“1+4”铝热连轧轧制力自学习
《2024年铝热连轧机轧制力预报及模型自学习》范文
《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。
《2024年度铝热连轧机轧制力预报及模型自学习》范文
《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实际应用。
首先介绍了铝热连轧机在工业生产中的重要性，接着详细分析了轧制力预测的难点及意义，最后阐述了模型自学习在轧制力预测中的具体应用与成果。
本文旨在为相关领域的理论研究与实际生产提供有益的参考。
一、引言铝热连轧机作为现代金属加工的重要设备，其轧制力预测的准确性和模型的自学习能力对于提高生产效率、降低能耗、保证产品质量等方面具有至关重要的作用。
因此，本文对铝热连轧机轧制力预测和模型自学习进行深入研究，以期为相关领域的研究与应用提供理论支持和实践指导。
二、铝热连轧机及其重要性铝热连轧机是一种用于连续轧制金属板材的机械设备，广泛应用于铝、铜等金属的加工生产中。
其工作原理是通过连续轧制，将金属坯料加工成所需规格和性能的金属板材。
在铝材加工行业中，由于铝材具有优异的导热性能和可塑性，因此铝热连轧机在铝材加工中具有举足轻重的地位。
三、轧制力预测的难点与意义轧制力是铝热连轧机加工过程中的关键参数之一，其大小直接影响产品的质量、设备的能耗和设备的维护成本。
然而，由于材料性能、温度、轧制速度等因素的影响，轧制力的预测存在较大难度。
因此，准确预测轧制力对于提高产品质量、降低能耗和延长设备寿命具有重要意义。
四、轧制力预测方法目前，常用的轧制力预测方法包括经验公式法、有限元法、神经网络法等。
其中，经验公式法基于大量的实验数据和经验公式进行预测，简单易行但精度较低；有限元法通过模拟实际轧制过程来预测轧制力，具有较高的精度但计算复杂；神经网络法则通过学习大量数据来建立输入与输出之间的非线性关系，具有较高的预测精度和较强的自学习能力。
五、模型自学习在轧制力预测中的应用模型自学习是近年来兴起的一种机器学习方法，其核心思想是通过不断学习和优化模型参数来提高预测精度。
在铝热连轧机的轧制力预测中，模型自学习可以有效地解决传统预测方法中存在的问题。
《铝热连轧机轧制力预报及模型自学习》范文
《铝热连轧机轧制力预报及模型自学习》篇一一、引言铝热连轧机是金属加工行业中常用的设备之一，它的高效和准确性对提高产品质量、减少废品率、提升生产效率具有重要意义。
在铝热连轧机的轧制过程中，轧制力是一个关键参数，它直接影响产品的尺寸精度、表面质量和材料性能。
因此，对轧制力进行准确预报及模型的自学习，对优化生产过程和提高产品质量具有重要意义。
本文旨在探讨铝热连轧机轧制力的预报方法及模型自学习的应用。
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轧制过程中的关键参数，它决定了产品的形状、尺寸和性能。
因此，对轧制力进行准确预报，可以提前发现可能存在的问题，并采取相应的措施进行解决，从而提高产品的质量和生产效率。
2. 轧制力预报的方法目前，常用的轧制力预报方法包括经验公式法、数值模拟法和机器学习法等。
经验公式法基于大量的实验数据和经验公式，通过输入工艺参数来预测轧制力。
数值模拟法利用有限元分析等数值计算方法，对轧制过程进行模拟，从而得到轧制力的预测值。
机器学习法则通过训练大量的历史数据，建立轧制力与工艺参数之间的模型，实现轧制力的预测。
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，能够根据实际情况自动调整参数和结构，以适应新的工作条件和要求。
在铝热连轧机中，通过模型自学习，可以实现对轧制力的实时预测和调整，从而提高生产效率和产品质量。
2. 模型自学习的实现方法模型自学习的实现方法主要包括参数自调整和结构自优化。
参数自调整是指根据实际工作情况，自动调整模型的参数，以获得更好的预测效果。
结构自优化则是指根据实际需求和模型的性能，自动调整模型的结构，以适应新的工作条件和要求。
四、实验与分析为了验证铝热连轧机轧制力预报及模型自学习的有效性，我们进行了大量的实验和分析。
