1.一种基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法,其特征在于:包括以下执行步骤:S1、获取PSO-LM-BP神经网络的训练样本;
S11:确定轧制工艺参数,具体包括:轧制道次数n,来料厚度h0,各道次出口厚度hi,各道次轧制力Pi,各道次工作辊弯辊力S1i,各道次中间辊弯辊力S2i和各道次中间辊串辊量Δi,其中i=1~n;
S12:确定轧制设备参数,具体包括:各道次支撑辊直径Dbi和长度Lbi,各道次中间辊直径Dmi和长度Lmi,各道次工作辊直径Dwi与长度Lwi,各道次压下油缸中心距Lyi,各道次中间辊弯辊缸间距Ls1i和各道次工作辊弯辊缸间距Ls2i,其中i=1~n;
S13:确定描述带钢热轧来料断面轮廓三个参数的范围,给定距离带钢边部40mm处的凸度最大值C40max与最小值C40min、距离带钢边部40mm处的楔度最大值W40max与最小值W40min、距离带钢边部25mm处的凸度最大值C25max与最小值C25min,在C40max与C40min之间随机生成m个 在W40max与W40min之间随机生成m个 以及在C25max与C25min之间随机生成m个 其中j=1~m;
S14:利用模型耦合法计算第i道次带钢断面轮廓
其中:f为模型耦合函数;
S15:根据轧制工艺参数S11、轧制设备参数S12、带钢热轧来料断面轮廓参数S13,利用S14方法,计算最末道次带钢断面轮廓 从而求得带钢断面轮廓中心厚度与距离边部15mm处厚度差值,即带钢冷轧横向厚差 并保存记录下每个热轧断面轮廓参数与其对应的末道次冷轧横向厚差值,即 这些数据作为PSO-LM-BP神经网络模型的训练样本,其中j=1~m;
S2、建立PSO-LM-BP神经网络带钢冷轧横向厚差预报模型:
S21:根据PSO-LM-BP神经网络建立带钢冷轧横向厚差预报模型;
S22:确定BP神经网络的结构;
S23:设定PSO算法的参数;
S24:设定LM算法的参数;
S3、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的训练与验证;以及S4、PSO-LM-BP神经网络带钢冷轧横向厚差预报模型的预测。
2.根据权利要求1所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法,其特征在于:所述S22中BP神经网络结构的设定内容包括:采用k层神经网络结构、由于带钢热轧来料断面轮廓的三个参数C40、W40、C25作为网络的输入,冷轧后的横向厚差作为输出,因此网络输入层神经元节点数为A1=3,输出层神经元节点数为Ak=1、确定网络隐含层的节点个数A2,A3…Ak-1、选取各层的激活函数、设置学习率lr以及确定小批量训练样本batch与训练步数Epoch;
所述S23中PSO算法的参数设定内容包括:初始化时粒子种群规模Q、最大迭代次数n1、最大粒子速度vmax、最小粒子速度vmin、学习因子c1和c2和粒子的位置区间[m1,m2];
所述S24中LM算法的参数设定内容包括:误差目标ε、阻尼系数mu、调节因子β和最大迭代次数n2。
3.根据权利要求1或者2所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法,其特征在于,所述步骤S3包括以下内容:S31:训练样本划分为训练集与测试集,随机选取训练样本中的80%作为PSO-LM-BP神经网络训练集样本,其余的20%作为测试集样本;
S32:训练PSO-LM-BP神经网络,当网络模型达到训练步数时,停止训练;
S33:模型训练结束后,做出训练集与测试集误差损失图,判断网络模型的平均误差是否满足要求;
S34:利用完成训练的PSO-LM-BP神经网络,根据训练集与测试集上训练样本的热轧断面轮廓参数 预测冷轧横向厚差值 同训练集与测试集上的训练样本的冷轧横向厚差 比较,判断误差是否满足精度要求,其中j=1~m;
S35:若同时满足S33、S34两者的精度要求,则保存PSO-LM-BP网络模型作为带钢冷轧横向厚差预报模型;若S33、S34中有一者不满足时,则返回S2中调整网络结构及相应参数重新训练网络。
4.根据权利要求1或者2所述的基于PSO-LM-BP神经网络的带钢冷轧横向厚差预报方法,其特征在于,所述步骤S4包括以下内容:S41:利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型,根据不同带钢热轧来料断面轮廓参数,快速批量预测其冷轧后横向厚差,给出热轧来料断面轮廓参数与冷轧横向厚差之间的变化规律;
S42:利用保存好的PSO-LM-BP神经网络带钢冷轧横向厚差预报模型,针对生产现场中常见带钢热轧来料断面轮廓情况,预测其冷轧后横向厚差,给出不同冷轧横向厚差要求下的热轧断面轮廓参数控制策略。