CN112037209A - 一种钢板轧辊磨损量预测方法及*** - Google Patents

一种钢板轧辊磨损量预测方法及*** Download PDF

Info

Publication number
CN112037209A
CN112037209A CN202010908672.8A CN202010908672A CN112037209A CN 112037209 A CN112037209 A CN 112037209A CN 202010908672 A CN202010908672 A CN 202010908672A CN 112037209 A CN112037209 A CN 112037209A
Authority
CN
China
Prior art keywords
sample
steel plate
neural network
training
hidden layer
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.)
Granted
Application number
CN202010908672.8A
Other languages
English (en)
Other versions
CN112037209B (zh
Inventor
王龙
冀秀梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010908672.8A priority Critical patent/CN112037209B/zh
Publication of CN112037209A publication Critical patent/CN112037209A/zh
Application granted granted Critical
Publication of CN112037209B publication Critical patent/CN112037209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明涉及一种钢板轧辊磨损量预测方法及***，涉及轧钢领域。本发明通过灰色关联度分析法确定样本数据中影响轧制公里数的影响因素对应的训练样本数据，优化了神经网络的输入变量；利用训练样本数据对极限学习机神经网络进行训练，建立了神经网络模型，提高了轧制公里数的预测精度，利用训练好的神经网络模型预测每套工作辊的轧制公里数，然后用预测的轧制公里数预估工作辊磨损量，减小轧辊磨损量的预测偏差，避免了因工作辊过度磨损造成板形不良。

Description

一种钢板轧辊磨损量预测方法及***
技术领域
本发明涉及轧钢领域，特别是涉及一种钢板轧辊磨损量预测方法及***。
背景技术
目前中厚板排产方法主要是工作人员基于经验，根据轧制总吨位，再结合具体的钢板品种规格浮动预估轧辊磨损量，然后来计划编排轧辊和换辊周期。在轧制过程中轧辊会出现磨损，图1为工作辊磨损曲线图，工作辊磨损量是板形控制的关键参数，工作辊磨损会造成工作辊两侧和中间的辊缝偏差，需要通过弯辊调整辊缝平衡保持一定的辊凸度。当磨损量过大时，保持一定的凸度需要更大的弯辊力，若达到弯辊力的极限，会造成板形失控。而现有中厚板排产方法的人为因素影响大，导致预估轧辊磨损量和实际磨损量偏差较大，使得轧辊末期轧制的中厚板板形差。
发明内容
本发明的目的是提供一种钢板轧辊磨损量预测方法及***，首先利用训练好的神经网络模型预测每套工作辊的轧制公里数，然后用预测的轧制公里数预估工作辊磨损量，减小轧辊磨损量的预测偏差，避免了因工作辊过度磨损造成板形不良。
为实现上述目的，本发明提供了如下方案：
一种钢板轧辊磨损量预测方法，包括：
获取样本数据；所述样本数据包括样本钢板的参数数据和样本轧制公里数；所述样本钢板的参数包括坯料尺寸和目标尺寸；
根据所述样本数据，通过灰色关联度分析法确定训练样本数据；所述训练样本数据包括：所述参数数据中影响轧制公里数的影响因素数据和所述样本钢板的样本轧制公里数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；
获取待预测钢板的影响因素数据；
将所述待预测钢板的影响因素数据输入所述神经网络模型，得到所述待预测钢板的轧制公里数；
获取所述样本数据对应的轧辊样本磨损量；
根据所述轧辊样本磨损量和所述样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；
根据所述待预测钢板的轧制公里数，利用所述轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
可选的，所述根据所述样本数据，通过灰色关联度分析法确定训练样本数据，具体包括：
将所述样本轧制公里数作为参考数列，所述参数数据作为比较数列；
对所述参考数列和所述比较数列进行无量纲化处理，得到参考无量数列和比较无量数列；
计算所述参考无量数列和所述比较无量数列的差数列；
利用所述差数列计算所述参考无量数列和所述比较无量数列的最大差和最小差；
利用所述最大差和所述最小差计算所述比较无量数列中各元素与所述参考无量数列的灰色关联系数；
利用所述灰色关联系数分别计算所述比较无量数列中各元素与所述参考无量数列的灰色关联度；
将大于预设灰色关联度的灰色关联度对应的所述比较无量数列中的元素确定为影响轧制公里数的影响因素，所述样本数据中所述影响因素对应的数据为所述影响因素数据。
可选的，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型，具体包括：
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型。
可选的，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数，具体包括：
获取隐含层的节点数预设范围；
将所述节点数预设范围内的所有节点数依次作为所述极限学习机神经网络的隐含层训练节点数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个所述隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个所述隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型；
计算每个所述隐含层训练节点数对应的每个所述神经网络训练模型的均方根误差；
利用每个所述隐含层训练节点数对应的所有所述均方根误差和所述预设训练次数计算每个所述隐含层训练节点数对应的极限学***均值；
比较所述节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为所述极限学习机神经网络的隐含层节点数。
可选的，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型，具体包括：
