CN115703131A - 冷轧薄板屈服延伸率在线检测装置的使用方法 - Google Patents
冷轧薄板屈服延伸率在线检测装置的使用方法 Download PDFInfo
- Publication number
- CN115703131A CN115703131A CN202110933041.6A CN202110933041A CN115703131A CN 115703131 A CN115703131 A CN 115703131A CN 202110933041 A CN202110933041 A CN 202110933041A CN 115703131 A CN115703131 A CN 115703131A
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- parameter
- training
- electromagnetic
- 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
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及专门适用于金属轧机的测量方法和装置领域,具体为一种冷轧薄板屈服延伸率在线检测装置的使用方法。一种冷轧薄板屈服延伸率在线检测装置的使用方法,其特征是:按如下步骤依次实施:①确定参数;②在线预测。本发明使用方便,测量准确,代表性高,适应性强。
Description
技术领域
本发明涉及专门适用于金属轧机的测量方法和装置领域,具体为一种冷轧薄板屈服延伸率在线检测装置的使用方法。
背景技术
带钢的屈服延伸率,是指呈现明显屈服的金属材料,屈服开始至均匀加工硬化开始之间引伸计标距的延伸与引伸计标距之比的百分率。
当前国内钢铁企业对冷轧薄带钢的屈服延伸率(即YPel)的检测广泛采取切样离线拉伸测试法,即在一卷带钢的某几个部位,如头、尾处切样,然后送到实验室进行离线拉伸测试,获取试样的屈服延伸率,由此来推断一卷带钢的屈服延伸率。
试样的离线拉伸测试步骤如下:如图1所示,对于不连续屈服的材料,从力-延伸图上均匀加工硬化开始点的延伸减去上屈服强度ReL对应的延伸得到屈服延伸率Ae。均匀加工硬化开始点的延伸按如下方法得到:在曲线图上,经过不连续屈服阶段最后的最小值作一条水平线,或经过均匀加工硬化前屈服范围的回归线,与均匀加工硬化开始处曲线的最高斜率线相交点即可确定。屈服点延伸除以引伸计标距Le得到屈服延伸率。
切样离线l拉伸试验法的虽然操作简单,结果直接,但存在如下弊端:1.数据时滞大,对生产过程的帮助有限,更无法辅助在线控制。2.数据不完整,仅能反应一卷带钢头、尾的值。3.剪切造成浪费,机组在生产时,由于某种原因停机或者低速生产,为了维持“头、尾合格,则中间也合格”的经验判断,此时通常要切除一段“疑似不合格”的带钢,切除的量没有判断标准,只能尽量多切,造成钢材浪费。4.需要全天候有人在机旁作业,劳动强度高,人工成本高。
发明内容
为了克服现有技术的缺陷,提供一种使用方便、测量准确、代表性高、适应性强的金属轧机测试设备,本发明公开了一种冷轧薄板屈服延伸率在线检测装置的使用方法。
本发明通过如下技术方案达到发明目的:
一种冷轧薄板屈服延伸率在线检测装置的使用方法,所述的冷轧薄板屈服延伸率在线检测装置包括托辊、带钢、底座、立轨、平轨、滑杆、升降驱动缸、电磁检测单元、距离传感器和控制器,
各根托辊互相平行设置且在同一水平面上,带钢设于各根托辊上,各根托辊同向转动时推动带钢移动;
底座设于两根相邻的托辊之间,底座上垂直地设有四根立轨,四根立轨顶端的连线构成两条对边和托辊平行的矩形,两根滑杆的两端分别可移动地嵌设在一根立轨内,托辊、立轨和滑杆这三者两两互相垂直,平轨的两端分别固定在一根滑杆的中部,升降驱动缸的缸体固定在底座上,升降驱动缸活塞杆的移动端连接平轨的中部;
电磁检测单元包括壳体、伺服驱动电机、滚轮、切线磁场谐波分析模块、巴克豪森噪声检测模块和增量磁导率检测模块,壳体内设有所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块和所述增量磁导率检测模块,伺服驱动电机固定在壳体的底部,滚轮可转动地设于壳体的底部,伺服驱动电机的输出轴连接滚轮,电磁检测单元通过滚轮可移动地设于平轨上;
距离传感器固定在电磁检测单元壳体的顶部,且距离传感器设于带钢的正下方;
升降驱动缸、伺服驱动电机、所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块和距离传感器都通过信号线连接控制器;
立轨的顶部设有限位块,限位块设于滑杆向上移动的极限位置;
控制器选用微机、单片机或可编程控制器;
其特征是:按如下步骤依次实施:
①确定参数:
电磁检测单元的切线磁场谐波分析模块检测分析获得激励磁场的EM1~EM11的十一个参数,所述十一个参数的参数代号、参数名称、参数单位和参数含义如下:
电磁检测单元的巴克豪森噪声检测模块检测分析获得激励磁场的EM12~EM18的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
参数代号 | 参数名称 | 参数单位 | 参数含义 |
EM<sub>12</sub> | M<sub>MAX</sub> | V | 激励磁场的最大幅值 |
EM<sub>13</sub> | M<sub>MEAN</sub> | V | 激励磁场一个励磁周期内幅值的平均值 |
EM<sub>14</sub> | M<sub>R</sub> | V | 剩磁点幅值 |
EM<sub>15</sub> | H<sub>CM</sub> | A/cm | M为M<sub>MAX</sub>时的矫顽磁场强度 |
EM<sub>16</sub> | D<sub>H25M</sub> | A/cm | M为25%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
EM<sub>17</sub> | D<sub>H50M</sub> | A/cm | M为50%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
EM<sub>18</sub> | D<sub>H75M</sub> | A/cm | M为75%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
;
电磁检测单元的增量磁导率检测模块检测分析获得激励磁场的EM19~EM25的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
