[发明专利]一种钢板控轧控冷过程温度制度的逆向优化方法

权利要求书

1.一种钢板控轧控冷过程温度制度的逆向优化方法，其特征是该方法包括以下步骤：

(1)采集和储存每块钢板参数，包括：钢板化学成分、加热时间、加热温度、板坯厚度、产品厚度、冷却速率、待温厚度、终冷温度、终轧温度、待温温度、开轧温度、屈服强度、抗拉强度和延伸率；

(2)建立基于人工神经网络系统的力学性能预测模型，对模型进行学习；模型的输入模式向量A_k为钢板化学成分、加热时间、加热温度、板坯厚度、产品厚度、冷却速率、待温厚度、终冷温度、终轧温度、待温温度和开轧温度；模型的输出向量Y_k为每块钢板的屈服强度、抗拉强度和延伸率；其中，力学性能预测模型建立过程如下：

设输入模式向量为其中，α₁^k，α₂^k，…，α_u^k分别为化学成分、加热时间、加热温度、板坯厚度、产品厚度、冷却速率、待温厚度、终冷温度、终轧温度、待温温度和开轧温度，k＝1，2，...，m；m-学习模式对数；u-输入层单元个数；与输入模式相对应的希望输出向量为其中，y₁^k，y₂^k，…，y_p^k为屈服强度、抗拉强度和延伸率三个输出量，q-输出层单元个数；设置中间层各单元输入激活值向量p-中间层单元个数；中间层各单元输出向量输出层各单元输入激活值向量输出实际值向量输入层至中间层的连接权W_ij；中间层至输出层的连接权V_jr；中间层各单元阈值θ_j；输出层各单元阈值γ_r，其中，i＝1，2，...，u；j＝1，2，...，p；r＝1，2，...，q；

对模型进行学习，包括四个部分：①输入模型顺传播，输入模式由输入层经中间层向输出层传播计算；②输出误差逆传播，输出的误差由输出层经中间层传向输入层；③循环记忆学习，模式顺传播与误差逆传播的计算过程反复交替循环进行；④学习结果判别，判定全局误差是否趋向极小值；

学习过程的步骤如下：

(a)初始化，给各连接权W_ij、V_jr及阈值θ_j、γ_r赋予[-1，+1]间的随机值；

(b)随机选取一个模式对提供给网络；

(c)用输入模式公式，连接权W_ij和阈值θ_j计算中间层各神经元的输入s_j^k，然后用s_j^k通过激活函数

f(x)=11+exp(-x)---(1)]]>

计算中间层各单元的输出b_j^k，

bjk=f(sjk)---(2)]]>

式中，

sjk=Σi=1nWij·ajk-θj---(3)]]>

其中，a_j^k表示模式向量；

(d)用中间层的输出b_j^k，连接权V_jr和阈值γ_r计算输出层各单元的输入l_r^k，然后用l_r^k通过激活函数计算输出层各单元的相应网络实际输出值c_r^k，

crk=f(lrk)---(4)]]>

式中，

lrk=Σj=1pVjr·bjk-γr---(5)]]>

(e)用希望输出模式网络实际输出c_r^k计算输出层各单元的校正误差d_r^k，

drk=(yrk-crk)·crk·(1-crk)]]>(r＝1，2，...，q)             (6)

(f)用中间层至输出层的连接权V_jr，输出层各单元的校正误差d_r^k，中间层各单元的输出b_j^k，计算中间层的校正误差e_j^k，

ejk=[Σr=1qdrk·Vjr]·bjk·(1-bjk)]]>(j＝1，2，...，p)             (7)

(g)用输出层各单元的校正误差d_r^k，中间层各单元的输出b_j^k，中间层至输出层的连接权V_jr和输出层各单元阈值γ_r，计算下一次的中间层和输出层之间的新连接权，

Vjr(N+1)=Vjr(N)+α·drk·bjk---(8)]]>

γr(N+1)=γr(N)+α·drk---(9)]]>

式中，N-学习次数，α-学习系数；

(h)由中间层的校正误差e_j^k，模式向量a_i^k，输入层至中间层的连接权W_ij和中间层各单元阈值θ_j，计算下一次的输入层和中间层之间的新连接权W_ij(N+1)：

Wij(N+1)=Wij(N)+β·ejk·aik---(10)]]>

θj(N+1)=θj(N)+β·ejk---(11)]]>

式中，β-学习系数；

(i)随机选取下一个学习模式对提供给网络，返回到第(c)步，直至全部m个模式对学习完成；

(j)重新从m个学习模式对中随机选取一个模式对，返回到第(c)步，直至网络全局误差函数E小于预先设定的限定值ε或学习回数大于预先设定的数值N，

其中，

E=Σr=1q(yrk-crk)2]]>r＝1，2，…，q                   (12)