所述极限学习机神经网络的隐含层的节点数为所述隐含层节点数，所述极限学习机神经网络的输入层的节点数为所述影响因素数据中影响因素的数量；
将所述样本钢板的影响因素数据作为所述极限学习机神经网络的输入，将所述样本钢板的样本轧制公里数作为所述极限学习机神经网络的输出，求解下式确定所述极限学习机神经网络的输出权重，得到训练好的神经网络模型；
Figure BDA0002662430420000041
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。
一种钢板轧辊磨损量预测***，包括：
样本数据获取模块，用于获取样本数据；所述样本数据包括样本钢板的参数数据和样本轧制公里数；所述样本钢板的参数包括坯料尺寸和目标尺寸；
训练样本数据确定模块，用于根据所述样本数据，通过灰色关联度分析法确定训练样本数据；所述训练样本数据包括：所述参数数据中影响轧制公里数的影响因素数据和所述样本钢板的样本轧制公里数；
神经网络训练模块，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；
影响因素数据获取模块，用于获取待预测钢板的影响因素数据；
轧制公里数预测模块，用于将所述待预测钢板的影响因素数据输入所述神经网络模型，得到所述待预测钢板的轧制公里数；
轧辊样本磨损量获取模块，用于获取所述样本数据对应的轧辊样本磨损量；
轧辊磨损量与轧制公里数关系确定模块，用于根据所述轧辊样本磨损量和所述样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；
轧辊磨损量预测模块，用于根据所述待预测钢板的轧制公里数，利用所述轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
可选的，所述训练样本数据确定模块，具体包括：
参考比较数列确定单元，用于将所述样本轧制公里数作为参考数列，所述参数数据作为比较数列；
无量纲化处理单元，用于对所述参考数列和所述比较数列进行无量纲化处理，得到参考无量数列和比较无量数列；
差数列计算单元，用于计算所述参考无量数列和所述比较无量数列的差数列；
最大最小差计算单元，用于利用所述差数列计算所述参考无量数列和所述比较无量数列的最大差和最小差；
灰色关联系数计算单元，用于利用所述最大差和所述最小差计算所述比较无量数列中各元素与所述参考无量数列的灰色关联系数；
灰色关联度计算单元，用于利用所述灰色关联系数分别计算所述比较无量数列中各元素与所述参考无量数列的灰色关联度；
训练样本数据确定单元，用于将大于预设灰色关联度的灰色关联度对应的所述比较无量数列中的元素确定为影响轧制公里数的影响因素，所述样本数据中所述影响因素对应的数据为所述影响因素数据。
可选的，所述神经网络训练模块，具体包括：
隐含层节点数确定单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数；
输出权重确定单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型。
可选的，所述隐含层节点数确定单元，具体包括：
节点数预设范围获取子单元，用于获取隐含层的节点数预设范围；
隐含层训练节点数确定子单元，用于将所述节点数预设范围内的所有节点数依次作为所述极限学习机神经网络的隐含层训练节点数；
训练子单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个所述隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个所述隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型；
均方根误差计算子单元，用于计算每个所述隐含层训练节点数对应的每个所述神经网络训练模型的均方根误差；
均方根误差平均值计算子单元，用于利用每个所述隐含层训练节点数对应的所有所述均方根误差和所述预设训练次数计算每个所述隐含层训练节点数对应的极限学***均值；
比较子单元，用于比较所述节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为所述极限学习机神经网络的隐含层节点数。
可选的，所述输出权重确定单元，具体包括：
节点数确定子单元，用于所述极限学习机神经网络的隐含层的节点数为所述隐含层节点数，所述极限学习机神经网络的输入层的节点数为所述影响因素数据中影响因素的数量；
输出权重确定子单元，用于将所述样本钢板的影响因素数据作为所述极限学习机神经网络的输入，将所述样本钢板的样本轧制公里数作为所述极限学习机神经网络的输出，求解下式确定所述极限学习机神经网络的输出权重，得到训练好的神经网络模型；
Figure BDA0002662430420000061
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种钢板轧辊磨损量预测方法及***。该方法包括：获取样本数据；样本数据包括样本钢板的参数数据和样本轧制公里数；样本钢板的参数包括坯料尺寸和目标尺寸；根据样本数据，通过灰色关联度分析法确定训练样本数据；训练样本数据包括：参数数据中影响轧制公里数的影响因素数据和样本钢板的样本轧制公里数；以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；获取待预测钢板的影响因素数据；将待预测钢板的影响因素数据输入神经网络模型，得到待预测钢板的轧制公里数；获取样本数据对应的轧辊样本磨损量；根据轧辊样本磨损量和样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；根据待预测钢板的轧制公里数，利用轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。本发明通过灰色关联度分析法确定样本数据中影响轧制公里数的影响因素对应的训练样本数据，优化了神经网络的输入变量；利用训练样本数据对极限学习机神经网络进行训练，建立了神经网络模型，提高了轧制公里数的预测精度；利用训练好的神经网络模型预测每套工作辊的轧制公里数，然后用预测的轧制公里数预估工作辊磨损量，减小轧辊磨损量的预测偏差，避免了因工作辊过度磨损造成板形不良。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为工作辊磨损曲线图；
图2为本发明实施例所提供的钢板轧辊磨损量预测方法的流程图；
图3为本发明实施例所提供的轧制吨位与工作辊磨损量的线性拟合关系图；
图4为本发明实施例所提供的轧制公里数与工作辊磨损量的线性拟合关系图；
图5为本发明实施例所提供的ELM神经网络的结构图；