参数代号 | 参数名称 | 参数单位 | 参数含义 |
EM<sub>19</sub> | U<sub>MAX</sub> | V | 激励磁场的最大幅值 |
EM<sub>20</sub> | U<sub>MEAN</sub> | V | 激励磁场的一个励磁周期内幅值的均值 |
EM<sub>21</sub> | U<sub>R</sub> | V | 剩磁点幅值 |
EM<sub>22</sub> | H<sub>CU</sub> | A/cm | U为U<sub>MAX</sub>时的矫顽磁场强度 |
EM<sub>23</sub> | D<sub>H25U</sub> | A/cm | U为25%U<sub>MAX</sub>时导磁率曲线的宽度 |
EM<sub>24</sub> | D<sub>H50U</sub> | A/cm | U为50%U<sub>MAX</sub>时导磁率曲线的宽度 |
EM<sub>25</sub> | D<sub>H75U</sub> | A/cm | U为75%U<sub>MAX</sub>时导磁率曲线的宽度 |
;
电磁检测单元的多频涡流电磁检测模块检测分析获得激励磁场的EM26~EM41的十六个参数,所述十六个参数的参数代号、参数名称、参数单位和参数含义如下:
经由数据试验和分析,从41个电磁参数及其扩展项中,得到如下17项电磁参数X1~X17,用于计算冷轧薄板的断后伸长率Ae值:
X | 参数代号 | 参数名称 |
X<sub>1</sub> | EM<sub>1</sub> | A3 |
X<sub>2</sub> | EM<sub>7</sub> | UHS |
X<sub>3</sub> | EM<sub>12</sub> | M<sub>MAX</sub> |
X<sub>4</sub> | EM<sub>21</sub> | U<sub>R</sub> |
X<sub>5</sub> | EM<sub>23</sub> | DH25<sub>U</sub> |
X<sub>6</sub> | EM<sub>31</sub> | Im2 |
X<sub>7</sub> | EM<sub>39</sub> | Ph2 |
X<sub>8</sub> | EM<sub>1</sub>' | A3 |
X<sub>9</sub> | EM<sub>11</sub> | V<sub>mag</sub> |
X<sub>10</sub> | EM<sub>12</sub>' | M<sub>MAX</sub> |
X<sub>11</sub> | EM<sub>15</sub> | H<sub>CM</sub> |
X<sub>12</sub> | EM<sub>20</sub> | U<sub>MEAN</sub> |
X<sub>13</sub> | EM<sub>21</sub>' | U<sub>R</sub> |
X<sub>14</sub> | EM<sub>23</sub>' | DH25<sub>U</sub> |
X<sub>15</sub> | EM<sub>31</sub>' | Im2 |
X<sub>16</sub> | EM<sub>36</sub> | Mag3 |
X<sub>17</sub> | EM<sub>39</sub>' | Ph2 |
;
计算Ae的数学模型:
式(a)中:Ae为冷轧薄板的断后伸长率,Aae和Bae都为常数项,Xi为所需要的电磁参数信号,Ci为相应的回归系数,Aae、Bae和Ci都通过数据试验获得;
Greal是带钢的下表面和探头表面之间的间距,是判断关键参数,由于带钢运行时有抖动,以及带钢固有的板性的动等外部因素影响,带钢和固定在电磁检测单元上的距离传感器之间的间距是微幅波动的,通过距离传感器实时测量间距Greal,Greal作为检测数学模型的一个输入,Greal的目标值为5mm,允许误差为±1mm,当4mm≤Greal≤6mm时,测量有效,对检测结果进行修正,当Greal>6mm或者Greal<4mm时,系统处于异常状态,检测条件不满足,检测无效。
②在线预测:
基于人工神经网络中的BP神经网络来实现带钢屈服延伸率的在线预测,具体算法步骤为:
i.确定BP神经网络结构及网络参数设置:在网络训练之前需要构建好所设计的网络结构,并且得设置合适的网络参数以确保训练网络能够达到期望要求;
ii.初始化权重和阈值:未用指定算法来设置权重和阈值的BP网络都采取随机地给其赋予一组较小的非零值;
iii.处理好训练样本数据并将其送入网络进行训练:在送入网络训练之前,需要归一化处理不同数量级的训练样本数据,然后再将数据送到网络开始训练;
iv.正向传播阶段:依次计算逐层的输出,在输出层得到最终输出Ym;
v.实际输出与期望输出比较:若是实际输出Ym与期望输出Om一致,则结束训练;若是实际输出Ym与期望输出Om不一致,则开始反向传播阶段;
vi.反向传播阶段:求出实际输出Ym与期望输出Om之间的总的误差E,将总的误差E分摊给各层各节点,调整各层各节点的权重和阈值;
vii.更新后的网络进行下一次训练:将调整好权重和阈值的网络作为新的模型进行再次的训练,若是训练后的结果与期望要求相符合则结束训练,若是不符则再次进入误差反传阶段。循环往复,当迭代次数达到预设次数或者性能函数值小于预设误差精度则停止训练过程。
所述的冷轧薄板屈服延伸率在线检测装置的使用方法,其特征是:
步骤②按如下实施:
BP神经网络是一种信号前向传播,误差由输出层反向传播的前馈神经网络。基本原理是利用样本数据,由输入层通过隐藏层逐层的映射变换,最后在输出层获得输出数据。利用得到的输出数据与真实值进行对比,通过将两者之间的误差依次分摊给各层各节点来反向修改网络节点之间的权重和各节点的阈值,不断重复正向传播和反向传播过程,最后使得网络成为一个能够达到期望要求的映射网络模型。
取x0、x1、……、xn-1为输入向量,n为输入层的节点数;y0、y1、……、ym-1为输出向量,m为隐含层的节点数;a0、a1、……、al-1为隐含层神经元的阈值,l为隐含层的节点数;b0、b1、……、bm-1为输出层神经元的阈值;v(0,0)、v(0,1)、……、v(n-1,l-1)为输入层到隐含层的权值;w(0,0)、w(0,1)、……、w(l-1,m-1)为隐含层到输出层的权值。
