一种冷轧板带信号模式识别的方法与流程

本发明属于冷轧板带领域，涉及到一种冷轧板带信号模式识别的方法。

背景技术：

在冷轧板带生产过程中，冷轧板形的模式识别是冷轧板形控制系统的重要组成部分，在这个环节中对板形缺陷状态的识别精度对后续板形控制效果有至关重要的作用。通过板形仪采集生产现场板材中的应力信号数据进行辨识，判断出当前板形缺陷状态的类型，并反馈到板形的控制机构，通过控制执行机构的调整来降低板形的缺陷度，最后使板形的输出满足工艺的生产标准,所以应该寻求和研究高精度板形缺陷模式的识别方法。

传统的板形信号模式识别方法是基于最小二乘法的多项式分解方法以及改进的正交多项式回归分解方法，这些方法抗扰能力差，在理论上存在缺陷，不符合板形缺陷分布的本质，难以满足高精度板形控制需求。基于模糊原理的板形识别方法简单有效，但是精度和实时性不够理想，实际应用的很少。近年来，本领域内的专家学者研究了基于神经网络的板形信号识别和应用等方面的技术，取得了非常好的效果。但是由于神经网络的复杂性和现有优化技术的不足，导致基于神经网络模式识别系统的辩识模型结构复杂，并且存在网络训练时间长，稳定性差等问题。

板形是指板带材内部残余应力沿板宽方向的分布情况，板形识别的任务就是把在线检测的一组张力分布离散值经过一定处理映射为较少的几个特征参数，并且能较好的反映板形缺陷的分类情况。多层激励函数的量子神经网络采用多个Sigmoid函数的叠加，将特征空间划分成更多能级，以表示更多的状态，经过叠加的隐含层激励函数有多个不同的量子间隔，而每个量子间隔对应不同的量子能级或阶梯，即可以分别对应不同的空间结构。在模型的训练过程中，当样本数据进入特征空间时，不需要在整个特征空间即[0,1]范围内去搜索与之对应的空间结构，而是在已分层的空间结构内去搜索，从而使样本信息快速的映射到对应的量级或阶梯上；同时，如果模型的实际输出与期望输出误差较大时，则通过适当的学习算法调整量子间隔，改变已划分的量子能级或阶梯宽度，以适应现有数据样本的结构特性，以便更好、更快地映射到对应的空间结构上，使样本数据中的不确定性被量子神经网络获取并量化，从而大大缩短模型的训练时间，提高模型预测结果的准确性和收敛速度。

另一方面，智能优化算法在最近几十年里得到了快速的发展，通过智能优化方法可以得到很多非线性优化问题的最优解。将智能优化算法技术应用到量子神经网络训练中，提高了建模精度和效率，是非线性建模领域的富有前景和应用价值的研究方向。这也为高精度和高效率的冷轧板带信号在线模式识别技术问题提供了技术支持和理论依据。

综上所述，研发兼具有高精度和高效率的冷轧板形信号在线模式识别方法，为控制系统提供可靠的控制依据，从而生产出高质量的冷轧板带材产品，是进一步提高当前冷轧带钢板形控制水平的一个亟待解决关键技术问题。

技术实现要素：

本发明的目的在于提供一种冷轧板带信号模式识别的方法，该方法可以有效解决使用传统板形模式识别方法遇到的精度和实时性不够，辩识模型结构复杂且网络训练时间过长，稳定性差等技术问题，可以为控制系统提供可靠的控制依据，为提高冷轧带钢的板形控制质量提供有力保证。

为了解决上述问题，本发明提供的技术方案为：

一种冷轧板带信号模式识别的方法，该方法内容包括以下步骤：

步骤1采集板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，得到各测量段板形值；令测量段的个数为m，第_i个测量段板形测量值为F_i；