首先，我们采用了不同的预报方法对轧制力进行预测，并比较了各种方法的预测精度和效率。
其次，我们利用模型自学习的功能，对模型参数和结构进行调整，以适应不同的工作条件和要求。
《2024年铝热连轧机轧制力预报及模型自学习》范文
《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的研究，对于提高产品质量、优化生产流程以及降低生产成本具有重要意义。
本文旨在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，以期为相关领域的研发和实践提供有益的参考。
二、铝热连轧机轧制力预报1. 影响因素分析铝热连轧机轧制力受多种因素影响，包括原料性质、轧辊参数、轧制速度、温度等。
这些因素相互关联，对轧制力的变化产生直接影响。
因此，准确分析这些因素，是进行轧制力预报的前提。
2. 预报模型构建基于影响因素分析，可以构建轧制力预报模型。
该模型应包括原料性质、轧辊参数、轧制速度、温度等变量的输入，以及轧制力的输出。
通过大量实验数据的训练和优化，可以提高模型的预测精度。
3. 预报方法及实施预报方法包括理论计算和数值模拟两种。
理论计算基于材料力学、塑性力学等理论，通过建立数学模型进行计算。
数值模拟则利用有限元分析等方法，对实际生产过程进行模拟。
在实际应用中，应结合两种方法，互相验证，提高预报精度。
三、模型自学习1. 自学习原理模型自学习是指模型在应用过程中，能够根据实际生产数据自动调整参数，以提高预测精度。
这需要模型具备一定的学习能力，能够从错误中吸取教训，不断优化自身。
2. 自学习方法自学习方法包括在线学习和离线学习两种。
在线学习是在生产过程中，实时收集数据，对模型参数进行调整。
离线学习则是利用历史数据，对模型进行离线优化。
两种方法可以相互补充，提高模型的自学习能力。
3. 自学习应用模型自学习在铝热连轧机中的应用，可以提高生产效率、降低成本、提高产品质量。
通过自学习，模型能够根据实际生产情况自动调整参数，使生产过程更加优化。
同时，自学习还能帮助企业实现智能化生产，提高企业的竞争力。
四、实践应用及效果铝热连轧机轧制力预报及模型自学习的实践应用已在多家企业得到实施。
通过实际应用，企业提高了生产效率、降低了成本、提高了产品质量。
1+4热连轧二级设定计算系统
1+4热连轧二级设定计算系统徐刚【摘要】介绍1+4铝热连轧机二级设定计算系统的主要策略和计算流程.【期刊名称】《有色金属加工》【年(卷),期】2012(041)002【总页数】4页(P52-54,38)【关键词】1+4热连轧;二级自动化;过程控制;设定计算【作者】徐刚【作者单位】苏州有色金属研究院有限公司,江苏苏州 215026【正文语种】中文【中图分类】TP317铝板带热连轧具有高效率和规模化效益的特点，是现代铝加工技术发展的趋势，也是控制技术应用最为广泛的领域。
二级控制系统(过程控制级)是整条热轧生产线自动化控制的大脑和中枢，担负着生产线原始数据的输入、轧制策略的确定及自动轧制程序表计算、向一级基础自动化系统提供控制轧机和各种设备设定值的任务，在轧制过程中进行轧件跟踪和收集轧制中的各种实测值，此外还有系统长期及短期自学习、数据汇总和离线分析、质量记录和人机对话等功能。
二级过程控制系统中的设定计算部分是其核心，主要包括轧制力、轧制力矩、温度、凸度、平直度模型和电机功率模型、工作辊热膨胀和磨损分布模型、机架弹跳和载荷分布模型。
并且各模型都有自学习修正。
在轧制前，可根据所选定的轧制策略和产品目标值，计算出初始轧制程序表，以及在每道次前逐道次计算出当前道次各执行机构的预设值、工作值和控制参数，并将其传递到一级基础自动化系统中。
根据不同的产品目标值，热粗轧和精轧机在轧制过程中将采用不同的控制。
1 热连轧二级设定计算的控制目标铝热连轧二级设定计算的控制目标有两个:一个是带坯的内部组织结构;另一个是带坯的外部形状、尺寸及表面质量。
具体而言，主要包括带坯的终轧温度、中凸度、厚度、平直度、表面质量。
①带材的终轧温度合理的终轧温度应该在金属的再结晶温度以上某个范围。
这样，既能得到良好的再结晶组织又不损害带材的表面质量。
②带材的中凸度从板带材轧制的全过程来看，中凸度由小逐渐变大的过程是可以实现的，由大逐渐变小的过程是难以实现的。