BP神经网络的学习过程由两个阶段组成,即输入信号正向传输阶段和误差反传阶段,输入数据通过正向传播传到输出端,之后输出数据与真实数据做对比,若输出的数据与预期的数据不符合,则将误差分摊到各层各节点上,通过修改各节点的阈值和各层节点之间的权重来完成一次网络的更新,BP神经网络就是在这样的不断迭代更新中逐渐逼近预期要求的模型,下面以单层隐含层为例来讲述BP神经网络的工作过程。
输入向量中的各数据均有着不同的物理意义,其数值不同、量纲不同,在数据处理时容易导致数量级相差过大而带来训练模型有误差。同时太大的数据容易导致网络训练速度慢、难以收敛,所以正向传播过程前首先需要将输入数据做归一化处理。
BP神经网络能够实现非线性映射的重要原因在于网络层层之间的传递函数的作用。常用的传递函数有Sigmoid函数、tanh函数、ReLU函数和Softmax函数等等,不同的传递函数其映射结果不同,BP神经网络采用Sigmoid函数f(x)做传递函数,Sigmoid函数表达式为:
正向传播过程为经过归一化处理后的输入向量x0、x1、……、xn-1传递到输入层,经过由输入层到隐含层之间的权重v(0,0)、v(0,1)、……、v(n-1,l-1)和隐含层的阈值a0,a1,…,al-1构成的映射关系得到一个隐含层输出Hl,公式为:
式(2)中:xi为输入向量,v(i,l)为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数;
式(3)中,Hi为隐含层的输出向量,w(i,m)为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数;
当输出层得到的输出数据与预期的数据不相符合时则就进入到了误差反传阶段,误差反传阶段是通过把输出层的输出数据与真实数据的误差通过一定的方式分摊给各层各节点,从而来调整节点间的权重和节点的阈值,完成网络的学习。
式(4)中,m为输出向量的维数,除以2的目的在于E带了平方,之后对误差平方和求导时会产生两倍的关系,从而需要除以2来做抵消;
权重和阈值应朝着负梯度方向调整,则变化量应满足式(5)~式(8):
式(5)~式(8)中:α为学习率,取(0,1)区间内的常数;
如此通过不断的正向和反向传播来不断调整节点之间的权重和节点阈值,最终得到期望要求的网络模型,即输出冷轧薄板的断后伸长率,进而计算出屈服延伸率。
本发明开发了一种用来在线测量冷轧薄带板屈服延伸率的方法,通过对运行的带钢施加综合的电磁检测,实时获取多个电磁信号,同时对电磁信号进行了扩展,考虑了对影响电磁参数的间距进行修正,并考虑了带钢厚度的影响,所开发的方法不依赖机组的工艺实时参数,实现在线精确测量带钢屈服延伸率的目的。
本发明应用在冷轧带钢机械性能质量在线检测系统中,对冷轧带钢屈服延伸率等指标进行实时在线检测,实现钢板生产质量的连续检测、分类和记录,对于提高生产效率、产品质量以及产品竟争力将起到非常积极的作用。
本发明具有如下有益效果:使用方便,测量准确,代表性高,适应性强。
附图说明
图1是测试屈服延伸率时的曲线图,
图2是冷轧薄板屈服延伸率在线检测装置主视方向的示意图,
图3是冷轧薄板屈服延伸率在线检测装置俯视方向的示意图,
图4是冷轧薄板屈服延伸率在线检测装置中电磁检测单元的示意图,
图5是本发明采用的神经网络拓扑图,
图6是Sigmoid的函数图像,
图7是采用本发明作带钢全长方向屈服延伸率的检测结果图。
具体实施方式
以下通过具体实施例进一步说明本发明。
实施例1
一种冷轧薄板屈服延伸率在线检测装置,包括托辊11、带钢12、底座2、立轨31、平轨32、滑杆4、升降驱动缸5、电磁检测单元6、距离传感器7和控制器8,如图2~图4所示,具体结构是:
各根托辊11互相平行设置且在同一水平面上,带钢12设于各根托辊11上,各根托辊11同向转动时推动带钢12移动,底座2设于两根相邻的托辊11之间,底座2上垂直地设有四根立轨31,四根立轨31顶端的连线构成两条对边和托辊11平行的矩形,两根滑杆4的两端分别可移动地嵌设在一根立轨31内,托辊11、立轨31和滑杆4这三者两两互相垂直,平轨32的两端分别固定在一根滑杆4的中部,升降驱动缸5的缸体固定在底座2上,升降驱动缸5活塞杆的移动端连接平轨32的中部;
电磁检测单元6包括壳体61、伺服驱动电机62、滚轮63、切线磁场谐波分析模块、巴克豪森噪声检测模块和增量磁导率检测模块,壳体61内设有所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块和所述增量磁导率检测模块,伺服驱动电机62固定在壳体61的底部,滚轮63可转动地设于壳体61的底部,伺服驱动电机62的输出轴连接滚轮63,电磁检测单元6通过滚轮63可移动地设于平轨32上;
距离传感器7固定在电磁检测单元6壳体61的顶部,且距离传感器7设于带钢12的正下方;
升降驱动缸5、伺服驱动电机62、所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块和距离传感器7都通过信号线连接控制器8。
本实施例中:立轨31的顶部设有限位块311,限位块311设于滑杆4向上移动的极限位置。
本实施例中:控制器8选用微机、单片机或可编程控制器。
本实施例使用时,按如下步骤依次实施:
①确定参数:
电磁检测单元6的切线磁场谐波分析模块检测分析获得激励磁场的EM1~EM11的十一个参数,所述十一个参数的参数代号、参数名称、参数单位和参数含义如下:
参数代号 | 参数名称 | 参数单位 | 参数含义 |
EM<sub>1</sub> | A3 | A/cm | 三次谐波的幅值 |
EM<sub>2</sub> | A5 | A/cm | 五次谐波的幅值 |
EM<sub>3</sub> | A7 | A/cm | 七次谐波的幅值 |
EM<sub>4</sub> | P3 | Rad | 三次谐波的相位 |
EM<sub>5</sub> | P5 | Rad | 五次谐波的相位 |
EM<sub>6</sub> | P7 | Rad | 七次谐波的相位 |
EM<sub>7</sub> | UHS | A/cm | 三、五、七、九次谐波幅值之和 |
EM<sub>8</sub> | K | % | 变形系数 |
EM<sub>9</sub> | H<sub>co</sub> | A/cm | 矫顽磁场强度 |
EM<sub>10</sub> | H<sub>ro</sub> | A/cm | 磁滞回线零点处的谐波幅值 |
EM<sub>11</sub> | V<sub>mag</sub> | V | 电磁线圈稳态电压 |
;
电磁检测单元6的巴克豪森噪声检测模块检测分析获得激励磁场的EM12~EM18的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
