CN117150905A - 一种连退炉带钢温度预测方法 - Google Patents
一种连退炉带钢温度预测方法 Download PDFInfo
- Publication number
- CN117150905A CN117150905A CN202311117089.5A CN202311117089A CN117150905A CN 117150905 A CN117150905 A CN 117150905A CN 202311117089 A CN202311117089 A CN 202311117089A CN 117150905 A CN117150905 A CN 117150905A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- continuous annealing
- temperature
- annealing furnace
- particle
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 153
- 239000010959 steel Substances 0.000 title claims abstract description 153
- 238000000137 annealing Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000002245 particle Substances 0.000 claims abstract description 90
- 238000010438 heat treatment Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 39
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 17
- 230000006872 improvement Effects 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 8
- 230000002441 reversible effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000010960 cold rolled steel Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- 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)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明公开了一种连退炉出口带钢温度预测方法,属于冶金工程控制领域。它包括步骤1:获取连退炉加热段带钢样本数据,得到训练样本数据和测试样本数据。步骤2:构建RBF神经网络连退炉加热段的带钢温度预测模型,然后初始化模型参数。步骤3:利用改进的量子粒子群优化算法优化模型参数。步骤4:构建测试集并测试最优参数的带钢温度预测模型,得到带钢温度的预测结果。步骤5:将得到的带钢温度的预测结果与实际检测的带钢温度进行比较,根据比较结果对模型的精准度进行判断。本发明基于实际生产数据,构建了RBF神经网络连退炉带钢温度预测模型,并对该模型进行优化,能够提高对连退炉带钢温度的预测精准性,实现精准控温。
Description
技术领域
本发明属于冶金工程控制领域,更具体地说,涉及一种连退炉带钢温度预测方法。
背景技术
冷轧带钢是应用极为广泛的一类工业原料,可应用于国民经济的许多方面,如航空航天、机械制造、家电制造、汽车制造等部门都大量使用冷轧带钢。因此,冷轧带钢在国民经济中占有重要的地位。
在冷轧带钢生产中,退火是冷轧带钢生产中最主要的热处理工序之一,其是将钢加热到临界点以上,保温后再缓慢冷却的一种热处理工艺。退火的主要目的包括:降低钢的硬度;提高塑性,消除冷加工硬化,便于后续冷变形加工;消除组织缺陷,改善钢的性能;消除钢中残余内应力,稳定组织,防止变形;均匀钢的组织和化学成分。连退加热炉是连续退火线上的一个重要的设备,是连续热处理机组中的关键设备,热处理技术的优劣决定了带钢的机械性能与表面质量,是控制产品质量的关键,在冷轧带钢热处理工序中占据核心地位。
连退线生产过程中具有以下特点:生产过程机理复杂,数学建模复杂;生产速度快,产品规格多变;生产过程非线性特点突出,先进的控制技术不易采用;具有大滞后,强耦合的表面。为了提高连退线带钢产品质量,需要对连退炉带钢温度进行精确控制。由于连退炉内的带钢温度不易连续精确测量,因此首先需要对其精确建模。但是,由于连退炉有的参数未知或缓慢变化,有的带有延时或随机干扰,因此无法获得较精确的数学模型或模型粗糙,不易建立精确的数学模型,进而带钢在炉内温度分布情况无法预知。带钢温度分布的准确预测对带钢连退炉的设计与在线控制是非常重要的。因此,如何对连退炉加热过程带钢温度分布准确计算和动态跟踪,实现精准控温,是一个急需解决的问题。
