CN115007658B - 基于深层循环神经网络的冷连轧轧制板形动态预测方法 - Google Patents

基于深层循环神经网络的冷连轧轧制板形动态预测方法 Download PDF

Info

Publication number
CN115007658B
CN115007658B CN202210444007.7A CN202210444007A CN115007658B CN 115007658 B CN115007658 B CN 115007658B CN 202210444007 A CN202210444007 A CN 202210444007A CN 115007658 B CN115007658 B CN 115007658B
Authority
CN
China
Prior art keywords
rolling
shape
strip shape
network
plate shape
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
Application number
CN202210444007.7A
Other languages
English (en)
Other versions
CN115007658A (zh
Inventor
彭良贵
陈亚飞
李长生
王煜
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210444007.7A priority Critical patent/CN115007658B/zh
Publication of CN115007658A publication Critical patent/CN115007658A/zh
Application granted granted Critical
Publication of CN115007658B publication Critical patent/CN115007658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B21B37/42—Control of flatness or profile during rolling of strip, sheets or plates using a combination of roll bending and axial shifting of the rolls
    • 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
    • B21B37/44—Control of flatness or profile during rolling of strip, sheets or plates using heating, lubricating or water-spray cooling of the product
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明涉及基于深层循环神经网络的冷连轧轧制板形动态预测方法，属于冶金自动化、智能化技术领域。本发明提供一种基于堆叠循环神经网络对冷连轧中间机架轧制板形进行动态预测的方法。首先建立一个由机架轧制参数和板形控制参数作为输入层，以分布式板形值作为输出层，具有两个隐藏层并以冷轧机组机架数为时间序列展开的深层循环神经网络；然后利用冷轧机组历史轧制时序数据，板形辊测量数据和通过影响函数法获得的中间机架轧制板形计算数据作为训练数据对所建立的板形预报网络进行离线预训练和二次训练；将经过验证后完成训练的板形预报网络用于冷轧生产过程中各机架轧制板形的动态预测。

