一種冷軋板帶信號模式識別的方法技術

一種冷軋板帶信號模式識別的方法，該方法內容包括以下步驟：采集板形儀在線測量的冷軋帶鋼寬度方向各測量段板形測量值，得到各測量段板形值；將板形儀輸出的原始數據輸入到一個n層的神經網絡作為特征提取層，主要通過訓練讓網絡自動提取特征以排除人工的痕跡；使用基于遺傳算法的改進型量子神經網絡進行板形識別。本發明專利技術將遺傳算法優化的多層激勵函數的改進型量子神經網絡應用到板形模式識別技術中，顯著提高了網絡的訓練效率，有效解決了傳統板形識別方法中遇到的精度和實時性不夠理想、網絡結構復雜且訓練時間長和穩定性和魯棒性差等問題。

Signal pattern recognition method for cold rolled strip

A method of strip pattern recognition signal, the method includes the following steps: the width of strip acquisition shapemeter online measurement of the measurement period of flatness measurement, the measuring section shape; the original data will shapemeter output input to the neural network and a n layer as a feature the extraction layer, mainly through the training network automatic feature extraction to eliminate artificial traces; use of shape recognition of improved quantum neural network based on genetic algorithm. The invention of the improved quantum neural network is applied to flatness pattern recognition technique of multi excitation function optimized by genetic algorithm, significantly improve the network training efficiency, effectively solve the traditional shape recognition methods meet the accuracy and real-time performance is not ideal, the complex network structure and long training time and stability and robustness etc..

