[发明专利]一种基于数据驱动的热轧板凸度预测方法

摘要

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。

主权项

1.一种基于数据驱动的热轧板凸度预测方法，其特征在于，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；步骤3：建立单隐层神经网络模型；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Gmax，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；步骤4.4：采用二进制编码法将单隐层神经网络权值和阈值转换成为0和1组成的数字串；步骤4.5：随机产生一个由n个个体组成的种群，由该种群代表可能解的集合；步骤4.6：对种群中的每个个体p进行快速非支配排序；步骤4.7：将所选取的个体组成为新的种群，并进行遗传操作；步骤4.8：判断当前进化代数G是否小于最大进化代数Gmax，若是，则返回步骤4.2，若否，则输出优化后单隐层神经网络模型的权值和阈值，继续步骤5；步骤5：对神经网络的权值和阈值进行解码，并赋予神经网络模型，输出经非支配排序的遗传算法优化的神经网络模型。