专利名称：拉矫机机组矫正辊的工艺参数设定方法
技术领域：
本发明涉及带钢冷轧后处理的冷轧板板形的矫正，更具体地是指一种拉矫机机组矫正 辊的工艺参数设定方法。
背景技术：
对于冷轧后处理机组，如热镀锌及连退机组，通常在平整机后设有拉矫机以改善带钢 的板形质量， 一般拉矫机的结构请参阅图l所示，拉矫机由1#弯曲辊组11、 2#弯曲辊 组12、纵矫辊13和横矫辊14构成。在一定延伸率下，通过设定这些辊的不同插入量， 形成对带钢的不同弯曲拉伸，从而改善带钢板形。
目前，拉矫机机组这些辊的工艺参数设定值一般是经验数据，大多为开发商凭其生产 经验所提供的参考值。在实际生产中，操作工人一般凭借各自的经验进行拉矫机的设定。 这种受制于不同班次操作工经验的状况不仅不利于带钢拉矫的板形改善，而且也不利于机 组的正常生产及今后的产品拓展与开发，导致现场拉矫工艺参数的设定缺乏相应理论指 导，效果不理想，难以满足现场生产高质量产品的需求。
因此，针对目前拉矫机参数设定过程中所存在的问题，必须设计一种新的拉矫机机组 矫正辊的工艺参数设定方法，能够适合机组自身生产产品特点，具有较好的拉矫效果，可 以满足现场生产高质量产品的需求。
发明内容
本发明的目的在于提供一种新的拉矫机机组矫正辊的工艺参数设定方法，以克服传统 现场拉矫工艺参数设定缺乏相应理论指导，效果不理想的问题，能够适合机组自身生产产 品特点，具有较好的拉矫效果，可以满足现场生产高质量产品的需求。 为了实现上述目的，本发明采用了以下技术方案 该拉矫机机组矫正辊的工艺参数设定方法主要基于反向传播学习方式的多层前馈神 经网络结构来对矫正辊的参数进行设定，具体包括以下步骤
A.人工神经元网络的训练样本参数选取确定，选择所要矫正的钢板的相关数据，包
括带钢的浪形数据、带钢材质、带钢几何参数、板廓参数以及平整工艺参数和拉矫延伸 率，作为人工神经元网络的训练样本参数；
B. 模型结构的确定，结合拉矫机组自身特点，选用了只有一个隐含层的三层反向传 播学习算法的神经网络，输入层单元数由机组入口板形影响因素和平整工艺参数确走， 网络的输出根据拉矫机的设定参数确定，隐含层节点根据经验公式确定；
C. 反向传播网络的计算过程，输入层节点参数值经加权处理传向隐含层，函数激活 后得到隐含层输出值，隐含层输出值经加权处理后传向输出层，经输出层函数激活后得 到网络输出值，即拉矫机的设定参数；
D. 反向传播网络的学习过程，将网络输出值与目标输出值比较得到误差，将误差反 向传播，并逐层修正网络各层间的突触权值，使误差不断减小，重复进行以上训练过程， 直到误差满足矫正精度要求为止。
在步骤A中，
所述的浪形数据包括传动侧边部陡度、传动侧1/4处陡度、中部陡度、操作侧1/4 处陡度以及操作侧边部陡度；
所述的带钢材质是指屈服极限，所述的带钢几何规格是指带钢的宽度、厚度； 所述的板廓参数包括二次凸度、四次凸度，所述的平整工艺参数包括平整延伸率、 单位轧制力、弯辊力。
如步骤B所述的模型结构的确定选用14一12—4型三层反向传播神经元网络结构，输 入层单元数确定为14，隐含层节点数确定为12，网络的输出节点数确定为4。 如步骤C所述的反向传播网络的计算过程包括以下步骤 Cl.将一组样本参数输入神经元， C2.输入参数由输入层经加权处理传向隐含层， C3.输入加权参数经函数激活后得到隐含层输出值， C4.隐含层输出值经加权处理后传向输出层， C5.隐含层加权参数经输出层函数激活后得到网络输出值。 如步骤C所述的反向传播网络的计算过程中采用公式
力=炉("*)
其中A，A，…，&是输入信号，对于输入层而言，即为机组入口板形影响因素和平整