目前,现有技术中存在通过建立神经网络预测模型对炉温进行预测的方法,但是,在建模实现过程中,对于RBF神经网络一些参数大多依赖人工经验设定,存在操作精度不高的问题。
如中国专利申请号为:CN202010670639.6,公开日为:2020年10月23日的专利文献,公开了一种加热炉炉温控制方法,属于加热炉优化控制领域,包括以下步骤:S1:为每块钢坯建立加热炉区域单坯实测平均炉温与钢坯粗轧终轧温度的数据集;S2:自学习算法建立寻找大量记录的已出炉钢坯、每块钢坯粗轧终轧温度与各加热区域实测有效平均炉温度之间的关系;S3:利用训练好的神经网络预测计算,以当前各炉温控制区域设定温度为输入值,预测计算在炉每块钢坯粗轧终轧温度,并将预测的记过赋值给每块板坯;S4:进行每块钢板所在炉温控制区域的钢坯必要炉温设定值计算;S5:根据控制区域内每块钢坯必要炉温设定值进行加权计算,确定炉温控制区域的炉温设定值。
又如中国专利申请号为:CN202110126990.3,公开日为:2022年7月29日的专利文献,公开了一种加热炉出钢板坯粗轧出口温度的预测方法及系统,该方法包括:采集热轧板坯生产过程数据;对生产过程数据进行预处理;构建基于长短期记忆神经网络的粗轧出口温度预测模型;添加历史时刻的粗轧出口温度作为新的输入变量,用于预测当前时刻热轧加热炉板坯的粗轧出口温度;选择预测效果最好的温度预测模型作为选定模型;使用随机森林算法对生产过程数据进行重要性排序;逐步剔除经随机森林筛选的重要性评分低的生产过程数据,将剩余生产过程数据重新输入到选定模型用以预测粗轧出口温度,直至筛选出使得选定模型精度最高的生产过程数据组合。
发明内容
1、要解决的问题
针对现有技术难以建立精确的连退炉带钢温度的预测模型的问题,本发明提供一种连退炉出口带钢温度预测方法,基于实际生产数据,构建了RBF神经网络连退炉带钢温度预测模型,并对该模型进行优化,能够提高对连退炉带钢温度的预测精准性,实现精准控温。
2、技术方案
为解决上述问题,本发明采用如下的技术方案。
一种连退炉加热段带钢温度预测方法,包括以下步骤:
步骤1:获取连退炉加热段带钢样本数据,并对带钢样本数据进行预处理,得到训练样本数据和测试样本数据;
步骤2:利用训练样本数据构建RBF神经网络连退炉加热段的带钢温度预测模型,然后初始化所述带钢温度预测模型的参数;
步骤3:基于带钢的训练样本数据,利用量子粒子群优化算法优化所述带钢温度预测模型的参数,得到最优参数的带钢温度预测模型;
步骤4:基于带钢的测试样本数据,构建测试集并测试所述最优参数的带钢温度预测模型,得到带钢温度的预测结果;
步骤5:将得到的带钢温度的预测结果与实际检测的带钢温度进行比较,根据比较结果对所述最优参数的带钢温度预测模型的精准度进行判断。
作为技术方案的进一步改进,所述步骤1中,带钢样本数据包括带钢宽度、带钢厚度、带钢速度、带钢温度设定值、炉温和出口带钢温度。
作为技术方案的进一步改进,所述步骤2中,初始化所述带钢温度预测模型的参数的具体过程为:
步骤21:确定RBF神经网络隐含层神经元径向基函数中心;
步骤22:确定RBF神经网络连退加热炉加热段模型的隐含层神经元阈值;
步骤23:确定加热段模型中的隐含层与输出层间权值和阈值。
作为技术方案的进一步改进,所述步骤3中的具体过程为:
步骤31:初始化粒子群的种群大小、维数、最大迭代次数和适应度函数;
步骤32:在搜索范围内,随机产生一组粒子群的初始位置X;
步骤33:求得X的反向解X′;
步骤34:计算X和X′的适应度值f(X),并选取适应度值最小的前NP个解作为粒子群的初始位置;
步骤35:将每个粒子的当前位置记为其个体历史最优位置Pi t,将选取的最小适应度值的粒子对应的位置记为粒子群的全局最优位置Pg t,根据以下公式计算粒子群的全局最优位置mbestt:
其中,表示第i个粒子在第t迭代时的历史最优位置对应的适应度值,NP为粒子群的规模,t表示迭代次数;
步骤36:采用以下公式计算粒子的吸引子,然后根据计算结果更新粒子位置:
其中, 表示第i个粒子的吸引子;
步骤37:计算位置更新后粒子的适应度值;
步骤38:利用差分变异算法产生新的粒子位置
其中,i=1,2,...,NP,s≠i并从指标集{1,2,...,NP}中随机选取,表示在第t次迭代时第i个粒子的位置,/>表示在第t次迭代时第s个粒子的位置,r表示[0,1]区间的均匀随机数,f(·)表示适应度函数;
利用新的粒子位置计算新的适应度值如果/>则用替换/>否则,保留/>
步骤39:判断是否满足循环终止条件,如果满足,则根据粒子位置对应的参数构建所述RBF神经网络连退炉加热段的带钢温度预测模型,如果不满足,重复步骤33至步骤39。