《2024年基于改进ABC算法的铝热连轧轧制规程优化》范文
《基于改进ABC算法的铝热连轧轧制规程优化》篇一一、引言铝热连轧是一种高效的金属材料生产方式，轧制规程的优化对提升生产效率、改善产品质量及降低成本具有关键意义。
然而，传统轧制规程的设计过程较为复杂，存在效率不高和无法灵活应对多种复杂工况等问题。
为此，本文提出基于改进ABC算法的铝热连轧轧制规程优化方案，以提高铝热连轧生产效率和质量。
二、铝热连轧及其轧制规程铝热连轧是一种连续轧制金属材料的工艺，其核心在于通过一系列轧机对金属材料进行连续轧制，以达到所需的形状和尺寸。
轧制规程是指导这一过程的重要文件，它规定了各道次轧制的参数，如轧制速度、压下量、温度等。
这些参数的合理设置对产品的质量和生产效率具有重要影响。
三、传统轧制规程的不足传统轧制规程的设计多依赖于经验公式和人工调整，其存在以下不足：一是设计过程繁琐，需要大量的人力物力；二是对于复杂工况的适应性较差，无法快速有效地进行参数调整；三是可能因人为因素导致设计不合理，影响产品质量和生产效率。
四、改进ABC算法在轧制规程优化中的应用针对传统轧制规程的不足，本文提出采用改进ABC算法进行铝热连轧轧制规程的优化。
ABC算法是一种模拟自然选择的优化算法，具有较高的灵活性和适应性。
通过改进ABC算法，可以快速寻找出最优的轧制参数组合，从而提高生产效率和质量。
具体而言，改进ABC算法通过引入新的搜索策略和适应度函数，能够在短时间内找到最优解。
在铝热连轧过程中，通过将改进ABC算法与实际生产数据相结合，可以实时调整轧制参数，以适应不同的工况。
此外，改进ABC算法还具有较好的鲁棒性，能够在面对复杂工况时快速做出调整。
五、优化效果分析经过实际应用验证，基于改进ABC算法的铝热连轧轧制规程优化方案取得了显著的效果。
首先，该方案显著提高了生产效率，降低了生产成本。
其次，通过优化轧制参数，提高了产品的质量和性能。
此外，改进ABC算法还具有较强的自适应能力，能够快速适应不同的工况和需求。
《2024年基于改进ABC算法的铝热连轧轧制规程优化》范文
《基于改进ABC算法的铝热连轧轧制规程优化》篇一一、引言随着铝热连轧技术的发展，轧制规程的优化成为了提高产品质量、降低生产成本、增强企业竞争力的关键因素。
本文将介绍一种基于改进ABC算法的铝热连轧轧制规程优化方法，通过该方法可以有效提高轧制效率，降低废品率，提升产品质量。
二、铝热连轧工艺概述铝热连轧是一种将铝坯料通过多道轧制工序连续轧制成薄板、带材等产品的生产工艺。
其特点是生产效率高、产品尺寸精度高、表面质量好。
然而，在实际生产过程中，由于工艺参数众多、设备复杂，导致轧制规程的制定和优化成为一项复杂而重要的任务。
三、传统轧制规程的局限性传统的轧制规程制定主要依靠经验公式和试错法，这种方法虽然在一定程度上可以满足生产需求，但存在以下局限性：一是无法充分考虑多因素交互作用对轧制过程的影响；二是优化过程耗时较长，难以适应快速变化的市场需求；三是难以保证产品质量和成本的双重优化。
四、改进ABC算法在轧制规程优化中的应用针对传统轧制规程的局限性，本文提出了一种基于改进ABC 算法的铝热连轧轧制规程优化方法。
ABC算法是一种基于人工智能的优化算法，通过模拟生物进化过程，实现全局寻优。
在铝热连轧过程中，通过对ABC算法进行改进，可以更好地适应轧制过程中的多因素交互作用，提高优化效率和效果。
五、改进ABC算法的具体实施步骤1. 建立数学模型：根据铝热连轧的生产过程，建立包括轧制力、轧制速度、温度等参数的数学模型。
2. 初始化种群：根据数学模型，生成初始的轧制规程种群。
3. 适应度评估：通过模拟实际生产过程，对种群中的每个个体进行适应度评估，评估指标包括产品质量、生产成本等。
4. 选择、交叉和变异：根据适应度评估结果，进行选择、交叉和变异操作，生成新的种群。
5. 迭代优化：重复步骤3-4，直到达到预设的优化目标或迭代次数。
六、优化效果分析通过将改进ABC算法应用于铝热连轧轧制规程的优化，可以取得以下效果：1. 提高轧制效率：优化后的轧制规程可以减少换辊、换带等停机时间，提高生产效率。
《铝热连轧机轧制力预报及模型自学习》范文
