下载文档原格式
《铝热连轧机轧制力预报及模型自学习》篇一摘要：本文主要研究铝热连轧机在生产过程中轧制力的预报以及模型自学习的技术应用。
首先对铝热连轧机及其轧制力的相关背景进行了阐述，随后通过建立数学模型，分析轧制力与工艺参数之间的关系，并探讨了模型自学习的实现方法。
最后，通过实验验证了模型的有效性和实用性。
一、引言随着现代工业技术的不断发展，铝热连轧机作为金属材料加工的重要设备，其生产效率和产品质量对企业的经济效益和市场竞争能力具有重要影响。
轧制力作为铝热连轧机生产过程中的关键参数，其预报和控制对于提高产品质量和降低生产成本具有重要意义。
因此，研究铝热连轧机轧制力预报及模型自学习技术具有重要的理论价值和实践意义。
二、铝热连轧机及轧制力概述铝热连轧机是一种用于铝材连续轧制的设备，其工作原理是通过连续轧制使金属材料变形，以达到所需的尺寸和形状。
轧制力是铝热连轧机在轧制过程中对金属材料施加的力，其大小直接影响产品的尺寸精度和表面质量。
因此，准确预报和控制轧制力对于提高产品质量和降低生产成本具有重要意义。
三、轧制力预报模型的建立为了准确预报铝热连轧机的轧制力，需要建立相应的数学模型。
该模型应考虑轧制过程中的多种因素，如金属材料的性质、轧辊的形状和尺寸、轧制速度等。
通过分析这些因素对轧制力的影响，可以建立以这些因素为输入、轧制力为输出的数学模型。
此外，为了使模型更加准确，还需要考虑温度、摩擦等影响因素。
四、模型自学习技术的研究为了提高模型的预测精度和适应性，需要引入模型自学习技术。
该技术通过收集实际生产过程中的数据，对模型进行不断的学习和优化，使其能够适应不同的生产条件和工艺参数。
具体而言，可以通过神经网络、支持向量机等机器学习算法实现模型的自学习。
在自学习过程中，需要不断调整模型的参数和结构，以使其能够更好地适应实际生产情况。
五、实验验证及结果分析为了验证模型的有效性和实用性，我们进行了大量的实验。
实验结果表明，建立的数学模型能够较好地预测铝热连轧机的轧制力，且预测精度随着自学习过程的进行而不断提高。
《UCM冷连轧机薄带钢轧制板形控制的研究及有限元仿真》篇一一、引言随着现代工业的快速发展，冷连轧机在钢铁生产中扮演着至关重要的角色。
尤其对于薄带钢的轧制，其板形控制直接关系到产品的质量和性能。
UCM冷连轧机作为现代轧机技术的代表，其轧制板形控制的研究和优化显得尤为重要。
本文将针对UCM冷连轧机薄带钢轧制板形控制的研究进行深入探讨，并运用有限元仿真技术进行模拟分析。
二、UCM冷连轧机薄带钢轧制板形控制的重要性板形控制是冷连轧机轧制过程中的关键技术之一。
对于薄带钢而言，其板形的优劣直接影响到产品的机械性能、使用性能以及外观质量。
因此，UCM冷连轧机在轧制过程中必须进行有效的板形控制，以保证产品的质量和性能。
三、UCM冷连轧机薄带钢轧制板形控制的研究1. 轧制力与板形控制轧制力是影响板形控制的重要因素。
通过对轧制力的合理调整，可以有效地控制带钢的变形程度和分布，从而实现对板形的控制。
研究发现在一定范围内增加轧制力可以提高带钢的平整度，但过大的轧制力可能导致带钢产生内应力，影响产品质量。
2. 轧辊温度与板形控制轧辊温度对板形也有着重要影响。
在轧制过程中，通过合理控制轧辊温度，可以降低带钢的变形抗力，提高其塑性变形能力，从而有助于改善板形。
此外，轧辊温度的均匀性对带钢的厚度和表面质量也有着重要影响。
四、有限元仿真分析为了更好地研究UCM冷连轧机薄带钢轧制过程中的板形控制，本文采用了有限元仿真技术进行模拟分析。
通过建立轧制过程的有限元模型，可以更直观地了解轧制过程中带钢的变形情况、应力分布以及温度变化等情况，从而为实际生产提供指导。
五、仿真结果及分析1. 变形分析通过有限元仿真，我们可以清晰地看到带钢在轧制过程中的变形情况。
在合理的轧制力作用下，带钢的变形程度适中，分布均匀，有利于获得良好的板形。
而过大的轧制力则可能导致带钢产生局部过大的变形，影响产品质量。
2. 应力分布分析仿真结果还显示，在合理的轧制条件下，带钢的应力分布较为均匀。
第47卷第5期燕山大学学报Vol.47No.52023年9月Journal of Yanshan UniversitySept.2023㊀㊀文章编号:1007-791X (2023)05-0428-05基于MA-SVM 算法的冷轧轧制力预测模型陈树宗,侯佳琦,白芸松,华长春∗(燕山大学电气工程学院,河北秦皇岛066004)㊀㊀收稿日期:2022-09-02㊀㊀㊀责任编辑:温茂森基金项目:国家自然科学基金资助项目(U20A20187);河北省自然科学基金资助项目(E2019203255)㊀㊀作者简介:陈树宗(1986-),男,山东潍坊人,博士,主要研究方向为轧制过程自动化㊁复杂工业过程建模及优化控制;∗通信作者:华长春(1979-),男,江苏泰州人,博士,教授,博士生导师,主要研究方向为非线性动力系统的控制及应用㊁网络化控制系统的分析与设计,Email:cch@㊂摘㊀要:针对传统轧制力预测模型计算误差大㊁泛化性能差的问题,提出了一种基于蜉蝣算法优化支持向量机的冷轧轧制力预测模型㊂该模型在支持向量机的基础上,引入蜉蝣算法对支持向量机的参数进行优化,解决了手动调参不确定性大且耗费时间的问题㊂本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试,结果表明:本文所选模型轧制力预测值与实际值误差在ʃ5%的准确率为98.5%,模型误差小,具有较好的泛化性能,具有广阔的应用前景㊂关键词:轧制力预测;支持向量机;蜉蝣算法中图分类号:TG335.12㊀㊀文献标识码:A㊀㊀DOI :10.3969/j.issn.1007-791X.2023.05.0060㊀引言轧制力的精确预测在冷轧生产过程中至关重要㊂其预测精度直接关系到辊缝的设定,从而影响成品厚度及板形精度㊂冷轧过程受到多种因素的共同影响,具有非线性㊁强耦合性和不确定性等特点㊂传统机理模型存在较多假设和简化,计算精度有限且适用范围窄,难以满足多规格产品柔性化生产的需求[1]㊂随着人工智能技术的崛起,智能模型逐渐成为带钢轧制发展的方向㊂LI J 等[2]考虑了热轧工艺参数对冷轧工艺延伸的影响,将机理模型的轧制力计算值作为T-S 模糊神经网络模型的输入之一,极大提高了模型的预测精度;魏立新等[3]提出改进在线序列极限学习机,初始阶段使用粒子群算法优化权值和阈值,在线学习阶段根据隐层输出对预测值的贡献大小调整网络结构,具有很高的实时性,能满足现场在线预测轧制力的要求;WANG Z 等[4]提出了粒子群优化极限学习机的方法,建立了数据驱动的轧制力和轧制力矩预测模型;WEI L 