的样本数据中的冷轧轧制参数和板形控制参数;Wij、θ′j(j=1,2…,P1)分别为输入层到第一隐含层的权值和第一隐含层神经元的阈值,z′j、Z′j分别是第一隐含层的输入和输出;Vjk、θ″k(k=1,2…,P2)分别为第一隐含层到第二隐含层的权值和第二隐含层神经元的阈值,z″k、Z″k分别是第二隐含层的输入和输出;Ukl、τl(l=1,2…,Q)分别是第二隐含层到输出层的权值和输出层神经元的阈值,yl、Yl分别是输出层的输入和输出,Yl也是网络预报板形值,则是对应该组样本数据轧制参数和板形控制参数的实际板形数据值。权值和阈值的初始值可采用随机数。本领域技术人员可以以此类推,当还有更多的隐含层时,采用与公式(9)~公式(14)类似的偏导连乘的方法,可以确定每两层之间的权值和阈值的调整值,并以此进行迭代和调整。
Z′j=f(z′j) (3)
Z″k=f(z″k) (5)
Yl=f(yl) (7)
步骤3:基于冷轧板形预报网络结构和训练获得的网络参数,建立板形控制参数优化网络,该优化网络可用于冷轧板形控制参数的预设定计算和优化。这样,所述的冷轧板形预报网络可用于离线训练,所述的板形控制参数优化网络可用于在线计算。
步骤4:利用板形控制参数优化网络优化当前轧件的板形控制参数设定值:
依次进行步骤4.1~步骤4.2:
步骤4.1:对所需的当前轧件的冷轧轧制参数、板形控制参数初始设定值以及板形目标值进行步骤2.2所述的标准化处理并输入到所述板形控制参数优化网络,其中冷轧轧制参数和板形控制参数初始设定值为网络输入层的初始输入值;
步骤:4.2:如图4所示,保持板形控制参数优化网络的权值和阈值不变,利用当前轧件的板形目标值与板形控制参数优化网络预报的板形值的偏差,利用误差反向传播算法对输入层中的板形控制参数进行迭代优化计算,同时网络输出层、隐含层的输出向量和输入向量也随板形控制参数的优化而进行变化,当板形误差满足收敛条件后结束;
所述板形误差的收敛条件为平均绝对误差指标值不再下降,平均绝对误差指标值不再下降可用前后两次迭代计算的平均绝对误差的差值的绝对值小于某个较小正值(例如可以0.001~0.01范围内取一正值)来判定;平均绝对误差指标值是指每次迭代后,网络预报的Q个板形值与相应的板形目标值之差的绝对值的平均数。步骤2.3中所述的“整体板形误差满足给定要求”也可以依此收敛条件,只是在训练过程中,平均绝对误差指标值是指每次迭代后,网络预报的Q个板形值与相应的实际板形数据之差的绝对值的平均数。
所述的板形控制参数迭代优化计算是按照图5所示的以下流程,对板形控制参数逐一进行优化计算:
(a)选择待优化的板形控制参数xi,保持输入层其它参数输入值不变;
(b)进行板形控制参数优化网络的前向计算,得到网络预报板形值,然后计算网络预报板形值与当前轧件板形目标值的误差以及平均绝对误差指标值;
(c)比较前后两次迭代计算后的平均绝对误差指标值:
如果平均绝对误差指标值下降,则按照以下公式计算所选板形控制参数的调整量Δxi,并用Δxi+xi更新所选板形控制参数值,返回步骤(b):
如果平均绝对误差指标值不再下降,停止对所选板形控制参数的优化。
关于公式(15)的计算方法,同样以含两个隐含层的预报网络为例,类似公式(13),有:
可以理解,如果是还有更多的隐含层时,中间还有更多的类似偏导数连乘。对含有L层隐含层的情况,上式可扩展为:
其中W为输入层神经元全连接到第一隐含层神经元的权值矩阵,V1为第一隐含层神经元全连接到第二隐含层神经元的权值矩阵、VL-2为第L-2隐含层神经元全连接到第L-1隐含层神经元的权值矩阵,VL-1是第L-1隐含层神经元全连接到第L隐含层神经元的权值矩阵,U为第L隐含层神经元全连接到输出层神经元的权值矩阵。z1、…、zL表示第一隐含层到第L隐含层的输入,下角标i、l(i=1、2、…、N,l=1、2、…、Q)分别为输入层和输出层神经元的序号,下角标k1、…、kL表示第1至L层隐含层神经元的序号(例如k1可取1、2、…、P1,其他以此类推),例如表示VL-2权值矩阵中,第L-2隐含层的第kL-2个神经元连接到第L-1隐含层的第kL-1个神经元的权值。
(d)如果所有的板形控制参数均已优化,则执行步骤(e),否则选择下一个板形控制参数,回到步骤(a);
(e)结束板形控制参数优化网络的计算,将优化后的板形控制参数进行反归一化处理,然后输出,输出的反归一化处理后的板形控制参数即为冷轧板形控制参数的设定值。
步骤4.2(e)给出的冷轧板形控制参数的设定值可用于实际生产,也可以将步骤4.2(e)给出的优化后的板形控制参数提供给冷轧板形计算模型,用于对所述板形控制参数初始设定值的更新,采用冷轧板形预报网络的离线训练和板形控制参数优化网络的在线优化计算相结合的方式,并与冷轧板形计算模型进行嵌套,共同对板形控制参数设定值进行在线计算和优化。
如果用于训练的样本数据较多,所述步骤1中冷轧板形预报网络的隐含层神经元总数可按以下公式确定:
其中,sampleNum为网络训练样本数据的数量,inputNum为输入层神经元数、outputNum为输出层神经元数。