《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产品质量、降低生产成本以及实现自动化生产具有重要意义。
本文旨在探讨铝热连轧机轧制力的预报方法及模型自学习的实现过程，以期为相关领域的研究和应用提供参考。
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的关键参数，它直接影响产品的尺寸精度、表面质量和力学性能。
因此，准确预报轧制力对于保证产品质量、提高生产效率和降低能耗具有重要意义。
2. 轧制力预报的方法目前，常用的轧制力预报方法包括理论计算法、经验公式法和数值模拟法。
理论计算法基于材料力学和塑性力学原理，通过建立数学模型进行计算；经验公式法则是根据大量生产实践数据，总结出经验公式进行预报；数值模拟法则借助有限元分析等数值计算方法，对轧制过程进行模拟分析。
三、模型自学习1. 模型自学习的必要性随着生产过程中各种因素的影响，铝热连轧机的轧制力可能会发生变化。
为了保持产品的质量稳定和生产效率，需要对轧制力预报模型进行自学习，以适应生产过程中的变化。
2. 模型自学习的实现过程模型自学习主要包括数据采集、模型训练和模型更新三个步骤。
首先，通过传感器等设备采集生产过程中的数据，包括轧制力、轧辊转速、材料性质等；然后，利用机器学习等算法对数据进行处理和分析，建立或优化轧制力预报模型；最后，将新模型应用于生产过程，并根据实际生产情况对模型进行不断更新和优化。
四、铝热连轧机轧制力预报及模型自学习的应用1. 提高产品质量通过准确预报轧制力及模型自学习，可以实时调整生产工艺参数，保证产品的尺寸精度和表面质量，提高产品的合格率。
2. 提高生产效率准确预报轧制力可以减少试错时间，提高生产效率。
同时，模型自学习可以适应生产过程中的变化，保证生产的连续性和稳定性。
3. 降低能耗通过优化生产工艺参数，减少不必要的能量消耗，可以实现降低能耗的目的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
“1+4”铝热连轧轧制力自学习杨景明;马凤艳;车海军;杜楠【摘要】在铝热连轧精轧生产过程中,轧制力的预报精度直接影响板厚和板凸度控制精度.针对河南某1+4铝热连轧机现场轧制力预报精度较低的问题,根据现场采集的大量轧制数据,建立了轧制力模型自学习算法,并用细菌觅食优化算法对自学习中的增益系数进行了优化,提高了轧制力预报精度.【期刊名称】《中国机械工程》【年(卷),期】2013(024)024【总页数】4页(P3300-3303)【关键词】铝热连轧;轧制力;数学模型;自学习;细菌觅食优化算法【作者】杨景明;马凤艳;车海军;杜楠【作者单位】国家冷轧板带装备及工艺工程技术研究中心,秦皇岛,066004 ;燕山大学工业计算机控制工程河北省重点实验室,秦皇岛,066004;国家冷轧板带装备及工艺工程技术研究中心,秦皇岛,066004 ;燕山大学工业计算机控制工程河北省重点实验室,秦皇岛,066004;国家冷轧板带装备及工艺工程技术研究中心,秦皇岛,066004 ;燕山大学工业计算机控制工程河北省重点实验室,秦皇岛,066004;国家冷轧板带装备及工艺工程技术研究中心,秦皇岛,066004 ;燕山大学工业计算机控制工程河北省重点实验室,秦皇岛,066004【正文语种】中文【中图分类】TG335.130 引言在铝热连轧二级设定计算中，轧制力预设定计算精度直接影响其他工艺参数的预设定精度。
然而，铝热连轧是一个相当复杂的过程，而且影响因素很多，导致轧制力预报总会存在误差。
引起误差的原因可以归结为模型本身的误差、轧制设备测量误差、过程状态的变化等［1］。
近年来为提高轧制力预报精度，人们将自学习应用到轧制力模型预报中，来适应复杂多变的轧制生产过程。
已有不少学者对轧制力模型的自学习进行了研究，采用的轧制力模型自学习方法一共有两种形式:一种形式是以传统变形抗力机理模型中的某个系数作为轧制力自学习参数［2］，另一种形式是直接在轧制力模型中加入自学习参数［3］。
由于本文中采用的变形抗力模型是根据现场数据利用最小二乘支持向量机反向建模得到的，没有具体的模型系数能够作为自学习参数，所以本文采用第二种自学习方法，即直接在轧制力模型中加入自学习参数。
