CN107609301B - 一种利用自适应算法计算带材处理线张力设定的方法 - Google Patents
一种利用自适应算法计算带材处理线张力设定的方法 Download PDFInfo
- Publication number
- CN107609301B CN107609301B CN201710894754.XA CN201710894754A CN107609301B CN 107609301 B CN107609301 B CN 107609301B CN 201710894754 A CN201710894754 A CN 201710894754A CN 107609301 B CN107609301 B CN 107609301B
- Authority
- CN
- China
- Prior art keywords
- tension
- adaptive algorithm
- sample data
- calculating
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种利用自适应算法计算带材处理线张力设定的方法,包括:S1、根据带材处理线的历史生产调试数据,生成两个张力样本数据表,一张表用于训练自适应算法,另一张表用于评估自适应算法的效果;S2、建立自适应算法,将用于训练的张力样本数据表带入自适应算法中进行训练;将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差,若总偏差满足要求,保存训练后的自适应算法;S3、调用训练后的自适应算法,输入实际生产中的带材物料属性数据和设备段编号,计算得到单位张力;S4、根据带材截面积,计算得到各个设备段的张力设定值。本发明能够精确的计算带材处理线的张力设定值,指导实际生产工作。
Description
技术领域
本发明涉及带材处理线张力计算技术领域,尤其涉及一种利用自适应算法计算带材处理线张力设定的方法。
背景技术
带材处理线上,各生产段张力设定是否准确,关系到生产线能否稳定、高效、经济地运行。
生产线各段张力设定,一般是针对各设备段,采用数学公式计算带钢单位张力,再通过带材截面积计算各段总张力,针对特殊规格添加修正算法,再加超限检查等。存在的问题有:计算结果适用面窄,张力公式修正关系复杂、无法直观修改张力计算公式,而且修改结果并不精确,现场工艺和设备调试人员无法直接修改张力计算程序,必须程序维护人员陪同修改。而且调试过程很繁琐,往往一种规格调试好了,修改了公式,引起其它规格的张力设定值也发生改变,这些改变还需要实际生产验证。一条线调试出的数据和计算方法,无法应用于其它生产线,还是需要每条线重复整个修改过程。对于改造的生产线,原有的张力测量装置已经不准或因为修改安装方式而使测量值严重偏离实际值,原张力计算公式完全无法使用,也很难提出合理的张力计算公式。
发明内容
本发明要解决的技术问题在于针对现有技术中生产线各段在不同规格带材下,张力计算公式提出、修改、调试困难,修改不直观、计算结果不准确,调试周期长的缺陷,提供一种利用自适应算法计算带材处理线张力设定的方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种利用自适应算法计算带材处理线张力设定的方法,该方法包括以下步骤:
S1、根据带材处理线的历史生产调试数据,生成两个张力样本数据表,张力样本数据表包括以下字段:设备段、材料分类、宽度、厚度、表面质量、实际张力;两个张力样本数据表中的带材规格不同,一张表用于训练自适应算法,另一张表用于评估自适应算法的效果;
S2、建立自适应算法,算法输入项目为:设备段、材料分类、宽度、厚度、表面质量,算法输出项目为:单位张力;将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理,带入自适应算法中进行训练;将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差,若总偏差满足要求,保存训练后的自适应算法;
S3、执行在线张力计算程序,调用训练后的自适应算法,输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力;
S4、根据带材截面积,计算得到该设备段的张力设定值;继续对其它设备段执行步骤S3,计算得到各个设备段的张力设定值。
进一步地,本发明的方法还包括对自适应算法进行修正的过程:
S5、在后续生产过程中对张力样本数据表进行更新,操作人员将计算得到的各个设备段的张力设定值结合对应的带材物料属性数据作为样本数据,保存到张力样本数据表中;如果张力样本数据表中存在相同规格的带材物料属性数据的张力设定值,用新的样本数据代替之前保存的相同规格的样本数据记录;
S6、根据更新后的张力样本数据表,对自适应算法进行自学习更新,保存自学习更新后的自适应算法供后续张力设定值计算使用。
进一步地,本发明的步骤S2中建立自适应算法的方法具体为:
设备段,按设备段的前后顺序编号,并以该编号作为设备段的数值表示;
材料分类,按材料的屈服强度和延伸率,共分了5个等级,分别用1,2,3,4,5表示;
宽度,单位是毫米;
厚度,单位是毫米,自学***方,H=h*h;
张力,单位是千牛,自学习算法输入值取单位张力t=T/(h*w),单位是千牛/mm2;
自适应算法采用多项式回归或人工神经网络的自适应算法,根据输入样本数据,得到设备段、材料等级、材料宽度、材料厚度的平方到单位张力的关系t=F(ds,mc,w,H);其中,ds表示设备段,mc表示材料分类,w表示宽带,H表示厚度的平方,t表示单位张力;