Description

基于深层循环神经网络的冷连轧轧制板形动态预测方法
技术领域
本发明属于冶金自动化和智能化控制技术领域，特别涉及一种基于深层循环神经网络的冷连轧轧制板形动态预测方法。
背景技术
板形是衡量冷轧带材产品质量的一项关键指标。板形的在线检测主要依靠安装在机架出口处的板形仪。因板形仪价格昂贵，通常冷连轧机组仅在末机架出口位置安装一台板形仪进行板形检测和末机架板形闭环反馈控制，在一些生产高端汽车板的冷连轧生产线，在冷轧机组的首台轧机出口也开始安装一台板形仪进行板形检测。但是冷轧机组中间机架出口板形因没有检测装置而难以直接获得，一般是通过板形预设定计算来进行预测，属于静态预测，而在轧制过程中因轧制参数或板形控制参数实时变化，依靠传统的板形预设定模型难以实现对中间机架轧制板形的动态预测。
现有的冷连轧板形自动控制系统主要是在末机架进行板形前馈和板形闭环反馈控制，如果末机架所有的板形执行机构调节值均达到极限也无法消除板形偏差时，板形缺陷将无法继续减轻或消除。但从冷轧机组整体而言，中间机架的板形控制能力还很富裕，通过板形遗传效应也可以影响下游机架和末机架的轧制板形，因此，如能将中间机架纳入到板形闭环反馈控制中，就可以继续降低板形偏差，从而增大冷轧机组的板形控制能力。为此，对中间机架开展板形精准预测就很有必要。
循环神经网络(Recurrent Neural Network,RNN)由输入层、隐藏层和输出层构成，其中隐藏层为时间循环层，每个隐藏层神经元接受当前时刻的输入和上一时刻隐藏层神经元的输出，然后再经过激活函数变换得到输出，并传递给下一时刻的隐藏层神经元。为增强循环神经网络的能力，可通过增加同一时刻网络输入到输出之间的路径，也就是增加隐藏层层数，构造堆叠循环神经网络(Stacked Recurrent Neural Network,SRNN)。循环神经网络的训练算法常采用随时间反向传播算法(Back Propagation Through Time,BPTT)。
发明内容
本发明针对冷连轧中间机架轧制板形不可测量，也难以动态预测的问题，提出一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，特别是可以对通常不放置板形仪的中间机架的轧制板形进行动态预测。如图1所示，首先基于堆叠循环神经网络建立冷连轧机组轧制板形预报网络，利用冷轧机组历史轧制时序数据、历史板形数据和通过影响函数法获得的中间机架轧制板形计算数据对所述板形预报网络进行离线训练；其次在带材冷轧之前，将带材冷轧轧制规程(轧制参数)和板形控制参数预设定值输入到所述板形预报网络进行静态预测；接着在带材开始轧制阶段完成所述板形预报网络参数的自适应，然后每隔一定时间将实际轧制时序数据和板形控制参数输入到所述板形网络中进行板形动态预测直到带材轧制结束；最后比较实测板形值和预测板形值，如果偏差过大，可对所述板形预报网络参数进行调优，更新所述板形预报网络。
具体地，本发明的方法包括以下步骤：
步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络：
深层循环神经网络型式如图2所示，板形预报网络由输入层、两个隐藏层和输出层构成；所述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(RC)的输入，N值与冷轧轧制参数和板形控制参数的总数相对应；所述板形预报网络的输出层(F)有Q个神经元，输出机架轧制板形值，Q值与冷轧机组配备的板形辊检测单元个数一致，并一一对应；所述的板形预报网络的隐藏层有2层，第1隐藏层(H(1))和第2隐藏层(H(2))的神经元个数分别为P个和Q个。输入层与第1隐藏层神经元进行全连接，连接的权值矩阵为U；第1隐藏层与第2隐藏层神经元也进行全连接，连接权值矩阵为V；第2隐藏层神经元与输出层神经元直接连接、一一对应，输出层仅用于接收第2隐藏层神经元的输出，起连接作用，无神经元激活响应。
两个隐藏层均是时间序列层，时间序列t＝(1,2,…,n)，共n个时间序列层数，并且时间序列层数与冷轧机组机架数n一致，在第2隐藏层或者说输出层，第t个时间序列的结果输出，冷轧机组轧制第t个机架出口的板形预测值。
对时间序列t，隐藏层的输入除了与输入层(对于第1隐藏层来说)或者上一隐藏层(对于第2隐藏层来说)同一时间序列t的输出有关，还会受到同一隐藏层内时间序列t-1输出的影响。在第1隐藏层，时间序列t-1部分影响所占权值为W(1)，在第2隐藏层，时间序列t-1部分影响所占权值为W(2)。将所有时间序列展开，所述板形预报网络的整体结构如图3所示。优选地，所述的板形预报网络的隐藏层神经元均采用公式(1)所示的Tanh激活函数。
Figure BDA0003615822240000021
对冷连轧机组而言，各机架轧制板形不仅与自身的板形控制有关，也与上游机架轧制板形控制有关，甚至来料板形也对各机架轧制板形有一定的影响。另外，板形与板厚是紧密相关的，各机架的轧制板形和轧制厚度具有明显的时间关联性和整体逻辑特性，因此各机架的轧制数据和板形数据明显具有时间序列的特点，通过时间序列的逐层传播，自然地对后续冷轧机轧制板形施加影响，类似于冷连轧逐架轧制产生的上游机架的轧制板形对下游机架甚至成品板形的遗传效应。本发明中，将隐藏层的数量设为2层，目的是让第一层初步模拟轧制过程中的厚度控制，第二层在此基础上用于板形控制。优选地，第1隐藏层的神经元个数P可以选择比Q小一些。
步骤2：网络训练数据准备。利用冷轧机组各机架轧制参数数据和板形控制参数、板形辊检测的板形实测数据和通过影响函数法获得的各机架轧制板形计算数据建立网络训练数据集。
通常来说，如背景技术中所述实际板形检测只在末机架出口设置，或者只在首机架和末机架出口设置。对于中间的其他机架出口的板形数据，无法得到实测板形数值，因而采用影响函数法计算的方式来确定。这样对于一组轧制参数和板形控制参数，可以获得一组相应的板形期望值：对轧后配置板形辊的机架(一般为首个机架和最末机架，或者只是最末机架)，板形期望值为板形实测值；对轧后没有配置板形辊的机架(一般为中间机架)，板形期望值为通过影响函数法获得的相应机架轧制板形计算值。
