CN101114312A - 基于遗传神经网络技术设计assel轧辊辊型的方法 - Google Patents

Abstract

本发明提供一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，包括有以下步骤：该方法的包括有以下步骤：①首先利用ASSEL机组的辊型设计参数和轧制工艺参数对照表，选择输入/输出特征向量，再通过遗传神经网络推理估计方法建立ASSEL辊型参数估算模型；②在线采集轧制工艺参数，推理出适合生产条件和不同规格产品的辊型特征参数；③借助估算模型和几何参数的智能优化，可得到合理的设计轧辊参数，同时能够动态地人工修正参数；④最终通过Auto CAD软件输出加工零件图。本发明的效果是该方法智能化地产生辊型设计的特征参数，利用生产中有限的代表性参数，预测适应不同规格产品的辊型加工参数和工艺参数，减少试轧次数，缩短技术和生产准备周期。

Description

基于遗传神经网络技术设计ASSEL轧辊辊型的方法

技术领域

本发明涉及一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法。

背景技术

目前，我国的无缝钢管正在从生产大国走向强国。国内拥有全世界最先进的轧管机组，但是这些机组基本上是全面引进。吸收、消化、国产化和创新速度较为缓慢。主要工艺技术软件和关键设备仍依赖进口，形成了引进-再引进的模式，未能形成引进促国内发展的良性局面。我国无缝钢管生产工艺技术的研究、新品种的开发以及装备国产化方面的进度滞后于无缝钢管生产的发展和市场的需求。

对于新型ASSEL机组来说，轧辊是最主要的轧制工具，生产实践证明，轧辊辊型对产品质量、轧制规格范围及产能均有一定影响。虽然德国MEER公司提供了ASSEL机组的辊型图，但与现实生产方式小批量、多品种、多规格以及规格范围广的产品结构极不匹配，尤其是满足不了钢管壁厚在25mm以下内表面质量的要求。对于轧辊的修改设计往往需要人工凭经验进行手工设计，因而带来的问题一是很难一次做到优化设计，二是工作效率低，设计周期长。

为了适应市场对高精度产品的需求，同时为加速新产品开发力度，迫切需要研究开发一种新的轧辊辊型的设计方法和现场工程师能够使用的专用软件，以实现轧辊辊型与工艺的快速优化设计，从而达到提高工作效率，缩短设计周期，满足产品质量要求。

发明内容

为解决上述技术中存在的问题，本发明的目的是提供一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，以利于适应多品种、多规格的产品结构，同时解决了设计周期长，降低成本，节能、节材、提高产品质量和工作效率。

为实现上述目的，本发明采用的技术方案是提供一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，该方法的包括有以下步骤：该方法的包括有以下步骤：

①建立ASSEL辊型参数估算模型

a.首先利用MEER公司ASSEL机组的辊型设计参数和轧制工艺参数对照表，选择以下输入/输出特征向量：

输入特征向量：

荒管直径(DL)

荒管壁厚(SL)

毛管直径(DH)

毛管壁厚(SH)

芯棒直径(DD)

输出特征向量：

轧辊入口锥角α₁(°)

辗轧带长度L_K(mm)

辊肩高度R_S(mm)

辊肩高度r_S(mm)

出口锥角α₂(°)

b.在线采集轧制工艺参数，通过遗传神经网络推理估计方法建立ASSEL辊型参数估算模型，推导出适合生产条件和不同规格产品的辊型特征参数；

②对ASSEL辊型特征参数的优化

借助协同设计和虚拟环境(VE)产生器，调整ASSEL机组的孔喉直径、喂入角、碾轧带的长度、台肩高度工艺参数，观察到ASSEL轧管机的轧制过程的各种技术参数的动态值，依次确认现实的ASSEL辊型是否有能力完成预定的轧制任务和完成过程，同时也能够从中发现轧制过程的缺陷和问题，达到对ASSEL辊型参数的优化；