等[5]使用多加权相似性度量的集成即时学习模型,多加权相似性度量用于提高样本选择的准确性,累积相似度因子和相似度阈值用于增强自适应能力,使得轧制力预测精度有所提升㊂但神经网络存在收敛速度慢㊁易陷入局部极小化等问题,且其基于经验风险最小化的训练方式导致它在网络推广能力上受到较大限制[6]㊂支持向量机(Support Vector Machine,SVM)是一种基于结构风险最小化的模型,可避免维数灾难问题,且在小样本学习中可获得较好泛化能力,适用于目前钢铁行业从大批量统一规格生产转为根据客户需求小批量定制化生产的情况㊂崔桂梅等[7]通过差分进化算法对SVM 的参数进行最优参数搜索,轧制力的预测精度有了一定的提高;杨景明等[8]采用改进的果蝇算法对最小二乘支持向量机的参数进行寻优,样本预测误差均在10%以内;何飞等[9]利用聚类区分不同的生产状态,在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后通过相乘修正轧制力,预测的平均相对误差为3.2%;宋君等[10]将压缩因子引入粒子群优化算法,并结合支持向量机模型预测工作辊的弯辊力,模型具有良好的预测性能和泛第5期陈树宗等㊀基于MA-SVM 算法的冷轧轧制力预测模型429㊀化能力㊂但上述优化算法均存在一定缺陷,如运行速度慢㊁易陷入局部最优等问题㊂而蜉蝣算法(Mayfly Algorithm,MA)相比于传统优化算法结合了群智能算法和进化算法的主要优点,收敛速度快㊁寻优能力更强㊂因此,本文采用MA 算法对SVM 模型的惩罚因子和复杂度因子进行全局寻优,构建MA-SVM 冷轧轧制力预测模型,以检验MA 算法在冷轧轧制力预测上精度高㊁泛化能力强等优点,为冷轧轧制力预测提供新的研究方法㊂1㊀轧制力模型目前冷轧轧制力的理论模型一般采用Bland-Ford 模型,其一般形式为㊀㊀P =Bl c Q p K T K ,(1)式中:B 为带钢宽度;l c 为压扁后变形区接触弧长;Q p 为压扁后的外摩擦应力状态系数,与轧辊轧制长度㊁轧制速度等因素相关;K T 为张力影响系数,与入口张力㊁出口张力相关;K 为变形抗力,取决于钢种㊂轧制力理论模型中的摩擦系数和带钢变形抗力均无法测量,且影响因素众多㊂因此,本文利用机器学习模型的自适应性,将摩擦系数影响因素用工作辊的原始粗糙度㊁轧制长度㊁轧辊直径和轧制速度等参数共同表示,变形抗力选取理论模型计算值㊂冷连轧生产线设备布置如图1所示,MA-SVM 模型主要选取带钢宽度㊁轧制长度㊁变形抗力㊁轧辊直径㊁来料厚度㊁入口厚度㊁出口厚度㊁入口张力㊁出口张力㊁轧制速度和轧辊原始粗糙度这11个变量作为输入,将轧制力作为模型的输出㊂图1㊀冷连轧生产线设备布置Fig.1㊀Equipment layout of tandem cold rolling production line2㊀MA-SVM 预测模型2.1㊀支持向量机支持向量机是一种基于结构风险最小化原则的机器学习算法,在解决小样本㊁非线性高维度问题上具有很大优势㊂SVM 轧制力预测模型结构如图2所示㊂图2㊀SVM 轧制力预测模型结构Fig.2㊀Structure of rolling force prediction based on SVM图2中的输入参数为轧制力相关特征变量,分别为:带钢宽度B ,mm;轧制长度l ,km;变形抗力K ,MPa;轧辊直径Φ,mm;来料厚度H 0,mm;入口厚度h 0,mm;出口厚度h 1,mm;入口张力T 0,kN;出口张力T 1,kN;轧制速度V ,m /min;轧辊原始粗糙度R a 0,μm;输出为轧制力P ,单位为kN㊂从图2中可以发现,每一个输入样本数据x都包含轧制力相关参数,支持向量x i 也是来自于所有的输入样本向量x 中,区别是支持向量x i 与输入样本向量x 通过核函数K (x i ,x )计算后,核函数节点到输出层的权重λi -λᶄi 不为0㊂通过核函数层各个节点计算结果的加权线性组合得到轧制力P ㊂2.2㊀蜉蝣算法蜉蝣算法是由Zervoudakis 和Tsafarakis [11]于2020年提出的一种智能优化算法㊂该算法通过模拟雌性蜉蝣和雄性蜉蝣的飞行和交配行为来对目标问题进行优化㊂每一个蜉蝣在搜索空间的位置,用d 维向量x =(x 1,x 2, ,x d )表示,作为目标问题的一个潜在解决方案㊂它们的适应度值用预定义的目标函数f (x )表示㊂对于蜉蝣的移动,引入一个速度向量v =(v 1,v 2, ,v d )表示,每个蜉蝣的飞行方向的变化是一个动态交互过程,即每个蜉蝣会倾向于往最有利于它交配的个体位置(记430㊀燕山大学学报2023为p best ),以及整个蜉蝣种群中个体的全局最优位置(记为g best )移动㊂MA 算法的组成步骤如下:1)雄性蜉蝣移动㊂雄性蜉蝣成群结队地移动,因此每个雄性蜉蝣根据自己和周围个体的飞行经验调整位置㊂假设x t i 为蜉蝣个体i 在t 时刻问题搜索空间中的当前位置,通过与下一时间步长t +1时刻的速度v t +1i 求和,便可以得到下一时间步长t +1时刻的当前位置x t +1i ,其位置更新公式为xt +1i =x t i +vt +1i,x 0i ɪU (x min ,x max ),(2)考虑到雄性蜉蝣不断移动,在水面上进行婚舞,此时,雄性蜉蝣i 在第j 个维度上的移动速度为vt +1ij =v t ij+a 1e-βr 2p(p best,ij -x t ij)+a 2e-βr 2g(g best j -x t ij ),j =1,2, ,n ,(3)式中:v t ij表示蜉蝣i 在搜索空间第j 维度t 时刻的速度值;x t ij 表示蜉蝣i 在搜索空间第j 维度t 时刻的位置值;a 1和a 2用于衡量雄性蜉蝣飞行经验对于位置的贡献程度;β是固定可见性系数,默认值为2;r p 表示当前位置和个人最佳位置p best,i 的距离;r g 表示当前位置和全局最佳位置g best 的距离㊂种群中当前位置最优的蜉蝣也要进行婚舞,这种运动为算法引入了一个随机因素,用下式表示:v t +1ij =v t ij +d ㊃r ,(4)式中,d 表示婚舞系数,r 是[-1,1]范围内的随机数㊂2)雌性蜉蝣移动㊂与雄性蜉蝣不同,雌性蜉蝣主动飞向雄性蜉蝣交配繁殖㊂假设y t i 为蜉蝣个体i 在t 时刻问题搜索空间中的当前位置,通过与下一时间步长t +1时刻的速度v t +1i 求和,便可以得到下一时间t +1时刻的当前位置y t +1i ,其位置更新公式为y t +1i =y t i +v t +1i ,y 0i ɪU (y min ,y max ),(5)雌性蜉蝣的速度更新如下:vt +1ij=v t ij +a 2e-βr 2mf(x t ij -y t ij )㊀f (y i )>f (x i )v t ij +fl ㊃rf (y i )ɤf (x