图6为本发明实施例所提供的钢板轧辊磨损量预测***的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种钢板轧辊磨损量预测方法及***，首先利用训练好的神经网络模型预测每套工作辊的轧制公里数，然后用预测的轧制公里数预估工作辊磨损量，减小轧辊磨损量的预测偏差，避免了因工作辊过度磨损造成板形不良。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供一种钢板轧辊磨损量预测方法，图2为本发明实施例所提供的钢板轧辊磨损量预测方法的流程图，参见图2，钢板轧辊磨损量预测方法包括：
步骤101，获取样本数据；样本数据包括样本钢板的参数数据和样本轧制公里数；样本钢板的参数包括坯料尺寸、目标尺寸和轧制道次数。坯料尺寸包括：板坯厚度、板坯宽度和板坯长度，目标尺寸包括：钢板目标厚度、钢板目标宽度和钢板目标长度。
通常钢板厂现场轧制规程表中能够获得的数据是每块钢板的轧制道次数和该道次的轧制长度，无法直接得到每块钢板的轧制总长，因此通过钢板号及每道次的轧制长度，运用excel数据透视方法求和得出每块钢板的累计轧制总长度，即每块钢板的轧制公里数。本实施例对某单机架无转钢全纵轧中厚板厂，连续采集3个月共109585条实际生产数据进行数据透视求和处理，得到9842块钢板的样本数据。由于本实施例选取的产线为无转钢轧制，板坯宽度与钢板目标宽度基本相同，故只考虑板坯宽度。
工作辊(轧辊)磨损量与轧制公里数和轧制吨位都存在线性相关关系，本实施例利用回归分析法通过实际数据(样本数据)计算轧辊磨损量与轧制公里数的关系，以及轧辊磨损量与轧制吨位的关系，得到轧辊磨损量与轧制公里数的关系为：轧辊磨损量(um)＝-0.105-5.886*轧制公里数(km)，轧辊磨损量与轧制吨位的关系为：轧辊磨损量(um)＝-32.06-0.06867*轧制吨位(t)。轧辊磨损量与轧制公里数关系的拟合直线(回归模型)，以及轧辊磨损量与轧制吨位关系的拟合直线(回归模型)参见图3和图4，可见工作辊磨损量与轧制公里数的线性关系拟合度比工作辊磨损量与轧制吨位的线性关系拟合度更高，故用轧制公里数代替轧制吨位预估轧辊磨损量更合理。轧制公里数指一个换辊周期内所有钢板在轧制过程中所有轧制道次轧制长度的累加，本实施例预测的是一块钢板的轧制公里数。轧辊磨损量与轧制吨位关系的拟合直线的标准误差S，即残差的标准差为30.9043，拟合优度R-Sq为68.1％，R-Sq(调整)为68.1％。轧辊磨损量与轧制公里数关系的拟合直线的标准误差S为16.4878，拟合优度R-Sq为90.9％，R-Sq(调整)为90.9％。标准误差S表示数据值(点)与拟合直线的标准距离，对于给定的研究，S值越小，表明回归模型对预测变量的预测效果越好；拟合优度R-Sq指拟合直线对数据值的拟合程度，R-Sq的最大值为1，R-Sq值越接近1，表明拟合直线对数据值的拟合程度越好；反之，R-Sq值越小，表明拟合直线对数据值的拟合程度越差。R-Sq(调整)指调整的R-Sq，R-Sq(调整)与R-Sq越接近，表明回归模型越可靠。所以利用轧制公里数预测轧辊磨损量的预测效果比利用轧制吨位预测轧辊磨损量的预测效果好，轧辊磨损量与轧制公里数关系的拟合直线对轧辊磨损量数据的拟合程度比轧辊磨损量与轧制吨位关系的拟合直线对轧辊磨损量数据的拟合程度好。
步骤102，根据样本数据，通过灰色关联度分析法确定训练样本数据；训练样本数据包括：参数数据中影响轧制公里数的影响因素数据和样本钢板的样本轧制公里数。结合基于Python编程的灰度关联分析法，通过灰色关联度来分析和确定参数中各因素的影响程度，因素包括：板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度和轧制道次数。
步骤102具体包括：
将样本轧制公里数作为参考数列，参数数据作为比较数列。
参考数列记作：Y′＝(Y′(1),Y′(2),…,Y′(k),…,Y′(n))T,n＝9842；
式中，Y′(k)表示第k个样本钢板的样本轧制公里数，k＝1,2,...,n，n表示样本钢板的总数量。
比较数列记作：
X′j＝(X′j(1),X′j(2),…,X′j(k),…,X′j(n))T,j＝1,2,…m,m＝6,n＝9842；
式中，Xj′(k)表示第k个样本钢板的参数数据；j表示参数中的因素序号，j＝1,2,3,4,5,6分别表示板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度和轧制道次数；m表示参数中的因素数量。
对参考数列和比较数列进行无量纲化处理，得到参考无量数列和比较无量数列。无量纲化处理参考数列和比较数列，采用初值化处理，即数列中的每个数都除以第一个数，得到新数列。
参考无量数列：
Figure BDA0002662430420000101
比较无量数列：
Figure BDA0002662430420000102
无量纲化后的数据数列形成如下的新矩阵：
Figure BDA0002662430420000103
其中，m＝6，n＝9842。
计算参考无量数列和比较无量数列的差数列ΔD。计算比较数列与参考数列对应元素的绝对差值，即：
ΔD＝|Y(k)-Xj(k)|,k＝1,2,…n,j＝1,2,…m,m＝6,n＝9842
利用差数列计算参考无量数列和比较无量数列的最大差和最小差。计算最值，确定最大差Δmax和最小差Δmin:
Figure BDA0002662430420000111
Figure BDA0002662430420000112
利用最大差和最小差计算比较无量数列中各元素与参考无量数列的灰色关联系数。利用最大差和最小差计算比较无量数列中第k块样本钢板的第j个因素与参考无量数列的灰色关联系数ηj(k)。
Figure BDA0002662430420000113
其中，k＝1,..n，n＝9842；j＝1,2,...m，m＝6；ρ为分辨系数，0<ρ<1，ρ越小，灰色关联系数间差异越大，区分能力越强，通常ρ取0.5。
利用灰色关联系数分别计算比较无量数列中各元素与参考无量数列的灰色关联度。计算关联序，即对比较无量数列分别计算与参考无量数列对应元素的关联系数的均值，以反映比较数列与参考数列的关联关系，得到每个因素的灰色关联度r0j，记作：
Figure BDA0002662430420000114
其中，k＝1,..n，n＝9842；j＝1,2,...m，m＝6。
本实施例不考虑指标权重，参数中各因素的灰色关联度如表1所示。
表1各因素的灰色关联度
Figure BDA0002662430420000121
将大于预设灰色关联度的灰色关联度对应的比较无量数列中的元素确定为影响轧制公里数的影响因素，样本数据中影响因素对应的数据为影响因素数据。本实施例的预设灰色关联度为0.8，选取灰色关联度大于0.8的元素作为影响因素，即：板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度。
步骤103，以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型。极限学习机(ExtremeLearning Machine，ELM)神经网络的输入变量为每块钢板的影响因素数据，输出变量为每块钢板对应的轧制公里数。
