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

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.为达到上述目的，本发明采用以下技术方案予以实现：
7.一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：
8.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。
9.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。
10.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。
11.步骤4，对训练集数据进行归一化处理。
12.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。
13.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。
14.步骤7，用步骤4中的训练集，训练神经网络模型。
15.步骤8，用步骤3中的测试集，测试神经网络预测精度。
16.本发明的进一步改进在于：
17.优选的，步骤3中，所述训练集为总数据的5/6，验证集为总数据的1/6，即若有6条温度曲线，则5条温度曲线为训练集，剩余一条曲线为验证集。
18.优选的，步骤4中，所述输入与输出数据归一化处理为为将训练集使用mapminmax函数转换。
19.优选的，步骤5中，所述神经元各层节点包括输入层节点、隐层节点以及输出层节点。
20.优选的，步骤5中，所述神经元各层节点数包括输入层节点数为3，隐层节点数为3，输出层节点数为1。
21.优选的，步骤5中，所述神经网络参数包括：输入层至隐含层传递函数、隐含层至输出层传递函数、训练函数、学习函数、网络迭代次数、训练误差目标、学习速率、最小确认失败次数。
22.优选的，步骤5中，所述神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为6。
23.优选的，步骤6中，所述粒子群参数包括：种群规模，粒子维度，惯性权重因子，加速系数，速度范围，位置范围，最大迭代次数。
24.优选的，步骤6中，所述粒子群参数设定为：种群规模n＝100，粒子维度d＝19，惯性权重因子ω＝[0.4，0.9]，加速系数c1＝1.49445和c2＝1.49445，速度范围[-5，5]，位置范围[-10,10]，最大迭代次数k＝200。
[0025]
与现有技术相比，本发明具有以下有益效果：
[0026]
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，该方法通过将有限元模型模拟所得的平板温度随时间变化曲线作为训练样本，对于钢板加热过程中不同位置建立了具有单隐含层的3层bp神经网络模型，通过粒子群算法优化神经网络权阈值，从而预测加热炉中钢板不同位置温度变化，只需神经网络训练同种类别钢种的部分工况，就可预测出大量工况钢板的加热温度，减少复杂有限元模型计算大量工况的时间。根据预测所得加热钢板温度随时间变化曲线，判断该种工况下热处理工艺合理与否，为热处理工艺进行相应的优化改进措施，可以为后续工艺的制定提供数据支撑，帮助改进后续热处理工艺参数。
附图说明
[0027]
图1为本发明流程图示；
[0028]
图2为本发明实施例1中厚度范围为10-60mm的所选的6个工况中心加热曲线；
[0029]
图3为本发明实施例1中神经网络预测结果对比，
具体实施方式
[0030]
下面结合附图对本发明做进一步详细描述：
[0031]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0032]
参见图1，本发明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，包括以下步骤：
[0033]
步骤1，根据厚度选取所预测范围的钢板工况，通过有限元数值模型计算出所选工况的温度场以及各个位置温度变化曲线，提取出不同位置温度时间变化曲线。
[0034]
步骤2，输入参数为钢板厚度、加热时间、从0开始间隔1s时刻，输出参数为当前时刻对应的钢板相应位置温度，根据输入和输出参数，将步骤1中获得的不同位置温度曲线转换为神经网络输入输出的训练数据，形成数据文件文件。
[0035]
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。训练集为总数据的5/6，验证集为总数据的1/6。
[0036]
步骤4，对训练集数据进行归一化处理，采用的函数为mapminmax。
[0037]
步骤5，神经网络结构确定为单隐含层的3层bp神经网络结构，神经元各层节点数包括：输入层节点数为3，隐层节点数为3，输出层节点数为1。建立神经网络模型，神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为1000、训练误差目标为1e-7、学习速率为0.01、最小确认失败次数为6。
[0038]
步骤6，将神经网络的权值和阈值作为粒子群的粒子，粒子群参数设定为：种群规模n＝100，粒子维度d＝19，惯性权重因子ω＝[0.4，0.9]，加速系数c1＝1.49445和c2＝1.49445，速度范围[-5，5]，位置范围[-10,10]，最大迭代次数k＝200。
[0039]
步骤7，用步骤4中的训练集，训练神经网络模型，反复训练至达到设定的训练目标为止。
[0040]
步骤8，用步骤3中的测试集，测试神经网络预测精度。
[0041]
上述的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建立模型时可建立任意工况范围的神经网络预测模型，然后由步骤1～7重新计算并分析结果。
[0042]
技术效果：本发明可预测钢板加热过程中不同位置的温度变化，从而可为制定合
理的热处理工艺提供判断依据，以达到优化钢板性能的目的。
[0043]
前述的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，其特征在于所述的建模软件为matlab。
[0044]
实施例
[0045]
参见图2，针对s355j钢板，目标加热温度为1183k，厚度范围为10-60mm，具体的步骤包括：
[0046]
1)根据厚度范围，选取10mm，20mm，30mm，40mm，50mm，60mm的工况，经过有限元模型计算出6个工况中心加热曲线。
[0047]
2)输入参数为钢板厚度、加热时间、从0开始间隔1s时刻，输出参数为当前时刻对应的钢板中心位置温度，将6条加热温度时间变化曲线以及对应的输入输出参数数据转换为表格形式数据文件。
[0048]
3)对训练数据进行训练集与验证集的划分。训练集为总数据的5/6，验证集为总数据的1/6。即厚度10mm、20mm、40mm、50mm、60mm的5条曲线为训练集，厚度30mm的曲线为验证集。
[0049]
4)对训练集数据进行归一化处理，采用的函数为mapminmax，具体为[inputn,inputps]＝mapminmax(input_train)；[outputn,outputps]＝mapminmax(output_train)；
[0050]
5)神经网络结构确定为单隐含层的3层bp神经网络结构，神经元各层节点数包括：输入层节点数为3，隐层节点数为3，输出层节点数为1。建立神经网络模型，神经网络参数设定为：输入层至隐含层传递函数为logsig、隐含层至输出层传递函数为tansig、训练函数为trainlm、学习函数learngdm、网络迭代次数为net.trainparam.epochs＝1000、训练误差目标为net.trainparam.goal＝1e-7、学习速率为net.trainparam.lr＝0.01、最小确认失败次数为net.trainparam.max_fail＝6。
[0051]
6)将神经网络的权值和阈值作为粒子群的粒子，粒子群参数设定为：种群规模n＝100，粒子维度d＝19，惯性权重因子ω＝[0.4，0.9]，加速系数c1＝1.49445和c2＝1.49445，速度范围[-5，5]，位置范围[-10,10]，最大迭代次数k＝200。
[0052]
7)用的训练集，训练神经网络模型，反复训练至达到设定的训练目标为止。
[0053]
8)用测试集，测试神经网络预测精度。
[0054]
图3为测试集温度曲线与预测温度曲线对比。可以看出，神经网络的预测性能较好，在均热段的最大误差为3k以内。
[0055]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。