③输出加工零件图

通过读/写Auto CAD的DWG图形文件，完成输出ASSEL辊型加工零件图的操作。

本发明的效果是该方法智能化地产生辊型设计的特征参数，利用生产中有限的代表性参数，预测适应不同规格产品的辊型加工参数，改变了传统的辊型设计、建造、控制、产品成型等多环节互不协调、反复修改的串行工作方式，而使辊型设计、建造及有关的技术准备和生产准备工作在并行工作方式下达到一次成功，从而缩短技术和生产准备周期，使最终产品能按用户的要求以最快的速度供应市场。该项技术可提高轧辊辊型设计质量，减少试轧次数，节省资金，缩短新产品的开发时间。

通过神经网络的权值进行训练，优化权系数和网络结构，使系统具有神经网络广泛的映射能力，探究出了轧制工艺的多变量多参数与辊型几何形状的信息传递关系，具有遗传算法的快速收敛和增强式的学习性能。

附图说明

图1为本发明的系统框图；

图2为本发明的BP网络拓扑结构；

图3为本发明的DWG文件描述的ASSEL辊型加工零件图；

图4为图3的A、B、C点的局部放大图。

具体实施方式

结合附图及实施例对本发明的基于遗传神经网络技术设计ASSEL轧辊辊型的方法使用过程加以说明。

由于轧制设备中多个工艺操作参数相互联系、相互制约，基于理想工艺环境的有限元分析法，推出较为精确的ASSEL辊型设计参数是很困难的，即使能够得到精确的数学计算模型，也往往因过于复杂而缺乏实用价值。而ASSEL轧辊辊型设计模型的确立又是最大限度地发挥设备的生产潜力、提高收益率和降低能耗的关键。

ASSEL轧辊辊型设计是一种非常复杂的设计行为，即要使用金属变形理论进行数学计算又需要大量的经验数据。而经验数据没有固定的规律性，对于不同轧制环境、不同工艺，不同产品，ASSEL辊型曲线及调整参数差别很大。

如图1所示，本发明的基于遗传神经网络技术设计ASSEL轧辊辊型的方法，该方法包括有以下步骤：

1、建立ASSEL辊型参数估算模型

①辊型参数估算模型的特征参数确定

根据ASSEL机组的辊型参数与轧制工艺对照表原设计，初步选择以下输入/输出特征向量：

输入特征向量：

荒管直径：DL

荒管壁厚：SL

毛管直径：DH

毛管壁厚：SH

芯棒直径：DD

输出特征向量：

轧辊入口锥角α₁(°)

辗轧带长度L_K(mm)

辊肩高度R_S(mm)

辊肩高度r_S(mm)：

出口锥角：α₂(°)

②基于遗传神经网络建立ASSEL辊型参数推导估算模型

a.人工神经网络的BP算法是信息正向传播和误差反向传播的两个反复交替过程。信息正向传播是输入层经隐含层向输出层的“模式顺传播”过程，误差反向传播是网络的希望输出与实际输出之差的误差信号，由输出层向输入层逐层修正各层神经元的权值和阈值的“误差逆传播”过程。由“模式顺传播”与“误差逆传播”的反复交替使网络趋向收敛，即网络的全局误差趋向极小值。

b.BP算法步骤：

BP网络是一种有监督的前馈运行的神经网络，它由输入层、隐含层、输出层以及各层之间的节点的连接权所组成，学习过程的算法由信息的正向传播和误差的反向传播过程构成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元只影响下一层神经元的输出。如果不能在输出层得到期望的输出，则转入反向传播，运用链导数法则将连接权关于误差函数的导数沿原来的连接通路返回，通过修改各层的权值使得误差函数减小。

BP算法的推导如下：

①正向传播

输入层    其输入值一般为样本各分量的输入值，输出值一般等于输入值。

隐含层    对于节点j，其输入值net_j为其前一层各节点输出值O_i的加权和：

${\mathrm{net}}_j=\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{ij}}{O}_i$

输出值：O_j＝fs(net_j)

式中fs(·)称为激励函数或作用函数，一般采用sigmoid函数：

$\mathrm{fs}\left({\mathrm{net}}_j\right)=\frac{1}{1+e^{-\mathrm{netj}}}$

输出层

输出层的输入net_k与输出O_k和隐含层类似，分别为：

${\mathrm{net}}_k=\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{kj}}{O}_j$

O_k＝fs(net_k)

