基于SA-SCSO-SCN神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法

基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法
技术领域
1.本发明涉及热连轧技术领域，更为具体地，涉及一种基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法。


背景技术：

2.目前钢铁行业更加追求高质量、高精度生产，从而提高产品竞争力，传统的热连轧厂精轧机组工艺的弯辊力参数设定方法存在控制精度不准确的问题，从而导致热轧带钢成产过程中出现各种缺陷，降低了产品合格率。
3.在实际生产过程中，弯辊力的最佳设定值不容易得到，通常方法是根据带钢的温度、厚度、宽度、轧制力、材质、轧辊的热膨胀、轧辊磨损及平直度和凸度等影响因素进行计算获到。而热轧弯辊力的配置模型非常复杂，一些与模型相关的轧制因素是非线性的，且具有很强的耦合性，检测误差很大，严重影响了弯辊力设定模型精度的提高。而传统理论建立的数学模型在生产实践中控制精度低。并且传统的弯辊设定理论研究的发展并没有改善非稳态过程机理模型的不足，这种情况严重制约了控制精度和产品质量。
4.近些年，研究人员开始思考采用人工智能的方法解决上述问题。但传统误差反向传播神经网络算法训练的传统神经网络存在收敛慢、局部最小值、网络结构确定和学习参数设置等问题容易陷入局部极小化、收敛速度慢、对样本较为依赖、存在很多不足之处。为解决上述问题，探索新的弯辊力设定模型方法显得十分必要。
5.热连轧厂精轧机组工艺的弯辊力参数设定预测的关键是建立合适的模型，选择合适预测方法对缩短模型计算时间、提高模型的预测精度、保证生产现场的实时控制效果有着至关重要的作用。


