基于神经网络的铜板带冷轧轧制力预测研究

杨 帆，许建新，刘 昕

（1.江西省鹰潭市贵溪冶炼厂，江西 省鹰 335400；2.江西铜业集团铜板带有限公司，江西 南昌 330096）

冷轧机是在铜板生产中不可或缺的机器设备，而高精度铜板冷轧机对于提高铜板产品质量具有无可比拟的优势。高精度冷轧机能够轧制出厚度更薄、更均一的高精度铜板板材。实现在轧制过程中轧制力的预测有助于提高冷轧机精度及提高生产效率。但金属的轧制过程需要考虑到外部的压力、速度、流量、温度等诸多因素，因此，轧制金属这一过程是典型的非线性问题。

诸多的轧制控制参数当中，轧制力大小的控制对于冷轧机精度的控制和提高具有重要意义。金属轧制过程中的自动化，合理工艺的制定等问题都需要重点考虑轧制力参数，因此，对轧制过程中的轧制力进行预测是十分有必要的。

1 轧制力预测方法对比分析

传统的轧制力预测计算是通过计算公式直接进行计算及回归的。数学公式在推到时对轧制力问题进行了诸多的简化，因此其计算必定会存在误差。在实际情况下，影响轧制力的因素是多方面的，单纯的公式计算无法考虑各方面的因素影响，同时对于外部因素对预制力大学影响的程度和规律都是未知的。

相比于通过传统轧制理论公式进行计算的方法而言，机器学习算法中的神经元网络算法在非线性问题求解中更为适用，神经元网络能够具有能考虑除理论公式中参数外的多方面因素，挖掘数据同环境背后存在的客观联系等诸多优势，并且，神经元网络方法能够进行自适应和学习，随着数据的积累其预测精度也会有进一步的提高。

因此，本文拟通过基于神经元网络算法来构建一个用于用于冷轧机轧制力预测的AI预测模型。

2 神经元网络算法

神经网络的基本结构。

采用算法的多层前馈网络是至今为止应用最广泛的神经网络,在多层前馈网的应用中,图1所示的单隐层网络的应用最为普遍。神经网络由输入层、若干隐含层和输出层相互连接构成,前、后相连层的任意两节点均连接,本层和非相邻层各节点间无连接。隐含层的转移函数一般为非线性的型函数。输出层的转移函数可以是线性或非线性的函数。

图1 神经元网络的基本结构图

3 轧制力预测模型的构建

神经元网络预测模型的构建流程大致如图2所示。

图2 AI模型构建流程图

3.1 训练集的构建

本文以某八辊五机架冷连轧机的过程控制为例，该机组的型号参数表如下。

表1 型号参数表

其中，穿带速度设为1m/s，轧制的最大速限制为16m/s，最大轧制力11000KN，入口张力为150KN，卷曲张力为100KN。

将冷轧机机组的工艺参数数据及其对应的轧制力共同组成训练集，其中轧制力作为目标参数，其余参数均为训练参数。

表2 部分训练集参数

3.2 神经元模型构建

图3 神经元网络预测模型结构图

基于谷歌开源的Tennsorflow AI平台构建了一个神经元网络模型，模型结构流图如图3所示。

3.3 模型训练

输入相应超参数值后，开始训练模型。

图4 神经元网络计算结构图

迭代次数为140次，得到迭代损失值图（图4～图6）

图5 LOSS曲线图（横坐标为迭代次数）

图4～图6中，蓝线为训练集LOSS值，橙线为测试集LOSS值，随着迭代次数的增多，LOSS值越来越小，这说明AI模型训练收敛情况较好。

3.4 轧制力结果预测

将现场实际实测数据输入AI模型中，得到预测结果，并同实际力值进行预测，其预测加过图如图6所示。

图6 AI神经元网络预测结果对比

误差率在0.05%～3%之间，平均误差率仅为1.3%。预测精度较高。

4 结语

通过神经元网络来预测冷轧机的轧制力是可行的，本文基于TENSORFLOW平台构建了神经元网络预测模型对实测数据进行预测对比，取得了较高的预测精度。