工艺参数确定的14个节点参数值；W"，W"，…，^"是神经元^的突触连接权值，其初始值
可取(-1， 1)之间的随机数；^是输入信号的线性组合器的输出，P(')为激活函数，A 是神经元输出信号，对于输出层而言，即为拉矫机的4个设定参数。
如步骤D所述的反向传播网络的学习过程包括以下步骤
Dl.得出输出层误差计算样本的均方差，
D2.修改网络各层的连接权值，
D3.重复步骤C直至学习样本结束，
D4.重复步骤C直至均方差小于期望值。
在本发明的上述技术方案中，该方法基于现场实测数据统计和分析结果，并以拉矫机 机组出口带钢板形质量良好为标准，从中择优选取有代表性的相关数据作为人工神经元网 络的训练样本，结合拉矫机组自身特点，选取人工神经元网络工具中较为成熟和常用的反 向传播神经元网络结构。最终将现场良好的操作经验转化为数学模型，从而建立了不同带 钢规格、材质条件下拉矫工艺参数的的设定方法。本发明能够克服传统现场拉矫工艺参数 设定缺乏相应理论指导，效果不理想的问题，适合机组自身生产产品特点，具有较好的拉 矫效果，可以满足现场生产高质量产品的需求。
图1为传统拉矫机的结构示意图。
图2为本发明的拉矫机机组矫正辊的工艺参数设定方法流程示意图。
图3为拉矫机反向传播网络结构示意图。
图4为神经元的非线性模型。
图5为反向传播网络均方差变化曲线图。
图6为神经元网络拉矫设定前后板形对比图。
具体实施例方式
为了能更好地理解本发明的上述技术方案，下面结合附图和实施例进行进一步地详 细描述。
请参阅图2所示，本发明的拉矫机机组矫正辊的工艺参数设定方法主要基于反向传 播学习方式的多层前馈神经网络结构来对矫正辊的参数进行设定。实际上本发明的方法是 选用了人工神经元网络工具中较为成熟和常用的BP神经元网络结构，所谓BP网络，指的 是采用反向传播(Back Propagation)学习算法的多层前馈神经网络。
本发明的方法具体说明如下
首先，人工神经元网络的训练样本参数选取确定，选择所要矫正的钢板的相关数据， 包括带钢的浪形数据、带钢材质、带钢几何参数、板廓参数以及平整工艺参数和拉矫延伸 率，作为人工神经元网络的训练样本参数。
所述的浪形数据包括传动侧边部陡度、传动侧1/4处陡度、中部陡度、操作侧1/4 处陡度以及操作侧边部陡度；
所述的带钢材质是指屈服极限，所述的带钢几何规格是指带钢的宽度、厚度； 所述的板廓参数包括二次凸度、四次凸度，所述的平整工艺参数包括平整延伸率、 单位轧制力、弯辊力。
然后，模型结构的确定，选取人工神经元网络工具中较为成熟和常用的反向传播神经 元网络结构，结合拉矫机组自身特点，这里的反向传播神经元网络采用了3层结构网络模 型，即只有一个隐含层的三层反向传播网络。请参阅图3所示，输入层单元数由机组入口 板形影响因素和平整工艺参数确定，输入层共计14个节点数，包括了带钢的浪形数据， 如5个陡度传动侧边部陡度201、传动侧1/4处陡度202、中部陡度203、操作侧1/4处 陡度204以及操作侧边部陡度205、带钢材质的屈服极限206、带钢宽度207、厚度208、 板廓参数，如二次凸度209、四次凸度210以及平整的平整延伸率211、单位轧制力212、 弯辊力213和拉矫延伸率214;网络的输出为拉矫机的4个设定参数，包括1#辊插入深度 31、 2#辊插入深度32、纵弯辊插入量33和横弯辊插入量34，故输出的节点数为4;隐含 层节点根据经验公式取12，最终确定的反向传播神经元网络结构为14-12-4。