技术实现要素：

6.鉴于上述问题，提供一种基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，能够解决热连轧厂精轧机组工艺的弯辊力参数设定精度不高的问题。
7.本发明提供一种基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，包括：根据热轧冶金机理和历史数据分析选择控制参数；
8.根据热轧钢实际生产线采集不同控制参数的弯辊力构建建模的样本集；
9.将构建的建模样本集进行归一化处理，获得归一化样本集；
10.将所述归一化样本集代入scn神经网络获取权重和阈值；
11.利用scso算法对scn神经网络进行训练，获得神经网络参数；
12.利用模拟退火算法对scso-scn模型进行优化,获取模型最值并根据最值确定最优控制参数；
13.根据所述最优控制参数获取最优弯辊力参数设定值；
14.全局搜索最优控制参数弯辊力参数设定预测值与所述建模样本集中最优值的对比结果，确定热连轧厂精轧机组弯辊力的最优设定参数值。
15.从上面的技术方案可知，本发明提供的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，在冶炼过程中的生产操作参数为信息载体，利用sa-scso-scn神经网络挖掘现场工艺环境、操作参数与热连轧精轧机组弯辊力设定之间的关系；并通过智能优化算法利获取最佳弯辊力参数设定下的操作参数，为实际生产最优生产提供指导，解决热连轧厂精轧机组工艺的弯辊力最优参数设定的问题。
16.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。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
17.通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
18.图1为根据本发明实施例的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法流程示意图；
19.图2为根据本发明实施例的scn神经网络结构示意图；
20.图3为根据本发明实施例的所构建模型的训练样本与测试样本预测精度效果图；
21.图4为根据本发明实施例的sa-scso-scn神经网络的网络参数确定流程示意图。
22.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
23.在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
24.针对前述提出的目前钢铁行业弯辊力参数控制精度不准确的问题，本发明提出了基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，其中，本发明提出以热连轧实际生产操作参数为信息载体，利用sa-scso-scn神经网络方法挖掘现场工艺环境、操作参数与热连轧精轧机组弯辊力设定之间的潜在规律；并通过智能优化算法利用该规律获取最精准的操作参数，为企业的实际生产最优生产提供指导。
25.其中，需要说明的是，运用scn作为主算法用于模型建立，scso算法作为附算法则是用来对网络模型的连接权值和阈值进行优化，从而提高所建立模型的精度。
26.以下将结合附图对本发明的具体实施例进行详细描述。
27.为了说明本发明提供的神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，图1示出了根据本发明实施例的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法流程。
28.如图1所示，本发明提供的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法流程包括：s110：根据热轧冶金机理和历史数据分析选择控制参数；
29.s120：根据热轧钢实际生产线采集不同控制参数的弯辊力构建建模的样本集；
30.s130：将构建的建模样本集进行归一化处理，获得归一化样本集；
31.s140：将所述归一化样本集代入scn神经网络获取权重和阈值；
32.s150：利用scso算法对scn神经网络进行训练，获得神经网络参数；
33.s160：利用模拟退火算法对scso-scn模型进行优化,获取模型最值并根据最值确定最优控制参数；
34.s170：根据所述最优控制参数获取最优弯辊力参数设定
35.s180：全局搜索最优控制参数弯辊力参数设定预测值与所述建模样本集中最优值的对比结果，确定热连轧厂精轧机组弯辊力的最优设定参数值。
36.上述为本发明的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法的流程，在步骤s110中，本发明采用带钢入口温度、入口厚度、出口厚度、带钢宽度、轧制力、轧制速度、工作辊横移量、带钢屈服强度、目标凸度等作为影响弯辊力设定的控制参数；其中，影响弯辊力设定的控制参数如表1所示：
[0037][0038]
表1影响弯辊力设定的控制参数及符号表
[0039]
在步骤s120中，样本采集；利用模拟转炉炼钢平台采集不同的控制参数下的成本，构建建模样本集[x，y]；采集到数据如表2所示：
[0040][0041]
表2数据采集样本部分数据
[0042]
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。
[0043]
在步骤s140中，scn理论如下：构建单前馈神经网络，设定输入层神经元d个，隐含层神经元个数为s，输出层神经元1个。由输入层、隐含层和输出层组成，输入层与隐含层由权值连接，其表示第i个输入神经元与隐含层神经元的间的连接权值。隐含层与输出
层由权值连接，其表示第k个隐含层神经元与输出层第j个神经元的间的连接权值；b为隐含层神经元的阈值，为第k个隐含层神经元阈值，图3示出了前馈神经网络的结构
[0044]
各权值、阈值具体为：
[0045][0046]
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：
[0047]
=
[0048]
其中，表示归一化的输出样本，＝[,,,]。
[0049]
在步骤s150中，本发明用沙丘猫群法优化scn的输入权值和阈值，将scn的输入权值和阈值作为沙丘猫个体，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4示出了根据本发明实施例的sa-scso-scn神经网络的网络参数确定流程，基于sa-scso-scn的算法图4的步骤如下：
[0050]
第一步：选择合适的适应度函数，包括种群规模n，最大迭代次数t，优化问题维数d，搜索空间上下限分别为，；
[0051]
第二步：初始沙丘猫种群，在d维优化问题中，沙丘猫是一个1xd阵列，表示问题的解。每个变量值(x1、x2、...，xd)都是一个浮点型，每个2必须位于下边界和上边界之间。根据问题的大小创建一个候选矩阵()，(pop=1，...，n)利用沙丘猫群创建一个候选矩阵，然后就目标函数对每个沙丘猫进行适应度评估，选择出其中最优的个体，其他的个体都朝向该个体移动。
