买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原科技大学

摘要：本发明涉及一种轧制全流程的多级多阶段协调优化控制方法，包括：收集轧制生产过程中的目标数据；将所述目标数据输入轧制工艺参数计算机理模型，获取轧制力；将所述目标数据输入混合神经网络模型，获取修正值；所述混合神经网络模型包括：一维卷积神经网络和循环神经网络模型；所述混合神经网络模型利用训练集训练获得；根据所述轧制力结合所述修正值，获取修正后的轧制力；构建多级多阶段协调优化模型，将所述修正后的轧制力输入所述多级多阶段协调优化模型，动态调整轧制参数，并引入帕累托前沿方法，对多个冲突目标之间进行权衡，进一步结合熵权决策方法和TOPSIS技术，确定最终的优化决策方案。

主权项：1.一种轧制全流程的多级多阶段协调优化控制方法，其特征在于，包括：收集轧制生产过程中的目标数据；将所述目标数据输入轧制工艺参数计算机理模型，获取轧制力；将所述目标数据输入混合神经网络模型，获取修正值；所述混合神经网络模型包括：一维卷积神经网络和循环神经网络模型；所述混合神经网络模型利用训练集训练获得；构建所述混合神经网络模型包括： 其中，为混合模型输出；为CNN模型输出；为RNN模型输出；和为融合系数；为偏置项；为激活函数；利用训练集训练获得所述混合神经网络模型包括：将所述训练集中的历史轧制力数据输入所述一维卷积神经网络，提取所述历史轧制力数据中序列数据的局部特征，利用所述循环神经网络模型捕捉所述局部特征中的长期依赖性，从而识别在连续轧制过程中出现的动态变化趋势，并采用自适应遗传算法对所述一维卷积神经网络和所述循环神经网络模型的超参数进行优化，自动寻找最优的网络参数配置，从而获得所述混合神经网络模型；根据所述轧制力结合所述修正值，获取修正后的轧制力；获取所述修正后的轧制力的方法为： 其中，是通过传统物理模型计算得到的轧制力；为修正后的轧制力；表示混合网络模型基于历史数据预测的轧制力；是由混合神经网络模型预测的修正值；是修正系数；构建多级多阶段协调优化模型，将所述修正后的轧制力输入所述多级多阶段协调优化模型，动态调整轧制参数，并引入帕累托前沿方法，对多个冲突目标之间进行权衡，进一步结合熵权决策方法和TOPSIS技术，确定最终的优化决策方案；所述多级多阶段协调优化模型包括：粗轧负荷分配协调优化子模型用于确保末道次轧制的板带质量，进行负荷分配决策，以控制板带的厚度和凸度： 其中，为目标；为第i道次的轧制力；为所有道次轧制力的平均值；为轧制道次数量；为实际测得的中间坯凸度；为目标凸度值；为粗轧阶段总能耗；为第道次的功率；精轧负荷分配子模型用于接收所述粗轧负荷分配协调优化子模型的数据，基于该数据及精轧过程的实时监测数据进行负荷平衡和板形优化： 其中，为目标；为第道次的实际出口厚度；为目标厚度；为轧制道次；为轧制线速度；为该阶段消耗的总能量；为生产的总量；所述多级多阶段协调优化模型还包括：卷取阶段子模型用于根据所述精轧负荷分配子模型的优化结果调整卷取张力： 其中，为目标；为实际测得的张力；为设定张力；为实际测得的卷径；为目标卷径；引入帕累托前沿方法，对多个冲突目标之间进行权衡的方法包括：引入帕累托前沿方法，对平衡了轧制力最小化、能耗降低、生产效率提高和产品质量保证之间进行权衡： 其中，和为决策变量，如果不存在另一个解，使得所有目标函数在处的值都不比在处的值差，且至少有一个目标函数在处的值优于处的值，则解被认为是帕累托最优的，为定义在决策空间上的目标函数；确定所述最终的优化决策方案的方法为： 其中，为综合决策分数；为决策标准的数量；为第个决策标准的熵权重；为第个决策标准的评分；为第个标准的相对接近度；和为目标与正、负理想之间的距离；为第个决策在第个标准上的评分；为每个决策的具体评分；为第个决策的具体评分。

全文数据：

权利要求：

百度查询： 太原科技大学 一种轧制全流程的多级多阶段协调优化控制方法