i ){,(6)式中:y t ij 表示蜉蝣i 在搜索空间第j 维度t 时刻的位置值;r mf 表示雄性蜉蝣和雌性蜉蝣之间的距离;fl 为随机走动参数,用于描述当雌性蜉蝣没有被雄性蜉蝣吸引时的随机飞翔过程㊂3)蜉蝣的交配㊂交配行为中一对雌性和雄性蜉蝣会产生两个后代,分别为o 1=L ㊃m +(1-L )㊃fm o 2=L ㊃f m +(1-L )㊃m{,(7)式中,o 1和o 2表示两个子代,m 和fm 分别表示雄性蜉蝣和雌性蜉蝣,L 是[-1,1]范围内的随机数㊂2.3㊀MA-SVM 结构设计由于SVM 模型使用的核函数为RBF 核函数,因此引入了两个新的参数c 和γ㊂c 表示惩罚因子,它的大小表示对于处于误差带范围外的样本的惩罚程度,即c 越大,对于误差大于的样本的惩罚也就越大;复杂度因子γ控制着SVM 模型的复杂程度,γ越小,模型越复杂㊂这两个参数的选择对于SVM 模型的预测精度尤为重要,手动调参需要耗费大量的时间和精力,且获得的参数具有随机性,并不能保证SVM 模型的预测精度,所以采用蜉蝣算法来优化SVM 模型的这两个参数,提高网络精度㊂MA-SVM 模型的流程图如图3所示,基本步骤如下:图3㊀MA-SVM 模型预测轧制力流程图Fig.3㊀Flow chart of rolling force predictionmodel based on MA-SVM第5期陈树宗等㊀基于MA-SVM算法的冷轧轧制力预测模型431㊀㊀㊀步骤1:输入轧制力训练集样本数据㊂步骤2:随机产生蜉蝣种群,并设置种群最大迭代次数I max,以及其他蜉蝣算法中的初始参数㊂步骤3:用训练集样本在SVM模型预测误差函数E(y)的搜索空间内对SVM模型的参数c和γ进行寻优㊂步骤4:判断迭代次数是否达到最大迭代次数I max,若没有达到I max,则继续重复步骤3,如果达到了I max,则终止迭代,得到最优参数㊂步骤5:将SVM初始参数设置为最优参数,用测试集样本数据对MA-SVM模型进行测试和误差分析㊂3 模型预测与分析本文以某钢厂1850mm五机架冷连轧生产线第1机架轧制过程中的1000条轧制数据作为样本数据,钢种为CSA,部分样本数据见表1㊂从中随机选取800组数据作为训练集,剩余200组数据作为测试集,并采用归一化处理消除参数之间的量纲㊂令蜉蝣算法种群初始值S为50,最大迭代次数I max为50,正向吸引常数a1=1,a2=1,婚舞系数d=0.1,随即走动系数fl=0.1㊂SVM参数c和γ的寻优区间设置为[0.1,100]㊂选取均方根误差RMSE㊁决定系数R2和运行时间T作为模型评价指标㊂蜉蝣算法在对SVM参数寻优过程的适应度曲线如图4所示㊂表1㊀冷轧轧制力数据Tab.1㊀Data of cold rolling force参数样本1样本2样本3样本4带钢宽度B/mm1004.91256.81207.81426.9轧制长度l/km25.4282.3610.4444.84变形抗力K/MPa492.27487.68477.4507.67轧辊直径Φ/mm553.44552.84555.59550.60来料厚度H0/mm 3.92 3.43 1.96 2.695入口厚度h0/mm 3.933 3.416 1.939 2.7出口厚度h1/mm 2.753 2.428 1.284 1.814入口张力T0/kN35.135.359.844.9出口张力T1/kN100.5100.7111.4100.6轧制速度V/(m/min)299.3247.5205.8295.6轧辊原始粗糙R a0/μm0.7350.7250.7250.745轧制力P/kN11362123021042915147图4㊀蜉蝣算法适应度曲线Fig.4㊀Fitness curve of mayfly algorithm由图4可知,蜉蝣算法在种群迭代次数为10左右的时候,SVM模型便已经得到了最优的参数,种群适应度达到了最优值0.00251,且后续基本无变化㊂所以种群大小50,最大迭代次数50是一个较为合适的选择㊂为了证明蜉蝣算法在SVM参数优化中的优势,将MA-SVM与GA-SVM和PSO-SVM轧制力预测模型进行对比试验㊂为保证实验结果的可信度,其余两种模型的测试集数据与MA-SVM相同,且初始种群大小均设置为50,种群的最大迭代次数设置为50,目标函数同样为样本数据轧制力预测的RMSE㊂3种模型的预测结果如表2所示㊂由表1可知,MA-SVM模型的RMSE为245.76,远高于GA-SVM,精度最高,R2最接近1,模型拟合度最好,并且在运行时间上较另外两个模型也有不错的优势㊂表2㊀不同寻优算法下SVM模型预测结果Tab.2㊀Comparison of SVM model prediction resultsunder different algorithms模型RMSE R2T/s MA-SVM245.760.979345.58 GA-SVM301.320.952268.97 PSO-SVM262.550.963851.32㊀㊀为了进一步证明MA-SVM模型的有效性,选取基于遗传算法优化的反馈极限学习机GA-FELM[12]进行对比㊂轧制力预测结果如图5和图6所示㊂从图中可以看出,MA-SVM模型对轧制力的拟合效果很好,98.5%的点都聚集在了5%误差带内,而GA-FELM模型位于5%误差带外的数据较多,说明MA-SVM 模型的精度和泛化性能均优于GA-FELM 模型㊂图5㊀MA-SVM 模型预测结果Fig.5㊀Prediction results of MA-SVMmodel图6㊀GA-FELM 模型轧制力预测结果Fig.6㊀Prediction results of GA-FELM model4 结论针对传统轧制力模型适用范围窄㊁预测精度低和泛化性能差的问题,首先通过SVM 算法来对轧制力进行预测,考虑到SVM 模型的参数C 和r对模型精度的影响,引入蜉蝣算法来优化SVM 的参数,建立了MA-SVM 轧制力预测模型㊂结果表明,MA-SVM 各项评价指标均优于GA-SVM 及PSO-SVM 模型,实现了轧制力的高精度预测㊂且MA-SVM 模型落在5%内的数据比FA-FELM 更多,进一步说明模型的有效性㊂该模型效果较好,在轧制力的预测上有一定的可行性和实用性㊂参考文献1 YIN J C PERAKIS A N WANG N.A real-time ship roll motionprediction using wavelet transform and variable RBF network J .Ocean Engineering 2018 160 10-19.2 LI J WANG X YANG Q et al.Rolling force prediction in coldrolling process based on combined method of TS fuzzy neural network and analytical model J .The International Journal of Advanced Manufacturing Technology 2022 121 5 4087-4098.3 魏立新 张宇 孙浩 等.