步骤103具体包括：
以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用十折交叉验证确定极限学习机神经网络的隐含层节点数。为保证良好的泛化性能，确定合适的隐含层节点数尤为重要。隐含层节点数太少，网络性能差，隐含层节点数太多，训练时间长且容易出现过拟合。关于隐含层节点数，由于目前还没有一种科学统一的确定方法，故本实施例在遵循隐含层节点数小于训练样本数-1，以保证极限学习机神经网络泛化能力的前提下，在隐含层节点数为30～300之间，采用十折交叉验证方法，即将训练样本的数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，依次循环，直到所有训练样本数据都被选择过一次为止。具体包括：
获取隐含层的节点数预设范围。节点数预设范围为30～300。
将节点数预设范围内的所有节点数依次作为极限学习机神经网络的隐含层训练节点数。
以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型。样本钢板的影响因素数据作为训练样本的数据集，并将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，输入隐含层训练节点数对应的极限学习机神经网络进行试验，依次循环，直到所有训练样本数据都被选择过一次为止。预设训练次数为20次，每次训练均采用十折交叉验证进行训练。本实施例对不同的隐含层训练节点数均进行十折交叉验证训练，如此，每个隐含层训练节点数需要训练20次，每次训练对应的十折交叉验证训练都可以得到1个神经网络训练模型，即通过训练每个隐含层训练节点数可以对应得到20个神经网络训练模型。
计算每个隐含层训练节点数对应的每个神经网络训练模型的均方根误差。本实施例选用均方根误差RMSE作为神经网络训练模型的评价指标。均方根误差RMSE的表达式为：
Figure BDA0002662430420000131
其中，n1＝1,2，...，N1，N1代表输入的训练数据或测试数据的总数量；
Figure BDA0002662430420000132
为第n1个输入数据对应的神经网络训练模型的预测值，
Figure BDA0002662430420000133
为第n1个输入数据对应的轧制公里数真实值。
计算十折交叉验证训练得到的神经网络训练模型的均方根误差具体包括：先将十折交叉验证训练的训练数据输入RMSE表达式得到均方根误差RMSE1，再将训练数据对应的测试数据输入RMSE表达式得到均方根误差RMSE2，按照权重公式：RMSE＝0.48*RMSE1+0.6*RMSE2得到最终的RMSE，将最终的RMSE作为十折交叉验证训练对应的神经网络训练模型的评价指标。
利用每个隐含层训练节点数对应的所有均方根误差和预设训练次数计算每个隐含层训练节点数对应的极限学***均值。
比较节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为极限学***均值，将所有隐含层训练节点数的均方根误差平均值中最小的均方根误差平均值对应的节点数确定为极限学习机神经网络的隐含层节点数，最终本实施例选取的隐含层节点数为60。
确定隐含层节点数时，极限学习机神经网络的输出权重通过将隐含层训练节点数带入公式
Figure BDA0002662430420000141
得到每个隐含层训练节点数对应的神经网络训练模型的输出权重。式中L’表示隐含层训练节点数的总数，i’＝1,2,...,L’；β′i′表示第i’个隐含层训练节点数的输出权重；g()表示激活函数；W′i′表示第i’个隐含层训练节点数的输入权重；Xk表示第k块样本钢板的输入变量；W′i′·Xk表示W′i′和Xk的内积；b′i′表示第i’个隐含层训练节点数的偏置；tk表示样本钢板的样本轧制公里数。W′i′和b′i′随机确定。
以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用隐含层节点数，确定极限学习机神经网络的输出权重，得到神经网络模型。具体包括：
极限学习机神经网络的隐含层的节点数为隐含层节点数，极限学习机神经网络的输入层的节点数为影响因素数据中影响因素的数量。本实施例极限学习机神经网络隐含层的激活函数选用Sigmoid函数，所以最终确定的极限学习机神经网络的基本参数如表2所示。
表2 ELM神经网络的基本参数
Figure BDA0002662430420000142
将样本钢板的影响因素数据作为极限学习机神经网络的输入，将样本钢板的样本轧制公里数作为极限学习机神经网络的输出，求解下式确定极限学习机神经网络的输出权重，得到训练好的神经网络模型。神经网络模型的结构如图5所示，神经网络模型包括：输入层、隐含层和输出层，将板坯厚度、板坯宽度、板坯长度、钢板目标厚度和钢板目标长度输入输入层，输出层输出预测的轧制公里数。
Figure BDA0002662430420000151
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。Wi和bi随机确定。
输出权重的求解过程具体包括：
样本数据为(Xk，Y′(k))，Xk＝[xk1,xk2,…,xkm']T，Xk指第k块样本钢板的m’个输入变量，k＝1,2,...,9842，m’＝5；Y′(k)表示第k个样本钢板的样本轧制公里数。对一个有60个隐含层节点的单隐层神经网络可表示为：
Figure BDA0002662430420000152
其中，g()为激活函数；Wi＝[wi1,wi2,…,wim']T,i＝1,2,…,60,m'＝5为输入权重；βi为第i个隐含层节点数的输出权重；bi是第i个隐含层节点数的偏置；Ok表示通过单隐层神经网络计算得到的轧制公里数，即预测轧制公里数。Wi·Xk表示Wi和Xk的内积。
单隐层神经网络学习的目标是使得输出误差最小，可表示为：
Figure BDA0002662430420000161
其中，Ok为预测轧制公里数，tk＝Y′(k)为第k个样本钢板的样本轧制公里数。即存在βi,Wi和bi，使得
Figure BDA0002662430420000162
用矩阵可表示为Hβ＝T，其中，H为隐含层节点的输出，β为输出权重，T为期望输出(样本轧制公里数)，可表示为：
Figure BDA0002662430420000163
其中，β＝[β1,β1,…,βL]T，T＝[t1,t1,…,tn]T。
当隐含层节点数L小于样本的个数n时，在ELM算法中，当随机确定Wi和bi后，隐含层的输出矩阵H就被唯一确定，T是已知量，则训练单隐层神经网络可以转化为求解一个线性***Hβ＝T。通过求广义逆的方法，可确定输出权重β，β＝H+T，其中，H+是输出矩阵H的Moore-Penrose广义逆。且线性***Hβ＝T可证明求得的解的范数最小并且唯一，即ELM神经网络预测得到的轧制公里数误差最小。
步骤104，获取待预测钢板的影响因素数据。
