[发明专利]一种基于数据驱动的热轧板凸度预测方法

说明书

本发明提供一种基于数据驱动的热轧板凸度预测方法，涉及轧制过程自动控制技术领域。包括：采集带钢的生产数据并进行预处理；建立单隐层神经网络并对其进行训练，再将预处理后的生产数据输入到训练后的神经网络模型中进行预测；计算单隐层神经网络的训练误差；编码权值和阈值；初始化种群；对种群中的个体进行非支配排序；计算提的适应度值并进行遗传操作；判断是否满足终止条件；解码权值和阈值；输出经优化的神经网络模型。本方法利用神经网络结合快速非支配排序遗传算法预测板凸度，克服热轧生产过程中参数检测困难精度差的缺陷不仅精度高，而且运算速度快，利用大量的生产过程数据通过直接在计算机上编程，即可实现投入使用，成本十分低廉。

技术领域

本发明涉及轧制过程自动控制技术领域，具体涉及一种基于数据驱动的热轧板凸度预测方法。

背景技术

板形是衡量带钢产品质量的指标之一，通常衡量板形好坏的两个指标分别是板凸度和平直度。板凸度又称带钢横向厚度差，是指板带材沿宽度方向的厚度差。有效控制带钢板凸度不但可以防止如楔形等缺陷的出现，而且能够保证带钢平直度。

对于有效的板凸度的控制，一般是将检测装置、数学模型、轧机辊型配置、负荷分配、弯辊系统等影响板凸度的各类因素有机结合在一起。但是，随着用户对于产品质量的要求日益提高，传统的机理的方法已经很难有较大的进步与改善了。以某热轧场为例，按照带钢实际凸度在目标凸度的±10μm内属于合格品的规定，其生产的带钢仅有61.95％符合要求。这样的生产状况给企业造成了巨大的经济损失。

发明内容

针对现有技术存在的问题，本发明提供一种基于数据驱动的热轧板凸度预测方法，可以加快增量式运动结构恢复算法的计算效率，并提高生成点云模型的质量。

为了实现上述目的，一种基于数据驱动的热轧板凸度预测方法，包括以下步骤：

步骤1：采集带钢的生产数据，包括钢卷号、生产时间、中间坯厚度、F1～F6机架的轧制力、F1～F6机架的弯辊力、F1～F6机架的窜辊量、轧后带钢的宽度、轧后带钢的厚度、轧后带钢的凸度、精轧入口温度以及终轧温度；

步骤2：对采集到的生产数据进行预处理，包括去除异常值、平滑处理和归一化，具体步骤如下：

步骤2.1：计算各生产数据的平均值和标准差；

步骤2.2：对生产数据的异常值进行剔除；

步骤2.3：对剔除异常值后的生产数据进行平滑处理；

步骤2.4：对平滑处理后的生产数据进行归一化处理；

步骤3：建立单隐层神经网络模型，具体步骤如下：

步骤3.1：采用经验公式计算经验值，然后在经验值±50％的区间范围内进行遍历搜索，获得隐含层神经元节点数n；

步骤3.2：遍历搜索0.1～0.5，确定单隐层神经网络学习率lr；

步骤3.3：两两组合purelin、logsig和tansig 3种传递函数，产生9种组合，分别测试并选取单隐层神经网络隐含层和输出层的传递函数；

步骤3.4：遍历常用的方法，选择单隐层神经网络的训练函数；

步骤4：采用快速非支配排序遗传算法对单隐层神经网络模型进行优化，具体步骤如下：

步骤4.1：设置最大进化代数G_max，并令当前进化代数G＝1；

步骤4.2：根据训练函数对单隐层神经网络模型进行训练，再将预处理后的生产数据输入到训练后的单隐层神经网络模型中进行预测并输出预测结果；

步骤4.3：计算单隐层神经网络的训练误差；