一种基于PSO-ELM的热轧板材组织-性能预测方法

摘要

本发明提供了一种基于PSO-ELM算法的热轧板材组织-性能预测方法，包括以下几个步骤：步骤1：获取影响热轧板材组织-性能的参数；步骤2：获取板材的冷却速率Rc；步骤3：按照步骤1获取的数据与步骤2获取的冷却速率对板材进行力学性能试验，获得板材的屈服强度、抗拉强度及延伸率的试验值；步骤4：建立基于ELM（极限学机）的热轧板材组织-性能预测模型；步骤5：采用粒子群算法对步骤4建立的模型进行训练；步骤6：利用步骤5得到的预测模型对热轧板材组织-性能进行预测；本方法实现了热轧板材组织-性能的在线实时精确预测，解决了以往力学性能只能依靠机器设备检测的问题。

主权项

1.一种基于PSO-ELM的热轧板材组织-性能预测方法，其特征在于，包括以下步骤：步骤1：获取板材的化学元素含量以及板材的热轧过程参数；所述板材的化学元素含量包括碳、硅、锰、磷、硫、铜、铌、铬及铝化学元素的含量，所述板材的热轧过程参数包括板坯厚度、粗轧坯厚、成品厚度、开轧温度、终轧温度及卷曲温度；步骤2：建立板材的冷却速率模型，按照步骤1中获得的数据求得板材的冷却速率R_c；$\left\{\begin{array}{c}{R}_C=\frac{T_F-T_C}{t_C}\\ t_C=\frac{L_C}{V_D}\end{array}\right.$式中，T_F为终轧温度，T_C为卷曲温度，t_C为冷却时间，L_C为实测冷却段总长度，V_D为甩尾速率；步骤3：按照步骤1获取的数据与步骤2获取的冷却速率对板材进行力学性能试验，获得板材的屈服强度、抗拉强度及延伸率的试验值；所述力学性能试验包括钢模胀形试验、杯突试验和金属拉伸试验；步骤4：建立基于ELM（极限学习机）的热轧板材组织-性能预测模型；以步骤1和步骤2获得的数据作为热轧板材组织-性能预测模型输入层的节点数据，以步骤3获得的屈服强度、抗拉强度及延伸率作为热轧板材组织-性能预测模型输出层的节点数据，隐含层至少包括8层；步骤5：将热轧板材组织-性能预测模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，采用粒子群优化算法对粒子进行迭代寻优，设定粒子种群个数，随机生成粒子位置、速度、惯性权值w、加速参数r1和r2，计算粒子的适应度函数，按照粒子优化群算法中的位置和速度更新公式进行更新，直到满足迭代条件，输出最优粒子并赋值给热轧板材组织-性能预测模型；设定适应度函数为其中，N为训练样本总数，y_ij表示热轧板材组织-性能预测模型中第j个输出值的第i次预测值，t_ij为第j个输出值的第i次试验获得的试验值；所述迭代条件为迭代次数达到迭代次数设定值或适应度函数小于适应度函数设定值；步骤6：对与步骤1中所述板材型号相同的板材的热轧过程参数进行设定，利用设定的热轧过程参数和板材的化学元素含量作为步骤5获得的热轧板材组织-性能预测模型的输入层的节点参数，以步骤5获得的热轧板材组织-性能预测模型的输出层的输出结果作为热轧板材的组织-性能参数的预测值。