所述的机架轧制参数包括钢种、轧制宽度、入口厚度、出口厚度、轧制力、前张力、后张力、轧制速度等，所述的板形控制参数包括中间辊窜辊值、中间辊弯辊力、工作辊弯辊力、轧辊倾斜值等。所述的轧制参数数据、板形控制参数和板形实测数据均来自于轧制生产过程中保存的模型设定数据和信号检测数据，这些机架相关数据具有时间序列的特点。数据准备包括以下步骤2.1、2.2和2.3。
步骤2.1：创建样本数据。
根据历史轧制时序数据，获得不同规格材料(规格包括材料等级、厚度和宽度等)的机架轧制参数数据、板形控制参数数据和板形实测数据，并采用影响函数法获得各种规格的材料在相应轧制参数和板形控制参数下，未设置板形检测的各机架出口板形计算值；对数据归集形成网络训练样本数据；
步骤2.2：将样本数据划分为训练集数据、测试集数据和验证集数据三类。
步骤2.3：对样本数据进行标准化处理，比如可以采用z-Score归一化方法，相应地之后所有其他数据的标准化处理也采用同样的方法。
步骤3：对所述的板形预报网络进行预训练，训练采用训练集数据和随时间反向传播算法BPTT，具体算法如下：
将训练集中的样本标准化数据输入到所述的板形预报网络，如图4所示。通过网络的时序性前向传播与误差反向传播得到训练后的网络权值和阈值：首先通过公式(2)～公式(6)进行网络时序性前向计算，在输出层获得各个机架处的板形预测值；然后根据各个机架的板形期望值与板形预测值，按照公式(7)建立基于误差平方和的损失函数。接着按照公式(8)～公式(19)所示的误差反向传播算法，按照给定的学习速率对冷轧板形预报网络的权值和阈值进行学习。当全部样本数据都输入后，记为整体训练一次，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，即满足板形误差的收敛条件即可结束预训练过程。
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，或者平均绝对误差指标值小于某一规定数值(例如0.5IU，可根据实际需求确定)。
平均绝对误差指标值是指每次迭代后，网络预测的Q个板形预测值与相应的板形期望值之差的绝对值的平均数。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0.0001～0.01范围内取一正值)来判定。
以时间序列t为例，所述板形预报网络的前向计算如下：
Figure BDA0003615822240000041
st为第1隐藏层第t时间序列的输入；RCt为输入层在第t个时间序列接受的输入数据，具体来说，是指第t个机架的轧制参数和板形控制参数；
Figure BDA0003615822240000042
为第1隐藏层第t-1时间序列的输出，对于t＝1的情况显然该值为0；
Figure BDA0003615822240000043
为第1隐藏层第t时间序列对应的阈值。
Figure BDA0003615822240000044
Figure BDA0003615822240000045
为第1隐藏层第t时间序列的输出，函数f(x)为激活函数。
Figure BDA0003615822240000046
ot为第2隐藏层第t时间序列的输入；
Figure BDA0003615822240000047
为第2隐藏层第t-1时间序列的输出，对于t＝1的情况，该值应为轧件未经过冷轧的初始板形值，如果难以获得，则该值可取为0；
Figure BDA0003615822240000048
为第2隐藏层第t时间序列对应的阈值。
Figure BDA0003615822240000049
Figure BDA00036158222400000410
为第2隐藏层第t时间序列的输出。
Figure BDA00036158222400000411
Ft为输出层第t时间序列的输出，因为输出层直接连接第2隐藏层，所以其直接等于第2隐藏层第t时间序列的输出。
所述板形预报网络的误差函数：
Figure BDA0003615822240000051
其中Yt表示第t个时间序列或者说第t个冷轧机组机架的板形期望值，Ft为该第t时间序列的板形预测值，也就是第t个机架的板形预测值。
所述板形预报网络误差反向传播的梯度方向为：
Figure BDA0003615822240000052
Figure BDA0003615822240000053
Figure BDA0003615822240000054
Figure BDA0003615822240000055
Figure BDA0003615822240000056
Figure BDA0003615822240000061
式(8)～式(13)均为有关时间序列t的递推公式。与第2隐藏层神经元相关的权值W(2)、V和阈值
Figure BDA0003615822240000062
可按照负梯度方向进行学习，设学习速率分别为α2,β2,η2，则权值和阈值的改变量为：
Figure BDA0003615822240000063
Figure BDA0003615822240000064
Figure BDA0003615822240000065
类似地，与第1隐藏层神经元相关的权值W(1)、U和阈值
Figure BDA0003615822240000066
也可按照负梯度方向进行学习，设学习速率为α1,β1,η1，则权值和阈值的改变量为：
Figure BDA0003615822240000067
Figure BDA0003615822240000068
Figure BDA0003615822240000069
通常来说，误差反向传播的这种偏导连乘算法会导致梯度消失，即随着网络传播深度的增加，梯度的幅值会急剧减小，这在一般的神经网络应用中是一种缺陷。然而在实际的冷连轧过程中，随着轧制道次的增加，轧制道次越靠前，对靠后的轧制道次的影响也会相应地越来越小，与梯度消失的情况较为相似，因此，误差反向传播算法反而非常适合用于冷连轧过程中的板形预测。
