板带材凸度的预测方法、轧辊智能化控制方法及计算设备与流程

1.本发明涉及板带材制造技术领域，具体而言，涉及一种板带材凸度的预测方法、轧辊智能化控制方法及计算设备。


背景技术：

2.随着国内经济的飞速发展，国内对板带材(例如带钢)的需求越来越高，用户对板带材的质量要求也越来越高，为了达到广大用户的需求以及增加企业在板带材市场的竞争力，升级并完善板带材轧制生产线的设备和技术，并且加大对新工艺的投入力度已经成为当前的重要任务。由此板带材的轧制技术才能走向高精度、高速化和自动化的快速发展道路。近年来，由于钢铁行业形势不太乐观，下游用户对于产品质量的要求越来越高，因此在轧制过程中对板形控制的要求也越来越高，凸度作为板形尺寸的重要指标越来越受到重视。
3.凸度是板带材的中心厚度和边部厚度的差值，是板带材板形质量的重要指标之一。在轧制过程中，轧辊在轧制压力的作用下会产生弹性变形，从而导致板带材横向分布不均，产生一定的凸度，在正常情况下，板带材是要求具有一定凸度的，一方面满足板带材用途以及后续工艺的要求，另一方面补偿其他因素引起的板形缺陷，但是如果凸度过大，将会影响板带材的质量。
4.目前钢铁制造的产品质量管控中，普遍采用的是“事后”板带材凸度检测方式，此方式检验成本高，且时间存在极大滞后，后工序不能及时根据来料情况进行工艺参数优化，容易生产出批量不合格产品。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明提供一种板带材凸度的预测方法，包括步骤：
6.获取样本数据，其中，所述样本数据包括板带材制造参数；
7.将所述样本数据输入板带材凸度预测模型进行迭代预测，得到板带材凸度；
8.在所述板带材凸度预测模型的迭代预测过程中，将所述板带材凸度预测模型的权值和阈值编码为粒子，采用pso算法对所述权值和所述阈值进行优化，其中，所述pso算法的粒子位置确定公式和粒子速度确定公式均通过动态学习因子确定。
9.本发明中采用基于pso算法优化的板带材凸度预测模型进行板带材凸度预测，相对于“事后”板带材凸度检测方式，能够便于尽早对板带材生产的工艺参数进行调整，便于对板带材生产设备，例如轧辊等进行智能控制，以此提高板带材生产的合格率，降低生产成本。同时，pso算法中对模型优化时，采用动态学习因子确定粒子的位置和速度，以此能够提高模型的收敛速度和精度，便于快速高效找到全局最优解，提高了凸度的预测速度和精度。
10.进一步地，所述将所述样本数据输入板带材凸度预测模型进行迭代预测，得到板带材凸度包括步骤：
11.确定所述板带材凸度预测模型的输出值与期望值之间的误差，或判断所述板带材凸度预测模型的迭代次数是否达到预设迭代次数；
12.当所述误差小于预设误差，或所述迭代次数达到预设迭代次数时，停止所述板带材凸度预测模型的迭代预测，得到所述板带材凸度；
13.否则，确定所述板带材凸度预测模型的隐含层和输出层的误差信号，以及调整所述权值和所述阈值。
14.进一步地，所述采用pso算法对所述权值和所述阈值进行优化包括步骤：
15.确定所述粒子的适应度值；
16.对各所述粒子进行迭代寻优，包括：根据所述适应度值更新所述粒子的个体最优值和群体最优值，以及根据所述个体最优值和所述群体最优值以及所述粒子位置确定公式和所述粒子速度确定公式更新所述粒子的位置和速度，其中，当迭代结束时，确定所述权值为所述粒子的所述速度，确定所述阈值为所述粒子的所述位置。
17.进一步地，在所述根据所述个体最优值和所述群体最优值以及所述粒子位置确定公式和所述粒子速度确定公式更新所述粒子的位置和速度之后还包括步骤：
18.判断所述粒子是否处于给定空间内；
19.若否，则根据自适应变异确定新的适应度值；
20.根据所述新的适应度值更新所述粒子的所述个体最优值和所述群体最优值。
