基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法技术

本发明专利技术涉及矫直机工艺技术领域，基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法，获取现有的矫直机边辊样本，构建样本库；搭建基于边辊神经网络的矫直机边辊模型框架；用所述样本库的样本对所述矫直机边辊模型进行训练与验证，获得训练好的矫直机边辊模型；实时在线采集新的矫直机边辊样本作为输入量，通过所述训练好的矫直机边辊模型预测边辊升降量；若测出的板的残余曲率不为0，利用边辊模糊控制系统获取边辊修正量；利用所述边辊升降量和所述边辊修正量，对所述矫直机边辊模型进行优化，获取优化的矫直机边辊智能控制系统。获取优化的矫直机边辊智能控制系统。获取优化的矫直机边辊智能控制系统。

【技术实现步骤摘要】
基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法


[0001]本专利技术涉及矫直机工艺
，特别是涉及一种辊式矫直机边辊设定方法。

技术介绍

[0002]矫直机边辊控制模型是矫直机控制系统的关键技术，但至今边辊的工艺设定模型还不成熟，目前工人师傅对于边辊的调整主要是通过在线调整，即根据进入矫直机的板材的头尾部的翘曲程度，进行手动的调整，但这种方式效率低，精度差，因此研究辊式矫直机边辊设定方法至关重要。
[0003]本专利采用边辊神经网络，结构简单，与生产实践结合起来，同时采用边辊模糊控制矫正入，出口边辊升降量，能提高对缺陷板材头尾部的矫直能力和效率。

