基于SA-SCSO-SCN神经网络的热轧过程精轧的带钢宽度控制方法

基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法
技术领域
1.本发明涉及炼钢技术领域，更为具体地，涉及一种基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法。


背景技术：

2.在钢铁生产中，随着对产品质量要求的提高和钢带需求量的增长，轧件宽度精度对产品的质量至关重要。高精度宽度能够避免钢材浪费、降低成本并提高市场竞争力；相反，低精度的轧件则会使钢材偏离规格，造成不必要的浪费。以此为背景，追求高精度的已经成为钢铁生产的重要目标，保证了该行业的可持续发展。
3.此外，在实际生产中，热轧带钢的宽度主要由精轧过程控制，但轧制过程稳定性不高，控制水平低，因此无法精确的控制带钢的宽度，导致热轧带钢宽度不合格率较高，严重影响最终产品的质量，是较难控制的质量指标。
4.对此，结合生产实际情况，考虑到带钢宽度的影响因素，采用人工智能算法模型性对影响带钢宽度的生产参数进行控制，提到带钢宽度的合格率。
5.综上所述，为了解决上述问题，本发明提供了一种基于sa-scso-scn的热轧过程精轧的带钢宽度控制方法


技术实现要素：

6.针对以上问题，本发明的目的是提供一种基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，用于提高热轧带钢宽度的预测精度，为实际生产提供生产指导。
7.本发明提供了一种基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，包括：根据热轧过程精轧工艺选择影响带钢宽度的控制变量。
8.通过某厂热轧带钢过程实际采集不同控制变量的参数，构建模型所需的样本集；
9.将构建的样本进行归一化处理，获得归一化样本集；
10.根据归一化样本集构建神经网络并得到scn的权重和阈值；
11.将scn的权重和阈值作为数据集，利用scso算法进行优化，得到优化后的权重和阈值及scso-scn模型；
12.利用模拟退火算法对scso-scn模型进行优化，获取所构建模型的最值，并根据所构建的模型的最值确定最优控制参数；
13.根据所述的最优控制参数获取最优控制参数的带钢宽度。
14.从上面的技术方案可知，本发明提供的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，在热轧过程中的精轧过程中的影响带钢度的参数为信息载体，借助该模型具有收敛速度快、预测精度高、泛化能力强等特性，精确的预测热轧过程精轧的带钢宽度，为实际生产最优生产提供指导，提高热轧过程精轧的带钢宽度的预测精度。
15.为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在
权利要求中特别指出的特征。
附图说明
16.为了更加明白本发明的具体内容与目的，可以将权利要求书的内容与以下附图说明结合，进行了解。在附图中：
17.图1为根据本发明实施例的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法流程示意图；
18.图2为根据本发明实施例的所构建的scn神经网络结构示意图；
19.图3为根据本发明实施例的scso对scn神经网络的网络参数优化流程示意图。
20.图4为根据本发明实施例的所构建模型的预测精度效果图；
21.在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
22.为了说明一个或多个实施例的全面理解，下面的描述中详细阐述了许多具体细节。然而，显然这些实施例也可以在没有这些具体细节的情况下实现。
23.针对上文提出的目前热轧带钢预测精度的要求，本文提供了一种基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法。通过选择影响带钢宽度的控制参数，利用sa-scso-scn模型对宽度进行预测，以满足热轧过程精轧的带钢宽度控制精确度的要求，为企业实际生产提供了理论指导。