21.进一步地，当判定所述粒子处于所述给定空间内，或在根据所述新的适应度值更新所述粒子的所述个体最优值和所述群体最优值后，还包括步骤：
22.判断所述粒子的迭代寻优是否满足终止条件；
23.若是，则得到所述权值和所述阈值；
24.若否，则重新开始所述确定所述粒子的适应度值步骤。
25.进一步地，根据所述适应度值和个体最优值确定公式更新所述粒子的所述个体最优值，以及根据所述适应度值和群体最优值确定公式更新所述群体最优值；所述个体最优值确定公式包括：
[0026][0027]
所述群体最优值确定公式包括：
[0028]
pg∈{p1,p2,
…
,p
size
}|f(pg)＝min{f(p1),f(p2),
…
,f(p
size
)}；
[0029]
其中，f表示适应度值确定函数，xi表示粒子所经历的位置，f(xi)表示适应度值，size表示种群粒子数量，pi表示个体最优值，p1,p2,...,p
size
表示种群全部粒子的个体最优值，f(pi)表示个体适应度值最优值，f(p1),f(p2),...,f(p
size
)表示种群全部粒子的个体适应度值最优值，pg表示群体最优值。
[0030]
进一步地，所述粒子位置确定公式包括：
[0031][0032]
所述粒子速度确定公式包括：
[0033]
[0034]
其中，表示第k+1代所述粒子的所述位置，表示第k代所述粒子的所述位置，表示第k+l代所述粒子的所述速度；表示第k代所述粒子的所述速度；表示第k代所述粒子的所述位置；ω表示惯性权重；c1、c2均表示所述动态学习因子；1≤i≤n，1≤d≤d，k表示当前粒子的代数；表示第k代所述粒子种群的个体最优值；表示第k代所述粒子种群的群体最优值；r1和r2均表示随机数，取值范围在区间[0,1]内。
[0035]
进一步地，所述动态学习因子包括c1和c2，其中：
[0036][0037]
c2＝4-c1；
[0038]
其中，maxiter表示最大迭代次数，iter表示当前迭代次数，c
start
表示c1的初始值，c
end
表示c1的最终值，c
end
《c
start
，以及c
end
和c
start
的取值范围均为0-4。
[0039]
本发明还提出了一种轧辊智能化控制方法，包括：根据如上所述的板带材凸度的预测方法预测得到的板带材凸度控制轧辊运行。
[0040]
本发明实施例中的轧辊智能化控制方法具有上述板带材凸度的预测方法相近似的技术效果，并且在应用于轧辊控制时，能够提高板带材生产的合格率，降低生产成本。
[0041]
本发明还提出了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的板带材凸度的预测方法，或如上所述的轧辊智能化控制方法。
[0042]
本发明中的计算设备具有上述板带材凸度的预测方法和轧辊智能化控制方法相近似的技术效果，在此不再进行赘述。
附图说明
[0043]
图1为本发明实施例所述的板带材凸度的预测方法流程图一；
[0044]
图2为本发明实施例所述的板带材凸度的预测方法流程图二；
[0045]
图3为本发明实施例所述的板带材凸度的预测方法流程图三。
具体实施方式
[0046]
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
[0047]
要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
[0048]
在本说明书的描述中，参考术语“实施例”、“一个实施例”和“一个实施方式”等的描述意指结合该实施例或实施方式描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示实施方式中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式以合适的方式结合。
