基于神經網絡的銅板帶冷軋軋制力預測研究

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.江西銅業集團銅板帶有限公司，江西 南昌 330096）

冷軋機是在銅板生產中不可或缺的機器設備，而高精度銅板冷軋機對于提高銅板產品質量具有無可比擬的優勢。高精度冷軋機能夠軋制出厚度更薄、更均一的高精度銅板板材。實現在軋制過程中軋制力的預測有助于提高冷軋機精度及提高生產效率。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當中，軋制力大小的控制對于冷軋機精度的控制和提高具有重要意義。金屬軋制過程中的自動化，合理工藝的制定等問題都需要重點考慮軋制力參數，因此，對軋制過程中的軋制力進行預測是十分有必要的。

1 軋制力預測方法對比分析

傳統的軋制力預測計算是通過計算公式直接進行計算及回歸的。數學公式在推到時對軋制力問題進行了諸多的簡化，因此其計算必定會存在誤差。在實際情況下，影響軋制力的因素是多方面的，單純的公式計算無法考慮各方面的因素影響，同時對于外部因素對預制力大學影響的程度和規律都是未知的。

相比于通過傳統軋制理論公式進行計算的方法而言，機器學習算法中的神經元網絡算法在非線性問題求解中更為適用，神經元網絡能夠具有能考慮除理論公式中參數外的多方面因素，挖掘數據同環境背后存在的客觀聯系等諸多優勢，并且，神經元網絡方法能夠進行自適應和學習，隨著數據的積累其預測精度也會有進一步的提高。

因此，本文擬通過基于神經元網絡算法來構建一個用于用于冷軋機軋制力預測的AI預測模型。

2 神經元網絡算法

神經網絡的基本結構。

采用算法的多層前饋網絡是至今為止應用最廣泛的神經網絡,在多層前饋網的應用中,圖1所示的單隱層網絡的應用最為普遍。神經網絡由輸入層、若干隱含層和輸出層相互連接構成,前、后相連層的任意兩節點均連接,本層和非相鄰層各節點間無連接。隱含層的轉移函數一般為非線性的型函數。輸出層的轉移函數可以是線性或非線性的函數。

圖1 神經元網絡的基本結構圖

3 軋制力預測模型的構建

神經元網絡預測模型的構建流程大致如圖2所示。

圖2 AI模型構建流程圖

3.1 訓練集的構建

本文以某八輥五機架冷連軋機的過程控制為例，該機組的型號參數表如下。

表1 型號參數表

其中，穿帶速度設為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。

將冷軋機機組的工藝參數數據及其對應的軋制力共同組成訓練集，其中軋制力作為目標參數，其余參數均為訓練參數。

表2 部分訓練集參數

3.2 神經元模型構建

圖3 神經元網絡預測模型結構圖

基于谷歌開源的Tennsorflow AI平臺構建了一個神經元網絡模型，模型結構流圖如圖3所示。

3.3 模型訓練

輸入相應超參數值后，開始訓練模型。

圖4 神經元網絡計算結構圖

迭代次數為140次，得到迭代損失值圖（圖4～圖6）

圖5 LOSS曲線圖（橫坐標為迭代次數）

圖4～圖6中，藍線為訓練集LOSS值，橙線為測試集LOSS值，隨著迭代次數的增多，LOSS值越來越小，這說明AI模型訓練收斂情況較好。

3.4 軋制力結果預測

將現場實際實測數據輸入AI模型中，得到預測結果，并同實際力值進行預測，其預測加過圖如圖6所示。

圖6 AI神經元網絡預測結果對比

誤差率在0.05%～3%之間，平均誤差率僅為1.3%。預測精度較高。

4 結語

通過神經元網絡來預測冷軋機的軋制力是可行的，本文基于TENSORFLOW平臺構建了神經元網絡預測模型對實測數據進行預測對比，取得了較高的預測精度。