使用数学模型和BP神经网络相结合的方法对轧制力进行预测。与大多数神经网络仅选取轧制变量作为输入量不同, 该BP神经网络增加了喷油量和轧制力模型计算值作为输入变量以考虑摩擦对轧制力的影响, 避免过大的轧制力预测偏差, 从而形成了11×7×1的网络结构, 并和轧制力模型组合构成CSP生产线轧制力预测模型。结果表明: 该神经网络模型预测值与实测平均值的平均相对误差仅为1.08%, 轧制力模型的平均相对误差为6.32%, 该神经网络对轧制力实测平均值的跟踪能力更好, 有较高的工程应用价值。
所属栏目
物理模拟与数值模拟
收稿日期
2014/1/232014/8/1
作者单位
何亚元:武汉钢铁集团公司研究院, 武汉 430080
严翔:武汉钢铁集团公司研究院, 武汉 430080
李立新:武汉科技大学材料与冶金学院, 武汉 430081
周千学:武汉钢铁集团公司研究院, 武汉 430080
官计生:武汉钢铁集团公司研究院, 武汉 430080
备注
何亚元(1986-), 男, 湖北黄冈人, 硕士。
引用该论文:
HE Ya-yuan,YAN Xiang,LI Li-xin,ZHOU Qian-xue,GUAN Ji-sheng.Prediction Model of Rolling Force of CSP Line Based on BP Neural Network[J].Materials for mechancial engineering,2014,38(10):79～82
何亚元,严翔,李立新,周千学,官计生.基于BP神经网络的CSP生产线轧制力预测模型[J].机械工程材料,2014,38(10):79～82
参考文献
【1】
MOON C H, LEE Y. Approximate model for predicting roll force and torque in plate rolling with peening effect considered[J].ISIJ International, 2008, 48(10): 1409-1418.
【2】
李维刚, 谭树彬, 李家波, 等.热连轧机轧制力和轧制力矩模型研究[J].东北大学学报: 自然科学版, 2011, 32(5): 622-625.
【3】
SON J S, LEE D M, KIM I S, et al. A study on on-line learning neural network for prediction for rolling force in hot-rolling mill[J].Journal of Materials Processing Technology, 2005, 164/165: 1612-1617.
【4】
LEE D, LEE Y. Application of neural network for improving accuracy of roll-force model in hot-rolling mill[J]. Control Engineer Practice, 2002(10): 473-478.
【5】
李元, 刘文仲, 孙一康.神经元网络在热连轧精轧机组轧制力预报的应用[J].钢铁, 1996, 31(1): 54-57.
【6】
谭成楠, 程晓茹, 任勇, 等.基于人工神经网络的CSP精轧机组轧制力预报[J].武汉科技大学学报, 2008, 31(2): 143-146.
【7】
JIANG Z Y, TANG J, SUN W, et al. Analysis of tribological feature of the oxide scale in hot strip rolling[J].Tribology International, 2010, 43(8): 1339-1345.
【8】
AZUSHIMA A, XUE W D, YOSHIDA Y. Influence of lubricant factors on coefficient of friction and clarification of lubrication mechanism in hot rolling[J].ISIJ International, 2009, 49(6): 868-873.
【9】
SHIRIZLY A, G.LENARD J. The effect of lubrication on mill loads during hot rolling of low carbon steel strips[J].Journal of Materials Processing Technology, 2000, 97: 61-68.
【10】
马占福, 赵西成. 润滑介质在热轧生产中的功效分析[J].四川冶金, 2009, 31(3): 46-48.
【11】
刘玠, 孙一康.带钢热连轧计算机控制[M].北京: 机械工业出版社, 1997.
【12】
胡耀波, 李鹏, 熊惟皓.BP神经网络的实现及应用[J]. 机械工程材料, 2002, 26(6): 16-18.
【13】
王玉, 谭力, 邢渊, 等.人工神经网络在热处理质量控制中的应用研究[J]. 机械工程材料, 2000, 24(2): 8-9.
【14】
王国栋, 刘相华.金属轧制过程人工智能优化[M].北京: 冶金工业出版社, 2000.
【15】
曹建国, 张杰, 张少军, 等.轧钢设备及自动控制[M].北京: 化学工业出版社, 2010.
【16】
何亚元, 严翔, 李立新.CSP生产线应力状态系数模型[J].钢铁研究学报, 2013, 25(9): 16-18.
【17】
MYERS R J M. Gauge, shape and profile control using a shapemeter[J].Steel Times International, 1996, 20(2): 30-35.
【18】
熊文涛, 李立新, 范进, 等.CSP生产线精轧区带钢温度设定模型研究[J].武汉科技大学学报, 2012, 35(2): 89-91.
【19】
孙蓟泉, 张金旺, 王永春, 等.SPHC钢热变形行为的研究[J].钢铁, 2008, 43(9): 44-48.
【20】
董长虹.Matlab神经网络与应用[M].北京: 国防工业出版社, 2007.
【21】
谢庆生.机械工程中的神经网络方法[M].北京: 机械工业出版社, 2003.
