基于多磁融合在线测量冷轧带钢屈服强度方法技术

本发明专利技术提供了一种基于多磁融合在线测量冷轧带钢屈服强度方法，将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当前带钢厚度作为输入，通过多层前馈神经网络得到当前带钢的屈服强度，其中，所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量，每一种电磁检测方法均输出一个曲线信号，每一个曲线信号均通过定义转化为量化参数进行表征。本发明专利技术可以用来对在线运行的带钢的屈服强度进行在线检测，获取带钢全长高密度的数据值，在10%的相对误差精度范围内，样本合格率为90%以上。样本合格率为90%以上。样本合格率为90%以上。

On line measurement of yield strength of cold rolled strip based on multi magnetic fusion

【技术实现步骤摘要】
由最小到最大时的巴克豪森曲线宽度。
[0010]进一步改进，计带钢和传感器之间测量间距G，当4mm≤G≤6mm时，将带钢和传感 器之间的间距实际波动值引入到数学模型中，当G＞6mm或者G＜4mm时，导致电磁参数 偏差大，认定系统处于异常状态。
[0011]本专利技术有益效果在于：通过对运行的带钢施加四种综合的电磁检测技术，实时获取 多个电磁信号，获得多个电磁参数，且所开发的方法不依赖机组的工艺实时参数，实现 在线快速测量带钢屈服强度的目的，获取带钢全长高密度的数据值，在10％的相对误差 精度范围内，样本合格率为90％以上。
附图说明
[0012]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它 的附图。
[0013]图1为检测硬件配置示意图。
[0014]图2为检测硬件具体结构示意图。
[0015]图3为BP神经网络算法网络拓扑结构示意图。
[0016]图4为BP神经网络学习算法流程图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基 于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其它实施例，都属于本专利技术保护的范围。
[0018]本专利技术采用的硬件配置如图1所示，完整的检测系统包括在线的检测硬件系统，配 套的软件系统，数学模型，以及相应的数据接口和计算机网络等。
[0019]图2为本专利技术的检测硬件具体结构示意图，带钢1通常以0
‑
300m/min的速度运行， 带钢经由两根前后布置的托辊2，实现带钢的运行轨迹线稳定。托辊2之间布置有可以 升降和宽向横移的电磁检测单元3。电磁检测单元3置于运行带钢下方，由控制系统实 现其升降和横移。硬件检测系统中还包括测距仪表4，作用是实时测量电磁检测单元3 与带钢1下表面的间距并发送到控制计算机中。探头升降装置5实现电磁检测单元3的 上下动作，机械限位装置6保障电磁检测单元3与带钢1之间的安全距离。
[0020]带钢的下表面和探头表面之间的距离7是关键参数，由于带钢运行时有抖动，以及 薄带钢固有的板性的波动等外部因素影响，带钢的间距是微幅波动的，通过测距仪表4 进行实时测量，其目标值为5mm，允许误差为
±
1mm，该参数称为Gap，简称G，作为检 测数学模型的一个输入。特别要说明的是，测量间距G，当4mm≤G≤6mm时，测量有效， 可以对检测结果进行修正，当G＞6mm或者G＜4mm时，系统处于异常状态，检测条件不 满足，检测无效。图2分别为电磁检测单元在线和下降位置。
[0021]本专利技术将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及
当 前带钢厚度作为输入，通过多层前馈神经网络得到当前带钢的屈服强度，其中，所述的 一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量， 每一种电磁检测方法均输出一个曲线信号，每一个曲线信号均通过定义转化为量化参数 进行表征。
[0022]本专利技术专利重点为巴克豪森噪声检测的实现。巴克豪森噪声检测的电磁参数如下表 所示。