当有新的物料到达时,对各设备段,将各项物料数据和设备编号带入F(ds,mc,w,H),得到各设备段的单位张力t,在通过T=t*w*h,得到各设备段的张力设定值。
进一步地,本发明的步骤S2中将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理的方法具体为:
输入数据处理方法:
将设备段名称转换成设备段的编号;
查材料特性表,得到材料的屈服强度和延伸率数据,再查材料分类表,得
到材料的分类号;
对物料的宽度和厚度进行单位转换,转换到毫米;
对样本的张力进行单位转换,转换成千牛;
计算厚度的平方值;
归一化方法:
遍历全部样本中指定数据项,找到最大值Vmax和最小值Vmin,并保存;
对样本中的该数据项的值Vorg,进行如下转换Vx=(Vorg-Vmin)/(Vmax-Vmin),Vx就是归一化的值。
进一步地,本发明的步骤S2中将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差的方法具体为:
总偏差,采用全部样本的标准偏差:
其中Tn是一组样本数据中的张力值,TCn是对该样本数据调用自适应算法得到的张力值,Err是全部样本数据的标准偏差值。
进一步地,本发明的步骤S3中输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力的方法具体为:
对所有的输入数据进行转换和归一化处理,再调用自学习后的算法,计算输出值Vout=F(ds,mc,w,H),对输出值进行反归一化处理,得到单位张力设定值;
反归一化方法:计算结果数据,需要进行反归一化处理,方法如下:
找到进行归一化时保存的单位张力的最大值tmax和最小值tmin;
对计算输出值Vout运用公式计算得到单位张力输出值tout:
tout=Vout*(tmax–tmin)+tmin。
本发明产生的有益效果是:本发明的利用自适应算法计算带材处理线张力设定的方法,解决了生产线各段在不同规格带材下,张力计算公式提出、修改、调试困难,修改不直观、计算结果不准确,调试周期长等问题;本发明提出利用测试生产线和试生产时收集的实际有效的张力运行数据,对自适应算法进行自学习,再利用学习好的自适应算法,计算各种未测试规格的带材在不同工艺段的张力设定值,用于实际生产;生产线操作人员和工艺人员能够自行调整张力设定,解决生产线自动张力设定总是调试不好,修改困难,生产不顺利,张力辊磨损大等问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的利用自适应算法计算带材处理线张力设定的方法,该方法包括以下步骤:
S1、根据带材处理线的历史生产调试数据,生成两个张力样本数据表,张力样本数据表包括以下字段:设备段、材料分类、宽度、厚度、表面质量、实际张力;两个张力样本数据表中的带材规格不同,一张表用于训练自适应算法,另一张表用于评估自适应算法的效果;
S2、建立自适应算法,算法输入项目为:设备段、材料分类、宽度、厚度、表面质量,算法输出项目为:单位张力;将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理,带入自适应算法中进行训练;将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差,若总偏差满足要求,保存训练后的自适应算法;
S3、执行在线张力计算程序,调用训练后的自适应算法,输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力;
S4、根据带材截面积,计算得到该设备段的张力设定值;继续对其它设备段执行步骤S3,计算得到各个设备段的张力设定值。
该方法还包括对自适应算法进行修正的过程:
S5、在后续生产过程中对张力样本数据表进行更新,操作人员将计算得到的各个设备段的张力设定值结合对应的带材物料属性数据作为样本数据,保存到张力样本数据表中;如果张力样本数据表中存在相同规格的带材物料属性数据的张力设定值,用新的样本数据代替之前保存的相同规格的样本数据记录;
S6、根据更新后的张力样本数据表,对自适应算法进行自学习更新,保存自学习更新后的自适应算法供后续张力设定值计算使用。
步骤S2中建立自适应算法的方法具体为:
设备段(ds),按设备段的前后顺序编号,并以该编号作为设备段的数值表示,如1,2,3,4,…
材料等级(mc),按材料的屈服强度和延伸率,共分了5个等级,分别用1,2,3,4,5表示。
宽度(w),单位是毫米。
厚度(h),以毫米做单位,自学***方,H=h*h。
张力(T),单位千牛(kn),自学习算法输入值取单位张力t=T/(h*w),单位是千牛/mm2。
自适应算法可采用多项式回归、人工神经网络或其它自适应算法,根据输入样本数据,可得到设备段(ds)、材料等级(mc)、材料宽度(w)、材料厚度的平方(H)到单位张力(t)的关系t=F(ds,mc,w,H)。
当有新的物料到达时,对各设备段,将各项物料数据和设备编号带入F(ds,mc,w,H),可得到各设备段的单位张力t,在通过T=t*w*h,可得到各设备段的张力设定值。
步骤S2中将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理的方法具体为:
输入数据处理方法:
1、将设备段名称转换成设备段的编号。
2、查材料特性表,得到材料的屈服强度和延伸率数据,再查材料分类表,得到材料的分类号。
3、对物料的宽度和厚度进行单位转换,转换到毫米。
4、对样本的张力进行单位转换,转换成千牛。
5、计算厚度的平方值。