步骤2将板形仪输出的原始数据输入到一个n层的神经网络作为特征提取层，主要通过训练让网络自动提取特征以排除人工的痕迹；因板形主要有左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪八种缺陷模式，所以使网络输出为a_i,i＝1,2,3...m，其中m为输出个数,这里取m＝8，则网络每一层的计算公式如下：

a^l_i＝f(W_lx_l+b_l),l＝1,2,...n

其中l为网络的第l层；W_l为第l层网络权值；x_l为第l层输入；

步骤3使用基于遗传算法的改进型量子神经网络进行板形识别，将数据处理模块的输出a_i作为量子神经网络的输入，量子神经网络的输出u₁,u₂,u₃,u₄为板形的隶属度；

若u₁>0，表示板形具有左边浪，若u₁<0，表示板形具有右边浪；

若u₂>0，表示板形具有中间浪，若u₂<0，表示板形具有双边浪；

若u₃>0，表示板形具有左三分浪，若u₃<0，表示板形具有右三分浪；

若u₄>0，表示板形具有四分浪，若u₄<0，表示板形具有边中浪。

在步骤3中，所述基于遗传算法的改进型量子神经网络，其建立过程包括如下步骤：

1)确定用于板形模式识别的量子神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练遗传算法的初始种群个数NP，遗传算法的最大学习代数N，网络训练效果的目标值e，以及训练样本数目M；

2)训练样本数据的处理：

将板形仪输出的数据直接输入到网络，让网络前端的多层神经网络进行自动特征提取，然后输入到多层激励函数的量子神经网络中去；

3)多层激励函数改进型量子神经网络的设置：

多层激励函数改进型量子神经网络模型采用网状拓扑结构，是由特征提取层、隐含层和输出层构成，特征提取层也称输入层；模型隐含层神经元激励函数采用多量子能级变换函数，每个多能级变换函数是一系列具有量子间隔偏移的n_s个Sigmoid函数的线性叠加，即多层激励函数；因此，隐含层神经元的输出y_h可表示为：

其中V是多层激励函数量子神经网络的隐含层权值，a为特征提取层的输出，θ^r为量子间隔，n_s为量子间隔数目；

4)将特征提取层网络的权值和偏置、多层激励函数量子神经网络的隐层权值、量子间隔和输出层权值定义为遗传算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

5)按照遗传算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的网络参数来配置多层激励函数的改进型量子神经网络参数，在将M个训练样本数据带入多层激励函数的改进型量子神经网络来计算输出值，继而通过计算上述M个训练样本数据对应的4M个网络输出值与其实际值之间的算术差的平方和；该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，否则，应当继续训练网络，g应根据训练样本的数量和网络的规模来选取；

6)记录训练学习的网络参数，得到一个15输入4输出的多层激励函数的改进型量子神经网；

按照上述步骤建立好网络后，再进行板形识别。

本发明有益效果为：

1)通过一个多层的神经网络对板形仪输入的数据进行自动提取特征，自动处理，排除人工干扰因素，可以显著的提高网络识别板形的精度。

2)将遗传算法优化的多层激励函数的改进型量子神经网络应用到板形模式识别技术中，显著提高了网络的训练效率，有效解决了传统板形识别方法中遇到的精度和实时性不够理想、网络结构复杂且训练时间长和稳定性和鲁棒性差等问题，为板形控制提供了可靠的依据。

附图说明

图1为本发明实施流程图；

图2为型多层激励函数的改进型量子神经网络结构拓扑图；

图3为本发明一实施例中基于遗传算法的多层激励函数的改进型量子神经网络训练学习流程图；

图4为采用本发明进行板形识别后所得到的识别效果图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明的一种冷轧板带信号模式识别的方法，图1为本发明一实施例的流程图，它包括以下步骤：

步骤1采集板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，得到各测量段板形值；令测量段的个数为m，m＝15，第_i个测量段板形测量值为F_i；