基于改进OS-ELM 的冷连轧在线轧制力预报 J .计量学报 2019 40 1 111-116.WEI L X ZHANG Y SUN H et al.Online cold rolling predictionbased on improved OS-ELM J .Acta Metrologica Sinica 2019 401 111-116.4 WANG Z ZHANG D GONG D et al.A new data-driven roll forceand roll torque model based on FEM and hybrid PSO-ELM for hotstrip rolling J .ISIJ International 2019 59 9 1604-1613.5 WEI L X ZHAI B SUN H et al.An ensemble JITL method basedon multi-weighted similarity measures for cold rolling force prediction J .ISA Transactions 2022 126 326-337.6 陈治明 罗飞 黄晓红 等.基于混沌优化支持向量机的轧制力预测 J .控制与决策 2009 24 6 808-812.CHEN Z M LUO F HUANG X H et al.Rolling force predictionbased on chaotic optimized support vector machine J .Control andDecision 2009 24 6 808-812.7 崔桂梅 刘伟 张帅 等.基于差分进化支持向量机的轧制力预测 J .中国测试 2021 47 8 83-88.CUI G M LIU W ZHANG S et al.Rolling force prediction basedon differential evolution support vector machine J .China Measurement &Test 2021 47 8 83-88.8 杨景明 郭秋辰 孙浩 等.基于改进果蝇算法与最小二乘支持向量机的轧制力预测算法研究 J .计量学报 2016 37 5505-508.YANG J M GUO Q C SUN H et al.Research on the predictivealgorithm of rolling force based on the improved fruit flies optimization algorithm with LSSVM J .Acta Metrologica Sinica2016 37 5 505-508.9 何飞 石露露 黎敏 等.基于多模态和加权支持向量机的热轧轧制力智能预报 J .工程科学学报 2015 37 4 517-521.HE F SHI L L LI M et al.Intelligent prediction of rolling force inhot rolling based on a multi-model and weighted support vector machine J .Chinese Journal of Engineering 2015 37 4517-521.(下转第440页)11XU L R JIA X Z ZHI D C et al.Substitute seed nodes mining algorithms for influence maximization in multi-social networks J . Future Internet 2019 11 5 58-69.12SUN C G NIU W N QIU L Q et al.Scalable influence maximization based on influential seed successors J .Soft Computing 2020 24 8 5921-5931. 13王一舒袁野刘萌.大规模时序图数据的查询处理与挖掘技术综述 J .计算机研究与发展2018 55 9 1889-1902. WANG Y S YUAN Y LIU M.Survey of query processing and mining techniques over large temporal graph database J .Journal of Computer Research and Developmeng 2018 559 1889-1902.Research on substitute seed nodes miningalgorithm based on temporal graphXU Chengwei1ZOU Xiaohong1 21.School of Information Science and Engineering Yanshan University Qinhuangdao Hebei066004 China2.Hebei Key Laboratory of Computer Virtual Technology and System Integration Yanshan UniversityQinhuangdao Hebei066004 ChinaAbstract To solve the problem of seed node failure a two-stage substitution seed node mining algorithm based on temporal graph was proposed.The algorithm was divided into two stages pre-selection and final selection.The pre-selection stage starts from the local invalid seed nodes the concept of node replaceability was defined and a substitution list for the invalid seed nodes was built according to their size.In the final stage the marginal effects of the candidate nodes in the substitution list was calculated to further select the substitution seed nodes that make the network influence reach the global optimum.The experimental results show that the substitution seed nodes obtained by the proposed algorithm mining have a high replace ability and their influence can maintain a high network global influence while guaranteeing a high coverage of nodes in a specific area. Keywords influence maximization temporal graph substitute node marginal effect(上接第432页)10宋君任廷志王奎越等.基于CF-PSO-SVM的冷连轧非稳态工作辊弯辊模型优化 J .钢铁2021 56 11 78-86. SONG J REN T Z WANG K Y et al.Optimization of work roll bending model in unsteady process of tandem cold rolling based on CF-PSO-SVM J .Iron&Steel 2021 56 11 78-86.11ZERVOUDAKIS K TSAFARAKIS S.A mayfly optimization algorithm J .Computers&Industrial Engineering 2020145 106559.12陈树宗白芸松侯佳琦等.基于GA-FELM算法的冷轧轧制力预测模型 J .燕山大学学报2022 46 3 224-229. CHEN S Z BAI Y S HOU J Q et al.Rolling force prediction model for cold rolling based on GA-FELM J .Journal of Yanshan University 2022 46 3 224-229.Rolling force prediction model for cold rolling based on MA-SVMCHEN Shuzong HOU Jiaqi BAI Yunsong HUA ChangchunSchool of Electrical Engineering Yanshan University Qinhuangdao Hebei066004 ChinaAbstract In view of the large error and poor generalization performance of the traditional rolling force prediction model a new model based on support vector machine optimized by mayfly algorithm is proposed.To improve the prediction accuracy of the SVM model mayfly algorithm is introduced to estimate parameters in SVM which solves the problem of large uncertainty and time-consuming manual parameter adjustment.In this paper a five-stand cold rolling mill production site data is used to simulate and test the rolling force and the test results show that the accuracy rate of the error between the predicted value and the actual value of the rolling force of the model selected in this paper is98.5%withinʃ5%.The model has small error and good generalization performance which has broad application prospects.Keywords rolling force prediction support vector machine mayfly algorithm。
带钢冷连轧材料变形抗力模型研究杨景明，郝瑞峰，车海军，杨志芬(燕山大学电气工程学院工业计算机控制重点实验室，河北秦皇岛066004)摘要：针对冷连轧轧制过程的特点，变形程度是影响变形抗力的一个重要因素。
建立了变形抗力的机理模型，并将理论模型与实际数据相结合。
采用某钢厂生产的低碳钢08AlA稳定轧制时的现场实测数据，利用最小二乘逐次回归变形抗力模型中的各个参变量，并选用不同的方法来获得摩擦系数，选出与实际生产数据相吻合的最佳模型。
将回归出的不同变形抗力模型，分别代入轧制力迭代公式进行计算，通过比较与实测轧制力的误差，选出最优的形抗力模型应用于实际生产中轧制力和前滑的预设定。
关键词：冷连轧；轧制力；变形抗力；摩擦系数；最小二乘冷连轧生产过程控制预设定中，准确的轧制力预报非常重要，提高轧制力计算精度的关键是选取合适的2个子模型——材料变形抗力模型和摩擦系数模型。
因此可以通过建立高精度子模型来保证轧制力预报精度[1-2]。
以往对轧制力和前滑预设定时，其材料变形抗力都是根据经验在某一范围取定值，由于实际的轧制状态复杂多变，在轧制过程中即使同一钢种其材料变形抗力也具有很大的分散性，在实际生产中很难套用统一的简单公式来计算变形抗力。
冷轧时轧辊和轧件(变形区)接触面上的摩擦系数对冷轧生产的影响也很大，它主要与工艺润滑剂的性能有直接关系[3-4]。
另外由于轧制速度对润滑状态有显著影响，不同轧制速度时摩擦系数也不同[5-6]。
因此，变形抗力和摩擦系数的准确确定对提高产品质量具有非常重要的意义。
针对冷连轧轧制过程的特点，变形程度是影响变形抗力的1个重要因素，据此构造了2种变形抗力的机理模型，将理论模型与实际数据相结合，通过大量的现场实测数据分析和回归计算所构造模型中的系数，并将回归的模型用于实际生产中轧制力的预设定，使其误差控制在生产所要求的范围内。
在现场试验与理论分析的基础上，针对现有摩擦模型对冷连轧高速轧制过程中摩擦因数的预报精度不高、通用性不强等问题[7-8]，着重采用了5种典型的摩擦系数计算方法，并比较分析了它们对变形抗力的影响，通过比较分析仿真出的应力一应变曲线，从中选出效果好、精度高的变形抗力模型，相应地也可选出适合该现场运用的最佳摩擦系数模型。
《UCM冷连轧机薄带钢轧制板形控制的研究及有限元仿真》篇一一、引言随着现代工业的快速发展，冷连轧机在钢铁生产中扮演着越来越重要的角色。
特别是对于薄带钢的生产，轧制板形控制成为了决定产品质量的关键因素之一。
UCM冷连轧机作为一种先进的轧制设备，其轧制板形控制技术的研究对于提高产品质量、优化生产流程具有重要意义。
本文旨在研究UCM冷连轧机薄带钢轧制板形控制技术，并利用有限元仿真进行验证和分析。
二、UCM冷连轧机薄带钢轧制板形控制技术研究1. 轧制板形控制原理UCM冷连轧机薄带钢轧制板形控制主要是通过调整轧机的辊缝、轧制速度、轧制力等参数，以实现对带钢板形的有效控制。
其原理主要基于塑性变形理论、弹塑性力学以及金属材料的流动特性。
在轧制过程中，通过合理调整这些参数，可以控制带钢的横向流动和纵向延伸，从而达到控制板形的目的。
2. 影响因素分析影响UCM冷连轧机薄带钢轧制板形控制的因素较多，主要包括原料厚度、原料宽度、轧辊转速、轧制力、温度等。
这些因素对带钢的轧制过程、金属流动以及板形产生重要影响。
因此，在控制板形时，需要综合考虑这些因素的影响。
三、有限元仿真分析为了更好地研究UCM冷连轧机薄带钢轧制板形控制技术，本文采用有限元仿真方法进行验证和分析。
有限元法是一种有效的数值模拟方法，可以模拟复杂的金属轧制过程，并对轧制过程中的应力、应变、温度等参数进行精确计算。
1. 模型建立根据UCM冷连轧机的实际结构和工艺参数，建立相应的有限元模型。
模型包括轧机、轧辊、带钢等部分，并考虑了材料属性、接触条件、摩擦条件等因素。
2. 仿真过程及结果分析在有限元模型的基础上，对UCM冷连轧机的轧制过程进行仿真。
通过调整辊缝、轧制速度、轧制力等参数，观察带钢的轧制过程和板形变化。
通过对仿真结果的分析，可以得出不同参数对板形的影响规律，为实际生产提供指导。
四、实验验证及结果分析为了进一步验证有限元仿真的准确性，本文进行了实际生产实验。
《铝热连轧机轧制力预报及模型自学习》篇一一、引言铝热连轧机作为现代金属材料加工的重要设备，其轧制力的准确预报和模型自学习能力对于提高生产效率、优化产品质量以及降低生产成本具有重要意义。
本文将重点探讨铝热连轧机轧制力的预报方法以及模型自学习的应用，旨在为实际生产提供理论支持和操作指导。
二、铝热连轧机轧制力预报1. 轧制力预报的重要性轧制力是铝热连轧机生产过程中关键的工艺参数，其大小直接影响着产品的尺寸精度、表面质量和力学性能。
因此，准确预报轧制力对于优化生产过程、提高产品质量具有重要意义。
2. 轧制力预报的方法（1）经验公式法：根据实际生产经验和大量试验数据，建立轧制力与工艺参数之间的经验公式，通过输入工艺参数来预测轧制力。
（2）数值模拟法：利用有限元分析等数值模拟技术，对轧制过程进行仿真分析，从而预测轧制力。
（3）智能预测法：采用机器学习、神经网络等智能算法，建立轧制力预测模型，通过输入相关参数，实现轧制力的智能预测。
三、模型自学习在铝热连轧机中的应用1. 模型自学习的概念模型自学习是指模型在运行过程中，能够根据实际生产数据自动调整模型参数，以适应生产过程中的变化，提高预测精度。
2. 模型自学习在铝热连轧机中的应用（1）在线学习：通过实时采集生产数据，将数据输入到预测模型中，模型根据实际生产情况自动调整参数，实现在线学习。
（2）离线学习：定期将生产数据导出，对模型进行离线学习，分析生产过程中的变化规律，优化模型参数，提高预测精度。
（3）智能决策：结合模型自学习和智能算法，实现生产过程的智能决策，如自动调整轧制速度、厚度等工艺参数，以适应不同产品的生产需求。
四、实例分析以某铝热连轧机为例，采用智能预测法建立轧制力预测模型，并应用模型自学习技术。
通过实时采集生产数据，将数据输入到预测模型中，模型根据实际生产情况自动调整参数。
经过一段时间的运行，模型的预测精度得到了显著提高，有效提高了生产效率和产品质量。
基于目标函数的冷连轧轧制力模型参数自适应陈树宗;彭文;姬亚锋;张殿华【摘要】为提高轧制力模型的预报精度,提出了一种基于目标函数的轧制力模型参数寻优方法.该方法通过建立轧制力模型参数自适应目标函数,以变形抗力和摩擦系数模型中的自适应系数作为寻优参数,采用Nelder-Mead单纯形算法对目标函数进行求解,从而获得满足轧制力精度的模型自适应系数.本文提出的轧制力模型参数自适应方法已应用于某1700 mm五机架冷连轧机组.现场应用表明:采用轧制力模型参数自适应后,轧制力模型计算值与实测值的均方差由不采用自适应的12.9％降至3.2％,证明该参数自适应方法能显著提高轧制力模型预报精度,满足在线控制要求.【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2013(034)008【总页数】4页(P1128-1131)【关键词】冷连轧;轧制力模型;变形抗力;摩擦系数;参数自适应【作者】陈树宗;彭文;姬亚锋;张殿华【作者单位】东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819【正文语种】中文【中图分类】TG335轧制力模型在冷连轧轧制规程的设定中具有重要作用，是厚度控制及板形设定的基础［1-2］.在轧制力模型中，带钢变形抗力及摩擦系数的准确性是影响轧制力模型计算精度的主要因素［3-4］，而带钢变形抗力及轧辊和轧件之间的摩擦系数无法通过在线仪表精确测量.由于实际轧制过程中的摩擦系数和变形抗力受到多种因素的影响，因此需要通过对其计算模型进行自适应来提高模型的精度.许多研究人员提出了不同的模型参数自适应方法来提高轧制力的预报精度，文献［5］利用前滑实际值和轧制力实测值对摩擦系数和变形抗力进行解耦，可同时求得摩擦系数和变形抗力的后计算实际值进而执行参数自适应，该算法不适用于数值积分形式的轧制力模型.文献［6］基于改进的自适应遗传算法，对平均变形抗力和摩擦系数进行寻优，得出满足实际轧制力精度的平均变形抗力和摩擦系数，之后通过指数平滑法更新参数系数，但是遗传算法不适合在线应用.本文以提高冷轧轧制力模型精度为目标，提出了一种基于目标函数的轧制力模型参数自适应方法.该方法已应用于某厂1 700mm 五机架冷连轧机组，取得了良好的应用效果.1 数学模型1.1 轧制力模型在轧制力模型中，将轧件变形区按照变形性质的不同分为弹性压缩区、塑性区和弹性恢复区，轧件所受的总轧制力为三个区域的轧制力之和.为提高模型计算精度，弹性变形区的轧制力采用解析方法直接求出，塑性区轧制力的计算采用数值积分方法.冷轧带钢变形区的划分如图1所示.图1 冷轧带钢变形区微元体的划分Fig.1 Division of deformation zones for coId roIIed strips数值积分的原理是将塑性变形区划分为一定数量的标准单元，利用边界条件求出每个微分单元的垂直应力，进而对所有微元体累加求和，得出总轧制力.基于微分单元方法的轧制力模型和计算流程可参考文献［7］，文中只给出影响轧制力的参数. 根据轧制力计算理论可知，轧制力F 与轧件入口、出口厚度hin及hout，带钢宽度W，前、后张应力σout及σin，轧辊弹性压扁半径R′，摩擦系数μ 及材料变形抗力k相关.为便于分析，现将轧制力模型用函数fF 表示：在轧制力模型中，采用Hitchcock 公式计算轧辊的弹性压扁半径：式中：R 为工作辊半径；υR，ER分别为工作辊泊松比和弹性模量.1.2 带钢变形抗力模型冷轧带钢的变形抗力主要与变形金属的化学成分和加工过程中的累计变形程度有关［8］.由于带钢变形抗力与化学成分之间的关系很难量化且影响因素众多，故在带钢变形抗力模型中引入自适应系数项对其进行修正：式中：k 为变形抗力；ε 为带钢的真应变；h0为原料厚度；h 为机架出口厚度；σ0为变形抗力自适应系数，该参数在寻优过程中得到修正；A，B，C，D 是与钢种相关的变形抗力模型常数.1.3 摩擦系数模型轧辊与轧件之间的摩擦系数主要与工艺润滑乳化剂的润滑特性、轧制速度、轧辊表面状态以及轧辊材质等因素有关［9］.综合考虑以上因素并加入摩擦系数修正项，建立摩擦系数模型：式中：μ 为摩擦系数；μ0为摩擦系数基准值；dμv是与速度相关的摩擦系数变化量；v 为轧制线速度；v0为轧制速度基准值；cR为工作辊粗糙度相关系数；Ra为工作辊粗糙度；Ra0为工作辊粗糙度基准值；cW为工作辊磨损相关系数；L 为工作辊轧制带钢的累积长度；L0为工作辊轧制带钢长度基准值；Δμ 为摩擦系数自适应值，用于修正难以量化的影响因素.2 轧制力模型参数自适应的方案设计2.1 模型参数自适应原理模型自适应的目的是利用轧制过程中的实测数据更新修正系数，从而提高模型精度.由式（1）可知，带钢变形抗力和摩擦系数是影响轧制力模型计算精度的主要因素；因此，可以在获得各机架实测轧制力的基础上，将带钢变形抗力和摩擦系数作为变量代入轧制力模型中，通过修正这两个变量使得轧制力模型的计算值与实测值相匹配.基于上述原理，本文设计了一种基于目标函数的变形抗力和摩擦系数寻优方法.该方法的基本思想是对目标函数（模型计算轧制力匹配实测轧制力）建模，将变形抗力和摩擦系数的模型自适应系数作为变量，然后采用合适的算法获得最优解，使得目标函数值最小，此时可获得满足实际轧制过程的变形抗力和摩擦系数的模型自适应系数.如图2所示，本文提出的轧制力模型参数自适应方法主要包括两个阶段：①将变形抗力和摩擦系数的自适应系数初始值和实测值代入模型中计算轧制力，并比较计算轧制力与实测轧制力；②通过优化算法，不断调整自适应系数σ0和Δμi，使得目标函数值最小.图2 轧制模型参数自适应流程Fig.2 Adaptation scheme of the modeIing parameters for the roIIing process2.2 轧制力模型参数自适应目标函数轧制力参数自适应的目标是使各机架的模型计算轧制力与实测轧制力相吻合.综合考虑各个机架，建立目标函数：式中：X 为决策变量向量，即轧制力模型的优化参数向量；N 为总机架数；i 为机架号；和分别为第i 机架的模型计算轧制力和实测轧制力.2.3 模型优化变量的设计由于变形抗力是材料的自身特性，与机架属性无关，因此针对特定钢种，变形抗力自适应系数设为常数σ0；而摩擦系数是各个机架的单体属性，各机架应取不同的修正系数.基于上述分析，针对本文研究的五机架冷连轧机，轧制模型优化参数向量X 设计为2.4 自适应系数的指数平滑法更新利用轧制当前卷时采集的实测值，通过目标函数法寻优，可以得到变形抗力及摩擦系数模型的自适应系数.如果新的自适应系数超限，则不进行更新；同时，为了避免自适应系数出现大的波动，需要采用指数平滑算法对其处理：式中和分别为下一钢卷的变形抗力和摩擦系数模型的修正系数；和分别为计算的变形抗力和摩擦系数模型的修正系数和分别为上一钢卷的修正系数；βk和βμ，i，为指数平滑系数.3 模型自适应系数的寻优算法在建立了目标函数和确定寻优参数后，轧制力模型参数自适应问题转化为多变量非线性无约束的最优化求解问题.本文采用Nelder-Mead单纯形算法对带钢变形抗力和摩擦系数进行寻优.3.1 Nelder-Mead单纯形算法对于文中涉及的n 维变量的最优化问题min J（X）=min f（x1，x2，…，xn），Nelder-Mead单纯形算法是一种有效的求解方法；该算法不需要计算目标函数梯度，具有比较快的收敛速度且易于编程实现［10］.Nelder-Mead单纯形搜索包括4种基本操作：反射、延伸、收缩和减小棱长.单纯形算法的基本运算步骤在文献［10］中已有详细介绍，此处不再赘述.搜索过程终止准则为式中：Xi为单纯形的第i个顶点；=；ε 为最小收敛条件.若满足上式，则即为满足条件的极小点；反之，则继续搜索.3.2 单纯形顶点的初始化对于五机架冷连轧机而言，当采用Nelder-Mead单纯形算法对带钢变形抗力和摩擦系数模型自适应系数进行寻优时，由式（7）可知变量数n=6，因此单纯形顶点的个数为7.在采用单纯形算法寻优时，首先需确定单纯形的初始顶点，公式如下：式中及～分别为变形抗力和摩擦系数模型自适应系数的初始值，该初始值采用上次自适应获得的系数和；Xj 为单纯形的第j 个顶点；X1［j］为顶点X1的第j 个元素.4 现场应用本文提出的轧制力模型参数自适应算法已成功应用在某1 700 mm 五机架冷连轧机组的过程控制系统中.为了验证轧制力模型参数自适应的应用效果，以随机抽取的该冷连轧机组的50组实测数据为例，分别将不采用模型自适应与采用模型自适应时的轧制力模型计算值与实测值进行对比，比较结果如图3所示.通过对比分析可知：不采用模型自适应时，轧制力模型计算值与实测值的均方差σ=12.9%；而采用模型自适应后，均方差σ=3.2%.由此可见，该轧制力模型参数自适应算法能显著提高轧制力的设定精度，满足在线控制要求.图3 轧制力模型计算值与实测值的比较Fig.3 Comparison of the caIcuIated force with measured one（a）—不采用模型自适应；（b）—采用模型自适应.5 结语将变形抗力和摩擦系数模型中的自适应系数作为轧制力模型的寻优参数，通过Nelder-Mead单纯形算法对目标函数寻优，从而获得摩擦系数模型和变形抗力模型自适应系数.在寻优过程中，将变形抗力作为材料的原始属性，而将摩擦系数看成是各机架的单体属性.现场应用证明，通过对变形抗力和摩擦系数的同时修正，显著提高了轧制力模型的设定精度.参考文献：【相关文献】［1］Wang D D，Tieu A K，de Boer F G，et al.Toward a huristic optimum design of rolling schedules for tandem cold rolling mills ［J］.Engineering Applications of Artificial Intelligence，2000，13（4）：397-406.［2］Lin S，Nan Y R.Optimization of rolling schedule in tandem cold mill based on QPSO algorithm ［J］.Advanced Materials Research，2011，145：165-170.［3］Stone M D.Rolling of thin strip［J］.Iron and Steel Engineer，1956，29（12）：34-38.［4］de Avila Pires C T，Ferreira H C，Sales R M.Adaptation for tandem cold mill models ［J］.Journal of Materials Processing Technology，2009，209（7）：3592-3596.［5］白金兰，王军生，王国栋，等.提高冷轧过程控制轧制力模型的设定精度［J］.钢铁研究学报，2006，18（3）：21-25.（Bai Jin-lan，Wang Jun-sheng，Wang Guo-dong，etal.Improvement in setting accuracy of rolling force model during process control of cold rolling［J］.Journal of Iron and Steel Research，2006，18（3）：21-25.）［6］魏立新，李兴强，李莹，等.基于自适应遗传算法的冷连轧轧制力模型自学习［J］.轧钢，2010，27（3）：7-10.（Wei Li-xin，Li Xing-qiang，Li Ying，et al.Adaptive learning of rolling force model based on adaptive genetic algorithm in tandem cold rolling［J］.SteelRolling，2010，27（3）：7-10.）［7］Chen S Z，Zhang D H，Sun J，et al.Online calculation model of rolling force for cold rolling mill based on numerical integration［C］／／Proceedings of the 2012 24th Chinese Control and Decision Conference.Taiyuan，2012：3951-3955.［8］Wang J S，Jiang Z Y，Tieu A K，et al.Adaptive calculation of deformation resistance model of online process control in tandem cold mill［J］.Journal of Materials Processing Technology，2005，162／163：585-590.［9］Du F S，Wang G G，Zang X L，et al.Friction model for strip rolling［J］.Journal of Iron and Steel Research，International，2010，17（7）：19-23.［10］Nelder J A，Mead R.A simplex method for function minimization［J］.The Computer Journal，1965，7（4）：308-313.。
《铝热连轧机轧制力预报及模型自学习》篇一摘要：本文主要探讨铝热连轧机轧制力的预测方法以及模型自学习的重要性。
首先概述了轧制力预报的意义与重要性，然后分析了现有的轧制力预报模型，最后介绍了模型自学习的相关应用，以及在轧制过程中的实施方法与策略。
一、引言铝热连轧机作为现代金属加工行业的重要设备，其轧制力的准确预测和控制对于产品质量和效率至关重要。
随着工业自动化和智能化的不断发展，如何准确预测轧制力并实现模型的自学习，已经成为提高轧制工艺水平和优化生产流程的关键。
二、轧制力预报的意义与重要性轧制力是铝热连轧机生产过程中的关键参数之一，它直接影响到产品的尺寸精度、表面质量和材料利用率。
准确预测轧制力有助于实现生产过程的自动化控制，提高生产效率和产品质量。
同时，通过分析轧制力的变化，还可以及时发现设备故障和工艺问题，从而进行相应的调整和优化。
三、现有轧制力预报模型分析目前，针对铝热连轧机的轧制力预报模型主要有经验公式法、物理模拟法和数值模拟法等。
这些模型各有优缺点，经验公式法简单易行但精度较低；物理模拟法能较好地反映实际生产情况但耗时较长；数值模拟法精度高但计算复杂。
实际应用中往往需要根据具体条件和需求选择合适的预报模型。
四、模型自学习的应用模型自学习是指通过收集生产过程中的实时数据，对模型进行持续的优化和改进，以提高其预测精度和适用性。
在铝热连轧机的轧制力预报中，引入模型自学习技术可以有效地提高预报的准确性和可靠性。
通过实时收集生产数据，对模型参数进行不断调整和优化，使模型能够更好地适应实际生产情况的变化。
五、模型自学习的实施方法与策略1. 数据收集：收集铝热连轧机生产过程中的实时数据，包括轧制力、轧辊转速、材料性能等。
2. 模型建立：根据收集到的数据建立初始的轧制力预报模型。
3. 模型训练：利用历史数据进行模型训练，调整模型参数以提高预测精度。
4. 实时优化：在生产过程中实时收集数据并对模型进行优化调整，使模型能够适应实际生产情况的变化。