归一化方法:每个转换后的输入数据,都需要进行归一化处理。以下说明一个数据项的归一化方法,所有数据项的归一化方法相同。
1、遍历全部样本中指定数据项,找到最大值Vmax和最小值Vmin,并保存。本步骤只在进行自学习时做一次。
2、对样本中的该数据项的值(Vorg),进行如下转换Vx=(Vorg-Vmin)/(Vmax-Vmin),Vx就是归一化的值。
步骤S2中将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差的方法具体为:
总偏差,采用全部样本的标准偏差:
其中Tn是一组样本数据中的张力值,TCn是对该样本数据调用自适应算法得到的张力值。Err是全部样本数据的标准偏差值。
步骤S3中输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力的方法具体为:
对所有的输入数据进行转换和归一化处理,再调用自学习后的算法,计算输出值Vout=F(ds,mc,w,H),对输出值进行反归一化处理,得到单位张力设定值。
反归一化方法:计算结果数据,需要进行反归一化处理,方法如下:
1、找到进行归一化时保存的单位张力的最大值tmax和最小值tmin。
2、对计算输出值Vout运用公式计算得到单位张力输出值tout
tout=Vout*(tmax–tmin)+tmin
在本发明的另一个具体实施例中:
应用环境:某钢铁公司连续热轧带钢酸洗处理线,带钢厚度1.5mm-6.1mm,宽度700mm-1580mm。钢种有:普碳钢、高强钢、硅钢等。
软硬件环境:
服务器配置:
PC服务器
CPU:Intel Xeon E5 2630 V4
内存:16GB DDR-4
硬盘:240GB SSD x 2(RAID-1)
操作***:Windows Server 2016标准版
数据库:MS SQL SERVER 2016标准版
开发工具:MS Visual Studio 2017社区版
编程语言:C#7.0/.net framework 4.7
自适应算法采用人工神经网络。
软件结构按多进程方式设计,张力计算相关进程有两个:
设定值在线计算进程,该程序是一个无界面服务程序,完成利用神经网络进行在线张力设定值计算。
神经网络管理工具,该程序是具有操作界面的程序,能够管理张力样本数据、训练神经网络、测试计算张力设定、评估神经网络的总体偏差,保存/读取神经网络。
神经网络设计:使用并行弹性反向传播网络。为提高训练速度和计算精度,本项目中,每个设备段和每种材料类别单独使用一个神经网络。网络参数如下:
网络入口节点:厚度平方、宽度。
出口节点:单位张力。
中间层:1层。
中间节点:20个。
初始权值填充算法:随机填充。
神经网络迭代计算终止条件:训练用样本计算总体偏差小于10e-5。
数据预处理:将数据按输入节点要求进行转换,并做归一化处理,用来迭代训练人工神经网络。
神经网络优化:训练好的神经网络,利用步骤1生成的评估用样本数据,计算神经网络的总偏差。为优化人工神经网络的结构设计,需要尝试多种网络结构设计,并比较训练速度,总体计算偏差,得到最优的神经网络结构设计。
本发明在该项目中顺利投入使用,效果很好。生产线操作人员和工艺人员能够自行调整张力设定,解决该生产线自动张力设定总是调试不好,修改困难,生产不顺利,张力辊磨损大等问题。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (3)
1.一种利用自适应算法计算带材处理线张力设定的方法,其特征在于,该方法包括以下步骤:
S1、根据带材处理线的历史生产调试数据,生成两个张力样本数据表,张力样本数据表包括以下字段:设备段、材料分类、宽度、厚度、表面质量、实际张力;两个张力样本数据表中的带材规格不同,一张表用于训练自适应算法,另一张表用于评估自适应算法的效果;
S2、建立自适应算法,算法输入项目为:设备段、材料分类、宽度、厚度、表面质量,算法输出项目为:单位张力;将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理,带入自适应算法中进行训练;将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差,若总偏差满足要求,保存训练后的自适应算法;
步骤S2中建立自适应算法的方法具体为:
设备段,按设备段的前后顺序编号,并以该编号作为设备段的数值表示;
材料分类,按材料的屈服强度和延伸率,共分了5个等级,分别用1,2,3,4,5表示;
宽度,单位是毫米;
厚度,单位是毫米,自适应算法输入值取厚度的平方,H = h*h;
张力,单位是千牛,自适应算法输入值取单位张力 t = T /(h * w),单位是千牛/mm2;
自适应算法采用多项式回归或人工神经网络的自适应算法,根据输入样本数据,得到设备段、材料等级、材料宽度、材料厚度的平方到单位张力的关系t = F(ds, mc, w, H);其中,ds表示设备段,mc表示材料分类,w表示宽带,H表示厚度的平方,t表示单位张力;
当有新的物料到达时,对各设备段,将各项物料数据和设备编号带入F(ds, mc, w,H),得到各设备段的单位张力t,再通过 T = t * w * h,得到各设备段的张力设定值;
S3、执行在线张力计算程序,调用训练后的自适应算法,输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力;
S4、根据带材截面积,计算得到该设备段的张力设定值;继续对其它设备段执行步骤S3,计算得到各个设备段的张力设定值;
该方法还包括对自适应算法进行修正的过程:
S5、在后续生产过程中对张力样本数据表进行更新,操作人员将实际运行检验后的各个设备段的张力设定值结合对应的带材物料属性数据作为样本数据,保存到张力样本数据表中;如果张力样本数据表中存在相同规格的带材物料属性数据的张力设定值,用新的样本数据代替之前保存的相同规格的样本数据记录;
S6、根据更新后的张力样本数据表,对自适应算法进行自学习更新,保存自学习更新后的自适应算法供后续张力设定值计算使用;
步骤S3中输入实际生产中的带材物料属性数据和设备段编号,计算输出,并做反归一化处理得到单位张力的方法具体为:
对所有的输入数据进行转换和归一化处理,再调用自学习后的算法,计算输出值Vout=F(ds, mc, w, H),对输出值进行反归一化处理,得到单位张力设定值;
反归一化方法:计算结果数据,需要进行反归一化处理,方法如下:
找到进行归一化时保存的单位张力的最大值tmax和最小值tmin;
对计算输出值Vout运用公式计算得到单位张力输出值tout:
tout= Vout * (tmax – tmin)+ tmin。
2.根据权利要求1所述的利用自适应算法计算带材处理线张力设定的方法,其特征在于,步骤S2中将用于训练的张力样本数据表按照输入项目要求进行转换,并做归一化处理的方法具体为:
输入数据处理方法:
将设备段名称转换成设备段的编号;
查材料特性表,得到材料的屈服强度和延伸率数据,再查材料分类表,得到材料的分类号;
对物料的宽度和厚度进行单位转换,转换到毫米;
对样本的张力进行单位转换,转换成千牛;
计算厚度的平方值;
归一化方法:
遍历全部样本中指定数据项,找到最大值Vmax和最小值Vmin,并保存;
对样本中的该数据项的值Vorg,进行如下转换Vx = (Vorg-Vmin)/(Vmax-Vmin), Vx就是归一化的值。
3.根据权利要求1所述的利用自适应算法计算带材处理线张力设定的方法,其特征在于,步骤S2中将用于评估的张力样本数据表中的数据带入训练后的自适应算法,计算自适应算法的总偏差的方法具体为:
总偏差,采用全部样本的标准偏差:
其中Tn是一组样本数据中的张力值,TCn是对该样本数据调用自适应算法得到的张力值,Err是全部样本数据的标准偏差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710894754.XA CN107609301B (zh) | 2017-09-28 | 2017-09-28 | 一种利用自适应算法计算带材处理线张力设定的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710894754.XA CN107609301B (zh) | 2017-09-28 | 2017-09-28 | 一种利用自适应算法计算带材处理线张力设定的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609301A CN107609301A (zh) | 2018-01-19 |
CN107609301B true CN107609301B (zh) | 2021-03-02 |
Family
ID=61059181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710894754.XA Active CN107609301B (zh) | 2017-09-28 | 2017-09-28 | 一种利用自适应算法计算带材处理线张力设定的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609301B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011142808A2 (en) * | 2010-05-11 | 2011-11-17 | Thuan Bui | Component building system |
CN103302108A (zh) * | 2013-07-02 | 2013-09-18 | 首钢总公司 | 一种六辊平整机组轧制力优化设定方法 |
CN105689405A (zh) * | 2016-01-28 | 2016-06-22 | 燕山大学 | 一种冷轧带材在线目标板形的智能设定方法 |
-
2017
- 2017-09-28 CN CN201710894754.XA patent/CN107609301B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011142808A2 (en) * | 2010-05-11 | 2011-11-17 | Thuan Bui | Component building system |
CN103302108A (zh) * | 2013-07-02 | 2013-09-18 | 首钢总公司 | 一种六辊平整机组轧制力优化设定方法 |
CN105689405A (zh) * | 2016-01-28 | 2016-06-22 | 燕山大学 | 一种冷轧带材在线目标板形的智能设定方法 |
Non-Patent Citations (1)
Title |
---|
《带钢平整张力神经网络预设定模型研究》;孙磊等;《轧钢》;20170615;第34卷(第3期);64-68 * |
Also Published As
Publication number | Publication date |
---|---|