1 轧制过程相关数学模型的选取轧制过程数学模型是实现铝板带轧制生产过程的基础，是轧制规程设定计算的核心部分，模型的计算精度直接影响预测结果的准确性。
1.1 轧制力模型基本公式轧制力模型是铝热连轧轧制过程所有数学模型中最重要的综合模型。
本文采用广泛应用的SIMS公式的热连轧轧制力模型［4］:式中，F为轧制力，kN;l'c为考虑压扁后的接触弧长，mm;Qp为外摩擦应力状态系数;B为板宽，m;K=1.15δ，MPa，其中δ为变形抗力;λ为影响系数;γ为变形区中性角，rad;α 为咬入角，rad;τf、τb分别为前后张应力，MPa。
Qp采用 Ford－alexander公式:式中，hm为平均变形厚度;ε为变形程度;H为来料厚度;hi为各机架出口厚度。
1.2 变形抗力模型变形抗力是由于金属材料受到外力施压而产生的塑性变形的抵抗能力。
变形抗力是轧制力计算公式中的重要材料参数，变形抗力模型涉及较多轧制变量和参数，如轧制温度、变形速度和变形程度等，传统的机理模型计算的变形抗力难以适用于复杂多变的铝热连轧生产过程。
本文采用的变形抗力模型是根据某铝厂大量现场轧制数据进行反向建模得到的，采用的反向建模方法是最小二乘支持向量机。
本文反向建模中的输入自变量如下:轧制温度t，℃;入口厚度H，mm;出口厚度h，mm;平均变形速率um，s－1。
输出变量为:变形抗力δ，δ为变形抗力，MPa。
实践证明，利用最小二乘支持向量机反向建模得到的变形抗力模型计算精度较高，适用于现场实际。
本文重在研究自学习方法，因此不详细介绍变形抗力模型的建立。
1.3 温度模型温度是铝热连轧生产中重要的工艺参数之一。
温度直接影响变形抗力的计算，进而影响轧制力的预报精度。
温度也直接影响产品的组织和性能以及表面质量。
由于某轧制现场只有精轧入口和出口处有测温仪，所以只能得到第1、第4机架的轧制温度。
第2、第3机架的轧制温度需用温降模型计算。
本文选用精轧机组简化温降模型［4］:式中，i为机架号;tw为喷水水温，℃;Ka为综合对流冷却系数;Lj为第j机架到第j+1机架的距离;hn为末机架出口厚度，mm;vn为末机架出口速度，m/s;tFTO为来料入口温度，℃。
Ka可利用现场实测的tFTO和终轧温度tFC反推得到，反推公式如下:2 轧制力模型自学习2.1 自学习算法在轧制力模型中添加自学习参数有两种形式［5］:加法形式和乘法形式，本文采用乘法形式［6］:式中，Fy为由规程设定计算出的轧制力预测值;β(t)为当前轧制铝带的自学习系数;β(t－1)为上卷轧制铝带的自学习系数;ξ为任意给定的增益系数，0≤ξ≤1;Fa为轧制力实测值;Fma为用现场实测值计算的模型输出值。
2.2 自学习验证与仿真与其他3个机架相比，第4机架的轧制力预测精度对铝板带产品质量影响最为重要，所以本文选用现场1000卷5052铝合金轧制数据，再从上述每卷轧制数据中选取4个稳定点，以第4机架为例，对轧制力模型自学习进行研究。
表1中给出了1000卷中的5卷与第4机架相关的实测数据。
对第4机架的轧制力模型自学习在MATLAB环境下进行仿真和验证，其中自学习增益系数ξ=0.4，仿真结果如图1和图2所示。
表1 第4机架轧制相关数据样本入口厚度(mm)出口厚度(mm)工作辊直径(mm)轧制温度(℃)轧制力(kN)轧辊速度(m/s)1 9.43 6.98 527.67 310.17 5845.23 2.06 2 7.78 6.00 527.67 306.05 4575.71 2.15 3 12.27 10.33 532.24 280.32 5151.96 1.41 4 6.84 5.01 532.24 306.13 5365.35 2.08 5 7.25 4.98 527.56 275.98 5275.8 1.90将图1、图2对比，可以看出加入自学习后的轧制力预报精度明显提高。
图1、图2中误差带是±10%。
图1 加入自学习前的轧制力预测图2 加入自学习后的轧制力预测2.3 自学习算法优化传统的自学习中的增益系数ξ是任意给定的常量，导致轧制力的预报精度具有随机性。
当增益系数ξ过小时，轧制力自学习速度太慢，不能适应现场较快的变化;当增益系数ξ过大时，容易发生过学习。