[0052]
第三步：沙丘猫的猎物搜索机制依赖于低频噪声发射，它可以感知低于2khz的低频，在数学模型中，根据算法的工作原理，这个值将随着选代过程的进行从2线性地降低为0，以逐渐靠近猎物而不会丢失或跳过。数学模型定义如下:
[0053][0054][0055][0056]
式中：模拟了沙丘猫的听觉特性；表示控制探索和利用之间转换的主要参数；当前迭代次数；最大选代次数。
[0057]
沙丘猫根据最优解、自己当前位置以及灵敏度范围来更新自己的位置，搜索到其他最好的猎物位置，可以在新的搜索区域中找到新的局部最优，获得的位置位于当前位置和猎物位置之间，同时随机性保证了算法的运行成本和复杂度低。
[0058]
沙丘猫是根据耳朵的感知能力来检测猎物的。对攻击阶段进行数学建模，表示最佳位置与当前位置之间的距离，如下:
[0059][0060]
式中：为最佳位置；为当前位置；为随机位置。
[0061]
并预估输入训练样本预测值；探索和利用是通过自适应的和r保证的。这些参数允许scso在两个阶段之间无缝切换。
[0062]
由于参数r取决于，因此其波动范围也会减小。当参数的值以平衡的方式分布时，r值也会很好地平衡，因此两个阶段之间的操作机会将根据问题进行适当调整，r是区间[-2,2]中的随机值，在迭代过程中从2线性下降到0沙猫在探索和开发阶段的位置更新情况如下:
[0063][0064]
式中，r为随机值在[-1,1]时，沙丘猫下一个位置可以在其当前位置和狩猎位置之间的任意位置。
[0065]
若r小于或等于1时沙丘猫被引导攻击它们的猎物，反之沙丘猫的任务是在全局区域寻找新的可能解决方案。
[0066]
第四步：根据第三步中训练样本预测值，以及所构建的适应度函数计算沙丘猫个体的适应度值，并获取沙丘猫个体极值和全局极值；
[0067]
第五步：更新沙丘猫个体的位置；
[0068]
第六步：迭代，直到到达最大迭代次数，得到最优值以及sa-scso-scn神经网络模型。
[0069]
具体地，在步骤s150中，采用sa-scso-scn神经网络对通过现场弯辊力设定参数数据进行建模。得到神经网络参数w、b、β，如下所示。
[0070]
得到输入层到隐层的权值(30
×
1)：
[0071][0072]
隐层神经元阈值b(30
×
1)：
[0073][0074]
隐层到输出层权值β(30
×
1)：
[0075][0076]
因此，图4示出了所构建模型的训练样本效果以及测试样本预测精度效果图，由模
型的相对误差可知，建模效果较好，随着样本的不断训练，模型精度越来越高，符合动态建模的特性。
[0077]
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：
[0078]
（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，
[0079]
设隐含层神经元的激活函数为所述scn神经网络的第j组输入样本的输出为：
[0080]
=
[0081]
其中，表示归一化的输出样本，＝[,,,]。
[0082]
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。
[0083]
每个温度的迭代次数iter，t=，i=1；
[0084]
（2）当前最优解为相邻函数产生新解；
[0085]
（3）计算其目标函数值f()及其增量，δf()=f()-f();
[0086]
（4）如果δf＜0，则=，即接受新解为当前最优解；
[0087]
（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。
[0088]
无论是否接受新解，迭代次数i=i+1；
[0089]
（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≤）；
[0090]
(7)输出最优解。
[0091][0092]
表3最优参数组合
[0093]
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弯辊力参数并于数值相近真实值进行比较，
[0094]
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：
[0095][0096]
其中，
[0097]
如果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：
[0098][0099]
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。
[0100]
第三步，代入scso优化后的权重和阈值
[0101]
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。
[0102]
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。
[0103]
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。
[0104]
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。
[0105]
将所得最优控制参数组合带入热连轧厂精轧机组模型平台中进行测试，得到实际的控制参数，比较最优控制参数与采集样本的最优参数进行比较，若计算的最优控制参数小于采集样本的最优控制参数，则说明计算结果有效，否则重复上述所有过程；
[0106]
其中，表4示出了最优值和真实值数据比较
[0107][0108]
表4最优值和真实值数据比较
[0109]
由所得值进行模拟热连轧厂精轧实验，在模拟过程中根据计算结果取符合实际操作值反复实验，其最优操作得到最弯辊力参数设定的值为736kn，说明所得操作参数有效，提高了控制精度准确性，达到了提升产品合格率目的。说明sa-scso-scn的热连轧厂精轧机组工艺的弯辊力参数设定方法预测精度高、预测结果有效。
[0110]
通过上述实施方式可以看出，本发明提供的基于sa-scso-scn的神经网络热连轧厂精轧机组工艺的弯辊力参数设定方法，在热连轧厂精轧中的轧制工艺参数为信息载体，利用sa-scso-scn神经网络方法挖掘带钢入口温度、入口厚度、出口厚度、带钢宽度、轧制力、轧制速度、工作辊横移量、带钢屈服强度、目标凸度和弯辊力的关系；并获取最优控制弯辊力设定的操作参数，为实际生产最优生产提供指导，解决转炉炼钢成本较高的问题。
[0111]
如上参照附图以示例的方式描述了根据本发明提出的基于sa-scso-scn的神经网络热连轧厂精轧机组工艺的弯辊力参数设定方法。但是，本领域技术人员应当理解，对于上述本发明所提出的基于sa-scso-scn的神经网络热连轧厂精轧机组工艺的弯辊力参数设定方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

