D0I:10.13374/j.issn1001053x.2001.02.009 第23卷第2期 北京科技大学学报 Vol.23 No.2 2001年4月 Journal of University of Science and Technology Beijing Apr.2001 基于人工神经网络的热轧碳钢变形抗力预报 韩丽琦臧勇邹家祥章博 北京科技大学机械工程学院，北京100083 摘要以恒应变速率凸轮压缩试验机得到的实验数据为基础，采用人工神经网络的方法建 立了碳钢变形抗力与应变、应变速率及温度对应关系的预测模型，与多元非线性回归模型比 较，神经网络模型具有较高的预测精度. 关键词人工神经网络；变形抗力；凸轮压缩试验机 分类号TF301 金属的变形抗力是表示钢材压力加工性能 1 样本数据 的一个基本量，正确确定不同变形条件下的金 属的变形抗力，是制定合理的轧制工艺规程的 样本数据取自金属的塑性变形抗力数据 必要条件.以往许多研究者在建立变形抗力与 库，通过用恒应变速率凸轮压缩试验机进行 变形量、变形速率及温度的关系模型时，采用多 热模拟压缩试验，实测了热轧条件下的金属变 元非线性回归对实测的数据进行处理，得到相 形抗力，利用微机高速数据采集系统进行数据 应的变形抗力模型， 采集，将数据存入金属塑性变形抗力数据库. 这种方法首先要对变形抗力模型的函数类 样本钢种及其化学成分见表1，变形条件见 型作出假设（如通常采用指数型函数），而实际 表2. 上变形抗力的变化规律并不能在大范围内与所 表1样本的化学成分（质量分数） 选择的函数类型完全一致.特别是当考虑静态 Table 1 Chemical Composition of Samples 再结晶、应变积累、动态再结晶、相变等因素的 钢号C Mn Si Cu S P 影响时，变形抗力的变化很复杂，难以用所选定 08F0.060.310.0050.100.0150.012 AD10.080.300.1500.090.0180.019 的函数来描述，因而这种方法势必带来较大的 AD20.090.400.2600.090.0130.009 误差円，人工神经网络是模拟脑神经对外部环境 BF0.110.360.0100.11 0.0150.009 进行学习过程建立起来的一种人工智能模式识 BF0.150.430.0100.160.0210.017 别方法，具有自适应学习功能和处理复杂非线 A20.140.450.2400.080.0310.022 性的特点，广泛应用于解决非线性系统以及模 ·A 0.230.620.2700.120.0330.011 型未知系统的预测和控制.在塑性加工领域，人 AF0.200.430.140·0.120.0300.011 工神经网络被用来预报热轧后钢的力学性能 表2实验的变形条件 以及轧制过程中的各道次的轧制力，都取得 Table 2 Deformation conditions of experiment 了令人满意的结果. 境湘/℃ 8509009501000105011001150 本文利用热模拟实验得到的实测数据，利 88 51020305580 用神经网络实现应力一应变的直接映射，直接 0.05-0.69 从实验数据学习应力一应变关系，不需要假设 数学模型的类型，因而可以避免上述误差.通过 2神经网络模型 与利用多元非线性回归方法得到的计算值相比 神经网络作为实现复杂非线性系统的建模 较表明，神经网络方法具有良好的学习和预报 估计、预测、诊断和自适应控制的有效工具已得 精度. 到了广泛应用.BP网络(Error Back-Propagation 收稿日期200008-18韩丽琉男，39岁，博士生，高级工程师 Networks)是一种反馈式全连接多层神经网络，第 23 卷 第 2 期 2 0 0 1 年 4 月 北 京 科 技 大 学 学 报 JO u r n a l o f U o vi e rs iyt o f s c el n c e a n d eT c血n o lo yg B jie i o g Vb l . 2 3 N 0 . 2 A Pr. 2 00 1 基于人工神经网络的热轧碳钢变形抗力预报 韩丽琦 减 勇 邹家祥 章 博 北京科技大学机械工程学院 , 北京 10 00 83 摘 要 以恒 应变 速率凸轮压缩试验机得到 的实验 数据 为基础 , 采用人工神经 网络的方法建 立 了碳钢 变形抗力 与应变 、 应变 速率及温度对应关系 的预测 模型 , 与多元非线 性 回归模型 比 较 , 神经 网络模型具有较高的预 测精度 . 