步骤105，将待预测钢板的影响因素数据输入神经网络模型，得到待预测钢板的轧制公里数。
步骤106，获取样本数据对应的轧辊样本磨损量。
步骤107，根据轧辊样本磨损量和样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系。本实施例中轧辊磨损量与轧制公里数的关系为：轧辊磨损量＝-0.105-5.886*轧制公里数。
步骤108，根据待预测钢板的轧制公里数，利用轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
本实施例还提供一种钢板轧辊磨损量预测***，图6为本发明实施例所提供的钢板轧辊磨损量预测***的结构图。参见图6，钢板轧辊磨损量预测***包括：
样本数据获取模块201，用于获取样本数据；样本数据包括样本钢板的参数数据和样本轧制公里数；样本钢板的参数包括坯料尺寸、目标尺寸和轧制道次数。坯料尺寸包括：板坯厚度、板坯宽度和板坯长度，目标尺寸包括：钢板目标厚度、钢板目标宽度和钢板目标长度。
训练样本数据确定模块202，用于根据样本数据，通过灰色关联度分析法确定训练样本数据；训练样本数据包括：参数数据中影响轧制公里数的影响因素数据和样本钢板的样本轧制公里数。结合基于Python编程的灰度关联分析法，通过灰色关联度来分析和确定参数中各因素的影响程度，因素包括：板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度和轧制道次数。
训练样本数据确定模块202具体包括：
参考比较数列确定单元，用于将样本轧制公里数作为参考数列，参数数据作为比较数列。
参考数列记作：Y′＝(Y′(1),Y′(2),…,Y′(k),…,Y′(n))T；
式中，Y′(k)表示第k个样本钢板的样本轧制公里数，k＝1,2,...,n，n表示样本钢板的总数量，n＝9842。
比较数列记作：Xj′＝(Xj′(1),Xj′(2),…,Xj′(k),…,Xj′(n))T；
式中，Xj′(k)表示第k个样本钢板的参数数据；j表示参数中的因素序号，j＝1,2,3,4,5,6分别表示板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度和轧制道次数；m表示参数中的因素数量。
无量纲化处理单元，用于对参考数列和比较数列进行无量纲化处理，得到参考无量数列和比较无量数列。参考无量数列：
Figure BDA0002662430420000171
比较无量数列：
Figure BDA0002662430420000181
差数列计算单元，用于计算参考无量数列和比较无量数列的差数列ΔD；ΔD＝|Y(k)-Xj(k)|。
最大最小差计算单元，用于利用差数列计算参考无量数列和比较无量数列的最大差和最小差。最大差
Figure BDA0002662430420000182
和最小差
Figure BDA0002662430420000183
灰色关联系数计算单元，用于利用最大差和最小差计算比较无量数列中各元素与参考无量数列的灰色关联系数。利用最大差和最小差计算比较无量数列中第k块样本钢板的第j个因素与参考无量数列的灰色关联系数ηj(k)。
Figure BDA0002662430420000184
其中，k＝1,..n，n＝9842；j＝1,2,...m，m＝6；ρ为分辨系数，0<ρ<1，ρ越小，灰色关联系数间差异越大，区分能力越强，通常ρ取0.5。
灰色关联度计算单元，用于利用灰色关联系数分别计算比较无量数列中各元素与参考无量数列的灰色关联度。即对比较无量数列分别计算与参考无量数列对应元素的关联系数的均值，以反映比较数列与参考数列的关联关系，得到每个因素的灰色关联度
Figure BDA0002662430420000185
训练样本数据确定单元，用于将大于预设灰色关联度的灰色关联度对应的比较无量数列中的元素确定为影响轧制公里数的影响因素，样本数据中影响因素对应的数据为影响因素数据。本实施例的预设灰色关联度为0.8，选取灰色关联度大于0.8的元素作为影响因素，即：板坯厚度、板坯宽度、板坯长度、钢板目标厚度、钢板目标长度。
神经网络训练模块203，用于以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型。极限学习机(Extreme Learning Machine，ELM)神经网络的输入变量为每块钢板的影响因素数据，输出变量为每块钢板对应的轧制公里数。
神经网络训练模块203具体包括：
隐含层节点数确定单元，用于以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用十折交叉验证确定极限学习机神经网络的隐含层节点数。本实施例在遵循隐含层节点数小于训练样本数-1，以保证极限学习机神经网络泛化能力的前提下，在隐含层节点数为30～300之间，采用十折交叉验证方法，即将训练样本的数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，依次循环，直到所有训练样本数据都被选择过一次为止。
隐含层节点数确定单元具体包括：
节点数预设范围获取子单元，用于获取隐含层的节点数预设范围。节点数预设范围为30～300。
隐含层训练节点数确定子单元，用于将节点数预设范围内的所有节点数依次作为极限学习机神经网络的隐含层训练节点数。
训练子单元，用于以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型。
均方根误差计算子单元，用于计算每个隐含层训练节点数对应的每个神经网络训练模型的均方根误差。本实施例选用均方根误差RMSE作为神经网络训练模型的评价指标。均方根误差RMSE的表达式为：
Figure BDA0002662430420000191
其中，n1＝1,2，...，N1，N1代表输入的训练数据或测试数据的总数量；
Figure BDA0002662430420000192
为第n1个输入数据对应的神经网络训练模型的预测值，
Figure BDA0002662430420000201
为第n1个输入数据对应的轧制公里数真实值。
均方根误差计算子单元用于先将十折交叉验证训练的训练数据输入RMSE表达式得到均方根误差RMSE1，再将训练数据对应的测试数据输入RMSE表达式得到均方根误差RMSE2，按照权重公式：RMSE＝0.48*RMSE1+0.6*RMSE2得到最终的RMSE。
均方根误差平均值计算子单元，用于利用每个隐含层训练节点数对应的所有均方根误差和预设训练次数计算每个隐含层训练节点数对应的极限学***均值。
比较子单元，用于比较节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为极限学***均值，将所有隐含层训练节点数的均方根误差平均值中最小的均方根误差平均值对应的节点数确定为极限学习机神经网络的隐含层节点数，最终本实施例选取的隐含层节点数为60。