步骤4：对所述的板形预报网络进行二次训练，训练采用测试集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练。具体方法为：将测试集中的样本标准化数据输入到已完成初次训练的所述板形预报网络。首先通过公式(2)～公式(6)进行网络前向计算，获得板形预测值；然后建立基于误差平方和的损失函数；接着按照公式(8)～公式(19)所示的误差反向传播算法，按照给定的学习速率对冷轧板形预报网络的权值和阈值进行再次学习。当测试集全部样本数据都输入后，记为整体训练一次，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，即满足和步骤3中类似的板形误差的收敛条件，即可结束二次训练过程。
需要注意的是，在二次训练中，损失函数E最好根据板形预测值和板形辊实际检测的板形值(板形实测值)进行建立，而不是像步骤3那样采用所有机架的板形预测值与板形期望值(包含计算值)。具体公式如下：
Figure BDA0003615822240000071
或
Figure BDA0003615822240000072
其中Y1、Yn都是实测值，第一个公式对应首机架和末机架设置板形检测的情况，第二个公式对应仅在末机架设置板形检测的情况。
步骤5：采用验证集数据对所述的板形预报网络进行验证：将验证集中的样本标准化数据输入到已完成二次训练的所述板形预报网络，通过网络计算获得样本末机架板形预测值，并与板形期望值进行比较。当整体板形误差满足给定要求后结束验证，完成板形预报网络训练，进入步骤6；否则需要对网络参数进行调整，返回到步骤3重新进行预训练，要调整的网络参数主要包括第1隐藏层的节点数，以及两个隐藏层的学习速率等。
需要注意的是，在步骤3的预训练中，判断整体板形误差满足给定要求，即板形误差的收敛条件，需要把所有时间序列(或者说轧制机架)所获得的板形预测值Ft与在该第t机架处的板形期望值均用于收敛的判断，所有的时间序列(或者说机架处)的板形都满足收敛条件才能结束学习。而在步骤4的二次训练和步骤5的验证过程中，可以只将末机架的板形预测值Fn与末机架处的板形期望值(也即末机架的板形实测值)用于收敛的判断。
步骤6：将完成训练的板形预报网络用于冷轧生产过程中，各机架轧制板形的动态预测。动态预测包括轧件不同长度下的终轧板形，也包括轧件在各个机架不同时刻的轧制板形。
步骤6的实施过程中，可以在带材冷轧之前，将带材冷轧轧制规程(轧制参数)和板形控制参数预设定值输入到所述板形预报网络进行静态预报；接着在带材开始轧制阶段，通过低速轧制下的板形实测值，结合静态预报结果，进行在线学习，完成所述板形预报网络参数的自适应，具体步骤如下：
步骤6.1：在冷轧实际生产前，将冷轧模型设定的轧制参数数据和板形控制参数初始值进行标准化处理，然后输入到完成验证的板形预报网络，对即将开轧的轧件在经过冷轧机组各机架轧制后的板形进行静态预报。
步骤6.2：在冷轧生产开始阶段，当板形辊检测有效时，可获得低速轧制下的板形实测值，一般是在末轧机后面配备板形检测设备，获得的主要是轧后的板形实测值。根据板形静态预报值和低速轧制下的板形实测值的偏差，可以用类似步骤4中的方法进行一次单次迭代，将低速轧制下的板形实测值视为板形期望值，采用随时间反向传播算法对所述板形预报网络的权值和阈值进行一次在线学习，具体方法为：
根据板形静态预报值与板形期望值，根据式(20)建立基于平方和误差的损失函数，然后按照公式(8)～公式(19)所示的误差反向传播算法，以给定的学习速率对冷轧板形预报网络的权值和阈值进行一次在线学习。
步骤6.3：随着冷轧生产的进行，每隔一定的时间，对该时间内各机架的实际轧制参数和板形控制参数的平均值进行标准化处理，然后输入到所述的板形预报网络对冷轧机组各机架轧制板形进行动态预测，直到轧制结束。动态预测的时间间隔由机架间距和轧制速度决定，动态预测结果可以作为调整各个参数、建立一些其他预测模型的参考依据，以及对于实际生产过程提供参考。
上述方法中，还可以包含在冷轧生产之后对于板形预报网络的校正调整步骤，具体如下：在冷轧生产完成后，比较冷轧过程高速轧制时的实测板形和所述板形预报网络的预测板形，如果偏差过大(偏差的允许范围可以根据实际生产要求确定，比如可以取1.0IU以下)，对所述的板形预报网络参数(主要包括两个隐藏层的学习速率)进行调优，更新板形预报网络，返回到步骤6，在下一块轧件进行轧制时，采用新的板形预报网络进行冷轧机组各机架轧制板形的静态预报和动态预测。这样在生产过程中，每完成一块轧件的轧制，板形预报网络都会变得更加精准。
在冷轧生产过程中，轧制的带钢由于宽度不同，有可能无法完全覆盖Q个板形辊检测单元，这样冷轧过程中，实际起到了测量作用的检测单元数量可能是小于Q的，这种情况下，在步骤2.3中，对利用影响函数法计算的冷轧中间机架轧制板形值或实测板形值进行标准化处理之前，还需要进行以下步骤：如图11所示，将带钢板形映射到全部Q个检测单元上获得板形数据，并保持带钢板形特征不变，这样不必改变输出层的神经元数Q，就可以使板形预报网络获得的预测板形可以用于与不同宽度的带钢的实测数据或影响函数法计算数据进行比较。
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个检测单元的板形辊，如果冷轧过程中，冷轧带钢宽度仅覆盖m个检测单元且m个检测单元均匀分布，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检测单元的板形测量值。
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：
Figure BDA0003615822240000091
再按照下面公式获得对应板形辊全部Q个检测单元(或者说输出层的Q个节点)对应的板形数据：
Figure BDA0003615822240000092
其中flat(ql)为板形辊全部Q个检测单元中，映射到第l个检测单元的板形数据。
相应地，在步骤6.1和步骤6.3中，对轧制板形进行静态预报或动态预测时，需要进行以下步骤：将预测的基于板形辊全部Q个检测单元(或者说输出层神经元)上的板形反向映射到带钢实际宽度上，保持带钢板形特征不变，形成基于实际轧制宽度的板形预测，便于与实测值进行比较。也可以采用多项式插值的方式，具体如下：
对于拥有Q个“检测单元”(输出层神经元)的预测板形，如果冷轧过程中，冷轧带钢宽度实际仅覆盖m个检测单元且m个检测单元均匀分布，则已知的对应Q个输出层神经元的预测板形可通过插值函数pi＝flat(i)＝a0+a1i+...+aQ-1iQ-1(i＝1，2，…Q)来表达，插值函数的多项式系数a0,a1,...,aQ-1可计算如下：