然后，进行反向传播网络的计算过程，作为拉矫机组入口板形影响因素和平整工艺 参数确定的14个节点参数值由输入层经加权处理传向隐含层，函数激活后得到隐含层输 出值；隐含层输出值经加权处理后传向输出层，经输出层函数激活后得到网络输出值，即 拉矫机的4个设定参数。
在进行反向传播网络的计算过程时，按下述步骤进行
Cl.将一组样本参数输入神经元，
C2.输入参数由输入层经加权处理传向隐含层，
C3.输入加权参数经函数激活后得到隐含层输出值，
C4.隐含层输出值经加权处理后传向输出层，
C5.隐含层加权参数经输出层函数激活后得到网络输出值。
对于反向传播网络而言，其中的一个典型人工神经元模型如图4所示可采用下列方
程描述
其中A'A'…'^是输入信号，对于输入层而言，即为机组入口板形影响因素和平整 工艺参数确定的M个节点参数值；W"'W"'…'W^是神经元^的突触连接权值，其初始值
可取(-l， 1)之间的随机数；"*是输入信号的线性组合器的输出，W')为激活函数，A 是神经元输出信号，对于输出层而言，即为拉矫机的4个设定参数。
最后，再进行反向传播网络的学习(即修正)，将输出值与目标输出值比较得到误差， 将误差反向传播，并逐层修正网络各层间的突触权值，使误差不断减小。重复进行以上训 练过程，直到误差满足精度要求为止。
具体说来，学习过程进一步包括以下步骤
Dl.得出输出层误差计算样本的均方差，.
D2.修改网络各层的连接权值，
D3.重复步骤C直至学习样本结束，
D4.重复步骤C直至均方差小于期望值。
反向传播网络的学习过程就是利用均方差E和梯度下降法来实现对网络突触连接权 值的修正。
由均方差E的梯度下降法得
突触连接权值的修正算法为 、+1} = W& W + 《 式中，7为学习速率，《("为误差项。
为加快训练速度，引入动量项，则突触连接权值的修正算法为 ,("1) = , ") + W(" + "[ - (A: - l)]
式中，"为动量因子。 具体的反向传播网络参数设置及取值为
两次显示之间的训练次数=100;学习速率=0.05;学习速率增长比例因子=1.05; 学习速率下降比例因子=0.8;训练次数=4000;网络训练目标=0.08;均方差期望值= 0.001;动量因子=0.9。
反向传播网络学习过程的均方差变化曲线如图5所示，其中横坐标为训练次数，纵 坐标为均方差。由变化曲线可知，均方差随着训练次数的增加依次减小。因此，误差是随
着训练次数的增加逐渐减小的，比较理想。请参阅图6所示的调整前后带钢板形变化的情 况。在采用新的拉矫机机组矫正辊的工艺参数设定方法后，板形得到了显著地提高。
由上述描述可见，本发明通过误差反向传播不断调整网络的连接权值，充分利用反 向传播网络具有良好的自学习、自适应、高度非线性映射、动态容错、高效等优势，实现 拉矫机参数设定的目的。本发明能够克服传统现场拉矫工艺参数设定缺乏相应理论指导， 效果不理想的问题，适合机组自身生产产品特点，具有较好的拉矫效果，可以满足现场生 产高质量产品的需求。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而 并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、
变型都将落在本发明的权利要求书范围内。
权利要求