②反向传播

BP学习算法的误差函数一般定义为实际输出与期望输出的均方误差和。通过使误差函数最小的过程不断地改变权重，完成从输入到输出的非线性映射。

设网络输入模式样本为x_p＝{x_pi}，期望输出为{t_pk}，均方误差函数E_p为：

$E_p=\frac{1}{2}\underset{K}{\mathrm{\Σ}}{(t_{\mathrm{pk}}-O_{\mathrm{pk}})}^2$

而对于所有的样本，系统的均方误差为：

$E_p=\frac{1}{2P}\underset{P}{\mathrm{\Σ}}\underset{K}{\mathrm{\Σ}}{(t_{\mathrm{pk}}-O_{\mathrm{pk}})}^2$

为了达到学习的目的，要根据误差函数来相应地调整网络间的连接权值。经典的BP学习算法采用最速梯度下降法调整权值，每次调整的增量为：

$\mathrm{\Δ}{W}_{\mathrm{kj}}=-\mathrm{\η}\frac{\∂E}{\∂W_{\mathrm{kj}}}$

式中0＜η＜1称为学习效率。从式可推出下列连接权值的修正增量公式：

ΔW_kj＝ηδ_kO_j

为了加快收敛速度，在网络训练迭代过程中，第n次迭代与第n-1次迭代连接权值的修正增量公式为：

ΔW_kj ⁽ⁿ⁾＝ηδ_kO_j+aΔW_kj ^(n-1)

式中a称为动量因子，在学习过程中动态地调整η和a的值，使η随系统总误差E不断的变化，以避免出现ΔW取值过小，影响网络的收敛速度。

对于输出节点：Δδ_k＝(t_k-O_k)O_k(1-O_k)

对于隐节点：Δδ_j＝O_j(1-O_j)δ_kW_kj

(2)网络的拓扑结构

a.优化网络的拓扑结构

已经证明一个三层的B神经网络可以任意程度的逼近任何连续函数。初设一个隐含层，隐含层神经元个数由实验确定，拓扑结构如图2所示。

BP网络是一种前馈型网络，由1个输入层、若干隐含层和1个输出层构成。根据具体问题确定输入层单元数n＝4；输出层单元数m＝1，而隐含层数目及隐含层单元数L的确定尚无确定的方法，一般根据试错法确定。

已经证明一个三层的神经网络可以任意程度的逼近任何连续函数。三层前向网络中确定隐含层神经元数L的经验公式为：

L＝(M+N)^1/2+(1～10)

式中：M为输入层神经元个数，M＝5；N为输出层神经元个数，N＝5

(M+N)^1/2＝10^1/2＝3.16

用此公式确定L为4～15，用试错法测试，当隐层神经元数分别为4、5、6、7、8、9、10、11、12、13、14、15时，确定BP网络需要进化多少代，方可满足误差为±2％的精度要求。采用灌溉施肥智能化控制系统实测的45组数据作为网络的学习样本，参照样本数据表：