Figure BDA0003615822240000093
再按照下面公式可获得对应实际覆盖带钢宽度的全部m个检测单元的板形数据：
Figure BDA0003615822240000101
其中flat(qj)为全部Q个输出层神经元中，映射到第j个实际覆盖带钢宽度的检测单元的板形数据。这样一来，虽然板形预报网络直接预测获得的是Q个神经元的板形数据，通过以上方法可以将预测出的整体板形特征反向映射到m个实际覆盖带钢宽度的检测单元上，由于板形期望值是根据m个检测单元所记录或者计算出的板形数据，因而反向映射后，板形预测值的“检测单元数”与板形期望值的实际检测单元数相同，便于二者的比较。
本发明的有益效果：本发明提出一种基于深层循环神经网络的冷连轧轧制板形预报网络及其应用方法，经过离线预训练、二次训练和一次在线学习过程，可实现对冷轧各机架轧制板形的动态预测，特别是对于通常不设置板形仪的中间机架的板形动态预测。本发明的方法可以解决现有冷轧机组中间机架轧制板形不可测，难以动态预测的问题。
附图说明
图1冷连轧轧制板形预测流程图；
图2具有两个隐藏层的神经网络结构示意图；
图3按时间序列展开的冷连轧轧制板形预报网络结构示意图；
图4本发明实施例1所建立的冷连轧轧制板形预报网络结构；
图5本发明实施例1所建立的冷连轧轧制板形预报网络预训练示意图；
图6本发明实施例1所建立的冷连轧轧制板形预报网络二次训练示意图和在线学习示意图；
图7本发明实施例1冷连轧轧制板形静态预测图，(a)S1机架轧制板形(b)S2机架轧制板形(c)S3机架轧制板形(d)S4机架轧制板形；
图8本发明实施例1冷连轧轧制板形动态预测图，(a)S1机架轧制板形(b)S2机架轧制板形(c)S3机架轧制板形(d)S4机架轧制板形。
图9本发明实施例2冷连轧轧制板形静态预测图，(a)S1机架轧制板形(b)S2机架轧制板形(c)S3机架轧制板形(d)S4机架轧制板形(e)S5机架轧制板形；
图10本发明实施例2冷连轧轧制板形动态预测图，(a)S1机架轧制板形(b)S2机架轧制板形(c)S3机架轧制板形(d)S4机架轧制板形(e)S5机架轧制板形。
图11将带钢板形映射到全部Q个检测单元上获得板形数据的示意图。
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。
实施例1(冷轧机组布置一台板形检测辊)：
本实施例以某1200mm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。S1～S3机架工作辊弯辊力变化范围为0～+400kN，S4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个检测单元。
一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，具体包括以下步骤：
步骤1：建立如附图3所示的四机架六辊HC冷连轧机组轧制板形预报网络。所建立的板形预报网络由1个输入层、2个隐藏层、1个输出层和4个时间序列(n＝4)构成。对时间序列t(t＝1,2,3,4)，所建立的板形预报网络的具体结构见图4，其中输入层接收的输入参数RCt包括机架的轧制参数和板形控制参数，所述的机架轧制参数有轧制宽度、入口厚度、出口厚度、轧制力、前张力、后张力和轧制速度，所述的机架板形控制参数有中间辊(IR)窜辊量、工作辊(WR)弯辊力和轧辊倾斜值，输入参数共计10个(N＝10)。
所建立的板形预报网络的第1隐藏层由16个神经元组成(P＝16)，第2隐藏层由23个神经元构成(Q＝23)，隐藏层神经元均采用Tanh激活函数。所述网络的输出层由23个神经元构成，仅负责接收第2隐藏层23个神经元的输出值，实质为对应板形辊23个检测单元的板形预报值。
步骤2：网络训练数据准备。从现场数据采集、存储和分析设备iba PDA中收集34卷已轧带钢的轧制时序数据，共计3337个采样时刻，采用影响函数法计算所有采样时刻的各机架轧制板形，采用多项式插值法将不同宽度带钢的板形计算值和板形辊实测值统一映射到23个板形辊检测单元，将这些数据归集形成网络训练样本。按照8:1:1的比例将样本数据划分为训练集数据、测试集数据和验证集数据，并采用z-Score方法对样本数据进行标准化处理。
步骤3：对所建立的冷轧板形预报网络进行预训练。网络预训练过程见附图5，首先将训练集样本数据逐一输入到所建立的冷轧板形预报网络中，通过式(2)～式(6)进行网络前向计算，获得板形预报值Ft，其中权值矩阵U的维数为N×P即10×16，权值矩阵V的维数为P×Q即16×23，第1隐藏层时间序列权值矩阵W(1)的维数为P×P即16×16，第2隐藏层时间序列权值矩阵W(2)的维数为Q×Q即23×23，然后根据各个机架的板形期望值与板形预报值，建立式(7)所示的基于误差平方和的损失函数，再按照式(8)～式(19)所示的误差反向传播算法对冷轧板形预报网络的权值和阈值进行学习更新，学习速率为α2＝β2＝η2＝0.001，α1＝β1＝η1＝0.001。当训练集中全部样本数据都输入后，记为整体预训练一次，如此循环迭代学习50次后，当平均绝对误差指标小于0.5IU时结束预训练过程。
步骤4：对已完成预训练的板形预报网络进行二次训练。网络二次训练过程见附图6，首先将测试集中的样本数据逐一输入到冷轧板形预报网络中，通过式(2)～式(6)进行网络前向计算获得样本板形预报值，然后根据末机架的板形实测值与板形预报值，建立基于误差平方和的损失函数，即
Figure BDA0003615822240000121
再按照式(8)～式(19)所示的误差反向传播算法对冷轧板形预报网络的权值和阈值进行学习更新。当测试集全部样本数据都输入后，记为整体二次训练一次，如此循环迭代学习50次后，平均绝对误差指标小于0.5IU，结束二次训练过程。
步骤5：将验证集中的样本标准化数据输入到已完成二次训练的板形预报网络，通过式(2)～式(6)进行网络前向计算获得样本末机架板形预报值，并与样本期望的末机架板形实测值进行比较，计算板形预报的平均绝对误差，因预报平均绝对误差均小于给定的平均绝对误差指标(0.5IU)，所建立的板形预报网络通过验证。