上述方法中,所述步骤4.2中板形控制参数迭代优化计算按照板形控制参数的优先级逐一进行,其中优先级最高的板形控制参数为中间辊窜辊值,板形控制参数优化网络预报误差首先通过误差反向传播算法仅对中间辊窜辊值进行迭代计算和更新,在允许的中间辊窜辊范围内,如果网络平均绝对误差指标不再降低时即为最优的中间辊窜辊值。接着再针对第二优先级的板形控制参数开展类似优化过程,仅对第二优先级的板形控制参数进行迭代计算和更新,类似地完成对不同优先级所有的板形控制参数的优化。
上述方法中,所述冷轧板形预报网络和板形控制参数优化网络需要实际板形值来进行有监督地学习,所以本方法适用于布置板形仪的冷轧机架,对板形控制参数的设定值进行优化。
所述步骤2.3中的训练中,学习率α、β、η可以在(0,1)范围取值;所述步骤4.2中,学习率ξ可以在(0,1)范围取值。
本发明的有益效果:本发明提供了一种基于误差反向传播算法的冷轧板形控制参数设定方法,基于一个由历史轧制数据和板形数据建立和离线训练的多层神经网络,利用轧件的板形目标值与网络预报板形的偏差,在神经网络中进行反向传播,对神经网络的部分输入进行迭代计算,从而获得满足收敛条件的板形控制参数,并还可以将其传送到冷轧板形计算模型中,实现对板形控制参数预设定值的优化。
附图说明
图1冷轧板形控制参数优化网络辅助冷轧板形预设定计算示意图;
图2多层前馈型全连接神经网络结构示意图;
图3误差反向传播对网络的权值和阈值进行学习更新示意图;
图4误差反向传播对输入层部分输入以及网络输出层、隐含层的输出向量和输入向量进行学习更新示意图;
图5冷轧板形控制参数优化计算流程图;
图6本发明实施例所用的多层神经网络结构示意图;
图7本发明实施例板形控制参数的优化过程。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
本实施例以某1340mm四机架六辊HC冷轧机组为例,该冷轧机组具有轧辊倾斜、中间辊横移、S1~S3机架工作辊正弯、S4机架工作辊正负弯、S4机架分段精细冷却等板形调控手段,能够生产成品厚度为0.25~2.5mm,宽度720~1250mm的冷硬卷。末机架工作辊弯辊力变化范围为-400kN~+400kN,中间辊最大横移量为370mm,轧辊倾斜可变范围为-1.2mm~+1.2mm。在S4机架后布置一台板形检测辊,具有23个测量单元。
一种基于误差反向传播算法的冷轧板形控制参数设定方法,具体包括以下步骤:
步骤1:针对冷轧机组末机架,建立由1个输入层、2个隐含层和1个输出层构成的冷轧板形预报网络,如图6所示。所述网络的输入层接收的输入参数包括轧制参数和板形控制参数两部分,所述的轧制参数有钢种代码,原料宽度、凸度和楔形,末机架压下率、轧制力、前张力、后张力、轧制速度和轧制厚度,所述的板形控制参数有末机架工作辊弯辊力、中间辊窜辊值和轧辊倾斜值,输入参数共计13项。所述网络的中间层由隐含层1和隐含层2组成,两个隐含层均由16个神经元构成,隐含层神经元均采用ReLU激活函数。所述网络的输出层由23个神经元构成,分别输出对应板形辊23个测量单元的板形值,输出层神经元也采用ReLU激活函数。
步骤2:利用冷轧生产数据对冷轧板形预报网络进行训练,依次进行步骤2.1~步骤2.3:
步骤2.1:采集了111卷带钢头部冷轧时的生产数据,包括13个钢种,8245个采样时刻数据,每个采样时刻数据含有前述10项轧制参数值、3项板形控制参数值和23个板形检测通道给出的实际板形值以及各带钢的板形目标曲线对应的板形值,按照钢种、厚度、宽度、板形目标曲线代码进行数据归集,构建冷轧板形预报网络离线训练数据集。
步骤2.2:对冷轧板形预报网络离线训练数据进行标准化处理,依次进行步骤a)和b)。
a)利用多项式插值法分别将带钢板形目标曲线对应的板形值和各采样时刻的带钢实际板形值统一映射到23个板形辊测量单元,保持板形特征不变;
b)采用z-Score方法,根据特征数据的平均值和方差,对全部训练数据进行归一化处理。
步骤2.3:对冷轧板形预报网络进行训练。将样本数据逐一输入到冷轧板形预报网络中,按照公式(2)~公式(7)进行网络前向计算,获得网络预报板形值,根据样本实际板形值与网络预报板形值,按照公式(8)建立基于误差平方和的损失函数,再按照公式(9)~公式(14)所示的误差反向传播算法,对冷轧板形预报网络的权值调节量和阈值调节量进行计算,学习率α,β,η均为0.001,并对冷轧板形预报网络的权值和阈值进行更新,当全部样本数据都输入后,记为整体学习一次,然后如此循环迭代,整体学习300次后,板形平均绝对误差(各测量点的样本实际板形值与网络预报板形值之差的绝对值的平均值)为1.17IU,满足给定要求(前后两次迭代计算的平均绝对误差指标变化小于0.001)结束训练过程。
步骤3:按照冷轧板形预报网络结构和步骤2获得的网络参数,建立板形控制参数优化网络。按照图6所示网络结构建立S4机架板形控制参数优化网络,网络的权值和阈值为冷轧板形预报网络离线训练后的权值和阈值,所述的板形控制参数优化网络用于在线计算,作为一个模块供冷轧板形预设定计算程序中的计算模型调用,如图1所示。