[0023] 参数单位解释EM1RMSV一个周期内幅值的均方根EM2AVEV一个周期内幅值的平均值EM3YMAXV最大幅值EM4KDA/cmYMAX的30％时的巴克豪森曲线宽度EM5MAXTIMEA/cmYMAX由最小到最大时的巴克豪森曲线宽度
[0024]集成的检测系统中最多输出26个电磁参数，下文以“R”代表屈服强度，阐述R值 的计算流程，和在线检测方法和数学模型。屈服强度的在线预测是基于人工神经网络(ANN)中的BP神经网络来实现的。
[0025]BP(Back Propagation)神经网络算法是一种按误差逆传播算法进行学习与训练的 多层前馈型网络，最早由Rumelhart和McCelland等科学家于1986年提出。其网络拓 扑结构如图3所示，网络结构由输入层、隐含层、输出层三部分构成，其中输入层和输 出层各只有一个，而隐含层可以有多个，各层都由若干神经元组成。层内神经元节点之 间互不相连，而层间神经元节点采用全连接的方式，即输入层的任意一个神经元节点都 与隐含层的所有节点有连接，隐含层的任意一个神经元节点都与输出层的所有节点有连 接。
[0026]图中，x＝(x0,x1,
…
,x
n
‑1)为输入矢量，x
i
,i＝(0,1,
…
,n
‑
1)表示输入层第i个神经 元的输入量，b
j
,j＝(0,1,
…
,l
‑
1)为隐含层神经元节点的输出，y
k
,k＝(0,1,
…
,m
‑
1)为 输出层节点的输出，n、l、m分别表示输入层、隐含层、输出层的神经元节点数，v
ij
表 示输入层第i个神经元节点到隐含层第j个节点的权值，w
jk
表示隐含层第j个节点到输出 层第k个节点的权值。则：
[0027]隐含层各神经元节点的输出为
[0028][0029]输出层各神经元节点的输出为
[0030][0031]其中，θ
j
、φ
k
分别表示隐含层节点、输出层节点的阈值；f1、f2分别表示隐含层、 输出层的传递函数。
[0032]假设输出层节点的期望输出结果为O
k
，则总的误差
[0033][0034][0035]误差反向传播的目的是通过调整权值使总误差不断减小，因此权值应沿着误差的负 梯度方向进行调整，即权值的变化量应满足下式：
[0036][0037][0038]上述两式中，η为常数，称为学习率，通常取0<η<1。
[0039]结合式以上各式，可得隐含层、输出层权值调整公式分别为：
[0040][0041][0042]同理可得，隐含层、输出层阈值调整公式分别为：
[0043][0044][0045]根据权值和阈值调整公式计算出新的权值和阈值后，进入新一轮的正向传播过程。
[0046]上述推导过程是针对单个训练样本，基于单隐含层的BP神经网络进行的，其基本 思想对于多隐含层的BP神经网络同样适用，在计算权值和阈值的调整量时，由输出层 经中间各隐含层向第一个隐含层逐层向前递推。多个训练样本的误差计算方式为各单样 本误差的累积和。
[0047]综上，BP神经网络学习算法的执行过程可以概括为两个主要部分：信号的正向传播 和误差的反向传播。对于每一个训练样本，正向传播时，输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多磁融合在线测量冷轧带钢屈服强度方法，其特征在于：将在线检测的一组电磁参数、带钢和传感器之间的间距实际波动值、以及当前带钢厚度作为输入，通过多层前馈神经网络得到当前带钢的屈服强度，其中，所述的一组电磁参数来自于巴克豪森、增量磁导率、切向磁场和多频涡流四种方法的综合测量，每一种电磁检测方法均输出一个曲线信号，每一个曲线信号均通过定义转化为量化参数进行表征。2.根据权利要求1所述的基于多磁融合在线测量冷轧带钢屈服强度方法，其特征在于：所述的电磁检测方法表征的电磁参数为26个。3.根据权利要求2所述的基于多磁融合在线测量冷轧带钢屈服强度方法，其特征在于：所述的多层前馈神经网络模型为输入层、隐含层、输出层三层结构，模型输入层为28个参数，包括26个电磁参数...

【专利技术属性】
技术研发人员：连承拯，王平，石玉，李开宇，焦靖琪，刘屹然，李磊，徐维磊，孔梦红，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：