参数代号 | 参数名称 | 参数单位 | 参数含义 |
EM<sub>12</sub> | M<sub>MAX</sub> | V | 激励磁场的最大幅值 |
EM<sub>13</sub> | M<sub>MEAN</sub> | V | 激励磁场一个励磁周期内幅值的平均值 |
EM<sub>14</sub> | M<sub>R</sub> | V | 剩磁点幅值 |
EM<sub>15</sub> | H<sub>CM</sub> | A/cm | M为M<sub>MAX</sub>时的矫顽磁场强度 |
EM<sub>16</sub> | D<sub>H25M</sub> | A/cm | M为25%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
EM<sub>17</sub> | D<sub>H50M</sub> | A/cm | M为50%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
EM<sub>18</sub> | D<sub>H75M</sub> | A/cm | M为75%M<sub>MAX</sub>时的巴克豪森曲线的宽度 |
;
电磁检测单元6的增量磁导率检测模块检测分析获得激励磁场的EM19~EM25的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
参数代号 | 参数名称 | 参数单位 | 参数含义 |
EM<sub>19</sub> | U<sub>MAX</sub> | V | 激励磁场的最大幅值 |
EM<sub>20</sub> | U<sub>MEAN</sub> | V | 激励磁场的一个励磁周期内幅值的均值 |
EM<sub>21</sub> | U<sub>R</sub> | V | 剩磁点幅值 |
EM<sub>22</sub> | H<sub>CU</sub> | A/cm | U为U<sub>MAX</sub>时的矫顽磁场强度 |
EM<sub>23</sub> | D<sub>H25U</sub> | A/cm | U为25%U<sub>MAX</sub>时导磁率曲线的宽度 |
EM<sub>24</sub> | D<sub>H50U</sub> | A/cm | U为50%U<sub>MAX</sub>时导磁率曲线的宽度 |
EM<sub>25</sub> | D<sub>H75U</sub> | A/cm | U为75%U<sub>MAX</sub>时导磁率曲线的宽度 |
;
电磁检测单元6的多频涡流电磁检测模块检测分析获得激励磁场的EM26~EM41的十六个参数,所述十六个参数的参数代号、参数名称、参数单位和参数含义如下:
经由数据试验和分析,从41个电磁参数及其扩展项中,得到如下17项电磁参数X1~X17,用于计算冷轧薄板的断后伸长率Ae值:
X | 参数代号 | 参数名称 |
X<sub>1</sub> | EM<sub>1</sub> | A3 |
X<sub>2</sub> | EM<sub>7</sub> | UHS |
X<sub>3</sub> | EM<sub>12</sub> | M<sub>MAX</sub> |
X<sub>4</sub> | EM<sub>21</sub> | U<sub>R</sub> |
X<sub>5</sub> | EM<sub>23</sub> | DH25<sub>U</sub> |
X<sub>6</sub> | EM<sub>31</sub> | Im2 |
X<sub>7</sub> | EM<sub>39</sub> | Ph2 |
X<sub>8</sub> | EM<sub>1</sub>' | A3 |
X<sub>9</sub> | EM<sub>11</sub> | V<sub>mag</sub> |
X<sub>10</sub> | EM<sub>12</sub>' | M<sub>MAX</sub> |
X<sub>11</sub> | EM<sub>15</sub> | H<sub>CM</sub> |
X<sub>12</sub> | EM<sub>20</sub> | U<sub>MEAN</sub> |
X<sub>13</sub> | EM<sub>21</sub>' | U<sub>R</sub> |
X<sub>14</sub> | EM<sub>23</sub>' | DH25<sub>U</sub> |
X<sub>15</sub> | EM<sub>31</sub>' | Im2 |
X<sub>16</sub> | EM<sub>36</sub> | Mag3 |
X<sub>17</sub> | EM<sub>39</sub>' | Ph2 |
;
计算Ae的数学模型:
式(a)中:Ae为冷轧薄板的断后伸长率,Aae和Bae都为常数项,Xi为所需要的电磁参数信号,Ci为相应的回归系数,Aae、Bae和Ci都通过数据试验获得;
Greal是带钢12的下表面和探头表面之间的间距,是判断关键参数,由于带钢12运行时有抖动,以及带钢12固有的板性的动等外部因素影响,带钢12和固定在电磁检测单元6上的距离传感器7之间的间距是微幅波动的,通过距离传感器7实时测量间距Greal,Greal作为检测数学模型的一个输入,Greal的目标值为5mm,允许误差为±1mm,当4mm≤Greal≤6mm时,测量有效,对检测结果进行修正,当Greal>6mm或者Greal<4mm时,系统处于异常状态,检测条件不满足,检测无效。
②在线预测:
基于人工神经网络中的BP神经网络来实现带钢屈服延伸率的在线预测,具体算法步骤为:
i.确定BP神经网络结构及网络参数设置。在网络训练之前需要构建好所设计的网络结构,并且得设置合适的网络参数以确保训练网络能够达到期望要求。
ii.初始化权重和阈值。未用指定算法来设置权重和阈值的BP网络都采取随机地给其赋予一组较小的非零值。
iii.处理好训练样本数据并将其送入网络进行训练。在送入网络训练之前,需要归一化处理不同数量级的训练样本数据,然后再将数据送到网络开始训练。
iv.正向传播阶段。依次计算逐层的输出,在输出层得到最终输出Ym。
v.实际输出与期望输出比较。若是实际输出Ym与期望输出Om一致,则结束训练;若是实际输出Ym与期望输出Om不一致,则开始反向传播阶段。
vi.反向传播阶段。求出实际输出Ym与期望输出Om之间的总的误差E,将总的误差E分摊给各层各节点,调整各层各节点的权重和阈值。