步骤4:利用板形控制参数优化网络优化当前轧件的板形控制参数设定值,依次进行步骤4.1~步骤4.2:
步骤4.1:对所需的当前轧件的轧制数据和冷轧轧制规程计算模型的设定数据(即当前轧件的冷轧轧制参数),以及冷轧板形计算模型提供的板形控制参数初始设定值以及板形目标值进行所述的标准化处理并输入到板形控制参数优化网络。
当前轧件的轧制参数:材质为St12(钢种代码为2),末机架压下率为5.48%,轧制宽度为1006mm,来料凸度为14μm,来料楔形为2μm,末机架出口厚度为0.58mm,轧制速度为2.1m/s,末机架前张力为66.36kN,后张力为22.48kN,轧制力为6.28MN。
当前轧件板形控制参数初始设定值:工作辊弯辊力为66kN,中间辊窜辊值为10mm,轧辊倾斜值为0mm。
基于离线训练特征数据的平均值和方差,采用z-Score方法将当前轧件的轧制参数、板形控制参数初始设定值和目标板形值进行归一化处理。
步骤:4.2:将标准化处理后的当前轧件的轧制参数和板形控制参数初始值输入到板形控制参数优化网络,保持网络的权值和阈值不变,利用标准化处理后的板形目标值与网络预报板形值的偏差,利用误差反向传播算法对网络输入层中的板形控制参数进行优化计算,如图5所示,当满足收敛条件后退出。所述的板形控制参数优化计算是按照中间辊窜辊、工作辊弯辊、轧辊倾斜的顺序对三个板形控制参数逐一进行优化计算,按照下述步骤进行:
(a)按照优先级选择待优化的板形控制参数,保持网络输入层其它参数输入值不变,保持网络的权值和阈值也不变;
(b)利用公式(2)~公式(7)进行板形控制参数优化网络的前向计算,然后计算板形预报值与当前轧件板形目标值的误差以及平均绝对误差指标。
(c)比较前后两次迭代计算后的平均绝对误差值,如果平均绝对误差值下降,则按照公式(15),在学习速率为0.01时,计算所选板形控制参数的调整量,更新所选板形控制参数值,然后回到步骤(b);如果平均绝对误差值不再下降,停止优化所选板形控制参数;
(d)如果所有的板形控制参数均已优化,则执行步骤(e),否则选择下一个板形控制参数,回到步骤(a);
(e)结束板形控制参数优化网络的计算,将优化后的板形控制参数进行反归一化处理,然后输出。
中间辊窜辊值、工作辊弯辊力、轧辊倾斜值三项板形控制参数经200次迭代优化的过程如图7所示。
步骤5:将板形控制参数优化网络输出的工作辊弯辊力-43.7kN,中间辊窜辊值59.86mm和轧辊倾斜值-0.026mm提供给冷轧板形计算模型,替换板形控制参数的初始值,然后参与后续板形计算模型和轧制规程计算模型的相关计算。
Claims (8)
1.一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于,按照如下方法进行:
步骤1:按照多层前馈型全连接神经网络型式,建立冷轧板形预报网络,所述冷轧板形预报网络输入层有N个神经元,用于接收冷轧轧制参数和板形控制参数的输入;所述冷轧板形预报网络的输出层有Q个神经元,与板形辊测量单元的个数一致;所述的冷轧板形预报网络的隐含层有L层,各隐含层的神经元个数分别为P1、P2,…PL;
步骤2:利用冷轧机组历史轧制数据和板形数据对冷轧板形预报网络进行训练,依次进行步骤2.1~步骤2.3:
步骤2.1:收集历史冷轧轧制参数、板形控制参数和板形数据,进行数据归集形成网络训练样本数据;
步骤2.2:对所述网络训练样本数据进行标准化处理,标准化处理采用z-Score归一化方法;
步骤2.3:对冷轧板形预报网络进行训练,训练采用误差反向传播算法,当整体板形误差满足给定要求后结束训练;
步骤3:基于冷轧板形预报网络结构和训练获得的网络参数,建立板形控制参数优化网络;
步骤4:利用板形控制参数优化网络优化当前轧件的板形控制参数设定值:
依次进行步骤4.1~步骤4.2:
步骤4.1:对当前轧件的冷轧轧制参数、板形控制参数初始设定值以及板形目标值进行所述的标准化处理并输入到所述板形控制参数优化网络,其中冷轧轧制参数和板形控制参数初始设定值为网络输入层的初始输入值;
步骤:4.2:保持板形控制参数优化网络的权值和阈值不变,利用当前轧件的板形目标值与板形控制参数优化网络预报的板形值的偏差,利用误差反向传播算法对输入层中的板形控制参数进行迭代优化计算,当板形误差满足收敛条件后结束;
所述板形误差的收敛条件为平均绝对误差指标值不再下降;
所述的板形控制参数迭代优化计算是按照以下流程,对板形控制参数逐一进行优化计算:
(a)选择待优化的板形控制参数xi,保持输入层其它参数输入值不变;
(b)进行板形控制参数优化网络的前向计算,得到网络预报板形值,然后计算网络预报板形值与当前轧件板形目标值的误差以及平均绝对误差指标值;
(c)比较前后两次迭代计算后的平均绝对误差指标值:
如果平均绝对误差指标值下降,则按照以下公式计算所选板形控制参数的调整量Δxi,并用Δxi+xi更新所选板形控制参数值,返回步骤(b):