输出权重确定单元，用于以样本钢板的影响因素数据为输入，样本钢板的样本轧制公里数为输出，利用隐含层节点数，确定极限学习机神经网络的输出权重，得到神经网络模型。
输出权重确定单元具体包括：
节点数确定子单元，用于极限学习机神经网络的隐含层的节点数为隐含层节点数，极限学习机神经网络的输入层的节点数为影响因素数据中影响因素的数量。本实施例对极限学习机神经网络隐含层的激活函数选用Sigmoid函数，所以最终确定的极限学习机神经网络的基本参数包括：输入层节点数为5，隐含层节点数为60，激活函数为Sigmoid函数。
输出权重确定子单元，用于将样本钢板的影响因素数据作为极限学习机神经网络的输入，将样本钢板的样本轧制公里数作为极限学习机神经网络的输出，求解下式确定极限学习机神经网络的输出权重，得到训练好的神经网络模型。
Figure BDA0002662430420000211
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。Wi和bi随机确定。
影响因素数据获取模块204，用于获取待预测钢板的影响因素数据。
轧制公里数预测模块205，用于将待预测钢板的影响因素数据输入神经网络模型，得到待预测钢板的轧制公里数。
轧辊样本磨损量获取模块206，用于获取样本数据对应的轧辊样本磨损量。
轧辊磨损量与轧制公里数关系确定模块207，用于根据轧辊样本磨损量和样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系。本实施例中轧辊磨损量与轧制公里数的关系为：轧辊磨损量＝-0.105-5.886*轧制公里数。
轧辊磨损量预测模块208，用于根据待预测钢板的轧制公里数，利用轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
随着市场对产品质量要求越来越高，单纯根据经验安排生产计划的方法已经逐步落后，且容易出现偏差。同时随着大数据及智能制造技术的发展，科学排产成为必然。所以本发明提供一种基于单隐含层前馈神经网络ELM极限学习机算法的钢板轧辊磨损量预测方法及***，首先根据大量轧制过程的实际历史数据中的坯料尺寸、目标尺寸和轧制道次数，利用灰度关联分析法确定影响轧制公里数的影响因素，优化ELM神经网络的输入变量；利用十折交叉验证优化ELM神经网络的隐含层节点数；最后通过ELM人工神经网络建立了高精度轧制公里数预测模型，可以准确地预测轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系，用轧制公里数预估工作辊磨损量安排换辊周期，更贴近真实的工作辊磨损量，克服了按照轧制吨位和品种规格估算换辊周期的传统经验模式存在的不足，避免出现根据传统经验安排生产计划导致工作辊过度磨损造成轧辊末期板形难以控制的情况；通过神经网络模型预测轧制公里数，为科学合理地安排生产计划奠定理论依据，可以科学、合理地安排生产计划。相关研究表明，与传统的BP(back propagation)神经网络、RBF(径向基函数)神经网络等神经网络相比，ELM具有学习速度更快的优点，克服了传统算法容易出现局部最优、训练速度慢等问题，泛化能力更好。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种钢板轧辊磨损量预测方法，其特征在于，包括：
获取样本数据；所述样本数据包括样本钢板的参数数据和样本轧制公里数；所述样本钢板的参数包括坯料尺寸和目标尺寸；
根据所述样本数据，通过灰色关联度分析法确定训练样本数据；所述训练样本数据包括：所述参数数据中影响轧制公里数的影响因素数据和所述样本钢板的样本轧制公里数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；
获取待预测钢板的影响因素数据；
将所述待预测钢板的影响因素数据输入所述神经网络模型，得到所述待预测钢板的轧制公里数；
获取所述样本数据对应的轧辊样本磨损量；
根据所述轧辊样本磨损量和所述样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；
根据所述待预测钢板的轧制公里数，利用所述轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
2.根据权利要求1所述的钢板轧辊磨损量预测方法，其特征在于，所述根据所述样本数据，通过灰色关联度分析法确定训练样本数据，具体包括：
将所述样本轧制公里数作为参考数列，所述参数数据作为比较数列；
对所述参考数列和所述比较数列进行无量纲化处理，得到参考无量数列和比较无量数列；
计算所述参考无量数列和所述比较无量数列的差数列；
利用所述差数列计算所述参考无量数列和所述比较无量数列的最大差和最小差；
利用所述最大差和所述最小差计算所述比较无量数列中各元素与所述参考无量数列的灰色关联系数；
利用所述灰色关联系数分别计算所述比较无量数列中各元素与所述参考无量数列的灰色关联度；
将大于预设灰色关联度的灰色关联度对应的所述比较无量数列中的元素确定为影响轧制公里数的影响因素，所述样本数据中所述影响因素对应的数据为所述影响因素数据。
3.根据权利要求1所述的钢板轧辊磨损量预测方法，其特征在于，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型，具体包括：
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型。
4.根据权利要求3所述的钢板轧辊磨损量预测方法，其特征在于，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数，具体包括：
获取隐含层的节点数预设范围；
将所述节点数预设范围内的所有节点数依次作为所述极限学习机神经网络的隐含层训练节点数；
以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个所述隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个所述隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型；
计算每个所述隐含层训练节点数对应的每个所述神经网络训练模型的均方根误差；
利用每个所述隐含层训练节点数对应的所有所述均方根误差和所述预设训练次数计算每个所述隐含层训练节点数对应的极限学***均值；
比较所述节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为所述极限学习机神经网络的隐含层节点数。
5.根据权利要求4所述的钢板轧辊磨损量预测方法，其特征在于，所述以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型，具体包括：
所述极限学习机神经网络的隐含层的节点数为所述隐含层节点数，所述极限学习机神经网络的输入层的节点数为所述影响因素数据中影响因素的数量；