作为技术方案的进一步改进,所述步骤34和37中,将适应度函数定义为均方根误差后,采用以下公式计算粒子的均方根误差
其中,j取[1,NP],表示t次迭代后第j个粒子的位置,Yi(X)为RBF神经网络出口带钢温度预测值,Ti为连退炉实际出口带钢温度值,Q为带钢训练样本的数量。
作为技术方案的进一步改进,所述步骤39的循环终止条件为粒子的适应度值小于预设的温度预测误差阈值或粒子群迭代次数达到最大迭代次数。
作为技术方案的进一步改进,所述步骤21的具体过程为:定义RBF神经网络训练样本数据的输入矩阵P和输出矩阵T分别为:
其中,pij表示第j个训练样本的第i个输入变量;tij表示第j个训练样本的第i个输出变量;M为输入变量的维数;N为输出变量的维数;
RBF神经网络隐含层神经元径向基函数中心C为:
C=P。
作为技术方案的进一步改进,所述步骤22的具体过程为:设隐含层神经元阈值为:
b1=[b11,b12,…,b1Q]T;
其中,spread为径向基函数的扩展速度。
作为技术方案的进一步改进,所述步骤23的具体过程为:根据以下公式得到隐含层神经元的输出A:
ai=exp(-||C-pi||2b1i),i=1,2,…,Q;
A=diag[a1,a2,…,aQ];
其中,pi=[pi1,pi2,…,piM]T,为第i个带钢训练样本向量;
设隐含层与输出层的连接权值矩阵W为:
其中,ωij表示第j个隐含层神经元与第i个输出层神经元间的连接权值;
设N个输出层神经元的阈值b2为:
b2=[b21,b22,…,b2N]T;
则由RBF神经网络结构得:
其中,I=[1,1,…,1]1×Q;
对上式、进行求解,可得到RBF神经网络隐含层与输出层间权值W和阈值b2,即
作为技术方案的进一步改进,所述步骤1中,采用以下公式对带钢样本数据进行预处理:
其中,y为带钢样本数据,ynorm为归一化后的带钢样本数据,ymax为带钢样本数据的最大值,ymin为带钢样本数据的最小值。
3、有益效果
相比于现有技术,本发明的有益效果为:
本发明一种连退炉加热段带钢温度预测方法,针对连退炉模型复杂,难于进行数学建模的问题,通过量子粒子群算法对RBF神经网络的参数进行优化,相比较常规的参数设定方法提高了精度,且本发明针对量子粒子群算法现有的技术对复杂的多维优化问题时,量子粒子群算法仍存在容易陷入局部最优的问题,提出了一种独特的量子粒子群算法进行了进一步地改进,并通过实验证明了该方法的可行性,提高了带钢温度的预测精度,满足工业现场需求。
附图说明
图1为一种立式连续退火加热炉加热段的示意图;
图2为本发明基于改进的量子粒子群算法调节神经网络参数连退炉带钢温度预测方法的流程图;
图3为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用PSO训练集预测的结果图;
图4为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用传统QPSO训练集预测的结果图;
图5为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用改进的QPSO训练集预测的结果图;
图6为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用PSO测试集预测的结果图;
图7为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用传统QPSO测试集预测的结果图;
图8为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用改进的QPSO测试集预测的结果图;
图9为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用PSO算法最佳适应度的函数曲线图;
图10为本发明实施例中的基于RBF神经网络建模连退加热炉加热段带钢温度预测采用传统QPSO算法最佳适应度的函数曲线图;
附图11为本发明基于RBF神经网络建模连退加热炉加热段带钢温度预测采用改进的QPSO算法最佳适应度的函数曲线图。
具体实施方式
下文对本发明的示例性实施例进行了详细描述。尽管这些示例性实施例被充分详细地描述以使得本领域技术人员能够实施本发明,但应当理解可实现其他实施例且可在不脱离本发明的精神和范围的情况下对本发明作各种改变。下文对本发明的实施例的更详细的描述并不用于限制所要求的本发明的范围,而仅仅为了进行举例说明且不限制对本发明的特点和特征的描述,以提出执行本发明的最佳方式,并足以使得本领域技术人员能够实施本发明。因此,本发明的范围仅由所附权利要求来限定。
实施例1
一种连退炉加热段带钢温度预测方法,适用于对连续退火加热炉的加热段的温度进行预测,如图1所述即为一种立式连续退火加热炉的加热段。
