热轧板带质量控制模型的研究与实践

1、热轧板带质量控制模型的研究与实践 【摘 要】本文阐述热轧板带的质量预测，以昆明钢铁热轧产品q235为例进行研究分析，运用bp理论构建以力学性能为输出，轧制参数和化学成分为输入的质量预测模型bp热轧板带质量模型，而后借助bp神经网络质量模型，对产品的力学性能进行预测分析。本文借助于bp神经网络建立质量模型对q235产品进行了全面的质量预测，结果显示其精度高，完全符合我们的预测要求，因此现实了bp神经网络在预测方面的超强能力。进而通过此模型的构建，为我们今后进行热轧产品的优化奠定了坚实的基础。 【关键词】力学性能；bp神经网络；质量预测；神经网络算法 在热轧板带的研究分析中，其质量往往是大家最为关

2、注的，分析人员希望能够在热轧产品成型前就能够得到产品的质量特性，专业人士将这一问题称为热轧产品的质量预测问题。然而，热轧板带的形成过程是一个具有典型性质的mi-mo非线性系统，与我们传统的多远线性回归方法所计算的结果通常都会有很大的误差。 神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。它无需预先给定公式，而是以实验数据为基础，经过有限次迭代计算而获得实验数据的内在规律，适用于研究非线性系统。神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。因此，我们可采用人工神经网络对热轧产品的质量进行预测。 本文以昆钢热轧产品q235为例，对热轧板带的质量预测进行

3、研究。利用bp神经网络理论建立以化学成分、轧制参数为输入，以力学性能为输出的质量预测模型bp热轧板带质量模型，并利用训练好的bp神经网络质量模型，对产品的力学性能进行预测。 1 bp神经网络 （1） bp神经网络原理 （2）bp神经网络是一种神经网络学习算法，又输入层、中间层、输出层组成，中层可扩展为多层，相邻层之间各神经元进行权连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入相应产生连接权值，然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的

4、极小值，即完成学习的整个过程。bp神经网络原理如图1： 图1 bp神经网络模型结构 1.2 bp神经网络算法 bp神经网络学习算法是一种迭代算法，一次学习过程包括两个子学习过程：输出数据的正向传播和误差的反向传播。如果在输出层没有得到期望输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最小。bp神经网络流程图如图2： 图2 bp神经网络算法流程图 2 热轧bp神经网络质量模型 本文以昆钢生产的q235为研究对象，通过对大量数据进行统计与分析，得到主要输入参数与输出参数。神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。输入参数包括化

5、学成分（碳、硅、锰、硫、磷）和轧制参数（板坯原始厚度、板坯粗轧结束厚度、最终厚度、开闸温度、总闸温度、层流冷却温度、层流冷却开始温度、层流冷却结束温度、卷取温度），输出参数为力学性能（抗拉强度、屈服强度、伸长率）。热轧板带的形成过程是一个具有典型性质的mi-mo非线性系统，通过我们传统的多远线性回归方法所计算的结果通常都会有很大的误差。 根据以上对热轧产品生产流程的分析，我们将要构造的热轧bp神经网络质量模型具有14个输入和3个输出，热轧bp神经网络质量模型。 在确定了热轧bp神经网络质量模型之后，我们从生产数据中随机抽取700条数据，其中600条数据作为bp神经网络训练数据，100条数据作为

6、bp神经网络测试数据。 3 热轧bp神经网络质量模型预测结果和分析 使用matlab中的神经网络工具箱建立热轧bp神经网络质量模型，以屈服强度（rm）为例，使用100组数据进行测试分析，生产中，产品最终规格与要求规格误差在5%之内即为合格，而在误差在5%之内的占到85%之上即处于可接受范围，以此为标准，分析结果如图3（表1、表2）： 图3 热轧bp神经网络模型结构 表1 输出差值统计表 表2 输出误差统计表 表1为屈服强度rm预测输出值与实际输出值之差的绝对值在不同范围时，数据个数统计，样本总数据个数为100，则由表1知，输出误差绝对值在0-10之间的数据有82个，在10-20之间的数据有16个，在20之上的数据有2个，在样本中所占比例分别为82%、16%、2%。 表2为屈服强度rm输出误差在不同范围