24.需要说明的是，运用scn进行建模，而scso仅对scn神经网络的权重和阈值进行优化，从而提高预测模型的精度。
25.以下将结合附图说明对本发明的具体实施例进行详细描述。
26.为了说明本发明提供的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，图1展示了根据本发明实施例的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法。
27.如图1所示,本发明提供的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法包括：s110：根据热轧过程的精轧工艺选择影响带钢宽度的控制变量；
28.s120：通过某厂热轧带钢过程实际采集不同控制变量的参数，构建模型所需的样本集；
29.s130：将构建的样本进行归一化处理，获得归一化样本集；
30.s140：根据归一化样本集构建神经网络并得到scn的权重和阈值；
31.s150：将scn的权重和阈值作为数据集，利用scso算法进行优化，得到优化后的权重和阈值及scso-scn模型；
32.s160：利用模拟退火算法对scso-scn模型进行优化，获取所构建模型的最值，并根据所构建的模型的最值确定最优控制参数；
33.s170：根据所述的最优控制参数获取最优控制参数的带钢宽度。
34.上述为本发明的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法的流程，在步骤s110中，实际热轧带钢工艺过程中，为了控制轧制带钢的宽度，一般对轧机的轧制速度、轧制力和轧制温度进行调整，以及对经粗轧机轧制后的中间坯的宽度和宽度
等条件进行测量和控制，进而实现热轧过程精轧带钢的宽度控制。为此本发明采用中间坯厚度，中间坯平均宽度，中间坯平均厚度，精轧入口温度, 终轧温度，轧制速度，轧制力，弯辊力，轧辊轴向横移量,轧后带钢宽度计算值作为影响带钢宽度的控制参数：其中，影响热轧过程精轧的带钢宽度的控制参数如表1所示：
[0035][0036]
表1参数及符号表
[0037]
在步骤s120中，样本采集；通过某厂热轧过程实际采集不同控制参数下的轧后带钢宽度，构建样本集[x;y]；采集数据如表2所示：
[0038][0039]
表2数据采集样本部分数据
[0040]
在步骤s130中，数据预处理。利用神经网络建模过程中，其隐含层节点函数为s型函数，其值域为[-1 ,1]；为提高建模过程精度，故而将所有的采集的样本进行归一化处理。即：将样本集的参量值利用线性归一化方法映射到[-1 ,1]范围内，得到归一化的样本集[]。
[0041]
在步骤s140中，scn理论如下：所构建的前馈神经网络包含3层：输入层、隐含层和输出层，其中输入层有m个神经元，隐含层有个神经元，而输出层只有1个神经元。这些层之间通过权值连接，具体而言，输入层与隐含层的连接由权值w控制，其中表示第i个输入神经元与隐含层第k个神经元之间的连接权值；隐含层与输出层的连接由权值β控制，其中表示第k个隐含层神经元与输出层第j个神经元之间的连接权值。此外，是第k个隐含层神经元的阈值。图3展示了前馈神经网络的结构。
[0042]
各权值、阈值具体为：
[0043]
ꢀꢀ
[0044]
设隐含层神经元的激活函数为，所述前馈神经网络的第m组输入样本的输出为：
[0045]
=
[0046]
其中，表示归一化的输出样本，＝[,,,]。
[0047]
在步骤s150中，本发明用沙丘猫群优化算法优化scn的输入权值和阈值，将scn的输入权值和阈值作为沙丘猫群优化算法的变量值，通过沙丘猫群优化算法不断地搜寻和攻击猎物（寻优），直至寻找到最优解。图3示出了根据本发明实施例scso对scn神经网络的网络参数优化流程，基于沙丘猫群算法优化scn的算法图3的步骤如下：
[0048]
第一步，初始化种群，假设沙丘猫的种群规模为n，所要优化问题的维数为d，搜索空间上下限分别为ub=和lb=,scso算法按照下式进行种群随机初始化。
