[发明专利]一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法

说明书

本发明公开了一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，将有限元模型计算出的加热过程钢板不同位置的时间温度变化曲线处理为神经网络的训练样本，设定神经网络节点数以及训练参数，建立了神经网络预测模型，通过对训练样本的训练集与验证集划分，并将神经网络的权阈值作为粒子群的粒子，选出最优解，训练神经网络后，经验证集验证，得出高精度的加热过程钢板不同位置的时间温度变化曲线预测模型，以解决加热数值模型计算时间长导致的无法预测大量工况的缺点，从而为制定出合适的热处理工艺提供有效依据，提高热处理过程中钢板的性能。

技术领域

本发明属于热处理技术领域，具体涉及一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法。

背景技术

热处理作为钢铁加工的基础工艺，是生产板材过程中不可缺少的一环。热处理过程的核心是钢板的温度，对不同时刻钢板温度的控制直接决定了钢的性能好坏。实际热处理过程中，掌握钢板温度变化规律，可以指导热处理工艺以及保证钢板质量，目前对钢板的加热温度监控，大多是通过理论模型的建模进行温度预测，即通过有限元分析或有限差分分析对钢板进行离散化，根据现场测量确定方程的边界条件，建立钢板加热模型。但精确地模型往往计算时间过长，无法在线实时监控，而在线实时监控模型又缺乏一定的精度，且反映的大多为钢板平均温度。因此，研究加热过程温度场，对优化加热设备的工艺参数并建立精确的过程控制模型有着重要的意义。

实际生产中，钢板加热主要通过构造复杂的加热炉进行加热，以辐射管加热炉为例，辐射管的状态以及热效率在实际生产中均是复杂的非线性关系，导致建立的有限元温度场模型十分复杂，通过设定边界条件，对加热过程进行数值模拟，仿真计算可获得钢板温度分布以及演变规律，要获得准确的钢板温度场，必须考虑实际加热炉的所有工作条件，对应传热模型也必须接近实际，有限元加热温度场模型所采取的边界条件越真实，模型所计算的时间将会成倍增加，因此对实际生产中所有的工况进行计算分析所需的时间成本几乎无法接受。

神经网络能够体现实际研究对象之间的非线性关系，同时神经网络的重点在于模型结构的确定。找到恰当的结构和参数，神经网络能够很好地解决很多实际问题。无需了解系统的内部机理，只需通过对系统的输入输出数据，采用相应的网络结构并进行训练，就可得出良好的预测模型。近几年来，较多运用在热处理加热钢板温度预测模型中，但大多仅停留在预测出炉温度的层面。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，以解决有限元数值模型计算时间长导致的无法预测大量工况的缺点。

为达到上述目的，本发明采用以下技术方案予以实现：

一种有限元与粒子群神经网络结合的钢板加热过程温度预测方法，包括以下步骤：

步骤1，针对所要预测的钢种，根据厚度选取部分工况，并通过有限元数值模型计算出温度场以及各个位置温度变化曲线。

步骤2，将钢板厚度、加热时间、从0开始间隔1s时刻作为神经网络的输入参数，当前时刻对应的钢板相应位置温度作为神经网络的输出参数，将步骤1中获得的温度曲线转换为神经网络输入输出的训练数据。

步骤3，对步骤2中的训练数据进行训练集与验证集的划分。

步骤4，对训练集数据进行归一化处理。

步骤5，确定神经网络各层的神经元节点数，建立神经网络模型，设定网络参数。

步骤6，确定粒子群参数，将神经网络权值和阈值作为粒子群算法的粒子，选出最优解，作为神经网络最优权阈值。

步骤7，用步骤4中的训练集，训练神经网络模型。

步骤8，用步骤3中的测试集，测试神经网络预测精度。

本发明的进一步改进在于：