【技術實現步驟摘要】
一種冷軋板帶信號模式識別的方法
本專利技術屬于冷軋板帶領域，涉及到一種冷軋板帶信號模式識別的方法。
技術介紹
在冷軋板帶生產過程中，冷軋板形的模式識別是冷軋板形控制系統的重要組成部分，在這個環節中對板形缺陷狀態的識別精度對后續板形控制效果有至關重要的作用。通過板形儀采集生產現場板材中的應力信號數據進行辨識，判斷出當前板形缺陷狀態的類型，并反饋到板形的控制機構，通過控制執行機構的調整來降低板形的缺陷度，最后使板形的輸出滿足工藝的生產標準,所以應該尋求和研究高精度板形缺陷模式的識別方法。傳統的板形信號模式識別方法是基于最小二乘法的多項式分解方法以及改進的正交多項式回歸分解方法，這些方法抗擾能力差，在理論上存在缺陷，不符合板形缺陷分布的本質，難以滿足高精度板形控制需求。基于模糊原理的板形識別方法簡單有效，但是精度和實時性不夠理想，實際應用的很少。近年來，本領域內的專家學者研究了基于神經網絡的板形信號識別和應用等方面的技術，取得了非常好的效果。但是由于神經網絡的復雜性和現有優化技術的不足，導致基于神經網絡模式識別系統的辯識模型結構復雜，并且存在網絡訓練時間長，穩定性差等問題。板形是指板帶材內部殘余應力沿板寬方向的分布情況，板形識別的任務就是把在線檢測的一組張力分布離散值經過一定處理映射為較少的幾個特征參數，并且能較好的反映板形缺陷的分類情況。多層激勵函數的量子神經網絡采用多個Sigmoid函數的疊加，將特征空間劃分成更多能級，以表示更多的狀態，經過疊加的隱含層激勵函數有多個不同的量子間隔，而每個量子間隔對應不同的量子能級或階梯，即可以分別對應不同的空間結構。在模型的訓練過程中，當樣本數據進入特征空間時，不需要在整個特征空間即[0,1]范圍內去搜索與之對應的空間結構，而是在已分層的空間結構內去搜索，從而使樣本信息快速的映射到對應的量級或階梯上；同時，如果模型的實際輸出與期望輸出誤差較大時，則通過適當的學習算法調整量子間隔，改變已劃分的量子能級或階梯寬度，以適應現有數據樣本的結構特性，以便更好、更快地映射到對應的空間結構上，使樣本數據中的不確定性被量子神經網絡獲取并量化，從而大大縮短模型的訓練時間，提高模型預測結果的準確性和收斂速度。另一方面，智能優化算法在最近幾十年里得到了快速的發展，通過智能優化方法可以得到很多非線性優化問題的最優解。將智能優化算法技術應用到量子神經網絡訓練中，提高了建模精度和效率，是非線性建模領域的富有前景和應用價值的研究方向。這也為高精度和高效率的冷軋板帶信號在線模式識別技術問題提供了技術支持和理論依據。綜上所述，研發兼具有高精度和高效率的冷軋板形信號在線模式識別方法，為控制系統提供可靠的控制依據，從而生產出高質量的冷軋板帶材產品，是進一步提高當前冷軋帶鋼板形控制水平的一個亟待解決關鍵技術問題。
技術實現思路
本專利技術的目的在于提供一種冷軋板帶信號模式識別的方法，該方法可以有效解決使用傳統板形模式識別方法遇到的精度和實時性不夠，辯識模型結構復雜且網絡訓練時間過長，穩定性差等技術問題，可以為控制系統提供可靠的控制依據，為提高冷軋帶鋼的板形控制質量提供有力保證。為了解決上述問題，本專利技術提供的技術方案為：一種冷軋板帶信號模式識別的方法，該方法內容包括以下步驟：步驟1采集板形儀在線測量的冷軋帶鋼寬度方向各測量段板形測量值，得到各測量段板形值；令測量段的個數為m，第i個測量段板形測量值為Fi；步驟2將板形儀輸出的原始數據輸入到一個n層的神經網絡作為特征提取層，主要通過訓練讓網絡自動提取特征以排除人工的痕跡；因板形主要有左邊浪、右邊浪、中間浪、雙邊浪、右三分浪、左三分浪、四分浪和邊中浪八種缺陷模式，所以使網絡輸出為ai,i＝1,2,3...m，其中m為輸出個數,這里取m＝8，則網絡每一層的計算公式如下：ali＝f(Wlxl+bl),l＝1,2,...n其中l為網絡的第l層；Wl為第l層網絡權值；xl為第l層輸入；步驟3使用基于遺傳算法的改進型量子神經網絡進行板形識別，將數據處理模塊的輸出ai作為量子神經網絡的輸入，量子神經網絡的輸出u1,u2,u3,u4為板形的隸屬度；若u1>0，表示板形具有左邊浪，若u1<0，表示板形具有右邊浪；若u2>0，表示板形具有中間浪，若u2<0，表示板形具有雙邊浪；若u3>0，表示板形具有左三分浪，若u3<0，表示板形具有右三分浪；若u4>0，表示板形具有四分浪，若u4<0，表示板形具有邊中浪。在步驟3中，所述基于遺傳算法的改進型量子神經網絡，其建立過程包括如下步驟：1)確定用于板形模式識別的量子神經網絡訓練學習的控制參數：具體控制參數包括：用于網絡訓練遺傳算法的初始種群個數NP，遺傳算法的最大學習代數N，網絡訓練效果的目標值e，以及訓練樣本數目M；2)訓練樣本數據的處理：將板形儀輸出的數據直接輸入到網絡，讓網絡前端的多層神經網絡進行自動特征提取，然后輸入到多層激勵函數的量子神經網絡中去；3)多層激勵函數改進型量子神經網絡的設置：多層激勵函數改進型量子神經網絡模型采用網狀拓撲結構，是由特征提取層、隱含層和輸出層構成，特征提取層也稱輸入層；模型隱含層神經元激勵函數采用多量子能級變換函數，每個多能級變換函數是一系列具有量子間隔偏移的ns個Sigmoid函數的線性疊加，即多層激勵函數；因此，隱含層神經元的輸出yh可表示為：其中V是多層激勵函數量子神經網絡的隱含層權值，a為特征提取層的輸出，θr為量子間隔，ns為量子間隔數目；4)將特征提取層網絡的權值和偏置、多層激勵函數量子神經網絡的隱層權值、量子間隔和輸出層權值定義為遺傳算法的個體向量，按照等概率隨機分布確定NP個個體向量的種群初始值；5)按照遺傳算法的變異操作、交叉操作和選擇操作進行個體向量的優化學習；使用優化學習得到的網絡參數來配置多層激勵函數的改進型量子神經網絡參數，在將M個訓練樣本數據帶入多層激勵函數的改進型量子神經網絡來計算輸出值，繼而通過計算上述M個訓練樣本數據對應的4M個網絡輸出值與其實際值之間的算術差的平方和；該算術差的平方和定義為誤差指標函數值；若誤差指標函數值小于網絡訓練效果的目標值g則意味著網絡訓練成功，否則，應當繼續訓練網絡，g應根據訓練樣本的數量和網絡的規模來選取；6)記錄訓練學習的網絡參數，得到一個15輸入4輸出的多層激勵函數的改進型量子神經網；按照上述步驟建立好網絡后，再進行板形識別。本專利技術有益效果為：1)通過一個多層的神經網絡對板形儀輸入的數據進行自動提取特征，自動處理，排除人工干擾因素，可以顯著的提高網絡識別板形的精度。2)將遺傳算法優化的多層激勵函數的改進型量子神經網絡應用到板形模式識別技術中，顯著提高了網絡的訓練效率，有效解決了傳統板形識別方法中遇到的精度和實時性不夠理想、網絡結構復雜且訓練時間長和穩定性和魯棒性差等問題，為板形控制提供了可靠的依據。附圖說明圖1為本專利技術實施流程圖；圖2為型多層激勵函數的改進型量子神經網絡結構拓撲圖；圖3為本專利技術一實施例中基于遺傳算法的多層激勵函數的改進型量子神經網絡訓練學習流程圖；圖4為采用本專利技術進行板形識別后所得到的識別效果圖。具體實施方式下面結合具體實例和附圖對本專利技術做進一步說明。本專利技術的一種冷軋板帶本文檔來自技高網...