针对上述问题，本文用细菌觅食优化算法对增益系数ξ进行优化，获得了使预报精度达到最高值的增益系数ξ。
2.3.1 细菌觅食优化算法原理与流程图随着群智能优化算法的蓬勃发展，Passino［7-9］在2002年提出了模拟人类大肠杆菌觅食行为的细菌觅食优化算法(bacterial foraging optimization，BFO)。
该算法具有群体智能算法的并行搜索、易跳出局部极小值等优点，成为生物启发式计算研究领域的又一热点［10］。
该算法已被应用于液位控制系统的自适应控制［11］、决策系统设计中的任务类型［12］以及控制器参数整定［13-14］。
该算法对大肠杆菌觅食行为的模拟主要包括趋向性操作、复制操作、迁徙操作。
(1)趋向性操作(chemotaxis)。
趋向性操作使得细菌觅食优化算法具有局部开采能力，它决定算法的前进方向以及在某一个区域搜索的详细程度等，是算法的核心操作，也是设计算法时需要重点考虑的部分。
(2)复制操作(reproduction)。
生物进化过程的规律是优胜劣汰。
经过一段时间的食物搜索过程后，部分寻找食物能力弱的细菌会被自然淘汰掉，为了维持种群规模，剩余的细菌会进行繁殖。
在细菌觅食优化算法中模拟这种现象称为复制行为。
复制操作是根据达尔文进化论，淘汰生存能力弱的细菌，保存生存能力强的细菌，用于繁殖下一代，即让优质的细菌个体引导整个种群的繁衍，从而提高全局收敛性和计算效率。
(3)迁徙操作(elimination and dispersal)。
细菌个体生活的局部区域可能会突然发生变化(如温度的突然升高)或者逐渐变化(如食物的消耗)，这样可能会导致生活在这个局部区域的细菌种群集体死亡，或者集体迁徙到一个新的局部区域。
在细菌觅食优化算法中模拟这种现象称为迁徙行为。
细菌觅食优化算法的迁徙操作使得细菌具有随机搜索的能力，有助于算法保持种群的稳定性和多样性，跳出局部最优解，减少早熟收敛的情况。
设Nc、Nre、Ned分别是趋向性、复制和迁徙操作的执行次数，j、k、l分别是对这3种操作的计数参数，初始时j=0，k=0，l=0，则细菌觅食优化算法的流程图如图3所示。
图3 细菌觅食优化算法流程图2.3.2 细菌觅食优化算法优化增益系数本文的目标函数取第4机架轧制力误差绝对值的最小值:式中，m为样本号;n为样本数;Fcm为第m个样本现场实测轧制力;Fym为第m 个样本模型预测轧制力。
为了选取增益系数的最优值，用细菌觅食优化算法对自学习算法中的增益系数进行优化。
优化前，先随机赋给增益系数几组值，求出相对应的目标函数值即误差绝对值，用来与优化后的目标函数值进行对比，结果如表2所示。
本文细菌觅食优化算法各参数选择如下:初始细菌的个数N取50;趋向性操作的次数Nc取20;细菌最大游动步长Ns取4;复制操作的执行次数Nre取4;迁徙操作的执行次数Ned取2;迁徙概率Ped取0.25;游动步长C取0.01。
细菌的搜索范围为增益系数ξ∈［0，1］。
表2 与增益系数相对应的误差值增益系数ξ 0.1 0.3 0.5 0.7 0.9目标函数 J 174.96 113.75 95.37 106.23 123.04仿真试验得到的优化结果为:增益系数ξ=0.57，目标函数J=92.86。
将优化后的增益系数结果用于轧制力预报，仿真图如图4所示。
图4 增益系数优化后的轧制力预测由图4和图2可以看出，两图中的轧制力误差基本都落在±10%的误差范围内，而且增益系数优化后，轧制力预报精度得到明显提高。
3 结语本文根据大量的现场实测数据，对轧制力自学习进行了研究，并用细菌觅食优化算法自学习算法中的增益系数进行了优化。
对自学习和优化结果进行了仿真，仿真结果显示，加入自学习后的轧制力预报精度得到了明显提高，并且预测误差都在现场允许的±10%的误差范围内，为现场下一步的二级设定计算奠定了良好的基础。
