[发明专利]基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法

说明书

本发明公开了一种基于PSO‑LM‑BP神经网络的带钢冷轧横向厚差预报方法，涉及到带钢断面形状控制领域。该方法主要包括以下步骤：1、PSO‑LM‑BP神经网络训练样本的获取；2、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的建立；3、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的训练与验证；4、PSO‑LM‑BP神经网络带钢冷轧横向厚差预报模型的预测。该方法只需根据带钢热轧来料断面轮廓三个参数C₄₀、C₂₅、W₄₀，即可预测出其冷轧后的横向厚差值，预测精度高、响应速度快，能够快速参与指导实际生产，对带钢冷轧横向厚差控制具有重要意义。

技术领域

本发明属于冶金轧制技术中带钢断面形状控制领域，特别涉及一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法。

背景技术

随着我国工业的高速发展，高质量带钢的使用需求越来越大，例如冷轧无取向硅钢广泛应用于电动机等电器设备领域，然而硅钢片的横向厚差越大越易造成叠片厚度与间隙不均，降低设备的运行效率和寿命，这对带钢冷轧横向厚差提出了较高的要求。由于带钢热轧断面形状对其冷轧后断面形状有着直接影响，为此，本发明建立了基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法，该方法能够根据带钢热轧来料断面轮廓参数预测其冷轧后的横向厚差，预测精度高、响应速度快、泛化能力强，同时该方法能够对带钢冷轧横向厚差的热轧来料断面控制提供指导，对冷轧带钢断面形状控制具有重要意义。

目前关于带钢冷轧横向厚差控制技术领域已经发表了一些相关文献。例如：“热轧原料断面轮廓对冷轧硅钢尺寸精度的影响分析”参见《钢铁研究学报》2014，26卷第1期：33-36，文献中指出了热轧原料断面轮廓以一定的比例遗传给冷轧带钢，分析了不同热轧原料断面轮廓对冷轧电工钢尺寸精度的影响，并阐明了严格控制热轧原料断面轮廓对保证冷轧电工钢尺寸精度具有重要意义。“冷轧硅钢板形与横向厚度控制的分析”参见《中国冶金》2015，25卷第4期：24-27，文献中指出了热轧原料断面厚度的不均匀性是硅钢板形与横向厚差控制存在的矛盾点，并表明了良好的热轧原料轮廓尺寸是保证冷轧硅钢板形与横向厚差协调控制的关键因素。截止目前，已有的文献都只是指出热轧原料断面轮廓对带钢冷轧横向厚差存在定性影响，但没有给出根据热轧来料断面轮廓精确快速预报冷轧横向厚差的方法。

发明内容

本发明的目的在于提供一种根据带钢热轧来料断面轮廓来预测其冷轧后横向厚差的精准快速预报方法。为此，本发明利用PSO-LM-BP神经网络，通过学习模型耦合法生成的训练样本数据，建立了带钢冷轧横向厚差预报方法，该方法只需根据带钢热轧来料断面轮廓的三个参数C₄₀、C₂₅、W₄₀，即可快速预测出其冷轧后的横向厚差值，预测精度高、响应速度快、泛化能力强，能够快速参与指导实际生产，对带钢冷轧横向厚差的控制具有重要意义。该方法引入的PSO(Particle Swarm Optimization)-LM(Levenberg–Marquardt)算法优化了BP神经网络，在提高模型预测精度的同时，提升了模型的训练及收敛速度。

为了达到上述目的，本发明提出的一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法主要包括以下步骤：

S1、获取PSO-LM-BP神经网络的训练样本；

S11：确定轧制工艺参数，具体包括：轧制道次数n，来料厚度h₀，各道次出口厚度h_i，各道次轧制力P_i，各道次工作辊弯辊力S_1i，各道次中间辊弯辊力S_2i和各道次中间辊串辊量Δ_i，其中i＝1～n；