步骤6.1：在冷轧生产前，将冷轧模型设定的轧制规程数据和板形控制参数初始值(见表1)进行标准化处理，然后输入到所述板形预报网络，所建立的板形预报网络对S1～S4机架的轧制板形静态预报见附图7。
表1四机架轧制参数和板形控制参数
Figure BDA0003615822240000122
步骤6.2：在冷轧生产开始后，当板形辊检测有效时，可获得低速轧制下的板形实测值。根据末机架轧制板形静态预报值与板形实测值，按照
Figure BDA0003615822240000123
建立基于平方和误差的损失函数，然后按照公式(8)～公式(19)所示的误差反向传播算法，以给定的学习速率对冷轧板形预报网络的权值和阈值进行一次在线学习。
步骤6.3：随着冷轧生产的进行，每隔一定的时间，对该时间内的实际轧制参数的平均值进行标准化处理，然后输入到所述的板形预报网络对冷轧机组轧制板形进行动态预测直到带材轧制结束，各机架多个时刻的板形预报如附图8所示。
步骤7：比较在最高速度900m/min轧制时的实际检测板形和网络预测板形，因偏差较小，仅为0.3IU，无需对所述的板形预报网络参数进行调优，可继续用于冷轧机组轧制板形的在线预报。
实施例2(冷轧机组布置两台板形检测辊)：
本实施例以某1740mm五机架六辊冷轧机组为例，该冷轧机组具有工作辊正负弯辊、中间辊正负弯辊、中间辊轴向横移、末机架分段冷却等板形调控手段，工作辊和中间辊弯辊力范围均为-980kN～+1400kN，最大轧制力3200吨，最高轧制速度1457mm/min，能够生产成品厚度为0.2～2.5mm，宽度700～1600mm的冷硬卷。机组在S1和S5机架后各布置一台板形检测辊，具有36个检测单元。
一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，具体包括以下步骤：
步骤1：建立类似于附图3所示的五机架六辊冷连轧机组轧制板形预报网络。所建立的板形预报网络由1个输入层、2个隐藏层、1个输出层和5个时间序列(n＝5)构成。对时间序列t(t＝1,2,3,4,5)，所建立的板形预报网络的结构也类似于图4，其中输入层接收的输入参数RCt包括机架的轧制参数和板形控制参数，所述的机架轧制参数有轧制宽度、入口厚度、出口厚度、轧制力、前张力、后张力和轧制速度，所述的机架板形控制参数有中间辊(IR)窜辊量、工作辊(WR)弯辊力、中间辊(IMR)弯辊力，输入参数共计10个(N＝10)。
所建立的板形预报网络的第1隐藏层由21个神经元组成(P＝21)，第2隐藏层由36个神经元构成(Q＝36)，隐藏层神经元均采用Tanh激活函数。所述网络的输出层由36个神经元构成，仅负责接收第2隐藏层36个神经元的输出值，实质为对应板形辊36个检测单元的板形预报值。
步骤2：网络训练数据准备。从现场数据采集、存储和分析设备iba PDA中收集29卷已轧带钢的轧制时序数据，共计3926个采样时刻，采用影响函数法计算所有采样时刻的各机架轧制板形，采用多项式插值法将不同宽度带钢的板形计算值和板形辊实测值统一映射到36个板形辊检测单元，将这些数据归集形成网络训练样本。按照8:1:1的比例将样本数据划分为训练集数据、测试集数据和验证集数据，并采用z-Score方法对样本数据进行标准化处理。
步骤3：对所建立的冷轧板形预报网络进行预训练。网络预训练过程也类似于附图5，首先将训练集样本数据逐一输入到所建立的冷轧板形预报网络中，通过式(2)～式(6)进行网络前向计算，获得板形预报值Ft，其中权值矩阵U的维数为N×P即10×21，权值矩阵V的维数为P×Q即21×36，第1隐藏层时间序列权值矩阵W(1)的维数为P×P即21×21，第2隐藏层时间序列权值矩阵W(2)的维数为Q×Q即36×36，然后根据各个机架的板形期望值与板形预报值，建立式(7)所示的基于误差平方和的损失函数，再按照式(8)～式(19)所示的误差反向传播算法对冷轧板形预报网络的权值和阈值进行学习更新，学习速率为α2＝β2＝η2＝0.001，α1＝β1＝η1＝0.001。当训练集中全部样本数据都输入后，记为整体预训练一次，如此循环迭代学习50次后，当平均绝对误差指标小于0.5IU时结束预训练过程。
步骤4：对已完成预训练的板形预报网络进行二次训练。网络二次训练过程类似于附图6，首先将测试集中的样本数据逐一输入到冷轧板形预报网络中，通过式(2)～式(6)进行网络前向计算获得样本板形预报值，然后根据末机架的板形实测值与板形预报值，建立基于误差平方和的损失函数，即
Figure BDA0003615822240000141
再按照式(8)～式(19)所示的误差反向传播算法对冷轧板形预报网络的权值和阈值进行学习更新。当测试集全部样本数据都输入后，记为整体二次训练一次，如此循环迭代学习50次后，当平均绝对误差指标小于0.5IU时结束二次训练过程。
步骤5：将验证集中的样本标准化数据输入到已完成二次训练的板形预报网络，通过式(2)～式(6)进行网络前向计算获得样本末机架板形预报值，并与样本期望的末机架板形实测值进行比较，计算板形预报平均绝对误差，因平均绝对误差均小于给定的平均绝对误差指标(0.5IU)，所建立的板形预报网络通过验证。
步骤6.1：在冷轧生产前，将冷轧模型设定的轧制规程数据和板形控制参数初始值(见表2)进行标准化处理，然后输入到所述板形预报网络，所建立的板形预报网络对S1～S5机架的轧制板形静态预报见附图9。
表2五机架轧制参数和板形控制参数
Figure BDA0003615822240000142
步骤6.2：在冷轧生产开始后，当板形辊检测有效时，可获得低速轧制下的板形实测值。根据S1和S5机架轧制板形静态预报值与板形实测值，按照
Figure BDA0003615822240000143
建立基于平方和误差的损失函数，然后按照公式(8)～公式(19)所示的误差反向传播算法，以给定的学习速率对冷轧板形预报网络的权值和阈值进行一次在线学习。
步骤6.3：随着冷轧生产的进行，每隔一定的时间，对该时间内的实际轧制参数的平均值进行标准化处理，然后输入到所述的板形预报网络对冷轧机组轧制板形进行动态预测直到带材轧制结束，各机架多个时刻的板形预报见附图10。
步骤7：比较在最高速度420m/min轧制时的实际检测板形和网络预测板形，因偏差较小，无需对所述的板形预报网络参数进行调优，可继续用于冷轧机组轧制板形的在线预报。

