本发明设计轧制过程自动控制技术领域，尤其涉及一种基于nsga与felm的冷轧轧制力预测方法。
背景技术：
在轧制过程中，由于现场轧制条件和来料状况不断变化，轧制力模型并不能对轧制过程进行完全精确的描述。常规轧制模型在推导过程中作了大量假设，因此设定值和实际值之间往往存在差异。尤其在冷连轧带钢生产过程中，规格切换后的首卷产品质量问题一直是困扰生产厂家的首要问题，规格切换过程的轧制条件和状态变化大，传统的轧制力机理模型很难实现首卷钢轧制力的精准预测，在此，急需一种能提高变规格过程中轧制力预报精度的方法。
技术实现要素：
本发明的目提供一种基于nsga与felm的冷轧轧制力预测方法，在轧制过程中，根据实测轧制数据，实现冷轧轧制力预测，提高变规格过程中轧制力预报精度的效果；
为了实现上述目的，本发明采用如下技术方案：
一种基于nsga与felm的冷轧轧制力预测方法，包括步骤如下：
步骤1：采集带钢的原始生产数据样本，样本数据包括：带钢宽度为750mm-1000mm、入口厚度为1.710mm-3.414mm、出口厚度为1.093mm-2.463mm、压下率为21.6％-40％、入口张力为90.8kn-194kn、出口张力为113.6kn-303.6kn、入口单位张力为60.6mpa-77.4mpa、出口单位张力为122.7mpa-161.7mpa、轧辊直径为385.0mm-425.2mm、轧制长度为0km-149.6km、轧制速度为75.4m/min-364.4m/min、轧制力为512kn-862kn；
步骤2：对样本中的数据进行归一化处理，将所收集的带钢原始生产数据样本分为训练集、验证集、测试集；归一化处理步骤如下：
步骤2.1：对样本中的数据进行归一化处理数据，归一化处理计算公式如下：
其中ymin，ymax是默认值：-1或1，自设定x为初始值，y为归一化处理之后的值，xmax，xmin是数据集中的最大值和最小值；
步骤2.2：将样本分为训练集、验证集、测试集，各集分选取比例为3∶1∶1；
步骤3：设置felm网络参数，初步建立felm冷轧轧制力预测模型，其中，felm为反馈极限学习机：
步骤3.1：随机选取felm网络的输入层与隐含层间的连接权值iw，隐含层神经元的阈值b，设置初始隐含层神经元个数n为100，并确定隐含层神经元激活函数tf；
步骤3.2：将felm中的type参数设置为0，设置初始反馈误差为0，设置初始迭代次数n为15；
步骤3.3：开始迭代训练网络，获得当前felm模型；
步骤3.4：用测试集测试网络测试所获得felm模型误差并记录数值，根据数值进行隐含层神经元个数n的修正，按照步骤3.3和步骤3.4，直到在100-200数值区间内找到最优隐含层神经元个数n为150；
步骤4：采用快速非支配遗传排序算法nsga-ii对felm模型有关参数进行优化，进行模型测试步骤如下：
步骤4.1：遗传算法开始前对优化参数进行编码，采用二进制编码，将参数转换成为0和1组成的数字串；
步骤4.2：生成一个个体数目为k的种群，该种群每一个个体代表对应优化目标函数的一组的解；
步骤4.3：把带钢轧制力预测误差这一目标值转换成相应的适应度函数，并根据适应度函数依次计算种群中每个个体的适应度，并按适应度从大到小排序，为种群后续的进化选择提供参数；适应度函数计算公式如下：
其中，yi和
步骤4.4：判定算法是否可终止运行，满足其一条件算法终止运行；
步骤4.5：首先将所有个体中的非支配个体放入一个集合之中，一个集合为第一个pareto平面，将这些个体从所有个体中去除，再次重复将所有个体中的非支配个体放入一个集合之中，找到下一个pareto平面，至到所有个体都被分到不同的pareto平面中；计算拥挤度，同一pareto平面上与目标个体相邻两个个体之间目标差值之和，即两个相邻个体组成的小长方形的边长，通过快速非支配排序和拥挤度的计算，群体中每个个体都位于不同的pareto平面且位于同一平面的个体具有不同的拥挤度，如果两个个体位于不同的pareto平面，采用分层排序，先被分离到pareto平面上的个体；如果两个个体在同一pareto平面上，选择周围不拥挤的个体；