[0049]
结合图1所示，本发明实施例提出一种板带材凸度的预测方法，包括步骤：
[0050]
获取样本数据，其中，所述样本数据包括板带材制造参数；
[0051]
本实施例中，板带材凸度的预测方法可用于带钢等板带材的凸度预测，其中，板带材制造参数为板带材制造过程中对凸度会造成影响的各种影响因子，例如，利用轧辊进行板带材制造时，板带材制造参数包括辊缝、工作辊速度、位置反馈、弯辊力、轧制力、轧制力等参数。
[0052]
将所述样本数据输入板带材凸度预测模型进行迭代预测，得到板带材凸度；
[0053]
在所述板带材凸度预测模型的迭代预测过程中，将所述板带材凸度预测模型的权值和阈值编码为粒子，采用pso算法对所述权值和所述阈值进行优化，其中，所述pso算法的粒子位置确定公式和粒子速度确定公式均通过动态学习因子确定。
[0054]
可以理解，板带材凸度预测模型的输出数据即板带材凸度，本实施例中，板带材凸度预测模型可选用bp神经网络模型，参照图2所示，本实施例中，在板带材凸度预测模型的迭代预测过程中，采用pso(粒子群优化)算法对模型的权值和阈值进行优化调整，以此提高模型的预测精度，具体地，将模型的权值和阈值编码为粒子，从而对粒子进行寻优，在采用pso算法进行粒子寻优的过程中，需要持续更新确定粒子的位置和速度，本发明实施例中，采用粒子位置确定公式和粒子速度确定公式更新粒子的位置和速度，并且粒子位置确定公式和离子速度确定公式中的学习因子采用动态学习因子，以此避免模型优化训练过程中过早陷入局部值，最终提高模型的收敛速度和精度，能够高效的找到全局最优解。
[0055]
综上，本发明中采用基于pso算法优化的板带材凸度预测模型进行板带材凸度预测，例如基于pso算法优化的bp神经网络模型进行带钢凸度预测，能够提早给出板带材凸度的预测结果，相对于“事后”板带材凸度检测方式，能够便于尽早对板带材生产的工艺参数进行调整，便于对板带材生产设备，例如轧辊等进行智能控制，以此提高板带材生产的合格率，降低生产成本。同时，pso算法中对模型优化时，采用动态学习因子确定粒子的位置和速度，以此能够提高模型的收敛速度和精度，便于快速高效找到全局最优解，提高了凸度的预测速度和精度。
[0056]
在本发明的一个可选的实施例中，所述将所述样本数据输入板带材凸度预测模型进行迭代预测，得到板带材凸度包括：
[0057]
确定所述板带材凸度预测模型的输出值与期望值之间的误差，或判断所述板带材凸度预测模型的迭代次数是否达到预设迭代次数；
[0058]
当所述误差小于预设误差，或所述迭代次数达到预设迭代次数时，停止所述板带材凸度预测模型的迭代预测，得到所述板带材凸度；
[0059]
否则，确定所述板带材凸度预测模型的隐含层和输出层的误差信号，以及调整所述权值和所述阈值。
[0060]
参照图2所示，其为板带材凸度预测模型的预测流程图，在迭代预测时，通过确定所述板带材凸度预测模型的输出值与期望值之间的误差，或判断所述板带材凸度预测模型的迭代次数是否达到预设迭代次数来判断板带材凸度预测模型是否迭代预测结束，设定有预设误差和预设迭代次数进行对比判断，当误差小于预设误差则表明已经达到合适精度，或者迭代次数达到预设迭代次数时，即停止迭代，表明此次预测结束，然后返回进行新的预测，直至板带材的轧制过程结束。
[0061]
当误差大于或等于预设误差以及迭代次数未达到预设迭代次数，此时循环进行板带材凸度预测模型的权值和阈值的优化，在此过程中，确定板带材凸度预测模型的隐含层和输出层的误差信号，继而调整优化权值和阈值，重复该过程，直至迭代预测完成。
[0062]
在本发明的一个可选的实施例中，所述采用pso算法对所述权值和所述阈值进行优化包括步骤：
[0063]
确定所述粒子的适应度值；
[0064]
