[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

说明书

本发明实施例公开了一种基于BP神经网络的差厚板轧制力的预测方法。该预测方法包括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；将上述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；根据上述的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。

技术领域

本发明涉及冶金技术领域，特别是涉及一种基于BP神经网络的差厚板轧制力的预测方法。

背景技术

差厚板制造技术不仅是国家钢铁技术水平的标志，也是国家工业化水平的体现。在差厚板制造过程中，轧制力是校核轧机强度与工艺优化的依据。差厚板在轧制时候，轧辊在垂直方向上的速度是变化的，因此，在轧制变形区的接触弧长、轧制力分布等参数均为动态变化的。传统的轧制理论和几何关系不再适用。在轧制差厚板时，轧制力需要精确计算，从而为轧机的精确控制提供科学依据。

目前，计算轧制力的方法主要有三种：根据作用在微元体上的力平衡关系，分别推导出趋厚轧制和趋薄轧制的力平衡微分方向，现统称为VGR方程；采用ANSYS/LS-DYNA对TRB板进行显式动力学分析，确定差厚板轧制过程中出现最大轧制力的位置及大小；采用四种差厚板轧制过渡区形状的数学模型，为差厚板轧制时的轧制力施加提供数据参考。上述三种计算轧制力的方法都存在假设过多、误差波动较大的问题，从而不能满足工业上轧制力预测的误差得在10％以内的需求。

因此，针对上述技术问题，有必要提供一种误差波动小，能够控制轧制力误差在10％以内的轧制力预测方法。

发明内容

有鉴于此，本发明的目的在于提供一种误差波动小，能够控制轧制力误差在10％以内的轧制力预测方法。

为了实现上述目的，本发明一实施例提供的技术方案如下：一种基于BP神经网络的差厚板轧制力的预测方法，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，所述工艺参数包括板厚、压下量、摩擦速度和初始速度。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，所述输出层节点对应的输出变量包括轧制力。

作为本发明的进一步改进，所述隐含层的层数为1。

作为本发明的进一步改进，所述隐含层的节点数为9。

本发明具有以下优点：本发明实施例提出基于BP神经网络的差厚板轧制力的预测方法，该预测方法通过构建BP神经网络模型，能够精准地预测差厚板的轧制力，误差波动小且误差范围能够有效地控制在10％以内，从而符合工业需求。

附图说明