[发明专利]一种基于BP神经网络的差厚板轧制力的预测方法在审
| 申请号： | 202010073923.5 | 申请日： | 2020-01-22 |
| 公开（公告）号： | CN111291513A | 公开（公告）日： | 2020-06-16 |
| 发明（设计）人： | 章顺虎;邓磊;姜兴睿 | 申请（专利权）人： | 苏州大学 |
| 主分类号： | G06F30/23 | 分类号： | G06F30/23;G06F30/27;G06F30/17;G06N3/08;G06F119/14 |
| 代理公司： | 苏州见山知识产权代理事务所(特殊普通合伙) 32421 | 代理人： | 袁丽花 |
| 地址： | 215000 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 bp 神经网络 厚板 轧制 预测 方法 | ||
1.一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述方法包括：
步骤S1：采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；
步骤S2：将步骤S1所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；
步骤S3：根据步骤S2中建立的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。
2.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述步骤S2还包括：对步骤S1所获得轧制力数据进行归一化处理。
3.根据权利要求2所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述归一化处理的方法为采用Matlab软件中的mapminmax函数进行归一化处理。
4.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，在步骤S1中，采用有限元软件对轧辊和轧件的属性依次进行定义，所述轧辊和轧件的属性包括模型种类、密度、杨氏模量、泊松比和屈服强度。
5.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述工艺参数包括板厚、压下量、摩擦速度和初始速度。
6.根据权利要求1所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述BP神经网络模型包括输入层、隐含层和输出层；所述输入层包括输入节点，隐含层包括隐含节点，输出层包括输出节点。
7.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述输入层节点对应的输入变量包括轧制速度、板厚、压下量和摩擦系数。
8.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述输出层节点对应的输出变量包括轧制力。
9.根据权利要求6所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述隐含层的层数为1。
10.根据权利要求9所述的一种基于BP神经网络的差厚板轧制力的预测方法，其特征在于，所述隐含层的节点数为9。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州大学，未经苏州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010073923.5/1.html，转载请声明来源钻瓜专利网。
