基于遗传神经网络技术设计ASSEL轧辊辊型的方法技术

本发明专利技术提供一种基于遗传神经网络技术设计ＡＳＳＥＬ轧辊辊型的方法，包括有以下步骤：该方法的包括有以下步骤：①首先利用ＡＳＳＥＬ机组的辊型设计参数和轧制工艺参数对照表，选择输入／输出特征向量，再通过遗传神经网络推理估计方法建立ＡＳＳＥＬ辊型参数估算模型；②在线采集轧制工艺参数，推理出适合生产条件和不同规格产品的辊型特征参数；③借助估算模型和几何参数的智能优化，可得到合理的设计轧辊参数，同时能够动态地人工修正参数；④最终通过Ａｕｔｏ　　ＣＡＤ软件输出加工零件图。本发明专利技术的效果是该方法智能化地产生辊型设计的特征参数，利用生产中有限的代表性参数，预测适应不同规格产品的辊型加工参数和工艺参数，减少试轧次数，缩短技术和生产准备周期。

【技术实现步骤摘要】

本专利技术涉及 一 种基于遗传神经网络技术设计ASSEL轧辊辊型的方法。
技术介绍
目前，我国的无缝钢管正在从生产大国走向强国。国内拥有全世界最 先进的轧管机组，但是这些机组基本上是全面引进。吸收、消化、国产化 和创新速度较为缓慢。主要工艺技术软件和关键设备仍依赖进口，形成了 引进一再引进的模式，未能形成引进促国内发展的良性局面。我国无缝钢 管生产工艺技术的研究、新品种的开发以及装备国产化方面的进度滞后于 无缝钢管生产的发展和市场的需求。对于新型ASSEL机组来说，轧辊是最主要的轧制工具，生产实践证明， 轧辊辊型对产品质量、轧制规格范围及产能均有一定影响。虽然德国MEER 公司提供了 ASSEL机组的辊型图，但与现实生产方式小批量、多品种、多 规格以及规格范围广的产品结构极不匹配，尤其是满足不了钢管壁厚在 25mm以下内表面质量的要求。对于轧辊的修改设计往往需要人工凭经验进 行手工设计，因而带来的问题一是很难一次做到优化设计，二是工作效率 低，设计周期长。为了适应市场对高精度产品的需求，同时为加速新产品开发力度，迫 切需要研究开发一种新的轧辊辊型的设计方法和现场工程师能够使用的专 用软件，以实现轧辊辊型与工艺的快速优化设计，从而达到提高工作效率， 縮短设计周期，满足产品质量要求。
技术实现思路
为解决上述技术中存在的问题，本专利技术的目的是提供一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，以利于适应多品种、多规 格的产品结构，同时解决了设计周期长，降低成本，节能、节材、提高 产品质量和工作效率。为实现上述目的，本专利技术采用的技术方案是提供一种基于遗传神经网 络技术设计ASSEL轧辊辊型的方法，该方法的包括有以下步骤该方法的 包括有以下步骤① 建立ASSEL辊型参数估算模型a. 首先利用MEER公司ASSEL机组的辊型设计参数和轧制工艺参数对照 表，选择以下输入/输出特征向量输入特征向量荒管直径(DL)荒管壁厚(SL)毛管直径(DH)毛管壁厚(SH)芯棒直径(DD) 输出特征向量-轧辊入口锥角a。) 辗轧带长度LK(mm) 辊肩高度Rs(mm) 辊肩高度rs(mm) 出口锥角a2(° )b. 在线采集轧制工艺参数，通过遗传神经网络推理估计方法建立ASSEL 辊型参数估算模型，推导出适合生产条件和不同规格产品的辊型特征参数;② 对ASSEL辊型特征参数的优化借助协同设计和虚拟环境(VE)产生器，调整ASSEL机组的孔喉直径、 喂入角、碾轧带的长度、台肩高度工艺参数，观察到ASSEL轧管机的轧制 过程的各种技术参数的动态值，依次确认现实的ASSEL辊型是否有能力完 成预定的轧制任务和完成过程，同时也能够从中发现轧制过程的缺陷和问 题，达到对ASSEL辊型参数的优化；③输出加工零件图通过读/写Auto CAD的DWG图形文件，完成输出ASSEL辊型加工零件 图的操作。本专利技术的效果是该方法智能化地产生辊型设计的特征参数，利用生 产中有限的代表性参数，预测适应不同规格产品的辊型加工参数，改变了传 统的辊型设计、建造、控制、产品成型等多环节互不协调、反复修改的串行 工作方式，而使辊型设计、建造及有关的技术准备和生产准备工作在并行工 作方式下达到一次成功，从而縮短技术和生产准备周期，使最终产品能按用 户的要求以最快的速度供应市场。