一种冷轧薄带钢塑性应变比在线检测方法及其系统技术方案

本发明专利技术公开了一种冷轧薄带钢塑性应变比在线检测方法及其系统，该冷轧薄带钢塑性应变比在线检测方法包括以下步骤：建立冷轧薄带钢的人工神经元网络算法模型；通过人工方法获得冷轧薄带钢的塑性应变比；对冷轧薄带钢的人工神经元网络算法模型进行模型训练；将冷轧薄带钢的人工神经元网络算法模型用于在线检测。该冷轧薄带钢塑性应变比在线检测方法通过对运行的带钢施加综合的电磁检测，实时获取多个电磁信号，同时对电磁信号进行了扩展，该冷轧薄带钢塑性应变比在线检测方法通过建立人工神经元网络算法模型，实现在线精确测量带钢塑性应变比的目的，科学性能强、实用性能高，减少了原料的浪费和人力成本。原料的浪费和人力成本。原料的浪费和人力成本。

【技术实现步骤摘要】
一种冷轧薄带钢塑性应变比在线检测方法及其系统


[0001]本专利技术涉及无损检测
，更具体地，涉及一种冷轧薄带钢塑性应变比在线检测方法及其系统。

技术介绍

[0002]塑性应变比即R值，是评价金属薄板深冲性能的最重要参数。将板条试样在拉伸试验机上，使之产生20％的拉伸变形，这时的板宽方向应变与板厚方向应变的比值，就称之为塑性应变比，又称Lankford值或r值，它反映金属薄板在某平面内承受拉力或压力时，抵抗变薄或变厚的能力。当前钢铁企业对冷轧薄带钢的塑性应变比(R)的检测主要是切样离线试验法，切样离线试验法是目前广泛采用的方法。即在一卷带钢的某个部位，如头、尾切样，然后送到实验室进行离线测试，获取试样的塑性应变比率，由此来推断一卷带钢的屈服延伸率。
[0003]薄板试件拉伸时宽度方向的应变与厚度方向的应变之比，用R表示：R＝ε
w
/ε
t
.式中ε
w
＝lnb/b0是宽度方向的应变；ε
t
＝lnt/t0是厚度方向的应变。通常也称为厚向异性系数。r值可通过测量拉伸变形前后试件标距内的宽向尺寸和长度尺寸并按下式计算确定：
[0004][0005]式中：l0,b0为试件变形前标距内的长度和宽度尺寸；如果试件在板材中所处的方位不同具体见说明书附图1，试验所得的厚向异性系数也不同。这是因为板材的织构组织和力学性能各方向并不均匀一致。这里选取R90为主要研究对象，切样离线试验法的优点是简单，结果直接，且精度高。但这种方法存在如下弊端：其一，数据时滞大，对生产过程的帮助有限，在线控制更无从谈起。其二，数据不完整，仅能反应一卷带钢头、尾的值。其三，剪切浪费。机组在生产时，由于某种原因停机或者低速生产，为了维持“头、尾合格，则中间也合格”的经验判断，此时通常要切除一段“疑似不合格”的带钢。切多少没有判断标准，只能尽量多切，显然造成了浪费。其四，需要全天候有人在机旁作业，劳动强度高，人工成本高。

