[发明专利]一种基于BP神经网络的重卷产线张力组模型计算方法

说明书

本发明涉及一种基于BP神经网络的重卷产线张力组模型计算方法，属于冶金自动化技术领域。技术方案是：设计BP神经网络的网络结构和网络层数；设计BP神经网络的网络输入层和网络输出层节点；确定神经网络的转移函数，转移函数选取Sigmoid性函数；根据原料钢卷PDI信息对重卷产线张力模型进行在线自适应控制，得到开卷机张力、拉矫机张力、检查站张力和卷取机张力，存入数据库后传输给现场产线进行生产应用。本发明的有益效果是：实现了张力组的实时控制并且得到了最优重卷产线的张力组设定值，解决了人工计算造成的误差偏大问题，提高了重卷产线成品钢卷质量，降低了设备故障率和人工成本。

技术领域

本发明涉及一种基于BP神经网络的重卷产线张力组模型计算方法，属于冶金自动化技术领域。

背景技术

重卷机组是现代带钢生产中的一个重要的组成部分，它由开卷机展开后，送到切头剪，切除带钢头尾不符合要求的部分。带头送至焊机与上一卷带尾进行焊接，通过两弯两矫矫直机改善板型、经圆盘剪进行切边。然后到达带钢检查站进行表面检查。随后带钢送到静电涂油机进行涂油处理，然后送卷取机进行卷取。当卷重达到规定值后，由分切剪分卷。重卷产线的开卷机张力、拉矫机张力、卷取机张力和检查站张力组成的张力组在现场实际生产中具有重要作用，重卷产线的张力系统张力组计算的精确度直接影响重卷产线的成品钢卷的合格率和重卷产线设备故障率。已有技术中重卷产线采用人工计算张力的方法，人工计算的张力误差比较大，时间成本和人工成本比较高，成品卷合格率低，重卷设备故障率高。

发明内容

本发明目的是提供一种基于BP神经网络的重卷产线张力组模型计算方法，建立BP神经网络结构模型，确定BP神经网络的网络层数、网络结构、网络的输入节点、网络输出节点、网络的权值、转移函数和学习率；把BP神经网络和重卷产线的张力系统相结合，采用原料卷数据、重卷张力模型和现场生产实际数据综合计算的方式，依靠张力模型、原料卷数据和现场实际数据之间的数据交互，把原料钢卷的PDI数据作为BP神经网络的输入层节点，把张力系统数据作为BP神经网络的输出层节点，计算出最优的重卷张力组设定值，输出给现场产线进行生产应用，采用在线调整的方式对重卷张力系统进行自适应控制，解决了人工计算造成的误差偏大问题，有效的控制了人工成本，提高了重卷产线成品钢卷的合格率，降低设备的故障率，提高了重卷产线成品钢卷质量，有效地解决了背景技术中存在的上述问题。

本发明的技术方案是：一种基于BP神经网络的重卷产线张力组模型计算方法，

包含以下步骤：步骤a、确定BP神经网络的网络结构和网络层数；

步骤b、确定BP神经网络的网络输入层和网络输出层节点，BP神经网络的输入层节点选取钢卷入口宽度、钢卷入口厚度、钢卷材料密度、钢卷出口宽度、钢卷出口内径和延伸率，BP神经网络的输出层节点选取开卷机张力、拉矫机张力、检查站张力和卷取机张力；

步骤c、确定BP神经网络的转移函数，转移函数选取Sigmoid性函数，设置学习率为0.05，输入层和输出层的初始权值选取较小的随机数；

步骤d、重卷产线生产时，重卷过程自动化系统oracle数据库自动接收厂级系统发送的原料钢卷PDI信息，选取钢卷入口宽度、钢卷入口厚度、钢卷材料密度、钢卷出口宽度、钢卷出口内径和延伸率作为BP神经网络的输入层节点；

步骤e、采用在线调整方式，当重卷现场系统误差偏大时， BP神经网络的张力模型进行自适应控制，将优化后的开卷机张力、拉矫机张力、检查站张力和卷取机张力，存入重卷过程自动化oracle数据库后传输给重卷现场产线进行生产应用。

所述步骤a中，采用三层BP神经网络结构。

所述步骤c中，BP神经网络的隐含层转移函数选取正负对称的Sigmod函数: ，BP神经网络的输出层的转移函数选取非负的Sigmod函数：。