样本数据表

网络输入参数						网络输出参数
											毛管直径(mm)	毛管壁厚(mm)	荒管直径(mm)	荒管壁厚(mm)	芯棒直径(mm)	轧辊入口锥角α1(°)		辗轧带长度(mm)	辊肩高度RS(mm)	辊肩高度rS(mm)	轧辊出口锥角α2(°)
215	13	236	8	169	8.57		64.10	17.58	5.47	9.13
											217	13	236	8	169	8.25		53.62	14.04	4.67	8.71
220	15	236	10	172	8.57		53.44	11.65	7.74	4.71
											227	17	234	12	175	8.56		69.74	16.01	4.52	5.36
233	19	234	14	178	8.05		70.33	13.71	5.26	5.44
											235	21	234	16	178	7.92		58.81	15.81	7.12	8.70
248	23	236	18	180	8.12		61.38	15.29	6.50	9.72
											248	25	236	20	180	8.03		57.06	12.48	4.31	9.35
250	27	234	22	180	8.33		66.71	10.08	4.14	7.80
											250	28	234	23	180	8.46		72.07	16.28	7.15	2.56
242	30	230	25	172	8.39		59.20	18.17	6.79	6.58
											251	30	232	25	178	8.43		54.71	19.63	6.20	9.03
250	33	232	28	169	8.51		56.17	19.15	6.57	8.34
											250	34	232	30	166	8.25		65.04	16.18	7.96	7.19
248	38	230	35	157	8.45		57.38	19.80	7.81	8.22
											253	45	230	40	148	8.17		54.57	11.82	3.12	8.92
215	13	236	8	169	8.38		57.11	12.26	3.34	8.38
											217	13	236	8	169	8.51		64.00	15.95	5.57	7.96
215	13	236	8	169	8.57		64.10	17.58	5.47	9.13
											217	13	236	8	169	8.25		53.62	14.04	4.67	8.71
218	15	230	10	169	8.57		53.44	11.65	7.74	4.71
											218	15	230	10	169	8.56		69.74	16.01	4.52	5.36
220	17	228	12	169	8.05		70.33	13.71	5.26	5.44
											220	17	228	12	169	7.92		58.81	15.81	7.12	8.70
220	19	222	14	166	8.12		61.38	15.29	6.50	9.72
											222	19	225	14	169	8.03		57.06	12.48	4.31	9.35
224	21	220	16	166	8.33		66.71	10.08	4.14	7.80
											224	23	218	18	166	8.46		72.07	16.28	7.15	2.56
226	23	218	18	166	8.39		59.20	18.17	6.79	6.58
											230	25	218	20	163	8.43		54.71	19.63	6.20	9.03
233	27	220	22	163	8.51		56.17	19.15	6.57	8.34

236	30	220	25	160	8.25	65.04	16.18	7.96	7.19
										236	31	220	26	160	8.45	57.38	19.80	7.81	8.22
234	33	220	28	157	8.17	54.57	11.82	3.12	8.92
										235	35	218	30	152	8.38	57.11	12.26	3.34	8.38
238	37	222	32	152	8.51	64.00	15.95	5.57	7.96
										242	40	222	35	148	8.57	64.10	17.58	5.47	9.13
238	43	216	38	136	8.25	53.62	14.04	4.67	8.71
										240	45	220	40	136	8.57	53.44	11.65	7.74	4.71
215	13	236	8	169	8.57	64.10	17.58	5.47	9.13
										217	13	236	8	169	8.25	53.62	14.04	4.67	8.71
216	15	230	10	169	8.57	53.44	11.65	7.74	4.71
										218	15	230	10	169	8.56	69.74	16.01	4.52	5.36
218	17	228	12	169	8.05	70.33	13.71	5.26	5.44
										220	17	228	12	169	7.92	58.81	15.81	7.12	8.70

测试每个网络结构达到±2％误差所需的平均迭代数。为保证测试的准确性，对每个网络结构进行10次测试，测试结果如网络达到要求所需的平均迭代数及时间表：

网络达到要求所需的平均迭代数及时间表

隐层神经元数	4	6	9	12
					平均训练步数	288	93	39	36
平均所需时间	8.33	6.17	5.43	5.29

经过测试得出隐层神经元数接近9时，网络进化速度加快。当隐层神经元数大于9时，网络的进化性能并没有得到改善，因此最终确定网络的隐层神经元数为9，即BP网络的最终结构为BP(5，9，5)。

b.遗传算法优化神经网络的初始权重

虽然遗传算法所从事的工作也是在训练网络权重，但其最终目的却是获得神经网络的初始权重，而该初始权重是在搜索较大空间后所获得的最优结果，网络的最终训练还是由B P算法完成。这就将整个网络训练分成了两个部分：首先采用遗传算法优化网络的初始权重；然后利用BP算法最终完成网络训练。

遗传算法优化网络初始权重的主要内容有：染色体的表达、适应度函数的定义、进化算子和遗传算子的构造等。

(1)染色体编码与初始权重种群的生成

通过以往大量的试验得出，网络收敛后，网络权值的绝对值一般较小。为了使遗传算法能够搜索所有可行解的范围，初始权重种群中的每一条染色体，按概率分布e^-|γ|来随机确定。这样的染色体共有P个，即权重种群规模为P。权重染色体是以多个二维数组的形式存在的，数组中的每一元素相当于一个基因，而种群以三维数组的形式存在。如果采用二进制编码，会造成编码串过长，且需要再解码成实数，影响网络的学习精度。这里采用实数编码。

