基于人工神经网络与数学模型的轧制力预设定方法

技术领域

本发明涉及轧钢领域，尤其涉及一种基于人工神经网络与数学模型的轧制力预设定方法。

背景技术

在轧制技术中，轧制力作为最重要的工艺参数之一，它为轧机选型设计，轧制规程优化，板形与厚度控制提供重要的参考依据。轧制力的预设定精度对目标产品质量有重要的影响。

目前来说，轧制力数学模型广泛应用于现有轧制生产线上。由于影响轧制力的参数众多，且各参数间存在相互耦合。建立数学模型过程中做了大量假设，并且忽略一些次要的因素，所以其模型精度有限。不过随着轧制力机理越来越明确，轧制力预报不会出现严重的偏差。

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。其忽略了对轧制力数学模型无止境的理论研究，通过建立输入输出的关系，得到一种类似黑匣子的输入输出映射模型，其预报的轧制力精度会比数学模型显著提高。但是人工神经网络的缺点是对输入输出数据集有较高的要求，一般来说，希望输入的各维度数据能均匀并且正交分布，否则虽然对于训练集预报精度好的，但是对于验证集也许不太好，即现场应用可能会出现重大偏差。现场的生产中，保证稳定是首要的目标，在轧制设定稳定的情况下，方可追求进一步提高轧制力预报精度。所以人工神经网络在现场中鲜有在线应用，大部分是离线计算供参考。

为此，结合人工神经网络与数学模型并相互弥补对方缺点是一个很好的研究方向。论文《中厚板精轧机轧制力预报综合模型研究》(2009年发表于《武汉科技大学学报》第32卷第5期，449-452页)提出了一种综合模型，即采用数学模型计算轧制力主值，利用神经网络模型预报轧制力的偏差或者轧制力的修正系数，将二者综合，作为轧制力的预报值，综合方式有加法和乘法两种。上述方式固然能进一步提高轧制力预报精度，但是其并未解决学习样本数据集的问题，所以这种综合模型依旧偶尔出现重大预报偏差的问题，因此实际现场得不到广泛应用。

发明内容

本发明的目的在于提供一种基于人工神经网络与数学模型的轧制力预设定方法，旨在用于解决神经网络训练数据的问题，并充分发挥传统数据模型计算稳定的特点和人工神经网络计算精度高的特点。

本发明是这样实现的：

本发明提供一种基于人工神经网络与数学模型的轧制力预设定方法，包括以下步骤：

S01，建立轧制力数学模型，轧制力数学模型包括输入、系数和输出，所述输入包括多个输入项，各输入项分别为影响轧制力的各种因素，所述系数根据钢种确定，所述输出为轧制力；

S02，对输入进行配置：针对每个输入项，根据生产线的特点确定其取值区间，并将取值区间划分为若干个连续的子取值区间，且每个子取值区间各选取一个代表值作为其子区间值；

S03，建立训练数据集：从各个输入项中分别选取一个子区间值构成一组输入数据，则根据排列组合的原理，可知共能生成N_total组输入数据，其中：

其中N_i表示第i个输入项的子区间个数，m表示输入项的个数；

针对特定的钢种，获取其系数，根据轧制力数学模型，分别代入每组输入数据，得到每组输入数据对应的输出数据，各组输入与输出数据共同构成了一共具有N_total组数据的训练数据集；

S04，建立并训练人工神经网络：建立人工神经网络模型，根据训练数据集进行训练，训练完成后，采用人工神经网络进行轧制力预设定供生产使用。

进一步地，所述步骤S02中，各输入项子取值区间的数量的范围是[5，20]。

进一步地，所述步骤S02中，各输入项子取值区间的数量值组成的数据集的标准差与平均值的比值小于等于40％。

进一步地，所有输入项子取值区间的数量全部相等。

进一步地，所述步骤S02中，各子取值区间的子区间值选为该子取值区间上下限的平均值。

进一步地，所述步骤S04中，人工神经网络选为三层BP神经网络，其中隐层数计算公式为输入层个数除以4并取整数，然后再加上一个5-10之间的常数，且取值范围是[6，15]。