该项技术可提高轧辊辊型设计质量，减少 试轧次数，节省资金，縮短新产品的开发时间。通过神经网络的权值进行训练，优化权系数和网络结构，使系统具有 神经网络广泛的映射能力，探究出了轧制工艺的多变量多参数与辊型几何 形状的信息传递关系，具有遗传算法的快速收敛和增强式的学习性能。 附图说明图l为本专利技术的系统框图2为本专利技术的BP网络拓扑结构；图3为本专利技术的DWG文件描述的ASSEL辊型加工零件图； 图4为图3的A、 B、 C点的局部放大图。 ' 具体实施例方式结合附图及实施例对本专利技术的基于遗传神经网络技术设计ASSEL轧辊 辊型的方法使用过程加以说明。由于轧制设备中多个工艺操作参数相互联系、相互制约，基于理想工艺 环境的有限元分析法，推出较为精确的ASSEL辊型设计参数是很困难的，即 使能够得到精确的数学计算模型，也往往因过于复杂而缺乏实用价值。而 ASSEL轧辊辊型设计模型的确立又是最大限度地发挥设备的生产潜力、提高 收益率和降低能耗的关键。ASSEL轧辊辊型设计是一种非常复杂的设计行为，即要使用金属变 形理论进行数学计算又需要大量的经验数据。而经验数据没有固定的 规律性，对于不同轧制环境、不同工艺，不同产品，ASSEL辊型曲线及调 整参数差别很大。如图l所示，本专利技术的基于遗传神经网络技术设计ASSEL轧辊辊型 的方法，该方法包括有以下步骤1、建立ASSEL辊型参数估算模型①辊型参数估算模型的特征参数确定根据ASSEL机组的辊型参数与轧制工艺对照表原设计，初步选择以下 输入/输出特征向量 输入特征向量荒管直径DL 荒管壁厚SL 毛管直径DH 毛管壁厚SH 芯棒直径DD 输出特征向量轧辊入口锥角a,(。)辗轧带长度(■) 辊肩高度Rs(mm) 辊肩高度rs(mm): 出口锥角a2(。)②基于遗传神经网络建立ASSEL辊型参数推导估算模型a. 人工神经网络的BP算法是信息正向传播和误差反向传播的两个反 复交替过程。信息正向传播是输入层经隐含层向输出层的模式顺传播 过程，误差反向传播是网络的希望输出与实际输出之差的误差信号，由输 出层向输入层逐层修正各层神经元的权值和阈值的误差逆传播过程。 由模式顺传播与误差逆传播的反复交替使网络趋向收敛，即网络 的全局误差趋向极小值。b. BP算法步骤BP网络是一种有监督的前馈运行的神经网络，它由输入层、隐含层、 输出层以及各层之间的节点的连接权所组成，学习过程的算法由信息的正 向传播和误差的反向传播过程构成。在正向传播过程中，输入信息从输入 层经隐含层逐层处理，并传向输出层，每一层神经元只影响下一层神经元 的输出。如果不能在输出层得到期望的输出，则转入反向传播，运用链导 数法则将连接权关于误差函数的导数沿原来的连接通路返回，通过修改各 层的权值使得误差函数减小。BP算法的推导如下 ①正向传播输入层 其输入值一般为样本各分量的输入值，输出值一般等于输入值。隐含层 对于节点J;其输入值netj为其前一层各节点输出值0,的加权和输出值 O尸A(net》式中& ( )称为激励函数或作用函数， 一般采用sigmoid函数输出层输出层的输入neU与输出OA和隐含层类似，分别为 net巧WJ)y②反向传播BP学习算法的误差函数一般定义为实际输出与期望输出的均方误差 和。通过使误差函数最小的过程不断地改变权重，完成从输入到输出的非 线性映射。设网络输入模式样本为期望输出为{U ，均方误差函数《为^ ( Q - CU) 2而对于所有的样本，系统的均方误差为《=2^H (- 0M) 2 为了达到学习的目的，要根据误差函数来相应地调整网络间的连接权值。经典的BP学习算法采用最速梯度下降法调整权值，每次调整的增量为式中O <T!< l称为学习效率。从式可推出下列连接权值的修正增量公式:为了加快收敛速度，在网络训练迭代过程中，第n次迭代与第n-l次 迭代连本文档来自技高网...