[0049][0050]
其中，为沙丘猫位置矩阵；rand(n,d)为n
×
d维的随机向量。
[0051]
然后，就目标函数对每一只沙丘猫进行适应度评估,选择出最优的沙丘猫个体，其他的个体向该个体移动。
[0052]
第二步，搜寻猎物，每只沙丘猫的解为=(，，，)，其会根据最优解、当前位置、以及灵敏度范围更新自己的位置。
[0053][0054][0055][0056][0057]
其中，为当前迭代次数；为最大迭代次数；为引导参数；为常规的灵敏度范围。
[0058]
第三步，攻击猎物，为表达scso的攻击阶段，最优解和当前位置的距离可根据以下公式计算得到：
[0059][0060]
其中，为随机位置；为随机角度。
[0061]
第四步，探索和利用，通过自适应调整和可以实现搜寻猎物（探索）和攻击猎物（利用）2个阶段的自由切换，切换方式公式如下：
[0062][0063]
其中，当时，强制搜索代理进行攻击猎物（利用）；当强制搜索代理进行搜索猎物（探索）。
[0064]
第五步，迭代，直到到达最大循环次数，得到最优的权值、阈值。
[0065]
采用scso-scn神经网络对通过某厂热轧带钢过程所得数据进行建模得到神经网络参数w、b，如下所示。
[0066]
得到输入层到隐含层的权值w（30
×
10）：
[0067][0068]
隐含层神经元阈值b(30
×
1)：
[0069]
b=
[0070]
输出层权值β(30
×
1)：
[0071][0072]
将scso算法优化后的scn神经网络参数带入模型，得到优化后的模型，
[0073]
第一步，给定目标函数f:,在第n-1次增加节点后，当前网络的输出为：
[0074][0075]
其中，，这时候的残差：
[0076][0077]
如果残差没有达到预期的容差范围，则需要增加一个新的隐藏节点，即增加一组，，，使得逼近函数为：
[0078][0079]
第二步，每增加一个新的隐藏节点的时候，随机生成输入权重向量和偏差向量。其中随机生成的一对，满足以下不等式：
[0080][0081]
其中，
[0082][0083][0084][0085][0086]
第三步，代入scso优化后的权重和阈值
[0087]
第四步，计算误差，是否小于事先给定的误差准则：如果满足则scn模型训练完成，否则继续按照第2步添加中间层节点直至满足误差准则。
[0088]
若达不到指定的误差容忍度，模型将会在约束条件下生成新的隐藏层节点，并且随着节点数增大满足偏差减小的趋势，最终实现。其中，
[0089][0090]
此时，模型根据更新模型输出权重如下：
[0091][0092]
其中：
[0093]
当训练样本数量较少时，为避免scn出现过拟合现象，在模型的目标函数中引入了l2范数惩罚项；同时，最小化经验风险和结构风险，以此来提高网络的泛化性能。
[0094]
此时，scn的目标函数做出如下改进：
[0095][0096]
其中，c为模型的惩罚项权重系数。
[0097]
根据最小二乘法输出权值定义为：
[0098][0099][0100][0101]
第五步，迭代，直到到达最大循环次数或满足终止条件，得到模型输出。
[0102]
将scso优化后的权重和阈值放入到scn神经网络当中以得到scso-scn模型。
[0103]
在步骤s160中，利用模拟退火算法优化步骤s150所得神经网络的最值，其过程如下：
[0104]
（1）构建模拟退火算法优化的适应度函数，采用步骤s150所得神经网络作为适应度函数，
[0105]
所述scn神经网络的第m组输入样本的输出为：
[0106]
=
[0107]
其中，表示归一化的输出样本，＝[,,,]。
[0108]
随机初始解为，即模型的输入量，，计算目标函数值f()，初始温度=200℃，终止温度=0.01℃，降温系数α=0.95，迭代次数iter=300。每个温度的迭代次数iter，t=，i=1；
[0109]
（2）当前最优解为相邻函数产生新解；
[0110]
（3）计算其目标函数值f()及其增量，δf()=f()-f();
[0111]