vii.更新后的网络进行下一次训练。将调整好权重和阈值的网络作为新的模型进行再次的训练,若是训练后的结果与期望要求相符合则结束训练,若是不符则再次进入误差反传阶段。循环往复,当迭代次数达到预设次数或者性能函数值小于预设误差精度则停止训练过程。
步骤②按如下实施:
BP神经网络是一种信号前向传播,误差由输出层反向传播的前馈神经网络。基本原理是利用样本数据,由输入层通过隐藏层逐层的映射变换,最后在输出层获得输出数据。利用得到的输出数据与真实值进行对比,通过将两者之间的误差依次分摊给各层各节点来反向修改网络节点之间的权重和各节点的阈值,不断重复正向传播和反向传播过程,最后使得网络成为一个能够达到期望要求的映射网络模型。其拓扑结构如图5所示。
图5中,取x0、x1、……、xn-1为输入向量,n为输入层的节点数;y0、y1、……、ym-1为输出向量,m为隐含层的节点数;a0、a1、……、al-1为隐含层神经元的阈值,l为隐含层的节点数;b0、b1、……、bm-1为输出层神经元的阈值;v(0,0)、v(0,1)、……、v(n-1,l-1)为输入层到隐含层的权值;w(0,0)、w(0,1)、……、w(l-1,m-1)为隐含层到输出层的权值,
BP神经网络的学习过程由两个阶段组成,即输入信号正向传输阶段和误差反传阶段,输入数据通过正向传播传到输出端,之后输出数据与真实数据做对比,若输出的数据与预期的数据不符合,则将误差分摊到各层各节点上,通过修改各节点的阈值和各层节点之间的权重来完成一次网络的更新,BP神经网络就是在这样的不断迭代更新中逐渐逼近预期要求的模型,下面以单层隐含层为例来讲述BP神经网络的工作过程。
输入向量中的各数据均有着不同的物理意义,其数值不同、量纲不同,在数据处理时容易导致数量级相差过大而带来训练模型有误差。同时太大的数据容易导致网络训练速度慢、难以收敛,所以正向传播过程前首先需要将输入数据做归一化处理。
BP神经网络能够实现非线性映射的重要原因在于网络层层之间的传递函数的作用。常用的传递函数有Sigmoid函数、tanh函数、ReLU函数和Softmax函数等等,不同的传递函数其映射结果不同,BP神经网络采用Sigmoid函数f(x)做传递函数,Sigmoid函数表达式为:函数图像如图6所示。
正向传播过程为经过归一化处理后的输入向量x0、x1、……、xn-1传递到输入层,经过由输入层到隐含层之间的权重v(0,0)、v(0,1)、……、v(n-1,l-1)和隐含层的阈值a0,a1,…,al-1构成的映射关系得到一个隐含层输出Hl,公式为:
式(2)中:xi为输入向量,v(i,l)为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数;
式(3)中,Hi为隐含层的输出向量,w(i,m)为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数;
当输出层得到的输出数据与预期的数据不相符合时则就进入到了误差反传阶段,误差反传阶段是通过把输出层的输出数据与真实数据的误差通过一定的方式分摊给各层各节点,从而来调整节点间的权重和节点的阈值,完成网络的学习,
式(4)中,m为输出向量的维数,除以2的目的在于E带了平方,之后对误差平方和求导时会产生两倍的关系,从而需要除以2来做抵消;
权重和阈值应朝着负梯度方向调整,则变化量应满足式(5)~式(8):
式(5)~式(8)中:α为学习率,取(0,1)区间内的常数;
如此通过不断的正向和反向传播来不断调整节点之间的权重和节点阈值,最终得到期望要求的网络模型,即输出冷轧薄板的断后伸长率,进而计算出屈服延伸率。
通过一定规模的数据试验,得到Aae=-8227.6,Bae=2.392,电磁参数集X及相对应的系数C见下表:
代入Aae、Bae和系数C,以及实时检测得到的输入参数X和Greal,计算结果如下表所示:
序号 | 长度 | R_Vmag | R_P7 | R_Hro | R_Mmax | R_Hcm | R_umean | R_ur |
1 | 8576 | 1.5973 | 1.9187 | 0.2122 | 0.1135 | 15.886 | 0.0086 | 0.0192 |
2 | 23556 | 1.7253 | 1.907 | 0.1643 | 0.1178 | 9.7614 | 0.0083 | 0.0199 |
3 | 27500 | 1.7253 | 1.9331 | 0.1666 | 0.114 | -5.9914 | 0.0087 | 0.0204 |
4 | 31724 | 1.7253 | 2.0154 | 0.2486 | 0.115 | -2.3943 | 0.0085 | 0.0197 |
5 | 36119 | 1.7253 | 1.8793 | 0.1697 | 0.1178 | 0.0346 | 0.0085 | 0.0201 |
6 | 41748 | 1.7253 | 1.8588 | 0.165 | 0.1233 | 10.342 | 0.0085 | 0.0202 |
7 | 45844 | 1.7253 | 1.9368 | 0.2134 | 0.1143 | -8.9859 | 0.0084 | 0.0198 |
8 | 50949 | 1.7253 | 1.9677 | 0.2022 | 0.1155 | 5.634 | 0.0085 | 0.0197 |
9 | 54936 | 1.7253 | 1.9004 | 0.1964 | 0.1181 | 0.018 | 0.0083 | 0.0192 |
10 | 58757 | 1.7253 | 1.9258 | 0.2047 | 0.1164 | 3.1192 | 0.0083 | 0.0197 |
11 | 61300 | 1.7253 | 1.9887 | 0.2297 | 0.1182 | -12.269 | 0.0083 | 0.0196 |
330 | 4497411 | 1.7253 | 1.9613 | 0.219 | 0.1173 | 11.073 | 0.008 | 0.0186 |
331 | 4514808 | 1.7253 | 1.9857 | 0.2258 | 0.1175 | 7.0701 | 0.0078 | 0.0176 |
332 | 4537948 | 1.7253 | 1.9761 | 0.228 | 0.1132 | 12.106 | 0.008 | 0.0182 |
333 | 4556311 | 1.7253 | 1.9065 | 0.1609 | 0.1202 | -6.5522 | 0.008 | 0.0183 |