步骤4.6：从群体中选择个体，作为下一代的双亲来繁殖后代，产生新的个体；
步骤4.7：随机选择用于繁殖的双亲的某一基因位，将其染色体在此点位断开后互相交换；
步骤4.8：从种群中选择若干个体，对于选中的个体，按照高斯分布，随机选择其基因中的某一位用随机数代替；
步骤4.9：将遗传算法与felm结合，优化felm初始输入层与隐含层之间的连接权值iw和隐含层神经元的阈值b，达到模型的预测精度。
本发明技术方案的进一步改进在于：步骤3.3中，开始迭代训练网络，当迭代次数为15次时迭代训练结束，获得当前felm模型。
本发明技术方案的进一步改进在于：步骤3.3中，开始迭代训练网络，当验证集误差ev小于训练集误差er，获得当前felm模型。
本发明技术方案的进一步改进在于：步骤4.4：判定算法是否可终止运行，当设置最大进化代数为100，种群进化到最大代数时，算法终止运行。
本发明技术方案的进一步改进在于：步骤4.4：判定算法是否可终止运行，当设置终止容差为0.001，即适应度函数值达到0.001时，算法终止运行。
与现有技术相比本发明提供的基于nsga与felm的冷轧轧制力预测方法有益效果如下：
1.本发明提供一种基于nsga与felm的冷轧轧制力预测方法，利用felm网络并结合nsga-ii算法，实现冷轧轧制力预测，克服传统轧制力模型精度较低，抗干扰能力差的缺点。
2.本发明提供一种基于nsga与felm的冷轧轧制力预测方法，改方法精度高，只需要分析处理大量原始生产数据，通过计算机编程即可投入使用，成本较低。
附图说明
图1是本发明一种基于nsga与felm的冷轧轧制力预测方法的流程图；
图2是本发明一种基于nsga与felm的冷轧轧制力预测方法的模型预测值与测量值散点拟合图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，所述基于nsga与felm的冷轧轧制力预测方法，包括如下步骤：
步骤1：采集带钢的原始生产数据样本，样本数据包括：带钢宽度为750mm-1000mm、入口厚度为1.710mm-3.414mm、出口厚度为1.093mm-2.463mm、压下率为21.6％-40％、入口张力为90.8kn-194kn、出口张力为113.6kn-303.6kn、入口单位张力为60.6mpa-77.4mpa、出口单位张力为122.7mpa-161.7mpa、轧辊直径为385.0mm-425.2mm、轧制长度为0km-149.6km、轧制速度为75.4m/min-364.4m/min、轧制力为512kn-862kn，本实施例中，采集带钢的原始生产数据样本，共计888个钢卷；每组数据包含上述12组样本；
步骤2：对样本中的数据进行归一化处理，将所收集的带钢原始生产数据样本分为训练集、验证集、测试集；归一化处理步骤如下：
步骤2.1：对样本中的数据进行归一化处理数据，归一化处理计算公式如下：
其中ymin，ymax是默认值：-1或1，自设定x为初始值，y为归一化处理之后的值，xmax，xmin是数据集中的最大值和最小值；
步骤2.2：将样本分为训练集、验证集、测试集，各集分选取比例为3∶1∶1，本实施例中，将数据分为训练集、验证集、测试集，选取的原则是随机选取，最终选取了700个钢卷生产数据作为训练集，94个数据作为验证集，94个作为测试集，训练集占比约80％，验证集和测试集分别占10％左右；
步骤3：设置felm网络参数，初步建立felm冷轧轧制力预测模型，其中，felm为反馈极限学习机；
步骤3.1：随机选取felm网络的输入层与隐含层间的连接权值iw，隐含层神经元的阈值b，设置初始隐含层神经元个数n为100，并确定隐含层神经元激活函数tf；
步骤3.2：将felm中的type参数设置为0，设置初始反馈误差为0，设置初始迭代次数n为15；
步骤3.3：开始迭代训练网络，获得当前felm模型；
优选的，步骤3.3中，开始迭代训练网络，当迭代次数为15次时迭代训练结束，获得当前felm模型；