对各所述粒子进行迭代寻优，包括：根据所述适应度值更新所述粒子的个体最优值和群体最优值，以及根据所述个体最优值和所述群体最优值以及所述粒子位置确定公式和所述粒子速度确定公式更新所述粒子的位置和速度，其中，当迭代结束时，确定所述权值为所述粒子的所述速度，确定所述阈值为所述粒子的所述位置。
[0065]
本实施例中，在对板带材凸度预测模型的权值和阈值进行优化的过程中，可进行例如、进化代数和种群规模、粒子的最大速度、粒子范围大小、惯性权重、终止条件等参数设置。在将权值和阈值编码为粒子前，可以先初始化网格权值和阈值，继而将权值和阈值编码为粒子。
[0066]
可采用适应度函数计算适应度值，作为初始适应度值。适应函数根据解决问题的需要而确定，用适应度函数来衡量粒子位置的好坏，适应度值最好的位置是最佳位置也即最优值。暂定适应度值的最小值作为最优。此时适应度值的确定公式包括：
[0067]
error＝f(x,innum,hidnum,outnum,net,inputn,outpun)；
[0068]
其中x是粒子；innum是输入层节点数；hidnum是隐含层节点数；outnum是输出层节点数；net为训练网络；inputn是输入数据；outputn是输出数据；error是适应度值。
[0069]
基于确定的适应度值，可以用于确定并持续更新所述粒子的个体最优值和群体最优值。具体地，根据所述适应度值和个体最优值确定公式更新所述粒子的所述个体最优值，以及根据所述适应度值和群体最优值确定公式更新所述群体最优值；所述个体最优值确定公式包括：
[0070][0071]
所述群体最优值确定公式包括：
[0072]
pg∈{p1,p2,
…
,p
size
}|f(pg)＝min{f(p1),f(p2),
…
,f(p
size
)}；
[0073]
其中，f表示适应度值确定函数，xi表示粒子所经历的位置，f(xi)表示适应度值，size表示种群粒子数量，pi表示个体最优值，p1,p2,...,p
size
表示种群全部粒子的个体最优值，f(pi)表示个体适应度值最优值，f(p1),f(p2),...,f(p
size
)表示种群全部粒子的个体适应度值最优值，pg表示群体最优值。
[0074]
在进行个体最优值和群体最优值的确定更新过程中，首先将第一个粒子的适应度值作为最优值，然后将粒子按逐个输入的方式与前面的最优值进行比较，得出群体最优值后记录其位置，在迭代的过程中，不断地更新个体粒子所经历的最佳位置(个体最优值)pi，和所有粒子经过的最佳位置(群体最优值)pg。
[0075]
基于更新得到的个体最优值和群体最优值，可通过粒子位置确定公式和所述粒子速度确定公式更新所述粒子的速度和位置，本实施例中，所述粒子位置确定公式包括：
[0076][0077]
所述粒子速度确定公式包括：
[0078][0079]
其中，表示第k+1代所述粒子的所述位置，表示第k代所述粒子的所述位置，表示第k+l代所述粒子的所述速度；表示第k代所述粒子的所述速度；表示第k代所述粒子的所述位置；ω表示惯性权重；c1、c2均表示所述动态学习因子；1≤i≤n，1≤d≤d，k表示当前粒子的代数；表示第k代所述粒子种群的个体最优值；表示第k代所述粒子种群的群体最优值；r1和r2均表示随机数，取值范围在区间[0,1]内。
[0080]
本实施例中，动态学习因子c1和c2的确定公式可如下：
[0081][0082]
c2＝4-c1；
[0083]
其中，maxiter表示最大迭代次数，iter表示当前迭代次数，c
start
表示c1的初始值，c
end
表示c1的最终值，c
end
《c
start
，以及c
end
和c
start
的取值范围均为0-4。
[0084]
在迭代结束时，得到当前的粒子的个体最优值和群体最优值对应的速度即为所述权值，当前的粒子的个体最优值和群体最优值对应的位置为所述阈值，以此完成权值和阈值的优化。