技术实现思路

[0006]本专利技术的目的在于提供一种冷轧薄带钢塑性应变比在线检测方法，通过人工在线测量的冷轧薄带钢的输入参数，实时获取多个电磁信号，同时对电磁信号进行了扩展，对影响电磁参数的间距实际波动值进行修正，并考虑带钢厚度的影响，所开发的人工神经元网络算法模型不依赖机组的工艺实时参数，实现在线精确测量带钢塑性应变比。
[0007]为了实现上述目的，本专利技术采用以下技术方案：
[0008]依据本专利技术的一个方面，提供一种冷轧薄带钢塑性应变比在线检测方法，包括以下步骤：
[0009]S1.建立用于冷轧薄带钢塑性应变比在线检测的人工神经元网络算法模型；
[0010]S2.获得在线检测的冷轧薄带钢的参数，作为所述人工神经元网络算法模型的输
入；
[0011]S3.对所述人工神经元网络算法模型进行模型训练；
[0012]S4.基于冷轧薄带钢的的参数，应用所述人工神经元网络算法模型获得冷轧薄带钢的塑性应变比。
[0013]依据本专利技术上述方面的的冷轧薄带钢塑性应变比在线检测方法，其中S1包括以下步骤：
[0014]S11.选取BP多层前馈神经网络为所述人工神经元网络算法模型；
[0015]S12.对BP多层前馈神经网络的参数进行选取。
[0016]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S11中的BP多层前馈神经网络包括输入层、隐含层和输出层；其中，输入层的输入参数总共为44个；隐含层为8
‑
12层，输出层的输出参数为1个；输入层与隐含层之间的传递函数采用Sigmoid函数，隐含层和输出层的传递函数采用purelin函数。
[0017]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S12中BP多层前馈神经网络的参数包括传递函数、学习算法、迭代次数、学习率、训练目标误差、初始权值和阈值。
[0018]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S2包括以下步骤：
[0019]S21.获得在线测量的冷轧薄带钢的参数包括一组电磁参数组、带钢和探头之间的间距实际波动值Gap、当前带钢厚度以及当前带钢张力；
[0020]S22.将上述参数输入所述人工神经元网络算法模型，计算得到冷轧薄带钢的塑性应变比。
[0021]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中一组电磁参数组包括41个电磁响应参数，分别对应于切线磁场谐波响应参数EM1
‑
EM11、巴克豪森噪声检测响应参数EM12
‑
EM18、增量磁导率电磁检测响应参数EM19
‑
EM25和多频涡流电磁检测响应参数EM26
‑
EM41。
[0022]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，当带钢和探头之间的间距实际波动值Gap满足4mm≤Gap≤6mm时，将实际波动值Gap引入到人工神经元网络算法模型中，当Gap＞6mm或者Gap＜4mm时，检测系统处于异常状态，检测无效。
[0023]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S3包括以下步骤：
[0024]S31.以生产线过去一段时间生产的塑性应变比为训练样本，给出输入向量和输出向量；
[0025]S32.初始化权值和阈值，计算隐含层和输出层各节点输出；
[0026]S33.求出期望输出和实际输出的误差E，判断误差E是否达到技术要求；
[0027]S34.误差E达到技术要求结束计算，误差E达不到技术要求，计算隐含层和输出层的各单元误差，计算误差梯度，更新权值和阈值。
[0028]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S3中人工神经元网络算法模型进行模型训练的执行过程包括信号的正向传播和误差的反向传播；对于每一个训练样本，信号的正向传播时，输入向量从输入层逐层传向输出层；误差的反向传播
时，误差由隐含层反向逐层传至输入层；两个执行过程循环往复，直到满足设定的终止条件。
[0029]依据本专利技术上述方面的冷轧薄带钢塑性应变比在线检测方法，其中S4包括以下步骤：
[0030]S41.对样本的塑性应变比的人工神经元网络算法模型的计算值和离线试样测试值进行对比；
[0031]S42.根据在线检测评价标准评判人工神经元网络算法模型是否符合要求，在线检测评价标准为：对于给定的样本数量N，90％的样本测量精度满足相对误差≤10％。
[0032]依据本专利技术的另一个方面，还提供了一种冷轧薄带钢塑性应变比的在线检测系统，包括：
[0033]电磁检测单元，设于带钢下方的升降装置上，通过对带钢实施电磁检测，以获得多个电磁响应信号；
[0034]测距仪，设于所述电磁检测单元上，用以获取所述带钢的下表面与所述电磁检测单元之间的间距G；
[0035]张力检测单元，设于所述电磁检测单元上，用于获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，包括以下步骤：S1.建立用于冷轧薄带钢塑性应变比在线检测的人工神经元网络算法模型；S2.获得在线检测的冷轧薄带钢的参数，作为所述人工神经元网络算法模型的输入；S3.对所述人工神经元网络算法模型进行模型训练；S4.基于冷轧薄带钢的的参数，应用所述人工神经元网络算法模型获得冷轧薄带钢的塑性应变比。2.如权利要求1所述的一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，所述S1包括以下步骤：S11.选取BP多层前馈神经网络为所述人工神经元网络算法模型；S12.对BP多层前馈神经网络的参数进行选取。3.如权利要求2所述的一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，所述S11中的BP多层前馈神经网络包括输入层、隐含层和输出层；其中，输入层的输入参数总共为44个；隐含层为8
‑
12层，输出层的输出参数为1个；输入层与隐含层之间的传递函数采用Sigmoid函数，隐含层和输出层的传递函数采用purelin函数。4.如权利要求2所述的一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，所述S12中BP多层前馈神经网络的参数包括传递函数、学习算法、迭代次数、学习率、训练目标误差、初始权值和阈值。5.如权利要求1所述的一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，所述S2包括以下步骤：S21.获得在线测量的冷轧薄带钢的参数包括一组电磁参数组、带钢和探头之间的间距实际波动值Gap、当前带钢厚度以及当前带钢张力；S22.将上述参数输入所述人工神经元网络算法模型，计算得到冷轧薄带钢的塑性应变比。6.如权利要求5所述的一种冷轧薄带钢塑性应变比在线检测方法，其特征在于，所述一组电磁参数组包括41个电磁响应参数，分别对应于切线磁场谐波响应参数EM1
‑
EM11、巴克豪森噪声检测响应参数EM12
‑
EM18、增量磁导率电磁检测响应参数EM19
‑
EM25和多频涡流电磁检测响应参数EM26
‑
EM41。7.如权利要求5所述的一种冷轧薄带钢塑性应变比在线检测方法，其...

【专利技术属性】
技术研发人员：唐成龙，王存兵，王学敏，韩建增，陈云鹏，汤文杰，周军，
申请(专利权)人：上海能辛智能科技有限公司，
类型：发明
国别省市：