神经网络算法与机理模型融合的冷连轧轧制力智能预报模型

摘要

冷轧带钢的生产模式正在向多品种、小批量、低库存转变,这直接导致了轧制过程中需要更频繁地切换品种规格.由于变规格过程中轧制工艺状态变化较大,传统机理模型加常规自学习和自适应方法很难保证规格切换后首卷产品设定精度.为提高变规格过程中轧制力预报精度,本文提出一种机理模型与轧制过程海量历史数据相融合的复合模型.该方法建立在轧制力理论模型的基础上,采用遗传算法优化BP神经网络的方法对模型轧制力进行校正.使用该算法进行轧制力预报,使变规格后首卷钢轧制力预报的平均相对误差控制在±5.5％内,远高于常规机理模型的设定精度,该方法具有现场应用价值.