(2)目标函数与适应度函数的定义

采用遗传算法优化网络初始权重的目标函数可定义为：在所有进化代中，搜索种群中网络误差最小的网络权重，

遗传算法以适应度函数作为进化目标，且只能朝着适应度函数值增大的方向进化，所以，适应度函数与目标函数之间要进行适当的转换。将染色体上表示的各权值分配到给定的网络结构中，网络以训练集样本为输入，运行后将输出误差平方和的倒数作为染色体的评价函数。即

$f=1/\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{(\mathrm{Ti}-\mathrm{Yi})}^2$

式中：p为训练集样本数，Ti为期望输出，Yi为网络实际输出。

(3)选择运算

选择运算是种群通过竞争逐代更新的过程。这里的选择策略为：最佳染色体直接进入下一代；采用排序选择法，即根据染色体适应值大小顺序来换算相应的选择概率，大适应值对应高选择概率，小适应值对应低选择概率。选择算子的实现过程如下

步骤1：确定选择率p_s

步骤2：计算标准分布值

t＝p_s/1-(1-p_s)^P

步骤3：计算各染色体的选择概率

p_k＝t(1-p_s)^N(k)-1，k＝1，2，…，P

式中N(k)是种群中k序号染色体的适应值由大到小的排序号。

步骤4：最佳染色体直接进入下一代，并在下一代种群中的序号为1

NewW₁＝W_N(k)＝1

步骤5：计算染色体的累积选择概率值

$q_k=\underset{l}{\overset{k}{\mathrm{\Σ}}}{p}_k\left(k\right),$ k＝1，2，…，p

步骤6：在[01]间产生按升序排列的随机数序列r，对染色体进行选择(下一代种群染色体的开始序号为2)

在选择运算中：最佳染色体直接进入下一代，该策略可以有效地避免最佳染色体的丢失。其它的采用排序法选择。保证了大适应值染色体获得较高的选择概率，同时又阻止了某些超级染色体过快地把持整个遗传过程。

(4)遗传算子：

这些算子的目的在于扩展股份有限个体的覆盖面，体现全局搜索的思想。这里采用权值交叉和权值变异遗传算子。

权值交叉算子：对于子代染色体中的每个权值输入位置，交叉算子从两个亲代染色体中随机选取多个交叉位置，并将这一代染色体在交叉位置进行交叉运算，这样子代染色体便含有两个亲代的遗传基因。

权值变异算子：由于采用实数编码，对于子代染色体中的权值输入位置，变异算子以概率p_m在初始概率分布中随机选择一个值，然后与在该输入位置上的权值相加。

在此，变异概率进行自适应调整。调整方法如下

$p_m=\left\{\begin{array}{cc}0.5(f_{\max }-f)(f_{\max }-f_{\mathrm{av}}),& f\&GreaterEqual;f_{\mathrm{av}}\\ 0.5,& f<f_{\mathrm{av}}\end{array}\right.$

式中：f-需变异的个体的适应值；f_av-种群的平均适应值；f_max-种群中个体的最大适应值。

这样，对于优秀个体，p_m取小一些，促进遗传算法收敛；对于适应度低的个体，p_m取大一些，避免陷入局部解。

在遗传运算中：群体中序号为1的染色体是上代中的最佳染色体，为了防止该染色体的退化，它不参与交叉和变异等遗传运算。遗传运算是在两条不同染色体的相同基因座上发生的，而不针对染色体。

网络权重进化问题应该属于无约束问题，因为输入层权重、隐层权重和输出层权重都不存在取值空间的限制。权重自由取值的思想是由变异算子来执行的，所构造的变异算子不断地、随机地扩展原有的取值空间。