[0085]
本实施例中，在粒子的优化过程中将学习因子设为动态可变的数值，这样可以使算法在寻优的开始阶段具有大的c1值和小的c2值，以达到算法在整个空间进行搜索的目的，而在算法的结束阶段具有小的c1值和大的c2值，以此方便算法全局寻优，提高算法的收敛速度和精度。
[0086]
在本发明的一个可选的实施例中，在所述根据所述个体最优值和所述群体最优值以及所述粒子位置确定公式和所述粒子速度确定公式更新所述粒子的位置和速度之后还包括：
[0087]
判断所述粒子是否处于给定空间内；
[0088]
若否，则根据自适应变异确定新的适应度值；
[0089]
根据所述新的适应度值更新所述粒子的所述个体最优值和所述群体最优值。
[0090]
在采用pso算法进行粒子寻优的过程中，会在一个大空间里的小区域里寻找最优值，这个时候粒子会计算出这个位置的速度和位置，以此确定出权值和阈值，然后停止该粒子的寻优过程，但是这个最优可能只是这个粒子认为的最优，而且是小区域里的最优，在更大的空间里，还可能存在比当前这个位置更优的情况，因此在本实施例中，参照图3所示，在根据个体最优值和群体最优值以及粒子位置确定公式和所述粒子速度确定公式更新所述粒子的位置和速度之后进行粒子是否处于给定空间内的位置判断，以此避免出现粒子在狭小的空间里找到最优值，而停止在更大的空间里寻找最优值的情况，也即避免出现局部最优情况。
[0091]
判断所述粒子是否处于给定空间内包括：判断当前随机数是否大于预设随机数，例如0.95，如果是，则判定粒子陷入局部最优的情况，也即不处于所述给定空间，此时能够
得到的权值和阈值不合适，因此根据自适应变异重新计算粒子的适应度值，以及根据自适应变异之后的适应度值更新粒子的个体和群体最优值，具体地，当不处于给定空间内时，重新初始化粒子，以及根据适应度确定公式确定出新的适应度值，以及在此更新确定粒子的个体最优值和群体最优值，继而利用在此更新的个体最优值和群体最优值确定粒子的速度和位置，以用于确定出权值和阈值。
[0092]
可以理解，在算法对权值和阈值进行优化时，在迭代寻优满足终止条件时才结束寻优，此时输出个体最优值和群体最优值对应的权值和阈值作为板带材凸度预测模型的模型数据。
[0093]
当判定粒子处于给定空间内而未陷入局部最优的情况，此时即无需采用自适应变异进行再次寻优，可直接进行粒子迭代寻优是否满足终止条件的判断。相应地，在自适应变异进行在此再次寻优后也可同样进行迭代终止条件的判断，当满足迭代终止条件，完成迭代，此时，则得到速度和位置对应的所述权值和所述阈值，如果未完成迭代，则重新开始所述确定所述粒子的适应度值步骤，以此循环进行迭代寻优。
[0094]
本实施例中，通过判断粒子是否处于给定空间，而避免出现局部寻优，在出现局部寻优时，引入自适应变异，以帮助粒子找到最优的个体极值和群体极值，也就是得到了最优的模型权值和阀值，以此提高模型的预测结果
[0095]
本发明另一实施例的一种轧辊智能化控制方法，包括：根据如上述的板带材凸度的预测方法预测得到的板带材凸度控制轧辊运行。
[0096]
本发明实施例中的轧辊智能化控制方法具有上述板带材凸度的预测方法相近似的技术效果，并且在应用于轧辊控制时，能够提高板带材生产的合格率，降低生产成本。
[0097]
本发明另一实施例的一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上述的板带材凸度的预测方法，或如上述的轧辊智能化控制方法。
[0098]
本发明中的计算设备具有上述板带材凸度的预测方法和轧辊智能化控制方法相近似的技术效果，在此不再进行赘述。
[0099]
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。