步骤2将板形仪输出的原始数据输入到一个n层的神经网络作为特征提取层，主要通过训练让网络自动提取特征以排除人工的痕迹；由于板形主要有左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪八种缺陷模式，所以使网络输出为a_i,i＝1,2,3...m，其中m为输出个数,这里取m＝8；则网络每一层的计算公式如下：

a^l_i＝f(W_lx_l+b_l),l＝1,2,...n

其中l为网络的第l层；W_l为第l层网络权值；x_l为第l层输入；

步骤3使用基于遗传算法的改进型量子神经网络进行板形识别，将数据处理模块的输出a_i作为量子神经网络的输入；量子神经网络的输出u₁,u₂,u₃,u₄为板形的隶属度；

若u₁>0，表示板形具有左边浪，若u₁<0，表示板形具有右边浪；

若u₂>0，表示板形具有中间浪，若u₂<0，表示板形具有双边浪；

若u₃>0，表示板形具有左三分浪，若u₃<0，表示板形具有右三分浪；

若u₄>0，表示板形具有四分浪，若u₄<0，表示板形具有边中浪。

按照上述方案，基于遗传算法的改进型量子神经网络的建立过程为：

1)确定用于板形模式识别的量子神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练遗传算法的初始种群个数NP，遗传算法的最大学习代数N，网络训练效果的目标值e，以及训练样本数目M；

2)训练样本数据的处理：

将板形仪输出的数据直接输入到网络，让网络前端的多层神经网络进行自动特征提取，然后输入到多层激励函数的量子神经网络中去。

3)多层激励函数改进型量子神经网络的设置：

多层激励函数改进型量子神经网络模型采用如图2所示的网状拓扑结构，是由特征提取层、隐含层和输出层构成，特征提取层也称输入层；模型隐含层神经元激励函数采用多量子能级变换函数，每个多能级变换函数是一系列具有量子间隔偏移的n_s个Sigmoid函数的线性叠加，即多层激励函数；因此，隐含层神经元的输出y_h可表示为：

其中V是多层激励函数改进型量子神经网络的隐含层权值，a为特征提取层的输出，θ^r为量子间隔，n_s为量子间隔数目；

4)将特征提取层网络的权值和偏置，多层激励函数量子神经网络的隐层权值，量子间隔和输出层权值定义为遗传算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

5)按照遗传算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的网络参数来配置多层激励函数的改进型量子神经网络参数，在将M个训练样本数据带入多层激励函数的改进型量子神经网络来计算输出值，继而通过计算上述M个训练样本数据对应的4M个网络输出值与其实际值之间的算术差的平方和；该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，否则，应当继续训练网络，g应根据训练样本的数量和网络的规模来选取；

6)记录训练学习的网络参数，得到一个15输入4输出的多层激励函数的改进型量子神经网；按照上述步骤建立好网络之后，再进行板形识别。

本发明方法可用于四辊,六辊单机架或多机架冷连轧机组。以一台单机架六辊轧机为例，六辊轧机科轧制的的产品包括普通板，高强钢，部分不锈钢和硅钢等。本实例采用的机型是900HC轧机，该机组主要技术性能指标和设备参数为：

轧制速度：Max 300m/min,轧制压力：Max 8000KN，最大轧制力矩：60KN×m，卷曲张力：4～80KN；来料厚度范围：2.0～4.0mm，板宽范围：460～780mm，成品厚度：0.24～1.5mm；；

工作辊尺寸：φ270/φ245×900mm,中间辊尺寸：φ340/φ320×920mm，支撑辊尺寸：φ850/φ790～×850；

中间辊最大横移量：200mm，工作辊正/负弯辊力(单侧)：400/254.5KN。

板形测量装置采用15通道的自制板形仪。

本实例进行失效通道的板形信号的具体计算流程为：

(1)采集接收板形仪在线测量的冷轧带钢方向各测量段板形测量值。板形仪在冷轧带钢宽度方向上配置有若干个有确定宽度的测量区域，每一个测量区域提供对应区域的板形值。从板形仪操作侧到传动吃侧共有15个有效测量区域，其测量段段数m-15，即F_i,i＝1,2,...15单位为板形国际单位I。板形仪测量的数据直接导入网络不做人工处理。