如果平均绝对误差指标值不再下降,停止对所选板形控制参数的优化;
(d)如果所有的板形控制参数均已优化,则执行步骤(e),否则选择下一个板形控制参数,回到步骤(a);
(e)结束板形控制参数优化网络的计算,将优化后的板形控制参数进行反归一化处理,然后输出,输出的反归一化处理后的板形控制参数即为冷轧板形控制参数的设定值。
2.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于,将步骤4.2(e)给出的优化后的板形控制参数提供给冷轧板形计算模型,用于对所述板形控制参数初始设定值的更新,采用冷轧板形预报网络的离线训练和板形控制参数优化网络的在线优化计算相结合的方式,并与冷轧板形计算模型进行嵌套,共同对板形控制参数设定值进行在线计算和优化。
4.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于所述步骤1中冷轧板形预报网络的隐含层和输出层神经元均采用ReLU激活函数。
5.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于,冷轧过程中,当板形辊实际测量单元数量小于Q时,所述步骤2.2中的标准化处理包括以下步骤:将冷轧带钢板形映射到板形辊全部Q个测量单元上获得板形数据,并保持带钢板形特征不变。
6.根据权利要求5所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于,所述将冷轧带钢板形映射到板形辊全部Q个测量单元上获得板形数据并保持带钢板形特征不变的方法为多项式插值,具体步骤如下:
对于拥有Q个测量单元的板形辊,如果冷轧带钢宽度仅覆盖m个测量单元且m个测量单元均匀分布,则在带钢宽度上得到m个板形测量值pn(n=1,2,…m),使用插值函数pn=flat(n)=a0+a1n+...+am-1nm-1,按照下面公式进行插值,获得插值函数的多项式系数a0,a1,...,am-1:
再按照下面公式获得对应板形辊全部Q个测量单元对应的板形数据:
其中flat(ql)为板形辊全部Q个测量单元中,映射到第l个测量单元的板形数据。
7.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于,所述步骤4.2中板形控制参数迭代优化计算按照板形控制参数的优先级逐一进行,其中优先级最高的板形控制参数为中间辊窜辊值。
8.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法,其特征在于所述冷轧板形预报网络和板形控制参数优化网络用于布置板形仪的冷轧机架,对板形控制参数的设定值进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514549.9A CN114192587B (zh) | 2021-12-13 | 2021-12-13 | 一种基于误差反向传播算法的冷轧板形控制参数设定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514549.9A CN114192587B (zh) | 2021-12-13 | 2021-12-13 | 一种基于误差反向传播算法的冷轧板形控制参数设定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114192587A CN114192587A (zh) | 2022-03-18 |
CN114192587B true CN114192587B (zh) | 2022-09-13 |
Family
ID=80652683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111514549.9A Active CN114192587B (zh) | 2021-12-13 | 2021-12-13 | 一种基于误差反向传播算法的冷轧板形控制参数设定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114192587B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754875B (zh) * | 2022-11-03 | 2023-08-11 | 国网安徽省电力有限公司营销服务中心 | 一种电压互感器误差评估方法及装置 |
CN117019883B (zh) * | 2023-08-25 | 2024-02-13 | 华北电力大学(保定) | 一种基于深度学习的带材轧制过程板形预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886373B (zh) * | 2014-04-18 | 2016-07-06 | 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 |