参考文献:【相关文献】［1］窦富萍.五机架冷连轧轧制规程优化设计及模型自学习研究［D］.秦皇岛:燕山大学，2007. ［2］祝夫文，胡贤磊，赵忠，等.中厚板生产的高精度轧制力短期自学习［J］.东北大学学报(自然科学版)，2008，29(7):980-983.Zhu Fuwen，Hu Xianlei，Zhao Zhong，et al.High Precision Short－ Term Self－Learning of Rolling Force in Plate Rolling Process［J］.Journal of Northeastern University(Natural Science)，2008，29(7):980-983.［3］宋勇，苏岚，荆丰伟，等.热轧带钢轧制力模型自学习算法优化［J］.北京科技大学学报，2010，32(6):802-806.Song Yong，Su Lan，Jing Fengwei，et al.Self－learning Algorithm Optimization for the Rolling Force Model of Hot Strips［J］.Journal of University of Science and Technology Beijing，2010，32(6):802-806.［4］孙一康.带钢热连轧的模型与控制［M］.北京:冶金工业出版社，2002.［5］田野.热轧带钢粗轧过程控制与模型的研究与应用［D］.沈阳:东北大学，2008.［6］Lee D，Lee Y.Application of Neural－network for Improving Accuracy of Roll－force Model in Hot－rolling Mill［J］.Control Engineering Practice，2002，10(4):473-478. ［7］Berg H C，Brown D A.Chemo Taxis in Escherichia Coil Analyzed by Three－dimensionaltracking［J］.Nature，1972，239:500-504.［8］Lowe G，Meister M，Berg H.Rapid Rotation of Flagella Bundles in Swimming Bacteria［J］.Nature，1987，325:637-640.［9］Liu Y，Passino K M.Bio－mimicry of Social Foraging Bacteria for DistributedOptimization:Models，Principles and Emergent Behaviors［J］.Journal of Optimization Theory and Applications，2002，115(3):603-628.［10］雷秀娟.群智能优化算法及其应用［M］.北京:科学出版社，2012.［11］Andrews B W，Passino K M，Waite T A.Foraging Theory for Decision Making System Design:Tasktype Choice［C］//43rd IEEE Conference on Decision andControl.Bahamas，2004:4740-4745.［12］Andrews B W，Passino K M，Waite T A.Foraging Theory for Decision Making System Design:Task Processing－length Choice［J］.Submitted IEEE Control Systems Magazine，2004.［13］Dong H K，Jae H C.A Biologically Inspired Intelligent PID Controller Tuning for AVR Systems［J］.International Journal of Control，Automation and Systems，2006，4(5):624-636.［14］Dong H K，Jae H C.Adaptive Tuning of PID Controller for Multivariable Systems Using Bacterial Foraging Based Optimization［J］.Advances in Web Intelligence Lecture Notes in Computer Science，2005，3528:231-235.。