技术实现思路

[0004]本专利技术提供了一种基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法，解决目前对于手动进行矫直机边辊调整的方式所带来的效率低精度差的问题。
[0005]本专利技术本专利技术所采用的技术方案是：一种基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法，包括以下步骤：
[0006]获取现有的矫直机边辊样本，构建样本库；
[0007]搭建基于边辊神经网络的矫直机边辊模型框架；
[0008]用所述样本库的样本对所述矫直机边辊模型进行训练与验证，获得训练好的矫直机边辊模型；
[0009]实时在线采集新的矫直机边辊样本作为输入量，通过所述训练好的矫直机边辊模型预测边辊升降量；
[0010]若测出的板的残余曲率不为0，利用边辊模糊控制系统获取边辊修正量；
[0011]利用所述边辊升降量和所述边辊修正量，对所述矫直机边辊模型进行优化，获取优化的矫直机边辊智能控制系统。
[0012]获取现有的矫直机边辊样本中，每个样本包括温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度的值以及相应的入口边辊和出口边辊的升降量。
[0013]所述构建基于边辊神经网络的矫直机边辊模型框架中，以温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度6个影响矫直边辊参数作为矫直机边辊模型的输入量，相应的入口边辊和出口边辊的升降量作为矫直机边辊模型的输出量，隐含层由经验设置为9个，即建立矫直机边辊三层边辊神经网络模型，输入层6个单元，中间层9个单元，输出层2个单元，矫直机边辊模型的输入层与隐含层传递函数使用Sigmoid函数，输出层采用线性函数。用所述样本库的样本对所述矫直机边辊模型进行训练与验证，包括：
[0014]将初始权值w
(1)
,w
(2)
和初始偏重C
(1)
，C
(2)
设定为经验值在
‑
0.4到0.4之间的随机数，其中，w
(1)
,w
(2)
各为边辊神经网络隐含层和输出层的权值，C
(1)
，C
(2)
各为边辊神经网络隐含层和输出层的偏置,将所述样本库中的60％的样本作为训练样本，剩下的样本用于验证；
[0015]在所述板首训练样本中任意取出一组矫直机边辊样本即第P组矫直机边辊样本，矫直机边辊样本信息经过正向传播在矫直机边辊模型输出层得到边辊神经网络的输出量，即所述入口边辊和出口边辊的升降量；
[0016]网络的第P组矫直机边辊样本输入向量：i
P
＝[i
1P
,i
2P
,....i
6P
]T
，所述第P组矫直机边辊样本输出向量：y
P
＝[y
1P
,y
2P
]T
；
[0017]在所述第p组矫直机边辊样本输入时，实际边辊升降量为：
[0018]b
P
＝f1(w
(1)
i
P
+C
(1)
)
[0019]d
P
＝f2(w
(2)
b
P
+C
(2)
)
[0020]其中，i
1P
,i
2P
,....i
6P
分别为所述第P组矫直机边辊样本温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度，y
1P
,y
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量，b
P
，d
P
为所述第P组矫直机边辊样本隐含层，输出层的实际值；f1为Sigmoid函数；f2为线性函数；
[0021]利用所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量与所述第P组矫直机边辊样本输出层的实际值，通过采用误差平方和进行反向传播，性能指标采用误差平方和，设E
p
为在所述第P组样本输入时，边辊神经网络的目标函数，取L2范数，则
[0022][0023]其中，E
P
为所述第P组矫直机边辊样本的误差平方和；d
1P
，d
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的实际升降量；y
1P
，y
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量；E
1P
为所述第P组矫直机边辊样本入口边辊的实际升降量与理论值的差值；E
2P
为所述第P组矫直机边辊样本出口边辊的实际升降量与理论值的差值；
[0024][0025][0026]矫直机边辊模型训练方法采用梯度下降法，其中，W
jk1
(n+1)为所述针对板首的模型训练n+1次从输入层的第k个神经元到隐含层的第j个神经元所得到的权值，其中所述第k个神经元为图3的i
k
,k取1,2，
…
,6,其中所述第j个神经元为图3的j取1,2，
…
,9；W
jk1
(n)为所述针对板首的模型训练n次从输入层的第k个神经元到隐含层的第j个神经元所得到的权值；W
pq2
(n+1)为所述模型训练n+1次从隐含层的第q个神经元到输出层的第p个神经元所得到的权值,其中所述隐含层的第q个神经元为图3的q取1,2，
…
,9,所述输出层的第p个神经元为图3的p为1,2；W
pq2
(n)为所述模型训练n次从隐含层的第q个神经元到输出层的第p个神经元所得到的权值；δ为步长，取0.001；
[0027]矫直机边辊模型训练最大次数设置为1000次，即
[0028]n≥1000
[0029]性能目标设置为1
×
e
‑3，即
[0030]E
P
(n)≤1
×
