[发明专利]一种钢板轧辊磨损量预测方法及系统

权利要求书

1.一种钢板轧辊磨损量预测方法，其特征在于，包括：

获取样本数据；所述样本数据包括样本钢板的参数数据和样本轧制公里数；所述样本钢板的参数包括坯料尺寸和目标尺寸；

根据所述样本数据，通过灰色关联度分析法确定训练样本数据；所述训练样本数据包括：所述参数数据中影响轧制公里数的影响因素数据和所述样本钢板的样本轧制公里数；

以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；

获取待预测钢板的影响因素数据；

将所述待预测钢板的影响因素数据输入所述神经网络模型，得到所述待预测钢板的轧制公里数；

获取所述样本数据对应的轧辊样本磨损量；

根据所述轧辊样本磨损量和所述样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；

根据所述待预测钢板的轧制公里数，利用所述轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量；

其中，根据所述样本数据，通过灰色关联度分析法确定训练样本数据，具体包括：

将所述样本轧制公里数作为参考数列，所述参数数据作为比较数列；

对所述参考数列和所述比较数列进行无量纲化处理，得到参考无量数列和比较无量数列；

计算所述参考无量数列和所述比较无量数列的差数列；

利用所述差数列计算所述参考无量数列和所述比较无量数列的最大差和最小差；

利用所述最大差和所述最小差计算所述比较无量数列中各元素与所述参考无量数列的灰色关联系数；

利用所述灰色关联系数分别计算所述比较无量数列中各元素与所述参考无量数列的灰色关联度；

将大于预设灰色关联度的灰色关联度对应的所述比较无量数列中的元素确定为影响轧制公里数的影响因素，所述样本数据中所述影响因素对应的数据为所述影响因素数据；

其中，所述比较无量数列中的元素包括：板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度和轧制道次数。

2.根据权利要求1所述的钢板轧辊磨损量预测方法，其特征在于，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型，具体包括：

以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数；

以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型。

3.根据权利要求2所述的钢板轧辊磨损量预测方法，其特征在于，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数，具体包括：

获取隐含层的节点数预设范围；

将所述节点数预设范围内的所有节点数依次作为所述极限学习机神经网络的隐含层训练节点数；

以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个所述隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个所述隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型；

计算每个所述隐含层训练节点数对应的每个所述神经网络训练模型的均方根误差；

利用每个所述隐含层训练节点数对应的所有所述均方根误差和所述预设训练次数计算每个所述隐含层训练节点数对应的极限学习机神经网络的均方根误差平均值；

比较所述节点数预设范围内所有节点数对应的极限学习机神经网络的均方根误差平均值，将最小均方根误差平均值对应的节点数确定为所述极限学习机神经网络的隐含层节点数。