Claims (6)

1.一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，包括以下步骤：
步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络，板形预报网络的隐藏层为时间序列层，时间序列层数与冷轧机组机架数n一致；
所述板形预报网络输入层有N个神经元，用于接收冷轧机轧制参数和板形控制参数的输入；所述板形预报网络的输出层有Q个神经元，与板形辊检测单元的个数一致；所述的板形预报网络的隐藏层有2层，第1隐藏层和第2隐藏层的神经元个数分别为P个和Q个，输入层与第1隐藏层神经元进行全连接，第1隐藏层与第2隐藏层神经元也进行全连接，第2隐藏层神经元与输出层神经元直接连接，两个隐藏层均是时间序列层，时间序列层数与冷轧机组机架数n一致；
步骤2：网络训练数据准备；
步骤2.1：创建样本数据：
根据历史轧制时序数据，获得不同规格材料的机架轧制参数数据、板形控制参数数据和板形实测数据，并采用影响函数法获得各种规格的材料在相应轧制参数和板形控制参数下，各机架出口板形计算值，对这些数据归集形成网络训练样本数据；
步骤2.2：将样本数据划分为训练集数据、测试集数据和验证集数据三类；
步骤2.3：对所述样本数据进行标准化处理；
步骤3：对所述的板形预报网络进行预训练；
对所述的板形预报网络进行预训练，训练采用训练集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；
所述步骤3的预训练过程中，误差函数采用如下公式：
Figure FDA0004011495240000011
其中Yt表示第t个时间序列或者说第t个冷轧机组机架的板形期望值，Ft为该时间序列的板形预测值；
步骤4：对所述的板形预报网络进行二次训练；
对所述的板形预报网络进行二次训练，训练采用测试集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；
所述步骤4的二次训练、步骤6.2的在线学习过程中，误差函数采用如下公式：
Figure FDA0004011495240000012
或
Figure FDA0004011495240000013
步骤5：采用验证集数据对所述的板形预报网络进行验证，当整体板形误差满足给定要求后结束验证，完成训练，进入步骤6；否则对网络参数进行调整，返回到步骤3重新进行预训练；
步骤6：将完成训练的板形预报网络用于冷轧生产过程中，各机架轧制板形的动态预测；
步骤6.1：在冷轧实际生产前，将冷轧模型设定的轧制参数数据和板形控制参数初始值进行标准化处理，然后输入到完成验证的板形预报网络，对即将开轧的轧件在经过冷轧机组各机架轧制后的板形进行静态预报；
步骤6.2：在冷轧生产开始阶段，根据板形静态预报值和低速轧制下的板形实测值的偏差，采用随时间反向传播算法对所述板形预报网络的权值和阈值进行在线学习；
步骤6.3：随着冷轧生产的进行，每隔一定的时间，对该时间内各机架的实际轧制参数和板形控制参数的平均值进行标准化处理，然后输入到所述的板形预报网络对冷轧机组各机架轧制板形进行动态预测，直到轧制结束；
在冷轧生产完成后，比较冷轧过程高速轧制时的实测板形和所述板形预报网络的预测板形，如果偏差过大，对所述的板形预报网络参数进行调优，更新板形预报网络，返回到步骤6，在下一块轧件进行轧制时，采用新的板形预报网络进行冷轧机组各机架轧制板形的静态预报和动态预测。
2.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述步骤1中板形预报网络两个隐藏层的神经元均采用Tanh激活函数。
3.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述的标准化处理均采用z-Score归一化方法。
4.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述步骤3、4、5中，板形误差满足给定要求是指板形误差满足收敛条件，收敛条件具体为：平均绝对误差指标值小于规定数值，或者两次迭代获得的平均绝对误差指标值不再下降。
5.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，对轧后没有配置板形辊的机架，板形期望值为通过影响函数法获得的机架轧制板形计算值，而对轧后配置板形辊的机架，板形期望值为板形实测值。
6.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述步骤2.3中，对利用影响函数法计算的冷轧中间机架轧制板形值或实测板形值进行标准化处理之前，包括以下步骤：将带钢板形映射到板形辊全部Q个检测单元上获得板形数据，并保持带钢板形特征不变；
所述步骤6.1和步骤6.3中，对轧制板形进行静态预报或动态预测时，包括以下步骤：将预测的基于板形辊全部Q个检测单元上的板形反向映射到带钢宽度上，并保持带钢板形特征不变。
CN202210444007.7A 2022-04-26 2022-04-26 基于深层循环神经网络的冷连轧轧制板形动态预测方法 Active CN115007658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444007.7A CN115007658B (zh) 2022-04-26 2022-04-26 基于深层循环神经网络的冷连轧轧制板形动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444007.7A CN115007658B (zh) 2022-04-26 2022-04-26 基于深层循环神经网络的冷连轧轧制板形动态预测方法