如图2所示,该预测方法包括以下步骤:
步骤1:获取连退炉加热段带钢样本数据,并对带钢样本数据进行预处理,得到训练样本数据和测试样本数据。
其中,带钢样本数据包括带钢宽度、带钢厚度、带钢速度、带钢温度设定值、炉温和出口带钢温度。
本实施例中,采集连退炉加热段带钢样本数据共400组(包括了连退生产线所有生产钢种参数),为了防止过拟合提高模型的泛化能力,采用以下公式对带钢样本数据进行预处理:
其中,y为带钢样本数据,ynorm为归一化后的带钢样本数据,ymax为带钢样本数据的最大值,ymin为带钢样本数据的最小值。
接着再随机划分数据集,第1-280组随机数据作为巡检样本数据,用于输入RBF神经网络进行训练,而第281-400组随机数据作为测试样本数据,不参加训练。
根据数据样本构建280组训练样本集为Ztrain={Z1,z2,…,ZQ|Q=280},120组测试样本集为,其中,/>为实数集。
步骤2:利用训练样本数据构建RBF神经网络连退炉加热段的带钢温度预测模型,然后根据训练样本集确定RBF神经网络的神经元个数,初始化带钢温度预测模型的参数,具体包括如下步骤:
步骤21:确定RBF神经网络隐含层神经元径向基函数中心。
该步骤中,定义RBF神经网络训练样本数据的输入矩阵P和输出矩阵T分别为:
其中,Pij表示第j个训练样本的第i个输入变量;tij表示第j个训练样本的第i个输出变量;M为输入变量的维数为5;N为输出变量的维数为1。
则RBF神经网络隐含层神经元径向基函数中心C为:
C=P。
步骤22:确定RBF神经网络连退加热炉加热段模型的隐含层神经元阈值。
该步骤中,设隐含层神经元阈值为:
b1=[b11,b12,…,b1Q]T;
其中,spread为径向基函数的扩展速度。
步骤23:确定加热段模型中的隐含层与输出层间权值和阈值。
该步骤中,根据以下公式得到隐含层神经元的输出A:
ai=exp(-||C-pi||2b1i),i=1,2,…,Q;
A=diag[a1,a2,…,aQ];
其中,pi=[pi1,pi2,…,PiM]T,为第i个带钢训练样本向量;
设隐含层与输出层的连接权值矩阵W为:
其中,ωNQ表示第Q个隐含层神经元与第N个输出层神经元间的连接权值;
设N个输出层神经元的阈值b2为:
b2=[b21,b22,…,b2N]T;
则由RBF神经网络结构得:
其中,I=[1,1,…,1]1×Q;
对上式、进行求解,可得到RBF神经网络隐含层与输出层间权值W和阈值b2,即
步骤3:由于传统的粒子群算法存在收敛速度慢、精度低、局部最优化、早熟等问题,虽然量子粒子群算法只需要更新粒子的位置信息,不需要计算粒子的速度,具有更新控制参数少、收敛速度快、全局收敛等优点,但是面对复杂系统时也容易陷入局部最优问题,所以本实施例基于带钢的训练样本数据,利用改进后的量子粒子群优化算法优化带钢温度预测模型的参数,得到最优参数的带钢温度预测模型,具体包括以下步骤:
步骤31:初始化粒子群的种群大小、维数、最大迭代次数和适应度函数,设定粒子种群大小NP为20,迭代次数最大为50,粒子群维数为1,粒子的最大值和最小值分别设为Xmax和Xmin,范围设为[0.1,100],粒子群误差阈值设为10-3。
步骤32:在搜索范围内,随机产生20个粒子的初始位置X。如以下公式所示,设第i个粒子的位置为Xi=(xi1,xi2,…xiN),N为粒子的维度,同时初始化粒子群迭代次数t=0。
其中,rand(0,1)表示取0到1的随机数。
步骤33:采用广义反向学习算法求解粒子Xi的反向解为X′i。
由广义反向学习并根据下式可以得到Xi的反向解X′i为:
X′i=rand[at,bt],ifXi′<at||X′i>bt;
其中,i=1,2,...,NP,at和bt表示在第t次迭代时产生广义反向解的上下界,rand[at,bt]表示[at,bt]区间服从均匀分布的随机数,[Xmaxmin]表示搜索空间的上下界。广义反向学习算法将边界条件[Xmaxmin]更换为[at,bt],把反向解限制在更新得到的动态搜索范围中,进一步加快算法的收敛效率。
步骤34:采用以下公式计算X和X′的适应度值f(X),并根据适应度值选取最小的前20个解作为粒子群的初始位置。具体的,将适应度函数定义为均方根误差后,采用以下公式计算粒子的均方根误差
其中,j取[1,NP],表示t次迭代后第j个粒子的位置,Yi(X)为RBF神经网络出口带钢温度预测值,Ti为连退炉实际出口带钢温度值,Q为带钢训练样本的数量。
反向学习算法在数据优化过程中,同时考虑候选解和反向解,进而增强了群体的多样性,避免算法过早的收敛。该方法通过不断求解反向解并评价当前解和反向解,从而得到更优的一组解,由于在迭代过程中反向学习没有对解的搜索区域进行更新,可能导致有效解跳出已经缩小的搜索区域,进而导致当前收敛搜索空间信息的丢失。本实施例采用一种广义反向学习方法在其基础上,使用动态更新的搜索边界来产生反向解,可以获得更大的机会搜索到接近全局最优点的可行解。
