基于神經(jīng)網(wǎng)絡(luò)的銅板帶冷軋軋制力預(yù)測(cè)研究

楊 帆，許建新，劉 昕

（1.江西省鷹潭市貴溪冶煉廠，江西 省鷹 335400；2.江西銅業(yè)集團(tuán)銅板帶有限公司，江西 南昌 330096）

冷軋機(jī)是在銅板生產(chǎn)中不可或缺的機(jī)器設(shè)備，而高精度銅板冷軋機(jī)對(duì)于提高銅板產(chǎn)品質(zhì)量具有無(wú)可比擬的優(yōu)勢(shì)。高精度冷軋機(jī)能夠軋制出厚度更薄、更均一的高精度銅板板材。實(shí)現(xiàn)在軋制過程中軋制力的預(yù)測(cè)有助于提高冷軋機(jī)精度及提高生產(chǎn)效率。但金屬的軋制過程需要考慮到外部的壓力、速度、流量、溫度等諸多因素，因此，軋制金屬這一過程是典型的非線性問題。

諸多的軋制控制參數(shù)當(dāng)中，軋制力大小的控制對(duì)于冷軋機(jī)精度的控制和提高具有重要意義。金屬軋制過程中的自動(dòng)化，合理工藝的制定等問題都需要重點(diǎn)考慮軋制力參數(shù)，因此，對(duì)軋制過程中的軋制力進(jìn)行預(yù)測(cè)是十分有必要的。

1 軋制力預(yù)測(cè)方法對(duì)比分析

傳統(tǒng)的軋制力預(yù)測(cè)計(jì)算是通過計(jì)算公式直接進(jìn)行計(jì)算及回歸的。數(shù)學(xué)公式在推到時(shí)對(duì)軋制力問題進(jìn)行了諸多的簡(jiǎn)化，因此其計(jì)算必定會(huì)存在誤差。在實(shí)際情況下，影響軋制力的因素是多方面的，單純的公式計(jì)算無(wú)法考慮各方面的因素影響，同時(shí)對(duì)于外部因素對(duì)預(yù)制力大學(xué)影響的程度和規(guī)律都是未知的。

相比于通過傳統(tǒng)軋制理論公式進(jìn)行計(jì)算的方法而言，機(jī)器學(xué)習(xí)算法中的神經(jīng)元網(wǎng)絡(luò)算法在非線性問題求解中更為適用，神經(jīng)元網(wǎng)絡(luò)能夠具有能考慮除理論公式中參數(shù)外的多方面因素，挖掘數(shù)據(jù)同環(huán)境背后存在的客觀聯(lián)系等諸多優(yōu)勢(shì)，并且，神經(jīng)元網(wǎng)絡(luò)方法能夠進(jìn)行自適應(yīng)和學(xué)習(xí)，隨著數(shù)據(jù)的積累其預(yù)測(cè)精度也會(huì)有進(jìn)一步的提高。

因此，本文擬通過基于神經(jīng)元網(wǎng)絡(luò)算法來構(gòu)建一個(gè)用于用于冷軋機(jī)軋制力預(yù)測(cè)的AI預(yù)測(cè)模型。

2 神經(jīng)元網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。

采用算法的多層前饋網(wǎng)絡(luò)是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò),在多層前饋網(wǎng)的應(yīng)用中,圖1所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。神經(jīng)網(wǎng)絡(luò)由輸入層、若干隱含層和輸出層相互連接構(gòu)成,前、后相連層的任意兩節(jié)點(diǎn)均連接,本層和非相鄰層各節(jié)點(diǎn)間無(wú)連接。隱含層的轉(zhuǎn)移函數(shù)一般為非線性的型函數(shù)。輸出層的轉(zhuǎn)移函數(shù)可以是線性或非線性的函數(shù)。

圖1 神經(jīng)元網(wǎng)絡(luò)的基本結(jié)構(gòu)圖

3 軋制力預(yù)測(cè)模型的構(gòu)建

神經(jīng)元網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建流程大致如圖2所示。

圖2 AI模型構(gòu)建流程圖

3.1 訓(xùn)練集的構(gòu)建

本文以某八輥五機(jī)架冷連軋機(jī)的過程控制為例，該機(jī)組的型號(hào)參數(shù)表如下。

表1 型號(hào)參數(shù)表

其中，穿帶速度設(shè)為1m/s，軋制的最大速限制為16m/s，最大軋制力11000KN，入口張力為150KN，卷曲張力為100KN。

將冷軋機(jī)機(jī)組的工藝參數(shù)數(shù)據(jù)及其對(duì)應(yīng)的軋制力共同組成訓(xùn)練集，其中軋制力作為目標(biāo)參數(shù)，其余參數(shù)均為訓(xùn)練參數(shù)。

表2 部分訓(xùn)練集參數(shù)

3.2 神經(jīng)元模型構(gòu)建

圖3 神經(jīng)元網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)圖

基于谷歌開源的Tennsorflow AI平臺(tái)構(gòu)建了一個(gè)神經(jīng)元網(wǎng)絡(luò)模型，模型結(jié)構(gòu)流圖如圖3所示。

3.3 模型訓(xùn)練

輸入相應(yīng)超參數(shù)值后，開始訓(xùn)練模型。

圖4 神經(jīng)元網(wǎng)絡(luò)計(jì)算結(jié)構(gòu)圖

迭代次數(shù)為140次，得到迭代損失值圖（圖4～圖6）

圖5 LOSS曲線圖（橫坐標(biāo)為迭代次數(shù)）

圖4～圖6中，藍(lán)線為訓(xùn)練集LOSS值，橙線為測(cè)試集LOSS值，隨著迭代次數(shù)的增多，LOSS值越來越小，這說明AI模型訓(xùn)練收斂情況較好。

3.4 軋制力結(jié)果預(yù)測(cè)

將現(xiàn)場(chǎng)實(shí)際實(shí)測(cè)數(shù)據(jù)輸入AI模型中，得到預(yù)測(cè)結(jié)果，并同實(shí)際力值進(jìn)行預(yù)測(cè)，其預(yù)測(cè)加過圖如圖6所示。

圖6 AI神經(jīng)元網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比

誤差率在0.05%～3%之間，平均誤差率僅為1.3%。預(yù)測(cè)精度較高。

4 結(jié)語(yǔ)

通過神經(jīng)元網(wǎng)絡(luò)來預(yù)測(cè)冷軋機(jī)的軋制力是可行的，本文基于TENSORFLOW平臺(tái)構(gòu)建了神經(jīng)元網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)對(duì)比，取得了較高的預(yù)測(cè)精度。