1、一种拉矫机机组矫正辊的工艺参数设定方法，其特征在于，该方法基于反向传播学习方式的多层前馈神经网络结构来对矫正辊的参数进行设定，具体包括以下步骤A.人工神经元网络的训练样本参数选取确定，选择所要矫正的钢板的相关数据，包括带钢的浪形数据、带钢材质、带钢几何参数、板廓参数以及平整工艺参数和拉矫延伸率，作为人工神经元网络的训练样本参数；B.模型结构的确定，结合拉矫机组自身特点，选用了只有一个隐含层的三层反向传播学习算法的神经网络，输入层单元数由机组入口板形影响因素和平整工艺参数确定，网络的输出根据拉矫机的设定参数确定，隐含层节点根据经验公式确定；C.反向传播网络的计算过程，输入层节点参数值经加权处理传向隐含层，函数激活后得到隐含层输出值，隐含层输出值经加权处理后传向输出层，经输出层函数激活后得到网络输出值，即拉矫机的设定参数；D.反向传播网络的学习过程，将网络输出值与目标输出值比较得到误差，将误差反向传播，并逐层修正网络各层间的突触权值，使误差不断减小，重复进行以上训练过程，直到误差满足矫正精度要求为止。
2、 如权利要求1所述的拉矫机机组矫正辊的工艺参数设定方法， 其特征在于，在步骤A中，所述的浪形数据包括传动侧边部陡度、传动侧1/4处陡度、中部陡度、操作侧1/4处陡度以及操作侧边部陡度；所述的带钢材质是指屈服极限，所述的带钢几何规格是指带钢的宽度、厚度； 所述的板廓参数包括二次凸度、四次凸度，所述的平整工艺参数包括平整延伸率、单位轧制力、弯辊力。
3、 如权利要求1所述的拉矫机机组矫正辊的工艺参数设定方法， 其特征在于， 如步骤B所述的模型结构的确定选用14一12—4型三层反向传播神经元网络结构， 输入层单元数确定为14，隐含层节点数确定为12,网络的输出节点数确定为4。
4、如权利要求1所述的拉矫机机组矫正辊的工艺参数设定方法, 其特征在于，如步骤C所述的反向传播网络的计算过程包括以下步骤.-Cl.将一组样本参数输入神经元；C2.输入参数由输入层经加权处理传向隐含层；C3.输入加权参数经函数激活后得到隐含层输出值；C4.隐含层输出值经加权处理后传向输出层；C5.隐含层加权参数经输出层函数激活后得到网络输出值。
5、如权利要求1或4所述的拉矫机机组矫正辊的工艺参数设定方法， 其特征在于，在反向传播网络的计算过程中采用公式其中JC,，^,…，Xm是输入信号，对于输入层而言，即为机组入口板形影响因素和平整 工艺参数确定的14个节点参数值；W,，V^，…，M^是神经元ifc的突触连接权值，其初始值 可取(-1， l)之间的随机数；"t是输入信号的线性组合器的输出，pO)为激活函数，力 是神经元输出信号，对于输出层而言，即为拉矫机的4个设定参数。
6、如权利要求1所述的拉矫机机组矫正辊的工艺参数设定方法， 其特征在于，如步骤D所述的反向传播网络的学习过程包括以下步骤-Dl.得出输出层误差计算样本的均方差； D2.修改网络各层的连接权值； D3.重复步骤C直至学习样本结束； D4.重复步骤C直至均方差小于期望值。
全文摘要
本发明公开了一种拉矫机机组矫正辊的工艺参数设定方法，该方法基于现场实测数据统计和分析结果，并以拉矫机机组出口带钢板形质量良好为标准，从中择优选取有代表性的相关数据作为人工神经元网络的训练样本参数，结合拉矫机组自身特点，选取人工神经元网络工具中较为成熟和常用的反向传播神经元网络结构。最终将现场良好的操作经验转化为数学模型，从而建立了不同带钢规格、材质条件下拉矫工艺参数的的设定方法。本发明能够克服传统现场拉矫工艺参数设定缺乏相应理论指导，效果不理想的问题，适合机组自身生产产品特点，具有较好的拉矫效果，可以满足现场生产高质量产品的需求。
文档编号G06F17/50GK101097581SQ200610028179
公开日2008年1月2日 申请日期2006年6月27日 优先权日2006年6月27日
发明者姜正连, 常铁柱, 张清东, 勇 陆 申请人:宝山钢铁股份有限公司;北京科技大学