步骤35:将每个粒子的当前位置记为其个体历史最优位置Pi t,将选取的最小适应度值的粒子对应的位置记为粒子群的全局最优位置Pg t,根据以下公式计算粒子群的全局最优位置mbestt:
其中,表示第i个粒子在第t迭代时的历史最优位置对应的适应度值,NP为粒子群的规模,t表示迭代次数;
步骤36:采用以下公式计算粒子的吸引子,然后根据计算结果更新粒子位置:
其中, 表示第i个粒子的吸引子。
粒子位置的更新公式为:
其中,i=1,2,...,NP,表示第i个粒子的吸引子,β表示收缩和扩张因子,通常被设置为随迭代次数的增加线性递减的变量,/>表示(0,1)区间上服从均匀分布的随机数,上式中的符号“±”的选取由/>决定,当/>时取“正”,否则取“负”;β为压缩扩张因子,用来调节粒子的收敛速度,它是一个非常重要的参数,其取值范围直接影响算法的收敛性能。本实施例使用线性函数来调整β参数值:
上式中的miter是算法设置的最大的迭代次数,β∈[β1,β2],β值在算法初期较大,从而粒子可以更均匀地在解空间中搜索;当在算法后期时,β值较小,粒子集中在最优解附近进行搜索,因此提高了算法的整体搜索性能。
最后根据上下界约束条件,把粒子位置限制在给定的搜索区间内。
步骤37:计算更新后的粒子的适应度函数值。
步骤38:利用以下差分变异算法产生新的粒子位置差分进化算法是一种非常有效的随机搜索方法,具有概念简单、容易实现、优化性能好、控制参数少、鲁棒性强等优点,已经被应用到很多其他的优化方法中,针对原始算法,提高了其优化性能。
其中,i=1,2,...,NP,s≠i并从指标集{1,2,...,NP}中随机选取,表示在第t次迭代时第i个粒子的位置,/>表示在第t次迭代时第s个粒子的位置,r表示[0,1]区间的均匀随机数,f(·)表示适应度函数。
利用新的粒子位置计算新的适应度函数值如果/>则用/>替换/>否则,保留/>
步骤39:判断是否满足循环终止条件,如果满足,则根据粒子位置对应的参数构建所述RBF神经网络连退炉加热段的带钢温度预测模型,如果不满足,重复步骤33至步骤39,循环终止条件为小于预设的温度预测误差阈值或者达到最大迭代次数。
本实施例中,通过采用改进的QPSO算法进行仿真计算得到了RBF神经网络最优的扩展速度spread值为12.7034,从而得到连退加热段带钢温度预测模型。
步骤4:基于带钢的120组测试样本数据,构建测试集并测试最优参数的带钢温度预测模型,得到带钢温度的预测结果。
步骤5:将得到的带钢温度的预测结果与实际检测的带钢温度进行比较,根据比较结果对最优参数的带钢温度预测模型的精准度进行判断。
实验测试及性能分析:
为了验证本实施例的有效性,在实验验证中,分别采用了PSO和传统的QPSO与本发明的改进的QPSO方法进行比较,本实例的实验测试结果如下:
1、由附图3、4和5可知,对训练集进行仿真实验,采用PSO、QPSO和改进的QPSO的标准误差RMSE分别为1.3454、0.74964和0.73146。
2、由附图6、7和8可知,对测试集进行仿真实验,采用PSO、QPSO和改进的QPSO的标准误差RMSE分别为1.5476、0.8992和0.8565。
3、由附图9、10和11最佳适应度曲线图可知,采用改进的QPSO算法迭代两次既能达到最佳适应度,与采用PSO和传统的QPSO算法相比,不仅收敛速度快,而且适应度值较小,预测效果最佳。
通过比较实验结果,可以发现采用改进的量子粒子群算法产生的标准误差较小,收敛速度更快,预测效果更佳。
本实施例的连退加热炉带钢温度预测方法,通过获取带钢数据样本构建了RBF神经网络预测模型,并通过带钢训练样本数据与改进的量子粒子群算法对RBF神经网络模型的参数进行优化,将优化后的模型进行训练得到用于预测的连退加热炉带钢温度。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围。
Claims (10)
1.一种连退炉加热段带钢温度预测方法,其特征在于,包括以下步骤:
步骤1:获取连退炉加热段带钢样本数据,并对带钢样本数据进行预处理,得到训练样本数据和测试样本数据;
步骤2:利用训练样本数据构建RBF神经网络连退炉加热段的带钢温度预测模型,然后初始化所述带钢温度预测模型的参数;
步骤3:基于带钢的训练样本数据,利用量子粒子群优化算法优化所述带钢温度预测模型的参数,得到最优参数的带钢温度预测模型;
步骤4:基于带钢的测试样本数据,构建测试集并测试所述最优参数的带钢温度预测模型,得到带钢温度的预测结果;
步骤5:将得到的带钢温度的预测结果与实际检测的带钢温度进行比较,根据比较结果对所述最优参数的带钢温度预测模型的精准度进行判断。
2.根据权利要求1所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤1中,带钢样本数据包括带钢宽度、带钢厚度、带钢速度、带钢温度设定值、炉温和出口带钢温度。
