基于PIO-RBF神经网络斜轧穿孔机调整参数预测_孙继芸.pdf

第 30 卷 第 3 期2023 年 3 月塑性工程学报JOURNAL OF PLASTICITY ENGINEERINGVol.30 No.3Mar.2023成形装备与智能制造引文格式:孙继芸,王清华,王贞艳,等.基于 PIO-RBF 神经网络斜轧穿孔机调整参数预测 J.塑性工程学报,2023,30(3):197-203.SUN Jiyun,WANG Qinghua,WANG Zhenyan,et al.Prediction of adjustment parameters of cross-rolling piercing mill based on PIO-RBF neural networkJ.Journal of Plasticity Engineering,2023,30(3):197-203.基金项目:山西省科技重大专项(20191102009)通信作者:王清华,女,1980 年生,博士,讲师,主要从事钢管成形及自动化研究,E-mail:18903462536 第一作者:孙继芸,女,1996 年生,硕士研究生,主要从事先进过程控制研究,E-mail:s18835387178 收稿日期:2022-05-05;修订日期:2023-01-24基于 PIO-RBF 神经网络斜轧穿孔机调整参数预测孙继芸1,王清华1,王贞艳1,胡建华2,徐洪岩3(1.太原科技大学 电子信息工程学院,山西 太原 030024;2.太原科技大学 材料科学与工程学院,山西 太原 030024;3.太原重工股份有限公司 技术中心,山西 太原 030024)摘 要:针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大,但其设定值精度不高的问题,提出了基于鸽群算法改进 RBF 神经网络斜轧穿孔机调整参数预测模型。首先,综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数,其次,建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的 RBF 神经网络预测模型,并提出鸽群算法优化 RBF 神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的 304L 管的生产数据,对提出的预测模型进行了训练和验证。通过与基于聚类分析的 RBF 神经网络模型对比,将经 PIO-RBF 神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较,其相对误差均可控制在 9%以内。结果表明,由 PIO-RBF 神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。关键词:斜轧穿孔;调整参数预测;鸽群算法;RBF 神经网络中图分类号:TG355 文献标识码:A 文章编号:1007-2012(2023)03-0197-07doi:10.3969/j.issn.1007-2012.2023.03.026Prediction of adjustment parameters of cross-rolling piercing millbased on PIO-RBF neural networkSUN Ji-yun1,WANG Qing-hua1,WANG Zhen-yan1,HU Jian-hua2,XU Hong-yan3(1.School of Electronic Information,Taiyuan University of Science and Technology,Taiyuan 030024,China;2.School of Materials Science and Engineering,Taiyuan University of Science and Technology,Taiyuan 030024,China;3.Technology Center,Taiyuan Heavy Industry Co.,Ltd.,Taiyuan 030024,China)Abstract:Aiming at the problem that the adjustment parameters of rolling mill have great influence on the quality of steel tube in the pro-duction process of two-roll cross-rolling piercing of seamless steel tube,but the precision of its set value is not high.The prediction model of adjustment parameters of cross-rolling piercing mill based on improved RBF neural network by pigeon colony alogrithm was proposed.Firstly,the traditional mathematical model of two-roll cross-rolling piercing adjustment parameters was comprehensively analyzed,and the main characteristic parameters were established.Secondly,the RBF neural network prediction model of rolling mill parameters(roll spac-ing,guide plate spacing and plug forward stretch)was established,and pigeon colony algorithm