【技术保护点】
一种基于遗传神经网络技术设计ＡＳＳＥＬ轧辊辊型的方法，该方法包括以下步骤：①建立ＡＳＳＥＬ辊型参数估算模型ａ．首先利用ＭＥＥＲ公司ＡＳＳＥＬ机组的辊型设计参数和轧制工艺参数对照表，选择以下输入／输出特征向量：输入特征 向量：荒管直径（ＤＬ）荒管壁厚（ＳＬ）毛管直径（ＤＨ）毛管壁厚（ＳＨ）芯棒直径（ＤＤ）输出特征向量：轧辊入口锥角α↓［１］（°）辗轧带长度Ｌ↓［Ｋ］（ｍｍ）辊肩高度Ｒ↓ ［Ｓ］（ｍｍ）辊肩高度ｒ↓［Ｓ］（ｍｍ）出口锥角α↓［２］（°）ｂ．在线采集轧制工艺参数，通过遗传神经网络推理估计方法建立ＡＳＳＥＬ辊型参数估算模型，推算出适合生产条件和不同规格产品的辊型特征参数；②对ＡＳＳ ＥＬ辊型特征参数的优化借助协同设计和虚拟环境（ＶＥ）产生器，调整ＡＳＳＥＬ机组的孔喉直径、喂入角、碾轧带的长度、台肩高度工艺参数，观察到ＡＳＳＥＬ轧管机轧制过程的各种技术参数的动态值，依次确认现实的ＡＳＳＥＬ辊型是否有能力完成预定的 轧制任务和完成过程，同时也能够从中发现轧制过程的缺陷和问题，达到对ＡＳＳＥＬ辊型参数的优化；③输出加工零件图通过读／写ＡｕｔｏＣＡＤ的ＤＷＧ图形文件，完成输出ＡＳＳＥＬ辊型加工零件图的操作。...

【技术特征摘要】
1、一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，该方法包括以下步骤①建立ASSEL辊型参数估算模型a.首先利用MEER公司ASSEL机组的辊型设计参数和轧制工艺参数对照表，选择以下输入/输出特征向量输入特征向量荒管直径(DL)荒管壁厚(SL)毛管直径(DH)毛管壁厚(SH)芯棒直径(DD)输出特征向量轧辊入口锥角α1(°)辗轧带长度LK(mm)辊肩高度RS(mm)辊肩高度rS(mm)出口锥角α2(°)b.在线采集轧制工艺参数，通过遗传神经网络推理估计方法建立ASSEL辊型参数...

【专利技术属性】
技术研发人员：钟锡弟，陈希，伍家强，孙开明，庄刚，李培达，李群，袁文寛，肖雁，陈洪琪，顾敬一，王惠斌，
申请(专利权)人：天津钢管集团股份有限公司，
类型：发明
国别省市：12[中国|天津]