3.根据权利要求1所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤2中,初始化所述带钢温度预测模型的参数的具体过程为:
步骤21:确定RBF神经网络隐含层神经元径向基函数中心;
步骤22:确定RBF神经网络连退加热炉加热段模型的隐含层神经元阈值;
步骤23:确定加热段模型中的隐含层与输出层间权值和阈值。
4.根据权利要求1所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤3中的具体过程为:
步骤31:初始化粒子群的种群大小、维数、最大迭代次数和适应度函数;
步骤32:在搜索范围内,随机产生一组粒子群的初始位置X;
步骤33:求得X的反向解X′;
步骤34:计算X和X′的适应度值f(X),并选取适应度值最小的前NP个解作为粒子群的初始位置;
步骤35:将每个粒子的当前位置记为其个体历史最优位置Pi t,将选取的最小适应度值的粒子对应的位置记为粒子群的全局最优位置Pg t,根据以下公式计算粒子群的全局最优位置mbestt:
其中,表示第i个粒子在第t迭代时的历史最优位置对应的适应度值,NP为粒子群的规模,t表示迭代次数;
步骤36:采用以下公式计算粒子的吸引子,然后根据计算结果更新粒子位置:
其中, 表示第i个粒子的吸引子;
步骤37:计算位置更新后粒子的适应度值;
步骤38:利用差分变异算法产生新的粒子位置
其中,i=1,2,…,NP,s≠i并从指标集{1,2,…,NP}中随机选取,表示在第t次迭代时第i个粒子的位置,/>表示在第t次迭代时第s个粒子的位置,r表示[0,1]区间的均匀随机数,f(·)表示适应度函数;
利用新的粒子位置计算新的适应度值如果/>则用/>替换/>否则,保留/>
步骤39:判断是否满足循环终止条件,如果满足,则根据粒子位置对应的参数构建所述RBF神经网络连退炉加热段的带钢温度预测模型,如果不满足,重复步骤33至步骤39。
5.根据权利要求4所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤34和37中,将适应度函数定义为均方根误差后,采用以下公式计算粒子的均方根误差
其中,j取[1,NP],表示t次迭代后第j个粒子的位置,Yi(X)为RBF神经网络出口带钢温度预测值,Ti为连退炉实际出口带钢温度值,Q为带钢训练样本的数量。
6.根据权利要求5所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤39的循环终止条件为粒子的适应度值小于预设的温度预测误差阈值或粒子群迭代次数达到最大迭代次数。
7.根据权利要求3所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤21的具体过程为:定义RBF神经网络训练样本数据的输入矩阵P和输出矩阵T分别为:
其中,pij表示第j个训练样本的第i个输入变量;tij表示第j个训练样本的第i个输出变量;M为输入变量的维数;N为输出变量的维数;
RBF神经网络隐含层神经元径向基函数中心C为:
C=P。
8.根据权利要求4所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤22的具体过程为:设隐含层神经元阈值为:
b1=[b11,b12,…,b1Q]T;
其中,spread为径向基函数的扩展速度。
9.根据权利要求5所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤23的具体过程为:根据以下公式得到隐含层神经元的输出A:
ai=exp(-|||C-pi||2b1i),i=1,2,…,Q;
A=diag[a1,a2,…,aQ];
其中,pi=[pi1,pi2,…,piM]T,为第i个带钢训练样本向量;
设隐含层与输出层的连接权值矩阵W为:
其中,ωij表示第j个隐含层神经元与第i个输出层神经元间的连接权值;
设N个输出层神经元的阈值b2为:
b2=[b21,b22…,b2N]T;
则由RBF神经网络结构得:
其中,I=[1,1,…,1]1×Q;
对上式、进行求解,可得到RBF神经网络隐含层与输出层间权值W和阈值b2,即
10.根据权利要求1-6中任意一项所述的一种连退炉出口带钢温度预测方法,其特征在于:所述步骤1中,采用以下公式对带钢样本数据进行预处理:
其中,y为带钢样本数据,ynorm为归一化后的带钢样本数据,ymax为带钢样本数据的最大值,ymin为带钢样本数据的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117089.5A CN117150905A (zh) | 2023-08-31 | 2023-08-31 | 一种连退炉带钢温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117089.5A CN117150905A (zh) | 2023-08-31 | 2023-08-31 | 一种连退炉带钢温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117150905A true CN117150905A (zh) | 2023-12-01 |
Family
ID=88904004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117089.5A Pending CN117150905A (zh) | 2023-08-31 | 2023-08-31 | 一种连退炉带钢温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150905A (zh) |
-
2023
- 2023-08-31 CN CN202311117089.5A patent/CN117150905A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106228184B (zh) | 一种基于优化极限学习机的高炉故障检测方法 | |
CN111353656A (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
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 | |
CN114897227B (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
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 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
Wang et al. | Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection | |
CN113849020A (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
CN116689503A (zh) | 一种基于记忆性功能网络的带钢全长厚度预测方法 | |
Dong et al. | Fusion of theory and data-driven model in hot plate rolling: A case study of rolling force prediction | |
He et al. | Prediction of mechanical properties of hot rolled strips with generalized RBFNN and composite expectile regression | |
Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on BP neural network with improved PSO | |
CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
CN117150905A (zh) | 一种连退炉带钢温度预测方法 | |
CN116776675A (zh) | 基于数字孪生的产品塑性加工前转运阶段温度预测的方法 | |
Tian et al. | Interval prediction of bending force in the hot strip rolling process based on neural network and whale optimization algorithm | |
CN116796627A (zh) | 一种基于深度学习的冷轧钢板性能预测方法及系统 | |
Zhang et al. | Rolling force prediction in heavy plate rolling based on uniform differential neural network | |
Zhang et al. | Deep learning-based prediction framework of temperature control time for wide-thick slab hot rolling production |
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 |