技术特征：
1.一种基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，包括：根据热轧冶金机理和历史数据分析选择控制参数；所述控制参数包括：带钢入口温度、入口厚度、出口厚度、带钢宽度、 轧制力、轧制速度、工作辊横移量、带钢屈服强度、目标凸度，输出量为弯辊力；根据热轧钢实际生产线采集不同控制参数的弯辊力构建建模的样本集将构建的建模样本集进行归一化处理，获得归一化样本集；将所述归一化样本集代入scn神经网络获取权重和阈值；利用scso算法对scn神经网络进行训练，获得神经网络参数；利用模拟退火算法对scso-scn模型进行优化，获取模型最值并根据最值确定最优控制参数；根据所述最优控制参数获取最优弯辊力参数设定值；全局搜索最优控制参数弯辊力参数设定预测值与所述建模样本集中最优值的对比结果，确定热连轧厂精轧机组弯辊力的最优设定参数值。2.如权利要求1所述的基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，其中，在根据所述归一化样本集和随机配置网络改进算法构建前馈神经网络的过程中，所述前馈神经网络包括输入层、隐含层和输出层，设定输入层神经元d个，隐含层神经元为s个，输出层神经元1个；其中，所述输入层与所述隐含层由权值连接，其表示第i个输入神经元与隐含层第k个神经元的间的连接权值；隐含层与输出层由权值连接，其表示第k个隐含层神经元与输出层第j个神经元的间的连接权值；b为隐含层神经元的阈值，为第k个隐含层神经元阈值；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j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神经网络的热连轧厂精轧机组工艺的弯辊力
参数设定方法，其中，在采用scso算法对scn神经网络进行训练，获取神经网络参数的过程中，第一步：选择合适的适应度函数，包括种群规模n，最大迭代次数t，优化问题维数d，搜索空间上下限分别为，；第二步：初始沙丘猫种群，在d维优化问题中，沙丘猫是一个1xd阵列，表示问题的解。每个变量值(x1、x2、...，x
d
)都是一个浮点型，每个2必须位于下边界和上边界之间。根据问题的大小创建一个候选矩阵()，(pop=1，...，n)利用沙丘猫群创建一个候选矩阵，然后就目标函数对每个沙丘猫进行适应度评估，选择出其中最优的个体，其他的个体都朝向该个体移动。第三步：沙丘猫的猎物搜索机制依赖于低频噪声发射，它可以感知低于2khz的低频，在数学模型中，根据算法的工作原理，这个值将随着选代过程的进行从2线性地降低为0，以逐渐靠近猎物而不会丢失或跳过。数学模型定义如下：数学模型定义如下：数学模型定义如下：式中：模拟了沙丘猫的听觉特性；表示控制探索和利用之间转换的主要参数；当前迭代次数；最大选代次数。沙丘猫根据最优解、自己当前位置以及灵敏度范围来更新自己的位置，搜索到其他最好的猎物位置，可以在新的搜索区域中找到新的局部最优，获得的位置位于当前位置和猎物位置之间，同时随机性保证了算法的运行成本和复杂度低。沙丘猫是根据耳朵的感知能力来检测猎物的。对攻击阶段进行数学建模，表示最佳位置与当前位置之间的距离，如下：式中：为最佳位置；为当前位置；为随机位置，并预估输入训练样本预测值；探索和利用是通过自适应的和r保证的。这些参数允许scso在两个阶段之间无缝切换。由于参数r取决于，因此其波动范围也会减小。当参数的值以平衡的方式分布时，r值也会很好地平衡，因此两个阶段之间的操作机会将根据问题进行适当调整，r是区间[-2,2]中的随机值，在迭代过程中从2线性下降到0沙猫在探索和开发阶段的位置更新情况如下：式中，r为随机值在[-1,1]时，沙丘猫下一个位置可以在其当前位置和狩猎位置之间的任意位置。若r小于或等于1时沙丘猫被引导攻击它们的猎物，反之沙丘猫的任务是全局区域寻找新的可能解决方案。第四步：根据第三步中训练样本预测值，以及所构建的适应度函数计算沙丘猫个体的适应度值，并获取沙丘猫个体极值和全局极值；第五步：更新沙丘猫个体的位置；
第六步：迭代，直到到达最大迭代次数，得到最优值以及sa-scso-scn神经网络模型。4.如权利要求1所述的基于sa-scso-scn的热连轧厂精轧机组工艺的弯辊力参数设定方法，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，测试建模型获得预测值。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，代入scso优化，输出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。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。第五步，迭代，直到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神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，其中，在利用模拟退火算法对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，构建模拟退火算法的适应度函数，以训练样本的均方差(mse)作为适应度值；表示公式如下：其中，为第m个样本的实际输出值，为第m个样本的预测输出值；第二步，设定初始温度、终止条件和降温规则；
第三步，恒定温度下，生成一个相邻解，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
本发明提供一种基于SA-SCSO-SCN神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法，其中的方法包括选择影响弯辊力参数设定的控制参数；构建建模样本集；获得归一化样本集；构建前馈神经网络；采用SCSO算法对SCN神经网络参数进行训练获取神经网络参数；利用模拟退火算法对SCSO-SCN模型进行优化,获取模型最值并根据最值确定最优控制参数；根据所述最优控制参数获取最优弯辊力参数设定值；由所述最优弯辊力参数设定值与所述建模样本集中最优值的对比结果，确定热连轧厂精轧机组弯辊力控制参数设定工艺的最佳设定参数值。结果发现该模型预测准确，能确定工作辊横移量、轧制力、入口厚度、轧制速度等影响因素的最优值。利用本发明，能够解决热连轧厂精轧机组弯辊力控制参数设定精度不高的问题。设定精度不高的问题。设定精度不高的问题。


技术研发人员：史纯阳 张蕾 王燚坤 陶佩琳 孟昭军 陈韧
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：2023/9/9