进一步地，所述步骤S04之后还包括：

S05，对人工神经网络进行优化：生产过程中，周期性采集实测数据，实测数据包含输入数据与输出数据，针对满足要求的实测数据，对实测数据中至少部分输入项的实测值进行判断，确定其属于该输入项的哪个子取值区间，将训练集中与这组实测数据各输入项所属的子取值区间相同的一组数据替换为实测值，形成新的训练集，重新进行训练，训练完成后，采用人工神经网络进行轧制力预设定供生产使用。

进一步地，所述步骤S05中，满足要求的实测数据的确定方法为：连续采集一批实测数据，对这一批实测数据的某些参数值计算置信为95％的F分布区间，找到这一批实测数据中某组实测数据，其各项参数都满足F分布区间，并且其实测轧制力与其数学模型预报的轧制力偏差小于一定值，该组实测数据则为满足要求的实测数据。

与现有技术相比，本发明具有以下有益效果：

1、将人工神经网络与数学模型结合，充分发挥传统数据模型计算稳定的特点和人工神经网络计算精度高的特点，并有效解决神经网络训练数据的问题，预报精度比传统轧制力模型要显著提高。

2、由于神经网络无需进行轧辊压扁迭代计算，其计算轧制力速度快，适合快速响应。

3、其神经网络的训练数据分布均匀，即保证了神经网络的鲁棒性，可以应用于在线生产。

附图说明

图1为本发明实施例提供的一种基于人工神经网络与数学模型的轧制力预设定方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于人工神经网络与数学模型的轧制力预设定方法，包括以下步骤：

S01，建立轧制力数学模型，该轧制力数学模型可以基于传统机理建立，传统的轧制力数学模型包括输入、系数和输出，所述输入包括多个输入项，各输入项分别为影响轧制力的各种因素，所述系数根据钢种确定，每个钢种有单独的一套系数，所述输出为轧制力。

S02，对输入进行配置：针对每个输入项，根据生产线的特点确定其取值区间，并将取值区间划分为若干个连续的子取值区间，且每个子取值区间各选取一个代表值作为其子区间值，子区间值位于该子取值区间上下限范围内。

S03，建立训练数据集：每个输入项有若干个子区间值，从各个输入项中分别选取一个子区间值构成一组输入数据，则根据排列组合的原理，可知共能生成N_total组输入数据，其中：

其中N_i表示第i个输入项的子区间个数，m表示输入项的个数；

针对特定的钢种，获取其系数作为轧制力数学模型的系数，根据轧制力数学模型，分别代入每组输入数据，得到每组输入数据对应的输出数据，各组输入与输出数据共同构成了一共具有N_total组数据的训练数据集；

S04，建立并训练人工神经网络：建立人工神经网络模型，根据训练数据集进行训练，训练完成后，采用人工神经网络进行轧制力预设定供生产使用。

本发明将人工神经网络与数学模型结合，充分发挥传统数据模型计算稳定的特点和人工神经网络计算精度高的特点，并有效解决神经网络训练数据的问题，预报精度比传统轧制力模型要显著提高。由于神经网络无需进行轧辊压扁迭代计算，其计算轧制力速度快，适合快速响应。其神经网络的训练数据分布均匀，即保证了神经网络的鲁棒性，可以应用于在线生产。

作为优选的，所述步骤S02中，各输入项子取值区间的数量的范围是[5，20]，子取值区间的数量在该范围内比较合理。进一步优选的，各输入项子取值区间的数量值组成的数据集的标准差与平均值的比值小于等于40％，所有输入项子取值区间的数量全部相等为最佳。

作为优选的，所述步骤S02中，各子取值区间的子区间值选为该子取值区间上下限的平均值。

作为优选的，所述步骤S04中，人工神经网络选为三层BP神经网络，其中隐层数计算公式为输入层个数除以4并取整数，然后再加上一个5-10之间的常数，且取值范围是[6，15]。