优选的，步骤3.3中，开始迭代训练网络，当验证集误差ev小于训练集误差er，获得当前felm模型；
步骤3.4：用测试集测试网络测试所获得felm模型误差并记录数值，根据数值进行隐含层神经元个数n的修正，按照步骤3.3和步骤3.4，直到在100-200数值区间内找到最优隐含层神经元个数n为150；
步骤4：采用快速非支配遗传排序算法nsga-ii对felm模型有关参数进行优化，进行模型测试步骤如下：
步骤4.1：遗传算法开始前对优化参数进行编码，采用二进制编码，将参数转换成为0和1组成的数字串；
步骤4.2：生成一个个体数目为k的种群，该种群每一个个体代表对应优化目标函数的一组的解；
步骤4.3：把带钢轧制力预测误差这一目标值转换成相应的适应度函数，并根据适应度函数依次计算种群中每个个体的适应度，并按适应度从大到小排序，为种群后续的进化选择提供参数。适应度函数计算公式如下：
其中，yi和
步骤4.4：判定算法是否可终止运行，满足其一条件算法终止运行；
优选的，步骤4.4：判定算法是否可终止运行，当设置最大进化代数为100，种群进化到最大代数时，算法终止运行；
优选的，步骤4.4：判定算法是否可终止运行，当设置终止容差为0.001，即适应度函数值达到0.001时，算法终止运行；
步骤4.5：首先将所有个体中的非支配个体放入一个集合之中，一个集合为第一个pareto平面，将这些个体从所有个体中去除，再次重复将所有个体中的非支配个体放入一个集合之中，找到下一个pareto平面，至到所有个体都被分到不同的pareto平面中；并计算拥挤度，同一pareto平面上与目标个体相邻两个个体之间目标差值之和，即两个相邻个体组成的小长方形的边长，通过快速非支配排序和拥挤度的计算，群体中每个个体都位于不同的pareto平面且位于同一平面的个体具有不同的拥挤度，如果两个个体位于不同的pareto平面，采用分层排序，先被分离到pareto平面上的个体；如果两个个体在同一pareto平面上，选择周围不拥挤的个体；
步骤4.6：从群体中选择个体，作为下一代的双亲来繁殖后代，产生新的个体；本实施例中，采用锦标赛选择法，形状优良的个体被选中的概率较大，可以让个体中的优良性状遗传到下一代，但是性状较为一般的个体也有几率被选中，在一定程度上保证了种群的多样性；测试种群规模为20、30、40、50的情况，依次遍历搜索，确定最优种群规模为30；
步骤4.7：随机选择用于繁殖的双亲的某一基因位，将其染色体在此点位断开后互相交换；本实施例中，采用单点交叉方式，即选择一个点位，将双亲的基因左右部分互相交换；交叉概率一般选择较大的值，每次递增0.1，测试0.6～0.9这4种情况，测试结果表明，交叉概率为0.6时，模型的性能最优；
步骤4.8：从种群中选择若干个体，对于选中的个体，按照高斯分布，随机选择其基因中的某一位用随机数代替；
如图2所示，步骤4.9：将遗传算法与felm结合，优化felm初始输入层与隐含层之间的连接权值iw和隐含层神经元的阈值b，提高模型的预测精度；本实施例中，将nsga-ii算法和felm算法结合，用训练集数据测试模型的最终性能，尽可能保证误差值较小；本发明提出的预测模型，在预测值中，几乎所有钢卷轧制力预测值位于5％误差带以内，大部分位于该误差带附近，只有少数异常值，而且绝大多数误差很小，均方误差值为708.2614kn，平均误差百分比仅为3.0023％。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
1.一种基于nsga与felm的冷轧轧制力预测方法，其特征在于，包括如下步骤：
步骤1：采集带钢的原始生产数据样本，样本数据包括：带钢宽度为750mm-1000mm、入口厚度为1.710mm-3.414mm、出口厚度为1.093mm-2.463mm、压下率为21.6％-40％、入口张力为90.8kn-194kn、出口张力为113.6kn-303.6kn、入口单位张力为60.6mpa-77.4mpa、出口单位张力为122.7mpa-161.7mpa、轧辊直径为385.0mm-425.2mm、轧制长度为0km-149.6km、轧制速度为75.4m/min-364.4m/min、轧制力为512kn-862kn；