将所述样本钢板的影响因素数据作为所述极限学习机神经网络的输入，将所述样本钢板的样本轧制公里数作为所述极限学习机神经网络的输出，求解下式确定所述极限学习机神经网络的输出权重，得到训练好的神经网络模型；
Figure FDA0002662430410000031
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。
6.一种钢板轧辊磨损量预测***，其特征在于，包括：
样本数据获取模块，用于获取样本数据；所述样本数据包括样本钢板的参数数据和样本轧制公里数；所述样本钢板的参数包括坯料尺寸和目标尺寸；
训练样本数据确定模块，用于根据所述样本数据，通过灰色关联度分析法确定训练样本数据；所述训练样本数据包括：所述参数数据中影响轧制公里数的影响因素数据和所述样本钢板的样本轧制公里数；
神经网络训练模块，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，对极限学习机神经网络进行训练，得到训练好的神经网络模型；
影响因素数据获取模块，用于获取待预测钢板的影响因素数据；
轧制公里数预测模块，用于将所述待预测钢板的影响因素数据输入所述神经网络模型，得到所述待预测钢板的轧制公里数；
轧辊样本磨损量获取模块，用于获取所述样本数据对应的轧辊样本磨损量；
轧辊磨损量与轧制公里数关系确定模块，用于根据所述轧辊样本磨损量和所述样本轧制公里数，利用回归分析法确定轧辊磨损量与轧制公里数的关系；
轧辊磨损量预测模块，用于根据所述待预测钢板的轧制公里数，利用所述轧辊磨损量与轧制公里数的关系得到预测的轧辊磨损量。
7.根据权利要求6所述的钢板轧辊磨损量预测***，其特征在于，所述训练样本数据确定模块，具体包括：
参考比较数列确定单元，用于将所述样本轧制公里数作为参考数列，所述参数数据作为比较数列；
无量纲化处理单元，用于对所述参考数列和所述比较数列进行无量纲化处理，得到参考无量数列和比较无量数列；
差数列计算单元，用于计算所述参考无量数列和所述比较无量数列的差数列；
最大最小差计算单元，用于利用所述差数列计算所述参考无量数列和所述比较无量数列的最大差和最小差；
灰色关联系数计算单元，用于利用所述最大差和所述最小差计算所述比较无量数列中各元素与所述参考无量数列的灰色关联系数；
灰色关联度计算单元，用于利用所述灰色关联系数分别计算所述比较无量数列中各元素与所述参考无量数列的灰色关联度；
训练样本数据确定单元，用于将大于预设灰色关联度的灰色关联度对应的所述比较无量数列中的元素确定为影响轧制公里数的影响因素，所述样本数据中所述影响因素对应的数据为所述影响因素数据。
8.根据权利要求6所述的钢板轧辊磨损量预测***，其特征在于，所述神经网络训练模块，具体包括：
隐含层节点数确定单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证确定所述极限学习机神经网络的隐含层节点数；
输出权重确定单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用所述隐含层节点数，确定所述极限学习机神经网络的输出权重，得到神经网络模型。
9.根据权利要求8所述的钢板轧辊磨损量预测***，其特征在于，所述隐含层节点数确定单元，具体包括：
节点数预设范围获取子单元，用于获取隐含层的节点数预设范围；
隐含层训练节点数确定子单元，用于将所述节点数预设范围内的所有节点数依次作为所述极限学习机神经网络的隐含层训练节点数；
训练子单元，用于以所述样本钢板的影响因素数据为输入，所述样本钢板的样本轧制公里数为输出，利用十折交叉验证对每个所述隐含层训练节点数对应的极限学习机神经网络进行训练，并训练预设训练次数，得到每个所述隐含层训练节点数对应的每次十折交叉验证训练好的神经网络训练模型；
均方根误差计算子单元，用于计算每个所述隐含层训练节点数对应的每个所述神经网络训练模型的均方根误差；
均方根误差平均值计算子单元，用于利用每个所述隐含层训练节点数对应的所有所述均方根误差和所述预设训练次数计算每个所述隐含层训练节点数对应的极限学***均值；
比较子单元，用于比较所述节点数预设范围内所有节点数对应的极限学***均值，将最小均方根误差平均值对应的节点数确定为所述极限学习机神经网络的隐含层节点数。
10.根据权利要求9所述的钢板轧辊磨损量预测***，其特征在于，所述输出权重确定单元，具体包括：
节点数确定子单元，用于所述极限学习机神经网络的隐含层的节点数为所述隐含层节点数，所述极限学习机神经网络的输入层的节点数为所述影响因素数据中影响因素的数量；
输出权重确定子单元，用于将所述样本钢板的影响因素数据作为所述极限学习机神经网络的输入，将所述样本钢板的样本轧制公里数作为所述极限学习机神经网络的输出，求解下式确定所述极限学习机神经网络的输出权重，得到训练好的神经网络模型；
Figure FDA0002662430410000061
式中，L表示隐含层节点数的总数，i＝1,2,...,L；βi表示第i个隐含层节点数的输出权重；g()表示激活函数；Wi表示第i个隐含层节点数的输入权重，Wi＝[wi1,wi2,…,wim']T，wim'表示第m’个输入层节点数与第i个隐含层节点数连接的输入权重，m’表示输入层的节点数，m’＝5；Xk表示第k块钢板的输入变量，Xk＝[xk1,xk2,…,xkm']T，xkm'表示第k块样本钢板对应的第m’个输入层节点数的输入变量；Wi·Xk表示Wi和Xk的内积；bi表示第i个隐含层节点数的偏置；tk表示样本钢板的样本轧制公里数；n表示样本钢板的总数量。
CN202010908672.8A 2020-09-02 2020-09-02 一种钢板轧辊磨损量预测方法及*** Active CN112037209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010908672.8A CN112037209B (zh) 2020-09-02 2020-09-02 一种钢板轧辊磨损量预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010908672.8A CN112037209B (zh) 2020-09-02 2020-09-02 一种钢板轧辊磨损量预测方法及***

Publications (2)

Publication Number Publication Date
CN112037209A true CN112037209A (zh) 2020-12-04
CN112037209B CN112037209B (zh) 2023-07-28

Family

ID=73591101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010908672.8A Active CN112037209B (zh) 2020-09-02 2020-09-02 一种钢板轧辊磨损量预测方法及***

Country Status (1)