作为优选的，所述步骤S04之后还包括：

S05，对人工神经网络进行优化：生产过程中，周期性采集实测数据，实测数据包含输入数据与输出数据，针对满足要求的实测数据，对实测数据中至少部分输入项的实测值进行判断，确定其属于该输入项的哪个子取值区间，将训练集中与这组实测数据各输入项所属的子取值区间相同的一组数据替换为实测值，形成新的训练集，重新进行训练，训练完成后，采用人工神经网络进行轧制力预设定供生产使用。进一步优选的，满足要求的实测数据的确定方法为：连续采集一批实测数据，对这一批实测数据的某些参数值计算置信为95％的F分布区间，某些参数一般选择出口速度、入口厚度、出口厚度、轧制力中的一项或者几项，找到这一批实测数据中某组实测数据，其各项参数都满足F分布区间，并且其实测轧制力与其数学模型预报的轧制力偏差小于一定值，该定值根据实际需要确定，该组实测数据则为满足要求的实测数据。

相比中厚板或者热轧生产，冷轧过程对轧制力的精度要求更高，并且冷轧的轧制力计算也相对比较复杂，下面以冷轧轧制力计算为例，对上述各步骤进行详细说明，对于中厚板或者热轧轧制力的计算，本领域普通技术人员亦可以根据这个实施方式适当变化可以实现。

所述步骤S01中，首先建立传统的冷轧轧制力数学模型，冷轧轧制力数学模型影响轧制力的主要因素包括：原料入口厚度，道次入口厚度，道次出口厚度，宽度，轧辊辊径，轧制速度，轧制里程。冷轧轧制力数学模型主要是采用Bland-Ford-Hill轧制力公式，公式的相关系数可以查数据库进行确定，其计算方法可以参考《冷轧带钢轧制力计算方法的比较》(于2000年发表于《上海金属》第22卷第5期，35-38页)。另外，为保证冷轧轧制力数学模型能适应现场工况，需要进行参数自学习。

所述步骤S02中，以牌号为G50ZW600冷轧硅钢为例，根据生产线实际情况，对各输入项配置如下表所示：

本实施例所有输入项都划分为10个子取值区间，且子取值区间是均分的，各子取值区间值都是选取中间值。以原料入口厚度为例，其取值区间是[2.2,2.6]，子取值区间数为10，且均匀分布，则各单元格分别是[2.20,2.24]，[2.24,2.28]，[2.28,2.32]，[2.32,2.36]，[2.36,2.40]，[2.40,2.44]，[2.44,2.48]，[2.48,2.52]，[2.52,2.56]，[2.56,2.60]，子区间值取中间值，那么分别为：2.22,2.26，2.30,2.34，2.38,2.42，2.46,2.50，2.54,2.58。

所述步骤S03中，上述7个输入项，采用正交排列组合共有10⁷组输入参数。获取牌号为G50ZW600冷轧硅钢的模型系数，根据轧制力数学模型，分别代入每组输入数据，得到每组输入数据的输出数据，即轧制力。输入数据与输出数据共同构成了训练数据集，共10⁷组。

所述步骤S04中，建立一个三层BP神经网络，输入层为6，输出层为1，隐层数选择为9。对上面的训练数据集进行训练(注意首次训练需要大量时间，可以提前离线计算好)。训练完成后，采用人工神经网络进行轧制力预设定供生产使用。该步骤中，为降低计算的复杂程度，并提高轧制力计算精度，针对不同的钢种，分别建立独立的人工神经网络。

所述步骤S05中，生产过程中，周期性采集实测数据，实测数据包含输入与输出。针对满足要求的实测数据，对实测数据中一些或者全部输入项的实测值进行判断，确定其属于该输入项中的哪个子取值区间。找到训练集中与这组实测数据各输入项子取值区间相同的一组数据，并替换为实测值，形成新的训练集，重新进行训练，训练完成后，采用人工神经网络进行轧制力预设定供生产使用。本实施例对主令速度，轧制力这两个实测数据进行有效性验证。验证方式如下：

连续采集一批数据，对这一批数据的主令速度、轧制力计算置信为95％的F分布区间。找到这一批数据中各项参数都满足F分布区间，并且这组实测数据的轧制力与数学模型预报这组实测数据的轧制力偏差小于10％，则这组实测数据为满足要求的实测数据。

重新训练BP神经网络，很显然，此时初始权值和阈值采用上次训练后的权值和阈值，很快就可以训练完成。新的网络用来预报接下来要生产带钢的轧制力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。