[发明专利]一种基于误差反向传播算法的冷轧板形控制参数设定方法

权利要求书

1.一种基于误差反向传播算法的冷轧板形控制参数设定方法，其特征在于，按照如下方法进行：

步骤1：按照多层前馈型全连接神经网络型式，建立冷轧板形预报网络，所述冷轧板形预报网络输入层有N个神经元，用于接收冷轧轧制参数和板形控制参数的输入；所述冷轧板形预报网络的输出层有Q个神经元，与板形辊测量单元的个数一致；所述的冷轧板形预报网络的隐含层有L层，各隐含层的神经元个数分别为P₁、P₂,…P_L；

步骤2：利用冷轧机组历史轧制数据和板形数据对冷轧板形预报网络进行训练，依次进行步骤2.1～步骤2.3：

步骤2.1：收集历史冷轧轧制参数、板形控制参数和板形数据，进行数据归集形成网络训练样本数据；

步骤2.2：对所述网络训练样本数据进行标准化处理，标准化处理采用z-Score归一化方法；

步骤2.3：对冷轧板形预报网络进行训练，训练采用误差反向传播算法，当整体板形误差满足给定要求后结束训练；

步骤3：基于冷轧板形预报网络结构和训练获得的网络参数，建立板形控制参数优化网络；

步骤4：利用板形控制参数优化网络优化当前轧件的板形控制参数设定值：

依次进行步骤4.1～步骤4.2：

步骤4.1：对当前轧件的冷轧轧制参数、板形控制参数初始设定值以及板形目标值进行所述的标准化处理并输入到所述板形控制参数优化网络，其中冷轧轧制参数和板形控制参数初始设定值为网络输入层的初始输入值；

步骤:4.2：保持板形控制参数优化网络的权值和阈值不变，利用当前轧件的板形目标值与板形控制参数优化网络预报的板形值的偏差，利用误差反向传播算法对输入层中的板形控制参数进行迭代优化计算，当板形误差满足收敛条件后结束；

所述板形误差的收敛条件为平均绝对误差指标值不再下降；

所述的板形控制参数迭代优化计算是按照以下流程，对板形控制参数逐一进行优化计算：

(a)选择待优化的板形控制参数x_i，保持输入层其它参数输入值不变；

(b)进行板形控制参数优化网络的前向计算，得到网络预报板形值，然后计算网络预报板形值与当前轧件板形目标值的误差以及平均绝对误差指标值；

(c)比较前后两次迭代计算后的平均绝对误差指标值：

如果平均绝对误差指标值下降，则按照以下公式计算所选板形控制参数的调整量Δx_i，并用Δx_i+x_i更新所选板形控制参数值，返回步骤(b)：

其中损失函数Y_l为输出层第l个神经元的网络预报板形值，为输出层第l个神经元，即第l个板形辊测量单元对应的板形目标值，ξ为学习率；

如果平均绝对误差指标值不再下降，停止对所选板形控制参数的优化；

(d)如果所有的板形控制参数均已优化，则执行步骤(e)，否则选择下一个板形控制参数，回到步骤(a)；

(e)结束板形控制参数优化网络的计算，将优化后的板形控制参数进行反归一化处理，然后输出，输出的反归一化处理后的板形控制参数即为冷轧板形控制参数的设定值。

2.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法，其特征在于，将步骤4.2(e)给出的优化后的板形控制参数提供给冷轧板形计算模型，用于对所述板形控制参数初始设定值的更新，采用冷轧板形预报网络的离线训练和板形控制参数优化网络的在线优化计算相结合的方式，并与冷轧板形计算模型进行嵌套，共同对板形控制参数设定值进行在线计算和优化。

3.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法，其特征在于所述步骤1中冷轧板形预报网络的隐含层神经元总数可按以下公式确定：

其中，sampleNum为网络训练样本数据的数量，inputNum为输入层神经元数、outputNum为输出层神经元数。

4.根据权利要求1所述的一种基于误差反向传播算法的冷轧板形控制参数设定方法，其特征在于所述步骤1中冷轧板形预报网络的隐含层和输出层神经元均采用ReLU激活函数。