e
‑3[0031]满足其一，则训练停止，直到所以的训练样本满足所述训练最大次数或所述性能
目标为止，将所述剩下的样本用于验证，若误差满足性能目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边辊神经网络与模糊技术的辊式矫直机边辊设定方法，其特征在于，包括以下步骤：获取现有的矫直机边辊样本，构建样本库；搭建基于边辊神经网络的矫直机边辊模型框架；用所述样本库的样本对所述矫直机边辊模型进行训练与验证，获得训练好的矫直机边辊模型；实时在线采集新的矫直机边辊样本作为输入量，通过所述训练好的矫直机边辊模型预测边辊升降量；若测出的板的残余曲率不为0，利用边辊模糊控制系统获取边辊修正量；利用所述边辊升降量和所述边辊修正量，对所述矫直机边辊模型进行优化，获取优化的矫直机边辊智能控制系统。2.如权利要求1所述的辊式矫直机边辊设定方法，其特征在于在于：获取现有的矫直机边辊样本中，每个样本包括温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度的值以及相应的入口边辊和出口边辊的升降量。3.如权利要求2所述的辊式矫直机边辊设定方法，其特征在于：所述构建基于边辊神经网络的矫直机边辊模型框架中，以温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度6个影响矫直边辊参数作为矫直机边辊模型的输入量，相应的入口边辊和出口边辊的升降量作为矫直机边辊模型的输出量，隐含层由经验设置为9个，即建立矫直机边辊三层边辊神经网络模型，输入层6个单元，中间层9个单元，输出层2个单元，矫直机边辊模型的输入层与隐含层传递函数使用Sigmoid函数，输出层采用线性函数。4.如权利要求3所述的辊式矫直机边辊设定方法，其特征在于，用所述样本库的样本对所述矫直机边辊模型进行训练与验证，包括：将初始权值w
(1)
,w
(2)
和初始偏重C
(1)
，C
(2)
设定为经验值在
‑
0.4到0.4之间的随机数，其中，w
(1)
,w
(2)
各为边辊神经网络隐含层和输出层的权值，C
(1)
，C
(2)
各为边辊神经网络隐含层和输出层的偏置,将所述样本库中的60％的样本作为训练样本，剩下的样本用于验证；在所述板首训练样本中任意取出一组矫直机边辊样本即第P组矫直机边辊样本，矫直机边辊样本信息经过正向传播在矫直机边辊模型输出层得到边辊神经网络的输出量，即所述入口边辊和出口边辊的升降量；网络的第P组矫直机边辊样本输入向量：i
P
＝[i
1P
,i
2P
,....i
6P
]
T
，所述第P组矫直机边辊样本输出向量：y
P
＝[y
1P
,y
2P
]
T
；在所述第p组矫直机边辊样本输入时，实际边辊升降量为：b
P
＝f1(w
(1)
i
P
+C
(1)
)d
P
＝f2(w
(2)
b
P
+C
(2)
)其中，i
1P
,i
2P
,....i
6P
分别为所述第P组矫直机边辊样本温度、厚度、屈服强度、弹性模量、压下量、板头或板尾翘曲度，y
1P
,y
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量，b
P
，d
P
为所述第P组矫直机边辊样本隐含层，输出层的实际值；f1为Sigmoid函数；f2为线性函数；利用所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量与所述第P组矫直机边辊样本输出层的实际值，通过采用误差平方和进行反向传播，性能指标采用误差平方
和，设E
p
为在所述第P组样本输入时，边辊神经网络的目标函数，取L2范数，则其中，E
P
为所述第P组矫直机边辊样本的误差平方和；d
1P
，d
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的实际升降量；y
1P
，y
2P
分别为所述第P组矫直机边辊样本入口边辊和出口边辊的理论升降量；E
1P
为所述第P组矫直机边辊样本入口边辊的实际升降量与理论值的差值；E
2P
为所述第P组矫直机边辊样本出口边辊的实际升降量与理论值的差值；为所述第P组矫直机边辊样本出口边辊的实际升降量与理论值的差值；矫直机边辊模型训练方法采用梯度下降法，其中，W
jk1
(n+1)为所述针对板首的模型训练n+1次从输入层的第k个神经元到隐含层的第j个神经元所得到的权值，其中所述第k个神经元为图3的i
k
,k取1,2，
…
,6,其中所述第j个神经元为图3的j取1,2，
…
,9；W
jk1
(n)为所述针对板首的模型训练n次从输入层的第k个神经元到隐含层的第j个神经元所得到的权值；W
pq2
(n+1)为所述模型训练n+1次从隐含层的第q个神经元到输出层的第p个神经元所得到的权值,其中所述隐含层的第q个神经元为图3的q取1,2，
…
,9,所述输出层的第p个神经元为图3的p为1,2；W
pq2
(n)为所述模型训练n次从隐含层的第q个神经元到输出层的第p个神经元所得到的权值；δ为步长，取0.001；矫直机边辊模型训练最大次数设置为1000次，即n≥1000性能目标设置为1
×
e
‑3，即E
P
(n)≤1
×
e
‑3满足其一，则训练停止，直到所以的训练样本满足所述训练最大次数或所述性能目标为止，将所述剩下的样本用于验...

【专利技术属性】
技术研发人员：胡鹰，徐杰，胡鹏，宋婷，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：