[发明专利]基于人工神经网络与数学模型的轧制力预设定方法

说明书

本发明提供了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：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；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；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，共生成N_total组输入数据，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；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。

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，否则虽然对于训练数据集预报精度好的，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；