[发明专利]一种轧辊磨损凸度和热凸度的预测方法

权利要求书

1.一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：包括以下步骤：

1)、采集热轧带钢生产线有关轧辊磨损凸度和热凸度二级计算数据；

2)、将采集到的数据按照工作辊换辊周期为单位进行分割，生成若干个工作辊换辊周期的建模数据；

3)、将各个周期内依次轧制带钢的过程抽象成有关工作辊磨损凸度和热凸度的时间序列问题；

4)、将建模数据进行划分，分为训练集和测试集，采用训练集数据构成训练矩阵C；

5)、修正Elman神经网络并测试最佳参数选择；

6)、将训练集数据输入Elman神经网络进行训练，得到训练完成的轧辊磨损凸度和热凸度预测模型，用测试集数据测试模型的泛化性能；

7)、对新轧制周期内工作辊的磨损凸度和热凸度进行预测；

8)、评估预测结果；

所述步骤3)将轧制过程中一个换辊周期抽象成一个时间序列问题的具体方法是：取前N块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，即用一个工作辊换辊周期内轧制过去几块带钢时工作辊的磨损凸度和热凸度来预测轧制未来几块带钢时工作辊将产生的磨损凸度和热凸度，映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,...,C_n-N) (1)

n为当前轧制的带钢序号；C代表轧辊的磨损凸度或者热凸度；

所述步骤4)将带钢数据进行划分，分为训练集和测试集，形成训练矩阵C的具体方法是：抽取C₁…C_n组成第一个样本，其中(C₁,C₂,...,C_n-1)为自变量，C_n为目标函数值；抽取C₂…C_n+1组成第二个样本，其中(C₂,C₃,...,C_n)为自变量，C_n+1为函数值，依次类推，最终形成以下训练矩阵C：

其中，每列为一个样本，最后一行为期望输出。

2.根据权利要求1所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述步骤5修正Elman神经网络并测试最佳参数选择的具体方法是：

Elman神经网络的非线性状态空间可表示为：

y(k)＝g(w³x(k)) (3)

x(k)＝f(w¹x_c(k)+w²(u(k-1))) (4)

x_c(k)＝x(k-1) (5)

其中，y为m维输出节点向量；x为n′维隐含层节点单元向量；u为r维输入向量；x_c为n′维反馈状态向量；w³为隐含层到输出层连接权值；w²为输入层到隐含层连接权值；w¹为承接层到隐含层的连接权值；g(*)为输出层神经元的传递函数，是隐含层输出的线性组合；f(*)为隐含层神经元的传递函数；k为序列号；

Elman神经网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数，表达式如下：

式中，E(w)为误差平方和函数；为预测输出；y_k(w)为目标输出；然后将隐含层设置为“Logsig”函数，将输出层的传递函数设置为“purelin”函数；再确定Elman神经网络训练函数；确定Elman神经网络隐含层神经元个数；确定Elman神经网络最大迭代次数。

3.根据权利要求2所述的一种轧制过程轧辊磨损凸度和热凸度的预测方法，其特征在于：所述确定Elman神经网络训练函数的方法是通过测试训练函数对模型泛化性能的影响来确定Elman神经网络训练函数。