[发明专利]基于改进神经网络算法的中厚板轧制力设定值预报方法

说明书

技术领域

本发明涉及一种基于改进神经网络算法的中厚板轧制力设定值预报方法。

背景技术

中厚板是国民经济发展所必须的重要原材料，广泛应用于造船、压力容器、汽车大梁、管线等领域。但由于中厚板轧制过程机理非常复杂，具有多变量、非线性、时变性及模型不确定性等特点，使得传统的中厚板轧制模型越来越无法满足目前严格的成品指标要求。

为了提高中厚板轧制力预报的精度，人们提出了多种方法。一种比较常用的办法是开发新的先进的轧制力数学模型；另外一种办法是构造有效的自学习模型，用以补偿数学模型的缺陷。但是这些方法存在一些缺陷：随着带钢尺寸和化学成分的增多，学习系数的维护变得越来越困难；多品种，小批量的产品生产使得学习效率大大降低；产生预报误差的原因很多，仅仅使用轧制力修正系数，而没有考虑尺寸变化、材料成分变化以及轧制状态变化的影响，会限制补偿能力；轧制力模型本身的结构及参数给定带来的偏差。

发明内容

本发明要解决的技术问题是：针对中厚板轧制力传统数学模型，难以准确预报设定值的问题，提供一种基于改进神经网络算法的中厚板轧制力设定值预报方法。

本发明为解决上述技术问题所采取的技术方案为：基于改进神经网络算法的中厚板轧制力设定值预报方法，其特征在于：它包括以下步骤：

步骤一、将神经网络的拓扑结构动态调整，以及神经网络阈值和权值动态训练协调起来，从全局的角度对神经网络的各层神经元的连接权、阈值、网络结构进行动态优化；

步骤二、对步骤一优化后的拓扑结构中的参数进行赋值并计算，得到改进神经网络算法预报的轧制力计算值与实际值的偏差F_NN；

步骤三、采用传统数学模型和改进神经网络算法相结合的预报模型形式，利用公式F=F₀+F_NN获得中厚板轧制力设定值F，其中F₀为传统数学模型得到的轧制力计算值。

按上述方案，所述的步骤一的具体步骤为：

列出所有可能存在的神经元，并将各神经元之间所有可能的网络连接形式、神经元之间的权值和阈值，编码成实数码串；

生成多个实数码串后，采用遗传算法对实数码串进行最优化寻优，在寻优过程中通过实数码串解码成的神经网络输出的平均误差作为个体适应度。

按上述方案，所述的步骤二中对步骤一优化后的拓扑结构中的参数进行赋值，

其中输入层共有以下10个：轧件入口厚度、压下率、工作辊直径、轧件入口宽度、轧件出口宽度、轧制速度、轧件温度、C含量、Mn含量、Si含量；

输出层只有一个节点，为数学模型轧制力计算值与实际值的偏差F_NN；

选择隐层节点个数p为最大可能值即p(max)=2*m+2*q，其中m为输入层节点个数，q为输出层节点个数，在寻优过程中将隐层的节点个数逐渐减小，最终获得最优隐层的节点个数；输入层与隐层的连接权数为m*p(max)，输出层与隐层的连接权数为q*p(max)；

设计的实数码串为：输入层到神经网络单隐层的网络权值X_ij；隐层的节点数H=1，....，p；单隐层到神经网络输出层的网络权值Y_jk；隐层的阈值σ_j；输出层的阈值Ψ_k；其中i=1，……m，j=1，……p，k=1，……q。

本发明的有益效果为：利用改进后的神经网络算法应用到中厚板轧制力设定值的预报中，充分考虑到影响轧制力的各参数，用神经网络算法的结果对传统数学模型得到的轧制力设定值进行补偿，提高中厚板轧制力设定值的预报精度。

附图说明

图1为本发明一实施例的流程框图。

图2为改进型神经网络算法的原理框图。

图3为改进神经网络预报轧制力应用策略框图。

图4为BP网络与改进神经网络收敛速度对比曲线。

图5为采用本方法得到的轧制力设定值和传统模型预报值及实际值对比曲线。

具体实施方式

中厚板轧制过程是一个多变量的、非线性的和强耦合的复杂生产过程，其中轧制力是轧机最重要的设备参数与工艺参数。它的计算精度直接到影响轧制规程的设定精度、也影响到板厚系统和板形系统调控能力的充分发挥，也是提高中厚板头部命中率的关键。但是传统的轧制力数学模型是经验和统计的结果，在使用过程中存在一些缺陷，无法提供足够精度的预测值。