334 | 4570952 | 1.7253 | 1.9373 | 0.2161 | 0.1133 | 6.7672 | 0.0082 | 0.0187 |
335 | 4585950 | 1.7253 | 1.8873 | 0.1736 | 0.1208 | 5.3487 | 0.0079 | 0.0182 |
336 | 4607066 | 1.7253 | 1.8961 | 0.1644 | 0.1182 | -6.6216 | 0.0081 | 0.0185 |
337 | 4622757 | 1.7253 | 1.9055 | 0.1872 | 0.1172 | 9.3946 | 0.0078 | 0.0178 |
338 | 4641438 | 1.7253 | 1.9357 | 0.1694 | 0.1185 | 2.5798 | 0.008 | 0.0185 |
339 | 4663884 | 1.7253 | 1.9611 | 0.2489 | 0.1162 | 7.963 | 0.0079 | 0.0177 |
340 | 4683630 | 1.7253 | 1.9077 | 0.1596 | 0.1177 | 11.388 | 0.0078 | 0.0179 |
341 | 4686343 | 1.7253 | 1.8969 | 0.2073 | 0.1187 | 10.495 | 0.0082 | 0.0188 |
342 | 4708808 | 1.7253 | 1.8895 | 0.1733 | 0.1257 | -0.144 | 0.0079 | 0.0183 |
343 | 4728558 | 1.7253 | 1.9187 | 0.1838 | 0.1176 | 12.438 | 0.0076 | 0.0176 |
344 | 4747271 | 1.7253 | 1.9814 | 0.2249 | 0.1183 | 0.1623 | 0.0077 | 0.0178 |
、
续:
序号 | 长度 | R_DH25u | R_Im2 | R_Mag3 | R_Im4 | 提离 | 屈服延伸率 |
1 | 8576 | 31.617 | -0.3483 | 0.9252 | 0.7977 | 4.8 | 0.097825367 |
2 | 23556 | 30.171 | -0.3481 | 0.9249 | 0.7972 | 4.8 | -0.055603156 |
3 | 27500 | 30.499 | -0.3481 | 0.9246 | 0.7973 | 4.8 | -0.097005226 |
4 | 31724 | 31.26 | -0.3479 | 0.9246 | 0.7967 | 4.8 | -0.173312749 |
5 | 36119 | 30.781 | -0.3482 | 0.9252 | 0.7977 | 4.8 | 0.078416157 |
6 | 41748 | 30.329 | -0.3481 | 0.9243 | 0.7971 | 4.8 | 0.138848781 |
7 | 45844 | 30.719 | -0.3479 | 0.9243 | 0.7968 | 4.8 | -0.00995925 |
8 | 50949 | 30.851 | -0.3478 | 0.9248 | 0.7967 | 4.8 | -0.043514505 |
9 | 54936 | 30.851 | -0.3481 | 0.9249 | 0.7975 | 4.8 | -0.013581001 |
10 | 58757 | 30.596 | -0.3482 | 0.9251 | 0.7976 | 4.8 | 0.005310641 |
11 | 61300 | 30.943 | -0.3484 | 0.9256 | 0.7979 | 4.8 | 0.020230778 |
330 | 4497411 | 30.713 | -0.3481 | 0.926 | 0.797 | 4.8 | 0.10819578 |
331 | 4514808 | 30.785 | -0.3488 | 0.9255 | 0.7987 | 4.8 | 0.163207679 |
332 | 4537948 | 30.944 | -0.3483 | 0.9251 | 0.7983 | 4.8 | 0.160162834 |
333 | 4556311 | 30.75 | -0.3481 | 0.9246 | 0.7974 | 4.8 | 0.115570238 |
334 | 4570952 | 30.982 | -0.3478 | 0.9246 | 0.797 | 4.8 | 0.13782672 |
335 | 4585950 | 30.634 | -0.3485 | 0.9255 | 0.7983 | 4.8 | 0.171407015 |
336 | 4607066 | 30.851 | -0.348 | 0.9247 | 0.7975 | 4.8 | 0.174372687 |
337 | 4622757 | 30.566 | -0.3481 | 0.9254 | 0.7973 | 4.8 | 0.206593739 |
338 | 4641438 | 30.962 | -0.348 | 0.9259 | 0.7965 | 4.8 | 0.147883372 |
339 | 4663884 | 30.931 | -0.3482 | 0.9256 | 0.7974 | 4.8 | 0.166219043 |
340 | 4683630 | 30.515 | -0.3484 | 0.9248 | 0.7973 | 4.8 | 0.164639523 |
341 | 4686343 | 30.667 | -0.3478 | 0.9249 | 0.7965 | 4.8 | 0.177801549 |
342 | 4708808 | 30.239 | -0.3479 | 0.9245 | 0.7971 | 4.8 | 0.191079722 |
343 | 4728558 | 30.706 | -0.3484 | 0.9257 | 0.7973 | 4.8 | 0.20110733 |
344 | 4747271 | 30.555 | -0.3488 | 0.9265 | 0.7987 | 4.8 | 0.210854668 |
。
将本实施例的模型用于一卷带钢的实时检测,全长方向的屈服延伸率Ae的检测结果如图7所示。比之现有技术的只能剪切试样来测试,数据量和实时性均大大提升。