步骤2：对样本中的数据进行归一化处理，将所收集的带钢原始生产数据样本分为训练集、验证集、测试集；样本数据处理步骤如下：
步骤2.1：对样本中的数据进行归一化处理数据，归一化处理计算公式如下：
其中，ymin，ymax是默认值：-1或1，自设定x为初始值，y为归一化处理之后的值，xmax，xmin是数据集中的最大值和最小值；
步骤2.2：将样本分为训练集、验证集、测试集，各集分选取比例为3:1:1；
步骤3：设置felm网络参数，初步建立felm冷轧轧制力预测模型，其中，felm为反馈极限学习机：
步骤3.1：随机选取felm网络的输入层与隐含层间的连接权值iw,隐含层神经元的阈值b，设置初始隐含层神经元个数n为100，并确定隐含层神经元激活函数tf；
步骤3.2：将felm中的type参数设置为0，设置初始反馈误差为0，设置初始迭代次数n为15；
步骤3.3：开始迭代训练网络，获得当前felm模型；
步骤3.4：用测试集测试网络测试所获得felm模型误差并记录数值，根据数值进行隐含层神经元个数n的修正，按照步骤3.3和步骤3.4，直到在100-200数值区间内找到最优隐含层神经元个数n为150；
步骤4：采用快速非支配遗传排序算法nsga-ii对felm模型有关参数进行优化，并进行模型测试步骤如下：
步骤4.1：遗传算法开始前对优化参数进行编码，采用二进制编码，将参数转换成为0和1组成的数字串；
步骤4.2：生成一个个体数目为k的种群，该种群每一个个体代表对应优化目标函数的一组的解；
步骤4.3：把带钢轧制力预测误差这一目标值转换成相应的适应度函数，并根据适应度函数依次计算种群中每个个体的适应度，并按适应度从大到小排序，为种群后续的进化选择提供参数；适应度函数计算公式如下：
其中，yi和
步骤4.4：判定算法是否可终止运行，满足其一条件算法终止运行；
步骤4.5：首先将所有个体中的非支配个体放入一个集合之中，一个集合为第一个pareto平面，将这些个体从所有个体中去除，再次重复将所有个体中的非支配个体放入一个集合之中，找到下一个pareto平面，至到所有个体都被分到不同的pareto平面中；计算拥挤度，同一pareto平面上与目标个体相邻两个个体之间目标差值之和，即两个相邻个体组成的小长方形的边长，通过快速非支配排序和拥挤度的计算，群体中每个个体都位于不同的pareto平面且位于同一平面的个体具有不同的拥挤度，如果两个个体位于不同的pareto平面，采用分层排序，先被分离到pareto平面上的个体；如果两个个体在同一pareto平面上，选择周围不拥挤的个体；
步骤4.6：从群体中选择个体，作为下一代的双亲来繁殖后代，产生新的个体；
步骤4.7：随机选择用于繁殖的双亲的某一基因位，将其染色体在此点位断开后互相交换；
步骤4.8：从种群中选择若干个体，对于选中的个体，按照高斯分布，随机选择其基因中的某一位用随机数代替；
步骤4.9：将遗传算法与felm结合，优化felm初始输入层与隐含层之间的连接权值iw和隐含层神经元的阈值b，达到模型的预测精度。
2.根据权利要求1所述一种基于nsga与felm的冷轧轧制力预测方法，其特征在于，所述步骤3.3中，开始迭代训练网络，当迭代次数为15次时迭代训练结束，获得当前felm模型。
3.根据权利要求1所述一种基于nsga与felm的冷轧轧制力预测方法，其特征在于，所述步骤3.3中，开始迭代训练网络，当验证集误差ev小于训练集误差er，获得当前felm模型。
4.根据权利要求1所述一种基于nsga与felm的冷轧轧制力预测方法，其特征在于，所述步骤4.4中，判定算法是否可终止运行，当设置最大进化代数为100，种群进化到最大代数时，算法终止运行。
5.根据权利要求1所述一种基于nsga与felm的冷轧轧制力预测方法，其特征在于，所述步骤4.4中，判定算法是否可终止运行，当设置终止容差为0.001，即适应度函数值达到0.001时，算法终止运行。
技术总结