[发明专利]具有自学习功能的高速线材抗拉强度在线实时预测方法

权利要求书

1.一种具有自学习功能的高速线材抗拉强度在线实时预测方法，其特征在于，所述方法依次包括如下步骤：

S1、建立通讯系统并通过OPC通讯协议与生产系统通讯，通过所述通讯系统实时获得生产系统当前所生产高速线材的实时生产参数信息；

S2、通过获得的实时生产参数信息计算当前所生产高速线材搭接点及非搭接点的表面对流换热系数及辐射换热系数，实时计算当前所生产高速线材的表面热流，最终得到该高速线材的温度和降温速率；

S3、建立神经网络模型，并使用大数据分析系统内存储的已生产高速线材的温度、降温速率与检测的抗拉强度对神经网络模型进行训练，向训练完毕的神经网络模型输入步骤2实时检测的当前生产高速线材钢种、直径、温度及降温速率，从而预测当前生产高速线材的抗拉强度。

2.根据权利要求1所述的具有自学习功能的高速线材抗拉强度在线实时预测方法，其特征在于，所述预测方法还包括对步骤3建立的神经网络模型预测的预测值进行修正的步骤：

S1、待当前高速线材生产完毕后，采用SQL数据表的形式和检化验系统进行数据交换，读取该卷高速线材实际检测的抗拉强度；

S2、根据当前生产高速线材抗拉强度实际检测数据与该卷高速线材预测数据得到抗拉强度的偏差值，利用神经网络模型计算得到该卷高速线材降温速率偏差值，根据降温速率偏差值修正高速线材温度计算过程中表面热流的计算，从而完成对预测过程的自学习修正，保证高速线材抗拉强度预测的准确性。

3.根据权利要求2所述的具有自学习功能的高速线材抗拉强度在线实时预测方法，其特征在于，所述高速线材降温速率偏差值的计算采用神经网络模型结合迭代计算的方式进行：首先，假设降温速率偏差值为Δdt，根据公式dt＝dt₀+Δdt计算新的降温速率，公式中dt为新的降温速率，dt₀为原降温速率，然后，依据新的降温速率dt通过神经网络模型计算抗拉强度Pnew，将Pnew与神经网络模型原预测抗拉强度P₀进行比较，如果其偏差小于等于允许偏差ε，则假设的降温速率偏差值即为所求值，如果偏差值大于允许偏差ε，则重新假设降温速率偏差值进行迭代计算，直到满足条件。

4.根据权利要求3所述的具有自学习功能的高速线材抗拉强度在线实时预测方法，其特征在于，根据降温速率偏差值修正高速线材温度计算过程中表面热流的计算，如下式所示：

式(1)中：q_修正为所求表面热流修正值；dτ为计算过程时间步长；R为高速线材半径；dt为高速线材降温速率偏差值；ρ为高速线材密度；C_p为高速线材比热容。

5.根据权利要求1所述的具有自学习功能的高速线材抗拉强度在线实时预测方法，其特征在于：所述高速线材表面对流换热系数采用式(2)进行计算：

式(2)中：Nu_fc为强迫对流换热的纽赛尔数；λ_a为空气的导热系数，d_w为定性尺寸，此处为高速线材直径；

所述纽赛尔数由式(3)计算：

式(3)中，Nu_lam为层流换热过程纽赛尔数，Nu_turb为湍流换热过程纽赛尔数，Nu_lam和Nu_turb考虑了层流和湍流的情况，其计算式如下：

式(4)、(5)中：Re_Ψ为雷诺数；Pr普朗特数，Re_Ψ计算式如下：

式(6)中：u_w为风速，ψ为几何特征参数，υ_a为空气的运动黏度；a_a为空气热扩散率，d_w为定性尺寸，此处为高速线材直径。