关健词 人 工神经网络; 变形 抗力 ; 凸轮压缩试验机 分 类号 FT 3 01 金属 的变形抗力是表示钢材压力加工性能 的一个基本量 , 正确确定不 同变形条件下 的金 属 的变形抗力 , 是制定合理 的轧制工艺规程 的 必要条件 . 以 往许多研究者 在建立变形抗力与 变形量 、 变形速率及温度 的关 系模型 时 , 采用多 元非 线性 回 归对实测 的数据进行处 理 , 得到相 应 的变形抗力 模型 〔。 .] 这种方法首先要对变形抗力模 型 的函数类 型 作 出假设 ( 如通常采用指数 型 函 数 ) , 而实 际 上变形抗 力的变化规律并不能在大范围内与所 选择 的函数类 型完全一致 . 特别是 当考虑静态 再结 晶 、 应 变积累 、 动态再结 晶 、 相变等 因素 的 影响时 , 变形抗力 的变化很 复杂 , 难 以用所选定 的函数来 描述 , 因而这 种方 法势必带来较大 的 误差 13] . 人工神经 网络是模 拟脑神经对外部环境 进行学习过程建立起来 的一种人工智能模式识 别方法 , 具有 自适应学 习 功能和处理复杂非线 性 的特点 , 广泛应用 于解 决非线性系统 以及模 型 未知系统的预测和控制 . 在 塑性加工领域 , 人 工神经网络被用来 预报热 轧后钢 的力学性能阴 以及 轧制 过程 中的各道次 的轧制力 `州 , 都取得 了令人满 意的结果 . 本文利用热模 拟实验得到 的实测 数据 , 利 用神经 网络实现应力一应变 的直 接映射 , 直接 从实验数据学 习 应力一应变关 系 , 不需要假设 数学模型 的类 型 , 因而可以 避免上述误差 . 通过 与利用多元非线性 回归方法得到 的计算 值相 比 较表 明 , 神经 网络方法具有 良好 的学 习和预报 精度 . 收 稿日期 2 0 0刁 -8 18 韩丽 琦 男 , 39 岁 , 博士 生 , 高级工程师 1 样本数据 样本数 据取 自金 属的塑 性变形 抗力 数据 库 .19 01 . 通过用恒应 变速率凸轮压缩试验 机进行 热模 拟压缩试 验 , 实测 了热轧条件下 的金属变 形抗 力 , 利用微机高速数据采集 系统进行数据 采集 , 将数据存 人金属塑性 变形抗力数据库 . 样本钢种及其化学成分见表 1 , 变形条件见 表 2 . 表 1 样本的化 学成 分 (质 t 分数 ) aT b le 1 C h e m ic a l C o m P o s i t i o n o f S a . P le s .o/ 钢号 C 5 1 C u S P 0 . 0 6 0 . 0 8 0 . 0 9 0 . 11 0 . 15 0 . 14 0 . 2 3 0 . 2 0 6落6 M 】1 0 . 3 1 0 . 4 0 0 . 36 0 . 4 3 0 . 45 0 . 62 0 . 4 3 0 . 0 0 5 0 . 15 0 0 . 2 60 0 . 0 10 0 . 0 10 0 . 2 40 0 . 2 70 0 . 1 40 0 . 10 0 . 0 9 0 . 0 9 0 . 1 1 0 . 1 6 0 . 0 8 0 . 12 0 . 12 0 . 0 15 0 . 0 1 8 0 . 0 1 3 0 . 0 1 5 0 . 0 2 1 0 . 0 3 1 0 . 0 33 0 . 0 30 0 . 0 12 0 . 0 19 0 . 00 9 0 . 00 9 0 . 0 1 7 0 . 0 2 2 0 . 0 1 1 0 . 0 1 1 孰头F 32 08肛氏人IAA 曲 表 2 实验 的变形条件 介 ble 2 D e fo r m a iot n e o n d i柱o n s o f e x 钾r 加 e n t r女形 /℃ 85 0 9 00 9 5 0 1 00 0 1 0 5 0 1 10 0 1 1 5 0 云s/ 一 , 5 10 2 0 30 5 5 80 ￡ 0 . 0 5 ~ 0 . 69 2 神经网络模型 神经 网络作 为实现复杂非线性 系统 的建模 估计 、 预测 、 诊 断和 自适应控制的有效工具已得 到 了广泛应用 . B P 网络 (E r or B a -ck p r o p ag at ion Ne wt o krS )是一种反馈 式全连接多层 神经网络 , , DOI: 10. 13374 /j . issn1001 -053x. 2001. 02. 009