一种钢板轧辊磨损量预测方法及系统技术方案

本发明专利技术涉及一种钢板轧辊磨损量预测方法及系统，涉及轧钢领域。本发明专利技术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。

【技术实现步骤摘要】
一种钢板轧辊磨损量预测方法及系统
本专利技术涉及轧钢领域，特别是涉及一种钢板轧辊磨损量预测方法及系统。
技术介绍
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。
技术实现思路
本专利技术的目的是提供一种钢板轧辊磨损量预测方法及系统，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，本专利技术提供了如下方案：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习机神经网络的均方根误差平均值；比较所述节点数预设范围内所有节点数对应的极限学习机神经网络的均方根误差平均值，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；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系统，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本文档来自技高网...

【技术保护点】
1.一种钢板轧辊磨损量预测方法，其特征在于，包括：/n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；/n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；/n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；/n获取待预测钢板的影响因素数据；/n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；/n获取所述样本数据对应的轧辊样本磨损量；/n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；/n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。/n

【技术特征摘要】
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习机神经网络的均方根误差平均值；
比较所述节点数预设范围内所有节点数对应的极限学习机神经网络的均方根误差平均值，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；



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系统，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...

【专利技术属性】
技术研发人员：王龙，冀秀梅，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31