式中：c_r^k，y_r^k分别为计算的力学性能和目标力学性能；

(k)学习结束；

(3)逆向计算温度制度；对于给定目标力学性能的钢板，利用遗传算法对步骤(2)中学习后的模型计算温度制度，包括终冷温度、终轧温度、待温温度和开轧温度；

(4)温度制度的优化处理：对于计算出的温度值，再计算每两个相邻阶段温度间的偏差，以温度偏差为因变量，以前一阶段温度为自变量，回归为三个线性函数；通过设定开轧温度求解待温温度、终轧温度和终冷温度，处理过程如下：

(a)对计算出的终冷温度、终轧温度、待温温度和开轧温度温度值，再计算每两个相邻阶段温度间的温度偏差；

(b)以温度偏差Δt_φ为因变量，以前一阶段温度t_φ为自变量，回归为三个线性函数，如下式：

Δt_φ＝a_φ+b_φt_φ   φ＝1，2，3                (13)

其中，a_φ，b_φ为线性回归的常数；

(c)通过设定开轧温度利用线性函数分别求解终轧温度、终轧温度和终冷温度。

2.按照权利要求1所述的一种钢板控轧控冷过程温度制度的逆向优化方法，其特征在于步骤(3)中所述的利用遗传算法对学习以后的基于人工神经网络系统的力学性能预测模型逆向计算温度制度，过程如下：

(a)初始化种群，包括每代种群的个体数N₁、交叉概率p_c、变异概率p_m以及初始化神经网络的权值与阈值，钢板的化学成分和带钢的厚度作为已知量直接输入；

(b)利用学习以后的基于人工神经网络系统的力学性能预测模型，计算出相应的力学性能和个体的适应度，适应度F_fitness用如下公式计算：

Ffitness=1-1rΣr=1q|(yrk-crk)yrk|]]>r＝1，2，...，q；              (14)

其中：r表示隐藏层单元数，c_r^k，y_r^k分别为计算的力学性能和目标力学性能；

(c)记录已计算过的神经网络结构以及相应的适应度；

(d)根据实数制编码，把温度制度的四个温度信息终冷温度、终轧温度、待温温度和开轧温度用实数表示并组成一个一维数组，由遗传算法中的一个染色体表示；

(e)分别利用交叉算法和变异算法对染色体中的温度进行处理，获得新的染色体；

其中交叉算法是对一个染色体中的温度与另一个染色体相应温度进行交换，先按照交叉率在种群中随机选取参加交叉运算的染色体，然后根据位串长度λ＝4，在[1，3]中随机选取一个整数作为交叉位置，最后参加交叉的染色体在交叉位置处相互交换各自的部分温度，从而产生一对新的染色体；

其中，变异算法是按照变异率在种群中选择参加变异的染色体，然后根据位串长度λ＝4，在[1，3]中随机选取一个或者多个整数作为随机产生的变异基因位，最后在需变异的基因位处在预先指定的范围内改变温度值，从而产生新的染色体；

(f)将经过交叉和变异处理后的染色体和原来的染色体放在一起，利用选择算法选择满足要求的染色体保留到下一代种群；

选择算法采用的是旋转轮法，即取一个周长为一个单位长度的圆盘，按照种群中各个染色体选择概率的大小，将圆盘分成n个区间，其中x₁，x₂，...，x_n是给定的n个染色体所组成的种群，每个染色体具有相同的位串长度，其中x_i的适应度函数值为g(x_i)，g(x_i)＝F_fitness，且g(x_i)≥0，定义为染色体x_i的选择概率，i，j∈{1，2，…，n}；有P_i≥0且如果g(x_i)＞g(x_j)，则P_i≥P_j，设i＝1，2，…，n，P₁＝G₁＜G₂＜...＜G_n＝1，其中，G_i表示所有染色体的选择概率之和，选择操作时，在[0，1]区间内产生一个均匀分布的随机数R，如果G_i≤R＜G_i+1，则选择染色体x_i被保留到下一代种群；

(g)根据选择算法、交叉算法和变异算法产生新的个体，并将新个体插入到种群中，形成新种群；

(h)重新解码，将一维数组组成的染色体中的四个温度依次提取到终冷温度、终轧温度、待温温度和开轧温度，进行神经网络学习，计算适应度，然后进行交叉、变异和选择操作，记录所有的中间结果，直到计算的世代次数达到预先给定的世代数时程序结束。