[发明专利]一种自适应变异PSO-BP神经网络带钢凸度预测方法

说明书

本发明主要属于带钢板形控制技术领域，具体涉及一种引入自适应变异的PSO‑BP神经网络带钢凸度预测方法。该预测方法通过实际数据对板形预测模型进行实时修正，满足轧机板形模型不断变化的实际情况；不需要建立轧制过程的一个准确模型，只需要确定输入、输出即可，通过修改预测算法以及控制参数，将自适应变异用于PSO‑BP算法，既可避免陷入局部最小值，又可实现带钢凸度的准确预测，满足轧制现场要求，更加精确地进行板形预测以提高板形的控制精度。

技术领域

本发明主要属于带钢板形控制技术领域，具体涉及一种自适应变异的PSO-BP神经网络带钢凸度预测方法。

背景技术

加工技术的发展对金属板带产品的质量标准要求越来越高，板形研究一直是带钢生产技术的前沿和热点。在板形的控制系统中，板形的生产参数将会直接影响带钢产品的质量和生产效率，因此研究板形控制技术对于钢铁企业提高核心竞争力具有至关重要的作用。

近年来，国内外研究者针对如何进一步提高板形控制质量进行了深入研究，他们在寻找建立更精确的系统模型的同时，试图从控制的角度来研究板形控制问题。Jelali等人在美国专利(US6721620B2)“Multivariableflatnesscontrolsystem”中引入了板形预测模型，通过模型预测出口板形来消除板形测量延时，使得板形控制可以快速动态运行。该方法基本的要求是需要建立轧制过程的一个准确模型，但实际板形模型是随轧机工况，例如轧机冷却特性、轧辊和带钢间的摩擦系数和带钢的变形抗力等因素而变化的，因而很难获得满足实际需求的板形预测模型。为了解决这个问题，顾廷权等人在专利CN101758084A“模型自适应的板形预测控制方法”中提出了一种基于模型自适应技术的板形预测控制方法，利用历史输入输出数据建立一个含有执行机构特性的板形模型，并且根据实时的轧制参数和相应的实际板形值不断对该模型进行动态校正，校正模型用于准确预测板形及确定最优的控制量，以达到去除带钢在机架和板形仪之间传输时滞的目的。但是值得注意的是，这种方法完全用预测控制代替了反馈控制，因而其校正模型的模型精度和跟踪精度对于控制效果来说是非常重要的。以上两种方法分别存在建立轧制过程的准确模型困难、模型精度和跟踪精度不高的问题。

黄亚飞在其论文《神经网络在热轧板凸度预报模型中的应用》中把神经网络应用于带钢热连轧过程中的凸度预测，陈治明在其论文《基于混沌优化支持向量机的板形预测与优化》中利用混沌优化支持向量机方法对板形进行了预测并优化了连轧道次中的压下率，赵永磊在其论文《面向冷轧机的板形预测模型与广义预测控制算法研究》中研究了基于分布式神经网络的板形预测模型，黄长清在其论文《基于极限学习机的板形预测模型》中将极限学习机应用到板形预测上。以上机器学习模型均为简单的模型，模型存在很大的问题，如BP神经网络易陷入局部极小值并且收敛速度慢，SVM算法对大规模训练样本难以设施并且解决多分类问题存在困难等。

发明内容

针对上述技术问题，本发明提供一种自适应变异的PSO-BP神经网络带钢凸度预测方法，该预测方法通过实际数据对板形预测模型进行实时修正，满足轧机板形模型不断变化的实际情况；不需要建立轧制过程的一个准确模型，只需要确定输入、输出即可，通过修改预测算法以及控制参数，将自适应变异用于PSO-BP算法，既可避免陷入局部最小值，又可实现带钢凸度的准确预测，满足轧制现场要求，更加精确地进行板形预测以提高板形的控制精度。

本发明是通过以下技术方案实现的：

一种引入自适应变异的PSO-BP神经网络带钢凸度预测方法，所述方法包括：

初始化BP神经网络的拓扑结构，确定输入层、隐含层、输出层神经元个数、选择神经网络的激活函数；选取影响带钢凸度的因素作为所述输入层的输入，将机架出口处带钢凸度作为所述输出层的输出；