（4）如果δf＜0，则=，即接受新解为当前最优解；
[0112]
（5）如果δf＞0，则接受概率为p(δf)=，r表示[0，1]区间上随机数，若r＜接受概率p（δf），则为当前最优解，=否则当前最优解不变。无论是否接受新解，迭代次数i=i+1；
[0113]
（6）重复步骤（2）到（5），直至满足最大迭代次数iter（i＞iter）和降至终止温度（t≤）；
[0114]
（7）输出最优解。
[0115][0116]
表3最优参数组合
[0117]
在步骤s170中，将所得的最优控制参数代入模型获取最优控制参数的带钢宽度并于数值相近真实值进行比较，其中，表4示出了最优值和真实值数据比较,
[0118][0119]
表4最优值和真实值数据比较
[0120]
图4展示了模型在训练数据上的表现和在测试数据上的预测精度。根据相对误差来判断，建模效果良好。同时，随着不断训练样本，模型的准确性逐渐提高，符合动态建模的特点。
[0121]
上述实施方式表明，本发明提供的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，利用热轧带钢过程中的控制参数，通过sa-scso-scn神经网络模型得到控制带钢宽度的最优参数。这种方法能够满足对热轧过程精轧的带钢宽度控制的准确度要求，并为实际生产提供理论指导。
[0122]
上述以附图为例的方式描述了本发明提出的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法。然而，本领域技术人员应该理解，在不脱离本发明内容的前提下，可以对上述所提出的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法做出各种改进。因此，本发明的保护范围应由附在权利要求书中的内容所确定。

技术特征：
1.一种基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，包括：根据热轧过程的精轧工艺选择影响带钢宽度的控制参数；所述控制参数包括穿带速度，出口厚度，轧制力，入口温度，出口温度，出口带钢长度，出口带钢宽度，工作辊直径；根据热轧工艺选择影响带钢宽度的控制变量；通过某厂热轧过程实际采集不同控制变量的参数，构建模型所需的样本集；将构建的样本进行归一化处理，获得归一化样本集；根据归一化样本集构建神经网络并得到scn的权重和阈值；将scn的权重和阈值作为数据集，利用scso算法进行优化，得到优化后的权重和阈值及scso-scn模型；利用模拟退火算法对scso-scn模型进行优化，获取所构建模型的最值，并根据所构建的模型的最值确定最优控制参数；根据所述的最优控制参数获取最优控制参数的带钢宽度。2.如权利要求1所述的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，其中，在根据所述归一化样本集和极限学习机理论改进算法构建前馈神经网络的过程中，所述前馈神经网络由输入层、隐含层和输出层组成，其中输入层包含m个神经元，隐含层包含个神经元，输出层包含1个神经元；其中，所述输入层与隐含层之间的连接权值表示为，表示第i个输入神经元与隐含层第k个神经元之间的连接权值；隐含层与输出层之间的连接权值表示为，表示第k个隐含层神经元与输出层第j个神经元之间的连接权值；b为隐含层神经元的阈值，为第k个隐层神经元阈值；其中，各权值、阈值表示如下：阈值表示如下：阈值表示如下：设隐含层神经元的激活函数为，所述前馈神经网络的第m组输入样本的输出为：=其中，表示归一化的输出样本，＝[,,,]。3.如权利要求2所述的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，其中，在采用scso算法对scn神经网络参数进行优化，获取神经网络参数的过程中，
第一步：初始化种群，假设沙丘猫的种群规模为n，所要优化问题的维数为d，搜索空间上下限分别为ub=和lb=,scso算法按照下式进行种群随机初始化。根据目标函数对每一只沙丘猫进行适应度评估,选择出最优的沙丘猫个体，其他的个体向该个体移动。其中，为沙丘猫位置矩阵；rand(n,d)为n