CN104275352B (zh) * | 2014-09-22 | 2016-04-27 | 宁波宝新不锈钢有限公司 | 一种带材冷轧机跑偏与板形自动控制方法 |
JP6402760B2 (ja) * | 2015-09-30 | 2018-10-10 | Jfeスチール株式会社 | 圧延機における形状制御方法および装置 |
JP6627740B2 (ja) * | 2016-12-20 | 2020-01-08 | 東芝三菱電機産業システム株式会社 | タンデム冷間圧延機の板厚制御装置 |
CN111241657B (zh) * | 2019-12-30 | 2023-03-10 | 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 |
-
2021
- 2021-12-13 CN CN202111514549.9A patent/CN114192587B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114192587A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114192587B (zh) | 一种基于误差反向传播算法的冷轧板形控制参数设定方法 | |
CN108637020B (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
Wang et al. | Prediction of bending force in the hot strip rolling process using artificial neural network and genetic algorithm (ANN-GA) | |
US5513097A (en) | Method and control device for controlling a process including the use of a neural network having variable network parameters | |
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
CN115007658B (zh) | 基于深层循环神经网络的冷连轧轧制板形动态预测方法 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
CN112439794B (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
CN113373295B (zh) | 基于多层感知器的退火炉数字孪生智慧报警系统及方法 | |
JP3223856B2 (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
KR100186903B1 (ko) | 압연기에 있어서의 형상제어방법 | |
US5778151A (en) | Method and control device for controlling a material-processing process | |
CN106991242A (zh) | 一种钢板性能优化的控制方法 | |
CN103406370B (zh) | 基于模糊双曲模型冷轧机工作辊乳化液分段冷却控制方法 | |
CN113987949B (zh) | 一种基于数据驱动的板带钢变形抗力预测方法 | |
Hu et al. | Multi-objective optimization of rolling schedules on aluminum hot tandem rolling | |
CN111832215A (zh) | 一种在线预测钢板组织性能的方法 | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN107321799A (zh) | 一种新型二十辊轧机控制工艺的参数制定集成系统 | |
CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
CN115815342A (zh) | 一种基于机理和数据融合模型的冷轧轧制力预测方法 | |
CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
JPH08117827A (ja) | 圧延装置 | |
CN111570532B (zh) | 热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
JPH07204718A (ja) | 圧延装置 |
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 |