Country Link
CN (1) CN112037209B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112893476A (zh) * 2021-01-15 2021-06-04 山信软件股份有限公司 一种冷轧机轧制里程的计算方法
CN113111092A (zh) * 2021-03-15 2021-07-13 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN114091352A (zh) * 2021-12-01 2022-02-25 东北大学 基于Elman神经网络的热连轧出口板凸度动态预测方法
CN114178319A (zh) * 2021-11-17 2022-03-15 首钢智新迁安电磁材料有限公司 一种轧制设备的控制方法、装置及计算机设备
CN115083124A (zh) * 2022-06-08 2022-09-20 北京首钢股份有限公司 石墨碳辊套的磨损预警方法、装置、介质及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805346A (zh) * 2018-06-04 2018-11-13 东北大学 一种基于多隐层极限学习机的热连轧轧制力预报方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805346A (zh) * 2018-06-04 2018-11-13 东北大学 一种基于多隐层极限学习机的热连轧轧制力预报方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
KUI ZHANG,XIAOHU ZHOU: "A smart roll wear check scheme for ensuring the rolling quality of steel plates", 《SMART COMPUTING AND COMMUNICATION》 *
刘晓峰;王娜;: "冷轧汽车板表面粗糙度影响因素分析", 金属世界, no. 03 *
吴进;邱春林;齐克敏;张国河;献智;李欣波;: "热轧精轧轧辊摩擦和磨损研究", 钢铁研究, no. 06 *
张长利;王秋娜;朱鹤鸣;王凤琴;: "1580mm热轧轧辊磨损预报模型的优化", 轧钢, no. 04 *
王文健;陈明韬;刘启跃;: "基于BP神经网络的钢轨磨损量预测", 润滑与密封, no. 12 *
田宝亮;牛培峰;: "UCM轧机转向辊磨损补偿模型与应用", 矿冶工程, no. 05 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112893476A (zh) * 2021-01-15 2021-06-04 山信软件股份有限公司 一种冷轧机轧制里程的计算方法
CN112893476B (zh) * 2021-01-15 2022-03-22 山信软件股份有限公司 一种冷轧机轧制里程的计算方法
CN113111092A (zh) * 2021-03-15 2021-07-13 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN113111092B (zh) * 2021-03-15 2022-06-24 中冶南方工程技术有限公司 一种基于冷轧全流程数据的硅钢铁损预测方法
CN114178319A (zh) * 2021-11-17 2022-03-15 首钢智新迁安电磁材料有限公司 一种轧制设备的控制方法、装置及计算机设备
CN114091352A (zh) * 2021-12-01 2022-02-25 东北大学 基于Elman神经网络的热连轧出口板凸度动态预测方法
CN115083124A (zh) * 2022-06-08 2022-09-20 北京首钢股份有限公司 石墨碳辊套的磨损预警方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN112037209B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN112037209A (zh) 一种钢板轧辊磨损量预测方法及***
US20240184956A1 (en) Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion
CN111241657B (zh) 一种基于深度学习的冷轧带钢板形预测方法
CN101346676B (zh) 用于调整和控制的方法及装置
CN104415972B (zh) 一种粗轧带钢宽度的综合自适应控制方法
CN101863088B (zh) 一种橡胶混炼过程中门尼粘度的预报方法
WO2022116571A1 (zh) 一种基于lstm的热轧弯辊力预测方法
CN113102516B (zh) 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法
CN113987949B (zh) 一种基于数据驱动的板带钢变形抗力预测方法
CN111754034A (zh) 一种基于混沌优化神经网络模型的时间序列预测方法
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN115608793A (zh) 一种机理融合数据的精轧温度调控方法
CN114192587B (zh) 一种基于误差反向传播算法的冷轧板形控制参数设定方法
CN114117919B (zh) 基于样本协同表示的即时学习的软测量建模方法
CN117139380A (zh) 一种基于调控经验自学习的镰刀弯控制方法
CN115007658A (zh) 基于深层循环神经网络的冷连轧轧制板形动态预测方法
CN114091352A (zh) 基于Elman神经网络的热连轧出口板凸度动态预测方法
Li et al. Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models
CN103316928B (zh) 一种冷轧板形信号在线模式识别***
JPH08117827A (ja) 圧延装置
JPH05119807A (ja) 連続圧延機における制御モデルの同定方法及び連続圧延機の制御方法
CN111626465A (zh) 一种新能源功率短期区间预测方法及***
CN111570532A (zh) 基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法
CN111814861A (zh) 一种基于双自学习模型的在线冷却控制方法
CN117862244A (zh) 基于模型驱动的板带凸度控制数字孪生***和方法

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