将本实施例用于某生产线100卷SEDDQ带钢的断后伸长率在线测量,并头尾各取样一样,采用离线拉伸测试的方法获得断后伸长率,共2000组,所得到的结果和在线测量的对应的位置值比较,可信度为92%。
Claims (2)
1.一种冷轧薄板屈服延伸率在线检测装置的使用方法,所述的冷轧薄板屈服延伸率在线检测装置包括托辊(11)、带钢(12)、底座(2)、立轨(31)、平轨(32)、滑杆(4)、升降驱动缸(5)、电磁检测单元(6)、距离传感器(7)和控制器(8),
各根托辊(11)互相平行设置且在同一水平面上,带钢(12)设于各根托辊(11)上,各根托辊(11)同向转动时推动带钢(12)移动;
底座(2)设于两根相邻的托辊(11)之间,底座(2)上垂直地设有四根立轨(31),四根立轨(31)顶端的连线构成两条对边和托辊(11)平行的矩形,两根滑杆(4)的两端分别可移动地嵌设在一根立轨(31)内,托辊(11)、立轨(31)和滑杆(4)这三者两两互相垂直,平轨(32)的两端分别固定在一根滑杆(4)的中部,升降驱动缸(5)的缸体固定在底座(2)上,升降驱动缸(5)活塞杆的移动端连接平轨(32)的中部;
电磁检测单元(6)包括壳体(61)、伺服驱动电机(62)、滚轮(63)、切线磁场谐波分析模块、巴克豪森噪声检测模块和增量磁导率检测模块,壳体(61)内设有所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块和所述增量磁导率检测模块,伺服驱动电机(62)固定在壳体(61)的底部,滚轮(63)可转动地设于壳体(61)的底部,伺服驱动电机(62)的输出轴连接滚轮(63),电磁检测单元(6)通过滚轮(63)可移动地设于平轨(32)上;
距离传感器(7)固定在电磁检测单元(6)壳体(61)的顶部,且距离传感器(7)设于带钢(12)的正下方;
升降驱动缸(5)、伺服驱动电机(62)、所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块和距离传感器(7)都通过信号线连接控制器(8);
立轨(31)的顶部设有限位块(311),限位块(311)设于滑杆(4)向上移动的极限位置;
控制器(8)选用微机、单片机或可编程控制器;
其特征是:按如下步骤依次实施:
①确定参数:
电磁检测单元(6)的切线磁场谐波分析模块检测分析获得激励磁场的EM1~EM11的十一个参数,所述十一个参数的参数代号、参数名称、参数单位和参数含义如下:
;
电磁检测单元(6)的巴克豪森噪声检测模块检测分析获得激励磁场的EM12~EM18的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
;
电磁检测单元(6)的增量磁导率检测模块检测分析获得激励磁场的EM19~EM25的七个参数,所述七个参数的参数代号、参数名称、参数单位和参数含义如下:
电磁检测单元(6)的多频涡流电磁检测模块检测分析获得激励磁场的EM26~EM41的十六个参数,所述十六个参数的参数代号、参数名称、参数单位和参数含义如下:
每一个检测分析获得的原始检测电磁信号EMi都对应一个扩展电磁信号NMi,
经由数据试验和分析,从41个电磁参数及其扩展项中,得到如下17项电磁参数X1~X17,用于计算冷轧薄板的断后伸长率Ae值:
计算Ae的数学模型:
式(a)中:Ae为冷轧薄板的断后伸长率,Aae和Bae都为常数项,Xi为所需要的电磁参数信号,Ci为相应的回归系数,Aae、Bae和Ci都通过数据试验获得;
Greal是带钢(12)的下表面和探头表面之间的间距,是判断关键参数,由于带钢(12)运行时有抖动,以及带钢(12)固有的板性的动等外部因素影响,带钢(12)和固定在电磁检测单元(6)上的距离传感器(7)之间的间距是微幅波动的,通过距离传感器(7)实时测量间距Greal,Greal作为检测数学模型的一个输入,Greal的目标值为5mm,允许误差为±1mm,当4mm≤Greal≤6mm时,测量有效,对检测结果进行修正,当Greal>6mm或者Greal<4mm时,系统处于异常状态,检测条件不满足,检测无效;
②在线预测:
基于人工神经网络中的BP神经网络来实现带钢屈服延伸率的在线预测,具体算法步骤为:
i.确定BP神经网络结构及网络参数设置。在网络训练之前需要构建好所设计的网络结构,并且得设置合适的网络参数以确保训练网络能够达到期望要求。
ii.初始化权重和阈值。未用指定算法来设置权重和阈值的BP网络都采取随机地给其赋予一组较小的非零值。
iii.处理好训练样本数据并将其送入网络进行训练。在送入网络训练之前,需要归一化处理不同数量级的训练样本数据,然后再将数据送到网络开始训练。
iv.正向传播阶段。依次计算逐层的输出,在输出层得到最终输出Ym。
v.实际输出与期望输出比较。若是实际输出Ym与期望输出Om一致,则结束训练;若是实际输出Ym与期望输出Om不一致,则开始反向传播阶段。
vi.反向传播阶段。求出实际输出Ym与期望输出Om之间的总的误差E,将总的误差E分摊给各层各节点,调整各层各节点的权重和阈值。
vii.更新后的网络进行下一次训练。将调整好权重和阈值的网络作为新的模型进行再次的训练,若是训练后的结果与期望要求相符合则结束训练,若是不符则再次进入误差反传阶段。循环往复,当迭代次数达到预设次数或者性能函数值小于预设误差精度则停止训练过程。
2.如权利要求1所述的冷轧薄板屈服延伸率在线检测装置的使用方法,其特征是:
取x0、x1、……、xn-1为输入向量,n为输入层的节点数;y0、y1、……、ym-1为输出向量,m为隐含层的节点数;a0、a1、……、al-1为隐含层神经元的阈值,l为隐含层的节点数;b0、b1、……、bm-1为输出层神经元的阈值;v(0,0)、v(0,1)、……、v(n-1,l-1)为输入层到隐含层的权值;w(0,0)、w(0,1)、……、w(l-1,m-1)为隐含层到输出层的权值,
BP神经网络的学习过程由两个阶段组成,即输入信号正向传输阶段和误差反传阶段,输入数据通过正向传播传到输出端,之后输出数据与真实数据做对比,若输出的数据与预期的数据不符合,则将误差分摊到各层各节点上,通过修改各节点的阈值和各层节点之间的权重来完成一次网络的更新,
正向传播过程为经过归一化处理后的输入向量x0、x1、……、xn-1传递到输入层,经过由输入层到隐含层之间的权重v(0,0)、v(0,1)、……、v(n-1,l-1)和隐含层的阈值a0,a1,…,al-1构成的映射关系得到一个隐含层输出Hl,公式为:
式(2)中:xi为输入向量,v(i,l)为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数;