(5)终止条件：

当连续三代的平均适应度相对误差不超过±2％时，或当进化代数达到2000代时进化终止。网络的初始权重选择完成，可进行BP网络的训练过程。

c.BP网络模型的再训练

用遗传算法确定网络的初始权重后，得到的权值组合已经接近最佳权值组合，但遗传算法在最优解附近搜索的微调能力较差。此时利用BP算法对网络的权值进行微调。如果网络输出与期望输出间存在误差，则将误差反向传播。BP网络的训练次数设定为2000次。此时可以利用训练好的网络模型进行控制。

d.每个用户在一个虚拟现实环境中，通过计算机调整孔喉距离、调整喂入角、碾轧带的长度、台肩高度等工艺参数，观察到ASSEL轧管机的轧制过程的各种技术参数的动态值，并与其它用户进行交互，共同修正ASSEL辊型参数，以达到进一步优化辊型参数的目的。从而确认现实的ASSEL辊型是否有能力完成预定的轧制任务和完成过程，也可从中发现轧制过程的缺陷和问题，予以改进。

f.通过Auto CAD软件输出加工零件图，加工改进的ASSEL轧机的辊型在生产实践中应用。同时对与辊型设计模型进一步优化，对轧制工艺的一般性规律提取。

本发明的基于虚拟现实(VR：Virtual Reality)技术设计了的分布式协同设计方案，以达到进一步优化辊型参数的目的。虚拟现实(VR：Virtual Reality)简单的说是一种可以创建和体验虚拟世界的计算机系统。

实施例：

通过调整参数进行协同设计，如以219辊型系列钢管为例，其参数如下表：

219孔型系列
						序号	毛管外径	毛管壁厚	荒管外径	荒管壁厚	芯棒直径
1234567891011121314	215217220227233235236243245248248250250242	1313151719212123232525272830	236236236234234234236236236236236234234230	8810.412.4814.716.816.818.918.919.572123.124.1526 25	169169172175178178180180180180180180180172

本发明按现行采用的∮150mm、∮210mm、∮250mm三种圆管坯生产的产品组距规格为例，如图3、4所示，对其辊形的优化设计加以说明。

其中：

∮150mm→∮114(108)～146×7.5～26mm，83个产品规格；

采用8.6°的入口锥角α₁，5°的出口锥角α₂，辊肩高度7.5mm，碾轧带长度50mm。

∮210mm→∮121～219×7.5～45mm，164个产品规格；

采用9°的入口锥角α₁，3°的出口锥角α₂，辊肩高度8.0mm，碾轧带长度60mm。

∮251mm→∮165～232×28～65mm，33个产品规格；

采用9.2°的入口锥角α₁，2.5°的出口锥角α₂，辊肩高度8.5mm，碾轧带长度65mm。

本发明所得到的效果：

1、产品整体质量上档次，尤其是薄壁管的内表面质量得到极大改善，内螺纹均小于等于0.3mm。

2、开发高端产品的比例由过去的5％上升到30％，具有显著的经济效益。

3、突破了原设计水平，采用∮251mm管坯开发了∮165～232×28～65mm，33个规格的各类无缝钢管。

Claims (1)

1.一种基于遗传神经网络技术设计ASSEL轧辊辊型的方法，该方法包括以下步骤：

①建立ASSEL辊型参数估算模型

a.首先利用MEER公司ASSEL机组的辊型设计参数和轧制工艺参数对照表，选择以下输入/输出特征向量：

输入特征向量：

荒管直径(DL)

荒管壁厚(SL)

毛管直径(DH)

毛管壁厚(SH)

芯棒直径(DD)

输出特征向量：

轧辊入口锥角α₁(°)

辗轧带长度L_K(mm)

辊肩高度R_S(mm)

辊肩高度r_S(mm)

出口锥角α₂(°)

b.在线采集轧制工艺参数，通过遗传神经网络推理估计方法建立ASSEL辊型参数估算模型，推算出适合生产条件和不同规格产品的辊型特征参数；

②对ASSEL辊型特征参数的优化

借助协同设计和虚拟环境(VE)产生器，调整ASSEL机组的孔喉直径、喂入角、碾轧带的长度、台肩高度工艺参数，观察到ASSEL轧管机轧制过程的各种技术参数的动态值，依次确认现实的ASSEL辊型是否有能力完成预定的轧制任务和完成过程，同时也能够从中发现轧制过程的缺陷和问题，达到对ASSEL辊型参数的优化；

③输出加工零件图

通过读/写Auto CAD的DWG图形文件，完成输出ASSEL辊型加工零件图的操作。

Images