【技術保護點】
一種冷軋板帶信號模式識別的方法，其特征在于：該方法內容包括以下步驟：步驟1采集板形儀在線測量的冷軋帶鋼寬度方向各測量段板形測量值，得到各測量段板形值；令測量段的個數為m，第

【技術特征摘要】
1.一種冷軋板帶信號模式識別的方法，其特征在于：該方法內容包括以下步驟：步驟1采集板形儀在線測量的冷軋帶鋼寬度方向各測量段板形測量值，得到各測量段板形值；令測量段的個數為m，第i個測量段板形測量值為Fi；步驟2將板形儀輸出的原始數據輸入到一個n層的神經網絡作為特征提取層，主要通過訓練讓網絡自動提取特征以排除人工的痕跡；因板形主要有左邊浪、右邊浪、中間浪、雙邊浪、右三分浪、左三分浪、四分浪和邊中浪八種缺陷模式，所以使網絡輸出為ai,i＝1,2,3...m，其中m為輸出個數,這里取m＝8，則網絡每一層的計算公式如下：ali＝f(Wlxl+bl),l＝1,2,...n其中l為網絡的第l層；Wl為第l層網絡權值；xl為第l層輸入；步驟3使用基于遺傳算法的改進型量子神經網絡進行板形識別，將數據處理模塊的輸出ai作為量子神經網絡的輸入，量子神經網絡的輸出u1,u2,u3,u4為板形的隸屬度；若u1>0，表示板形具有左邊浪，若u1<0，表示板形具有右邊浪；若u2>0，表示板形具有中間浪，若u2<0，表示板形具有雙邊浪；若u3>0，表示板形具有左三分浪，若u3<0，表示板形具有右三分浪；若u4>0，表示板形具有四分浪，若u4<0，表示板形具有邊中浪。2.根據權利要求1所述的一種冷軋板帶信號模式識別的方法，其特征在于：所述基于遺傳算法的改進型量子神經網絡，其建立過程包括如下步驟：1)確定用于板形模式識別的量子神經網絡訓練學習的控制參數：具體控制參數包括：用于網絡訓練遺傳算法的初始種群個數NP，遺傳算法的最大學習代數N，網絡訓練效果的目標值e，以及訓練樣本數目M；2)訓...

【專利技術屬性】
技術研發人員：張秀玲，程艷濤，代景歡，
申請(專利權)人：燕山大學，
類型：發明
國別省市：河北,13