(2)将板形仪输出的原始数据输入到一个n层的神经网络作为特征提取层，其主要是通过训练让网络自动提取特征排除人工的痕迹。由于板形主要有左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪八种缺陷模式，所以使网络输出为a_i,i＝1,2,3...m，其中m为输出个数,这里取m＝8。则网络每一层的计算公式如下：

a^l_i＝f(W_lx_l+b_l),l＝1,2,...n

其中l为网络的第l层；W_l为第l层网络权值；x_l为第l层输入。

(3)使用基于遗传算法的改进型量子神经网络进行板形识别，将数据处理模块的输出a_i作为量子神经网络的输入；量子神经网络的输出u₁,u₂,u₃,u₄为板形的隶属度；

若u₁>0，表示板形具有左边浪，若u₁<0，表示板形具有右边浪；

若u₂>0，表示板形具有中间浪，若u₂<0，表示板形具有双边浪；

若u₃>0，表示板形具有左三分浪，若u₃<0，表示板形具有右三分浪；

若u₄>0，表示板形具有四分浪，若u₄<0，表示板形具有边中浪。

按照上述方案，如图3所示，基于遗传算法的新型量子神经网络的建立过程为：

1.确定用于板形模式识别的量子神经网络训练学习的控制参数：

具体参数包括：用于网络训练的遗传算法的初始种群个数NP，遗传算法的最大学习代数N，网络训练效果的目标值为e，以及训练样本数目为M；

2.训练样本数据的处理：

将板形仪输出的数据直接输入到网络，让网络前端的多层神经网络进行自动特征提取趣然后输入到多层激励函数的量子神经网络中去。

3.多层激励函数的改进型量子神经网络的设置：

多层激励函数的改进型量子神经网络模型采用了如图2所示的网状拓扑结构，是由特征提取层(输入层)、隐含层和输出层构成。模型隐含层神经元激励函数采用多量子能级变换函数，每个多能级变换函数是一系列具有量子间隔偏移的n_s个Sigmoid函数的线性叠加，即多层激励函数；因此，隐含层神经元的输出y_h可表示为：

其中V是多层激励函数改进型量子神经网络的隐含层权值，a为特征提取层的输出，θ^r为量子间隔，n_s为量子间隔数目。

4.将特征提取层网络的权值和偏置，多层激励函数改进型量子神经网络的隐层权值，量子间隔和输出层权值定义为遗传算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

5.按照遗传算法的变异操作，交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的网络参数来配置多层激励函数的改进量子神经网络参数，在将M个训练样本数据带入多层激励函数的改进型量子神经网络来计算输出值，继而通过计算上述M个训练样本数据对应的4M个网络输出值与其实际值之间的算术差的平方和。该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，否则，应当继续训练网络，g应根据训练样本的数量和网络的规模来选取；

6.记录训练学习的网络参数，得到一个15输入4输出的多层激励函数的改进型量子神经网；

按照上述步骤建立好网络之后，再进行板形识别。

图4给出了本实例进行在线模式识别后所得到的识别效果图。图4-a是网络识别的板形缺陷曲线分布图；图4-b是识别后的左边浪分量；图4-c是识别后的双边浪分量；图4-d是识别后的左三分浪；图4-e是识别后的边中浪。从图中可以看出本发明提出的技术方案能够很好的完成板形缺陷的识别任务。解决常规方法遇到的精度和实时性不够理想、辩识模型结构复杂切网络训练时间长、数据特征处理人为因素太大、稳定性和鲁棒性差的技术问题，可以为控制系统提可靠的控制依据，为提高冷轧板带钢质量提供了有力保证。

以上实施例仅用于说明本发明的计算思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并根据以实施，本发明的保护范围不限于上述实例。所以凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。