[发明专利]基于BP神经网络的热连轧电磁感应加热温度预测方法

摘要

本发明公开了一种基于BP神经网络的热连轧电磁感应加热温度预测方法。现有的预测方法依赖于人工，效率低、可靠性不好。本发明首先选择预测模型变量，首先利用机理分析和先验信息，合理选择预测模型的输入输出变量；其次对待输入数据作归一化处理；然后搭建BP神经网络，并对该神经网络进行训练和测试。最后利用该神经网络所得的数据，进行反归一化处理，得到预测的加热温度。本发明利用电磁感应加热器运行历史数据来预测钢坯温度，比传统工程计算方法得到的预测精度高。

主权项

1.基于BP神经网络的热连轧电磁感应加热温度预测方法，其特征在于该方法包括以下步骤:步骤1. 选择预测模型变量，具体是利用机理分析和先验信息，选择预测模型的输入输出变量；所述的输入变量包括电磁感应加热前的钢坯温度、感应加热器的电压和感应加热器的电流；所述的输出变量为电磁感应加热后的钢坯温度；步骤2. 数据归一化处理，具体是：训练样本中的输入数据包含三项，数量级相差较大，为保证各因素同等地位，加快收敛速度，对数据进行归一化处理，转化为[0, 1]区间范围的值，其中为输入数据中的最大值，为输入数据中的最小值，为输入数据，为输入数据归一化处理后的值；步骤3. 搭建BP神经网络框架，具体是：调用MatlabR2009a神经网络工具箱中的newff函数建立BP神经网络， Net = newff (PR,,, BTF, BLF, PF )；Net为BP神经网络框架，PR为输入矩阵中由最大元素和最小元素决定的一个取值范围，为第i层神经元的个数，为第i层的传递函数，，为神经网络总层数，BTF为BP神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数；步骤4. 训练BP神经网络，具体方法是：a、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函数来初始化BP神经网络；b、设置网络训练次数和训练目标误差；c、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用MatlabR2009a神经网络工具箱中的train函数对BP神经网络Net进行数据训练直至收敛， Net = train (Net, P, T)；步骤5. 测试BP神经网络，具体是：对训练好的BP神经网络进行测试，将历史数据组成用于电磁感应加热温度预测网络测试矩阵P_test，直接调用MatlabR2009a神经网络工具箱中的sim函数，D=sim(Net, P_test)，对测试矩阵进行仿真，其中D为目标函数；步骤6.数据反归一化处理，具体是：对测试所得的电磁感应加热后的钢坯温度按照公式进行反归一化处理，其中为反归一化处理后的钢坯温度，为仿真测试得到的钢坯温度，为钢坯最高温度，为钢坯最低温度。