[發明專利]一種基于CS-Elman神經網絡模型的熱軋板凸度預測方法

在審

• 申請號: 202210734614.7
• 申請日: 2022-06-27
• 公開（公告）號: CN115062431A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 王曉宇;羅武藝;李旭;孫杰;張欣
• 申請（專利權）人: 東北大學秦皇島分校
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/00;G06N3/04;B21B38/04;G06F111/10;G06F119/08;G06F119/14
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 王思齊

1.一種基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，包括下列步驟：

S1、利用生產現場現有的監測裝置采集數據，提取熱連軋生產現場監測裝置采集的歷史數據中，與熱軋板凸度、厚度及寬度有關的特征參數，以及相應熱軋板的軋后實際凸度、厚度和寬度值；

S2、對采集的數據進行歸一化處理；

S3、建立熱軋板厚度-寬度預報神經網絡：

以特征參數為輸入層的輸入量，以熱軋板的厚度和寬度值為輸出層，構建Elman神經網絡；

通過CS算法搜索最佳的Elman各層的權值和閾值賦給Elman神經網絡，完成熱軋板厚度-寬度預報神經網絡的建立；

S4、建立熱軋板凸度預報神經網絡：

以特征參數連同熱軋板的厚度和寬度值一起作為輸入層，以熱軋板的凸度為輸出層，構建Elman神經網絡；

通過CS算法搜索最佳的Elman各層的權值和閾值賦給Elman神經網絡，完成熱軋板凸度預報神經網絡的建立；

S5、利用建立好的熱軋板厚度-寬度預報神經網絡和熱軋板凸度預報神經網絡，進行實際熱連軋生產過程中熱軋板凸度的預測：

S5.1、以熱連軋生產中特征參數的實際值為熱軋板厚度-寬度預報神經網絡的輸入量，通過熱軋板厚度-寬度預報神經網絡獲得熱軋板厚度和寬度的預測值；

S5.2、以熱連軋生產中特征參數的實際值連同S5.1獲得的熱軋板厚度和寬度的預測值共同作為熱軋板凸度預報神經網絡的輸入量，通過熱軋板凸度預報神經網絡獲得熱軋板凸度的預測值。

2.根據權利要求1所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，所述與熱軋板凸度、厚度及寬度有關的特征參數，包括各個機架的軋制力、軋制速度、彎輥力、輥縫值、竄輥量，以及軋制的入口溫度、出口溫度。

3.根據權利要求1所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，所述步驟S2中，在進行歸一化之前，針對每一種特征參數數據或實際凸度、厚度、寬度值數據，進行以下步驟S2.1～2.4的預處理：

S2.1、計算所有樣本中該種數據的平均值與標準差：

所述為該種數據的平均值，S_x為該種數據的標準差，n為該種數據的個數，x_i為第i個數據；

S2.2、計算每個樣本數據與總體平均值之差的絕對值

S2.3、將上述絕對值中超過3倍標準差的數據點，即滿足的數據點作為異常值予以剔除；

S2.4、將剔出異常值后的數據進行平滑處理；

之后再將平滑處理后的數據進行歸一化處理。

4.根據權利要求3所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，所述S2.4中的平滑處理采用5點3次平滑法。

5.根據權利要求1所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，所述S2中歸一化處理采用以下公式：

min為數據的最小值，max為數據的最大值，x_i為要進行歸一化的第i個數據，是第i個數據進行歸一化后的映射數值。

6.根據權利要求1所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，所述步驟S3和S4的Elman神經網絡中，隱含層神經元節點數的可選范圍hiddennum采用以下公式確定：

hiddennum＝sqrt(m+n)+a

其中，m為輸入層節點個數，n為輸出層節點個數，a取為1-10之間的整數。

7.根據權利要求6所述的基于CS-Elman神經網絡模型的熱軋板凸度預測方法，其特征在于，隱含層神經元節點數的可選范圍為hiddennum個，以mae平均絕對值誤差、R²決定系數為誤差指標，遍歷隱含層神經元節點數的可選范圍，找到最佳隱含神經元的數量用于Elman神經網絡。