×
d维的随机向量。第二步，搜寻猎物，每只沙丘猫的解为=(，，，)，其会根据最优解、当前位置、以及灵敏度范围更新自己的位置。更新自己的位置。更新自己的位置。更新自己的位置。其中，为当前迭代次数；为最大迭代次数；为引导参数；为常规的灵敏度范围。第三步，攻击猎物，为表达scso的攻击阶段，最优解和当前位置的距离可根据以下公式计算得到：其中，为随机位置；为随机角度。第四步，探索和利用，通过自适应调整和可以实现搜寻猎物（探索）和攻击猎物（利用）2个阶段的自由切换，切换方式公式如下：其中，当时，强制搜索代理进行攻击猎物（利用）；当强制搜索代理进行搜索猎物（探索）。第五步，迭代，直到到达最大循环次数，得到最优的权值、阈值。4.如权利要求1所述的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，其中，将scso优化后的权重和阈值放入到scn神经网络当中，输入样本数据，运行所构建模型以得到模型输出。第一步，给定目标函数f:,在第n-1次增加节点后，当前网络的输出为：其中，，这时候的残差：如果残差没有达到预期的容差范围，则需要增加一个新的隐藏节点，即增加一组，，，使得逼近函数为：
第二步，每增加一个新的隐藏节点的时候，随机生成输入权重向量和偏差向量。其中随机生成的一对，满足以下不等式：其中，其中，其中，其中，其中，第三步，放入scso优化后的权重和阈值第四步，计算误差，是否小于事先给定的误差准则：如果满足则scn模型训练完成，否则继续按照第2步添加中间层节点直至满足误差准则。若达不到指定的误差容忍度，模型将会在约束条件下生成新的隐藏层节点，并且随着节点数增大满足偏差减小的趋势，最终实现。其中，此时，模型根据更新模型输出权重如下：其中：。当训练样本数量较少时，为避免scn出现过拟合现象，在模型的目标函数中引入了l2范数惩罚项；同时，最小化经验风险和结构风险，以此来提高网络的泛化性能。此时，scn的目标函数做出如下改进：其中，c为模型的惩罚项权重系数。根据最小二乘法输出权值定义为：根据最小二乘法输出权值定义为：根据最小二乘法输出权值定义为：第五步，迭代，直到到达最大循环次数或满足终止条件，得到模型输出。5.如权利要求1所述的基于sa-scso-scn神经网络的热轧过程精轧的带钢宽度控制方法，其中，在利用模拟退火算法对sa-scso-scn神经网络构建的模型全局进行优化，获取所构建模型的最优解，第一步，设置目标函数，初始化初始解，设定初始温度、终止条件和降温规则；
第二步，在当前温度下，生成一个相邻解；第三步，计算当前解与相邻解的目标函数差值δe；第四步，若δe＜0，则接受相邻解为新的当前解，并将其记录为当前找到的最优解；第五步，若δe＞0，则以一定概率接受相邻解为新的当前解，概率由boltzmann因子计算得出；第六步，重复第二步到第五步，直到满足终止条件或温度降至最低温度；第七步，返回找到的最优解。

技术总结
本发明提供了一种基于SA-SCSO-SCN神经网络的热轧过程精轧的带钢宽度控制方法。选择影响热轧过程精轧的带钢宽度的影响因素，通过某厂热轧过程实际采集不同控制变量的参数，构建模型所需的样本集，并将数据进行归一化处理，获得归一化样本集；根据归一化样本集构建神经网络并得到SCN的权重和阈值；将SCN的权重和阈值作为数据集，利用SCSO算法进行优化，得到优化后的权重和阈值及SCSO-SCN模型；利用模拟退火算法对SCSO-SCN模型进行优化，获取所构建模型的最值，并根据所构建的模型的最值确定最优控制参数；根据所述的最优控制参数获取最优控制参数的带钢宽度。该模型具有网络结构简单收敛速度快、预测精度高、泛化能力强，能够跳出局部最优等优点。利用本发明，能够满足热轧过程精轧的带钢宽度控制精确度的要求，为实际生产提供理论指导。提供理论指导。提供理论指导。


技术研发人员：史纯阳 王燚坤 张蕾 陶佩琳 陈韧 孟昭军
受保护的技术使用者：辽宁科技学院
技术研发日：2023.07.01
技术公布日：2023/9/7