was proposed to optimize the center,vari-ance(width)and the connection weight between hidden layer and output layer of RBF neural network.According to the production data of 304L tube collected by a factory,the proposed prediction model was trained and verified.Compared with the RBF neural network model based on cluster analysis,the relative error between the data predicted by the PIO-RBF neural network model and the actual data of rolling mill parameters(roll spacing,guide plate spacing and plug forward stretch)can be controlled within 9%.The results show that the pre-diction model established by PIO-RBF neural network has high prediction accuracy and strong applicability for roll spacing,guide plate spacing and plug forward extension.Key words:cross-rolling piercing;adjustment parameter prediction;pigeon colony algorithm:RBF neural network 引言斜轧穿孔是目前热轧钢管生产中最常用的方法之一。实心坯料加热后经过斜轧穿孔获得空心的毛管,其生产方法分为带导板的二辊斜轧穿孔和三辊斜轧穿孔。在二辊斜轧穿孔生产中,金属横截面的变形是由圆变椭圆再转圆的过程,变形过程由工具设计和轧机调整(轧辊间距、导板间距和顶头位置等调整参数)所决定。因此,在轧机工具设计完成后,轧机的调整对钢管的质量影响很大。而在传统生产中,大多是按照产品规格要求计算出调整参数并将其作为设定参数,凭借生产经验去调试,使调整参数达到最优后再进行生产。然而这种方式已无法满足用户对产品需求的多样化、个性化和优质化的趋势。穿孔是无缝钢管成形的第 1 道工序,若因调整参数调整不当而导致缺陷或次品没有及时纠正,那么在后序的加工中,部分缺陷很有可能被一直保留到成品,从而严重影响最终产品质量1-2。因此,在研究穿孔过程中,针对不同规格的产品工艺参数的优化,建立斜轧穿孔调整参数预测模型很有必要。随着智能制造的快速发展,许多学者尝试将人工智能应用于钢铁行业。刘欣玉等3针对轧制力预测,通过 MATLAB 构建了 BP 神经网络模型,利用BP 神经网络提高预测精度;YANG J M 等4对铝热连轧轧制力模型进行了深入研究,提出了应用遗传算法对 BP 神经网络的结构进行优化来建立轧制力的智能模型,结果证实与智能算法相结合的神经网络可提高精度;随着用户对成品质量的不断提升,许多智能算法将应用于轧制领域。WANG Z 等5采用粒子群算法优化标准 BP 神经网络,经数据验证,PSO-BP 神经网络模型比传统 BP 神经网络模型的预测精度高,为轧制力的高精度预测提供了新的方法。LEE D 等6将长时间学习和短时学习神经网络在线学习功能成功应用于对热轧过程中轧制力的预测,提高了模型的预测精度。马威等7结合大量的工业轧制数据成功建立了基于深度学习框架的深度前馈神经网络模型,为轧制力研究领域提供了新的研究方向。斜轧穿孔生产过程复杂,毛管的质量受众多因素的影响,而且各影响因素之间存在着非线性、强耦合的关系。因此,无缝钢管领域的学者们也致力于将人工智能算法应用其中。肖冬等8提出了基于均值子时段 MPLS 方法的毛管质量预报模型,其实时性好、可靠性及精度高,为斜轧穿孔生产的无缝钢管质量进一步提高提供了可能性;潘孝礼等9验证了基于步进均值子时段 MPLS 的连轧荒管质量预测模型具有可行性和有效性;陈鑫等10依据轧制传统工艺理论并结合传统经验分析轧制生产机理建立了标准 BP 神经网络模型,经仿真实验表明该模型具有较高精度,可以满足工业现场的实际需求,将理论与智能的结合更近了一步;双远华等11结合工业实测数据将人工神经网络 BP 算法应用于斜轧穿孔模型中,对比理论计算结果分析得出在斜轧穿孔中应用人工神经网络算法,对解决管材质量问题有明显的实用性。本文以二辊斜轧穿孔调整参数为研究对象,现场采集某无缝钢管厂生产数据,以此建立基于 RBF神经网络的斜轧穿孔调整参数预测模型;利用鸽群优化算法优化 RBF 神经网络参数来实现模型的互补,进而提高调整参数预测精度。1 斜轧穿孔调整参数计算模型斜轧穿孔时,轧件的变形量很大,影响毛管尺寸精度的工艺因素很多。其中,轧机的调整参数轧辊间距、导板间距和顶头前伸量是影响毛管椭圆度、壁厚不均和外径大小的主要因素。如轧辊间距的大小对毛管的壁厚起决定性因素;毛管的外径主要受导板间距的影响;顶头前伸量对毛管外径和壁厚存在很大的影响;导板间距和轧辊间距的比值又决定了轧件在变形区的椭圆度。关于计算轧辊间距、导板间距和顶头前伸量的公式如下12:轧辊间距 b:b=(1-)dz(1)导板间距 l:l=b 1+0.75 (dz-b)dzd0dz|(2)顶头前伸量 y:Dt=dm-(0.075-0.00135s0)d0(3)891塑性工程学报第 30 卷y=(0.8 1)d1+(1 2.5)Dt+(1.5 1.75)20Td0tg-Dt+2s0-b2tan2(4)式中:为压缩带处压缩量,根据经验数据 为15%16%,取=15%;dz为管坯直径;d0为毛管直径;d1为顶头鼻部直径;Dt为顶头直径;为送进角;d