式(3)中,Hi为隐含层的输出向量,w(i,m)为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数;
式(4)中,m为输出向量的维数,除以2的目的在于E带了平方,之后对误差平方和求导时会产生两倍的关系,从而需要除以2来做抵消;
权重和阈值应朝着负梯度方向调整,则变化量应满足式(5)~式(8):
式(5)~式(8)中:α为学习率,取(0,1)区间内的常数;
如此通过不断的正向和反向传播来不断调整节点之间的权重和节点阈值,最终得到期望要求的网络模型,即输出冷轧薄板的断后伸长率,进而计算出屈服延伸率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933041.6A CN115703131A (zh) | 2021-08-13 | 2021-08-13 | 冷轧薄板屈服延伸率在线检测装置的使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933041.6A CN115703131A (zh) | 2021-08-13 | 2021-08-13 | 冷轧薄板屈服延伸率在线检测装置的使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115703131A true CN115703131A (zh) | 2023-02-17 |
Family
ID=85180258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110933041.6A Pending CN115703131A (zh) | 2021-08-13 | 2021-08-13 | 冷轧薄板屈服延伸率在线检测装置的使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115703131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206712A (zh) * | 2023-04-27 | 2023-06-02 | 燕山大学 | 一种提高变厚度金属薄壁结构件延伸率的设计方法 |
-
2021
- 2021-08-13 CN CN202110933041.6A patent/CN115703131A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206712A (zh) * | 2023-04-27 | 2023-06-02 | 燕山大学 | 一种提高变厚度金属薄壁结构件延伸率的设计方法 |
CN116206712B (zh) * | 2023-04-27 | 2023-07-11 | 燕山大学 | 一种提高变厚度金属薄壁结构件延伸率的设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101758084B (zh) | 模型自适应的板形预测控制方法 | |
KR100847974B1 (ko) | 압연, 단조 또는 교정 라인의 재질 제어 방법 및 그 장치 | |
CN110216319B (zh) | 一种基于表面质量在线评估的中厚板优化剪切控制方法 | |
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
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 | |
CN100357953C (zh) | 金属板带自动矫直工艺参数的优化方法 | |
CN104438350B (zh) | 平整过程带钢机械性能在线检测控制方法 | |
CN103886373A (zh) | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 | |
CN115703131A (zh) | 冷轧薄板屈服延伸率在线检测装置的使用方法 | |
CN110824006A (zh) | 一种基于智能声信息识别的焊后焊缝冲击质量判别方法 | |
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 | |
CN214556274U (zh) | 冷轧带钢屈服延伸率的在线检测装置 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN114580286A (zh) | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 | |
CN114682633A (zh) | 冷轧带钢屈服延伸率的在线检测装置及其使用方法 | |
CN106825068A (zh) | 一种轧制过程带钢表面粗糙度的预测方法 | |
Cheng et al. | Weld defect detection and image defect recognition using deep learning technology | |
CN103341505B (zh) | 一种冷轧板形信号在线模式识别方法 | |
CN114112736B (zh) | 确定低碳钢冷轧薄板断裂延伸率的在线测量装置及方法 | |
Kim et al. | Sensitivity analysis on a neural network for analyzing the camber in hot rolling process | |
CN115703130A (zh) | 低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法 | |
CN113672867A (zh) | 基于降维技术的冷轧薄板屈服和抗拉强度在线检测方法 | |
CN114602998B (zh) | 基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法 | |
Rath et al. | Application of machine learning in rolling mills: Case Studies | |
CN115186748A (zh) | 一种基于深度学习的硅钢性能无损检测方法 |
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 |