CN107609301A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7437054B2 (ja) | 組立てラインにおけるワークフローを最適化するための方法、デバイス及び非一時的コンピュータ可読媒体 | |
Grosse et al. | Production economics and the learning curve: A meta-analysis | |
Khataie et al. | A cost of quality decision support model for lean manufacturing: activity‐based costing application | |
DE102017010799A1 (de) | Maschinenlernvorrichtung und Robotersystem zum Lernen einer Bearbeitungsreihenfolge eines Laserbearbeitungsroboters und Maschinenlernverfahren dafür | |
US11403535B2 (en) | Model-based machine learning system | |
Jiang et al. | Development of an optimal method for remanufacturing process plan selection | |
CN110297852B (zh) | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 | |
JP7207790B2 (ja) | 組立てラインのための組立てエラー修正 | |
El Bajta | Analogy-based software development effort estimation in global software development | |
Mhada et al. | Production control of unreliable manufacturing systems producing defective items | |
Yin et al. | The virtual manufacturing model of the worsted yarn based on artificial neural networks and grey theory | |
JP4299508B2 (ja) | 製造プロセスにおける操業と品質の関連分析装置、関連分析方法及びコンピュータ読み取り可能な記憶媒体 | |
CN107609301B (zh) | 一种利用自适应算法计算带材处理线张力设定的方法 | |
CN111177495A (zh) | 一种智能识别数据内容并生成相应行业报告的方法 | |
Perzyk et al. | Data mining in manufacturing: significance analysis of process parameters | |
Rao M et al. | Availability modeling of repairable systems using Markov system dynamics simulation | |
Atia et al. | An ANN parametric approach for the estimation of total production operation time | |
Agarwal et al. | Knowledge discovery in steel bar rolling mills using scheduling data and automated inspection | |
Manhas et al. | Identification of reusable software modules in function oriented software systems using neural network based technique | |
TWM592123U (zh) | 推論系統或產品品質異常的智能系統 | |
Ogcu Kaya et al. | Parameter optimization of intermittent demand forecasting by using spreadsheet | |
Low et al. | Improvement process selection framework for the formation of improvement solution alternatives | |
CN108985564B (zh) | 一种基于qfd及二元语义的fmea方法 | |
Chandrasekaran et al. | On the estimation of the software effort and schedule using constructive cost model ii and functional point analysis | |
Velikanov et al. | Coefficients determination of fuzzy products rules in a fuzzy model for excavators’ ergonomics estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |