(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210734614.7 (22)申请日 2022.06.27 (71)申请人 东北大学秦皇岛分校 地址 066004 河北省秦皇岛市经济技 术开 发区泰山路143号 (72)发明人 王晓宇　罗武艺　李旭　孙杰　 张欣　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 王思齐 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)B21B 38/04(2006.01) G06F 111/10(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于CS-Elman神经网络模型的热轧板 凸度预测方法 (57)摘要 本发明公开了一种基于CS ‑Elman神经网络 模型的热轧板凸度预测方法， 涉及轧制过程自动 化生产技术领域。 在板带热连轧过程中， 板凸度、 板厚度及板宽度是衡量板带产品质量和尺寸精 度是否合格的重要标准， 而三者之间往往互相影 响， 要实现板凸度的精确控制， 需要在板厚度及 宽度精确控制的基础上进行。 本发明使用Elman 算法实现对板厚度和宽度的预报， 并采用CS算法 优化Elman的各层间权值和阈值， 然后将板厚度 和宽度也作为输入量， 进而实现板凸度的在线预 报， 具有参数少 、 操作简单、 易实现、 寻优能力强、 可收敛于全局最优等优点， 为提高热轧板凸度的 预测精度提供了新方法。 权利要求书3页 说明书6页 附图1页 CN 115062431 A 2022.09.16 CN 115062431 A 1.一种基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征在于， 包括下列步 骤： S1、 利用生产现场现有的监测装置采集数据， 提取热连轧生产现场监测装置采集的历 史数据中， 与热轧板凸度、 厚度及宽度有关的特征参数， 以及相应热轧板的轧后实际凸度、 厚度和宽度值； S2、 对采集的数据进行归一 化处理； S3、 建立热轧板厚度 ‑宽度预报神经网络： 以特征参数为输入层的输入量， 以热轧板的厚度和宽度值为输出层， 构建Elman神经网 络； 通过CS算法搜索最佳的Elman各层的权值和阈值赋给Elman神经网络， 完成热轧板厚 度‑宽度预报神经网络的建立； S4、 建立热轧板凸度预报神经网络： 以特征参数连同热轧板的厚度和宽度值一起作为输入层， 以热轧板的凸度为输出层， 构建Elman神经网络； 通过CS算法搜索最佳的Elman各层的权值和阈值赋给Elman神经网络， 完成热轧板 凸度 预报神经网络的建立； S5、 利用建立好的热轧板厚度 ‑宽度预报神经网络和热轧板凸度 预报神经网络， 进行实 际热连轧生产过程中热轧板凸度的预测： S5.1、 以热连轧生产中特征参数的实际值为热轧板厚度 ‑宽度预报神经网络的输入量， 通过热轧板厚度 ‑宽度预报神经网络获得 热轧板厚度和宽度的预测值； S5.2、 以热连轧生产中特征参数的实际值连同S5.1获得的热轧板厚度和宽度的预测值 共同作为热轧板凸度预报神经网络的输入量， 通过热轧板凸度预报神经网络获得热轧板凸 度的预测值。 2.根据权利要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述与热轧板凸度、 厚度及宽度有关的特征参数， 包括各个机架的轧制 力、 轧制速度、 弯辊力、 辊缝值、 窜辊量， 以及轧制的入口温度、 出口温度。 3.根据权利要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 所述步 骤S2中， 在 进行归一化之前， 针对每一种特征参数数据或实际凸度、 厚度、 宽度值数据， 进 行 以下步骤S2.1～ 2.4的预处 理： S2.1、 计算所有样本中该种数据的平均值与标准差： 所述 为该种数据的平均值， Sx为该种数据的标准差， n为该种数据的个数， xi为第i个数 据；权　利　要　求　书 1/3 页 2 CN 115062431 A 2S2.2、 计算每 个样本数据与总体平均值之差的绝对值 S2.3、 将上述绝对值中超过3倍标准差的数据点， 即满足 的数据点作为异 常值予以剔除； S2.4、 将剔出异常值后的数据进行平 滑处理； 之后再将平 滑处理后的数据进行归一 化处理。 4.根据权利要求3所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述S2.4中的平 滑处理采用5点3次平 滑法。 5.根据权利要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述S2中归一 化处理采用以下公式： min为数据的最小值， max为数据的最大值， xi为要进行归一化的第i个数据， 是第i个 数据进行归一 化后的映射数值。 6.根据权利要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述步骤S3和S4的Elman神经网络中， 隐含层神经元节点数的可选范 围hiddennum采 用以下公式确定： hiddennum＝sqr t(m+n)+a 其中， m为输入层节点个数， n 为输出层节点个数， a取为1 ‑10之间的整数。 7.根据权利要求6所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 隐含层神经元节点数的可选范围为hiddennum个， 以mae平均绝对值误差、 R2决定系数 为误差指标， 遍历隐含层神经元节点数的可选范围， 找到最佳隐含神经元的数量用于Elman 神经网络 。 8.根据权利要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述步骤S3和S4的Elman神经网络中， 隐含层和输出层的传递函数从purelin、 tansig 两种传递 函数中选择。 9.根据权利要求8所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 遍历所有传递函数组合， 找到最适合Elman神经网络模型的神经网络隐含层和输出层 的传递函数， 用于 Elman神经网络 。 10.根据权利 要求1所述的基于CS ‑Elman神经网络模型的热轧板凸度预测方法， 其特征 在于， 所述步骤S3和S4中， 通过CS算法搜索最佳的Elman神经网络各层的权值和阈值赋给 Elman神经网络， 其采用的方法包括以下步骤： S3.1、 初始化CS算法的参数； 1)对每个布谷鸟数目初始化参数， 在设定范围内遍历每个布谷鸟数目， 找出当前最佳 布谷鸟数目； 2)对察觉异常鸟蛋的概率初始化参数， 在设定范围内遍历察觉异常鸟蛋的概率， 找出 当前最佳察觉异常鸟蛋的概 率； 3)对最大进化代数初始化参数， 在设定范围内遍历每个最大进化代数， 找出当前最佳 最大进化代数；权　利　要　求　书 2/3 页 3 CN 115062431 A 3