Publications (2)

Publication Number Publication Date
CN115007658A CN115007658A (zh) 2022-09-06
CN115007658B true CN115007658B (zh) 2023-02-14

Family

ID=83066353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444007.7A Active CN115007658B (zh) 2022-04-26 2022-04-26 基于深层循环神经网络的冷连轧轧制板形动态预测方法

Country Status (1)

Country Link
CN (1) CN115007658B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116174497A (zh) * 2023-01-06 2023-05-30 北京科技大学 一种基于数据驱动的冷连轧弯辊力在线预测方法
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103123483A (zh) * 2012-12-20 2013-05-29 北京首钢自动化信息技术有限公司 一种基于聚类分析的新钢种轧制变形抗力预测系统
CN110110839A (zh) * 2019-04-19 2019-08-09 燕山大学 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法
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
CN113172097A (zh) * 2021-05-27 2021-07-27 燕山大学 一种基于深度自编码的冷轧带材板形模式识别方法及系统
CN113987949A (zh) * 2021-11-03 2022-01-28 燕山大学 一种基于数据驱动的板带钢变形抗力预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11173656B2 (en) * 2018-04-03 2021-11-16 Ivan Li Chuen YEOH Additive manufacturing system using interlinked repeating subunits

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103123483A (zh) * 2012-12-20 2013-05-29 北京首钢自动化信息技术有限公司 一种基于聚类分析的新钢种轧制变形抗力预测系统
CN110110839A (zh) * 2019-04-19 2019-08-09 燕山大学 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法
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
CN113172097A (zh) * 2021-05-27 2021-07-27 燕山大学 一种基于深度自编码的冷轧带材板形模式识别方法及系统
CN113987949A (zh) * 2021-11-03 2022-01-28 燕山大学 一种基于数据驱动的板带钢变形抗力预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
神经网络与有限元结合在轧机板形预报中的应用研究;赵丽娟等;《重型机械》;20070520(第03期);第5-8页 *

Also Published As

Publication number Publication date
CN115007658A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
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
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
CN104942019B (zh) 一种带钢冷轧过程宽度自动控制方法
CN113102516B (zh) 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法
JPWO2008012881A1 (ja) 圧延ラインの材質予測および材質制御装置
CN105290117A (zh) 大宽厚比超薄冷轧带钢高次板形缺陷的分级调控方法
CN104451118B (zh) 一种适合于连续退火过程的带钢板形逐段演变预报方法
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
CN112037209A (zh) 一种钢板轧辊磨损量预测方法及系统
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
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
CN114888092B (zh) 一种基于跨工序数据平台的冷轧变形抗力预测方法
CN105499279B (zh) 一种冷轧带材板形前馈控制方法
CN115121626A (zh) 一种基于误差补偿的热轧带钢瞬态热辊型预报方法
CN105290122B (zh) 一种rbf网络支持的agc系统厚度测量装置
Li et al. Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models
JPH08117827A (ja) 圧延装置
CN112170502A (zh) 一种轧制过程弯辊力的预测方法
CN116343360A (zh) 一种基于数据驱动的冷轧带钢纵向厚度连续预测方法
KR100841888B1 (ko) 압연 라인의 재질 예측 및 재질 제어 장치
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
Sikdar et al. Neural network model of the profile of hot-rolled strip
JPH05119807A (ja) 連続圧延機における制御モデルの同定方法及び連続圧延機の制御方法
JP2646900B2 (ja) タンデム圧延機のドラフトスケジュールの決定方法

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