(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110641751.1 (22)申请日 2021.06.09 (71)申请人 南京钢铁股份有限公司 地址 210044 江苏省南京市六合区卸甲甸 申请人 安徽工业大学 (72)发明人 高国珺　李佑河　王萍　席波　 叶金杰　黄贞益　黄华钦　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 曹坤 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于 K-means聚类算法的神经网络 预报 轧制力的预报方法 (57)摘要 本发明公开了一种基于K ‑means聚类算法的 神经网络 预报轧制力的预报方法。 属于计算机技 术领域， 具体步骤： 确定RBF神经网络的输入及输 出层； 估算非线性多层前向RBF神经网络输入、 输 出层和隐节点的节点个数； 构成隐含层空间； 确 定合适的数据中心， 并根据各中心之间的距离确 定隐节点的扩展常数； 训练人工神经网络， 学习 修正误差， 完成人工神经网络构建； 并采用此人 工神经网络进行轧制力预设定以供生产使用。 本 发明相较于传统非线性多层前向神经网络运行 速度快， 模型易于维护， 同时避免了依据设计者 因个人经验而设定了不合适的神经网网络的隐 含层数和隐含层结点数、 定位不到准确的各基函 数的数据中心等 弊端,精度较高。 权利要求书4页 说明书14页 附图3页 CN 114510864 A 2022.05.17 CN 114510864 A 1.一种基于K ‑means聚类算法的神经网络预报轧制力的预报方法， 其特征在于， 其具体 操作步骤如下： (1.1)、 通过分析SIMS公式获取最具关联性的棒材热连轧轧制力影响因素， 从而确定 RBF神经网络的输入及输出层； (1.2)、 估算非线性多层前向RBF神经网络 输入、 输出层和隐节点的节点个数； (1.3)、 建立基于函数逼近与内插的径向基函数， 从而构成隐含层空间； (1.4)、 使用K ‑means自组织聚类算法为隐层节点的径向基函数确定合适的数据中心， 并根据各中心之间的距离确定隐节点的扩展常数； (1.5)、 训练人工神经网络， 学习修正误差， 从而完成人工神经网络构建； 并采用此人工 神经网络进行轧制力预设定以供生产使用。 2.根据权利要求1所述的一种基于K ‑means聚类算法的神经网络预报轧制力的预报方 法， 其特征在于， 在所述步骤(1.1)中， 对SIMS公式进行分析的具体过程是： 对棒材轧机热轧 轧制力模型SIMS公式进行分解； 其中， 所述SIMS公式是以奥罗万变形区内力平衡理论为基础， 假设热轧时变形区内轧 辊和轧件接触表面不产生相对滑动， 所述SIMS公 式的棒材轧机热轧轧制 力模型采用以下基 本形式： P＝BlcKQp          (1) 式(1)中： B表示轧件宽度； lc表示考虑压下后的接触弧水平投影长度； K表示变形抗力； Qp表示应力状态系数； 其中， lc表示为： 式(2)中： Rc表示轧辊工作半径； Δ h表示压下量； 将式(2)代入式(1)中求解轧制压力P； 引入轧辊半径R， 避免计算时的迭代； 其求解过程 如下： 令 μ＝K Qp， 将式(3)整理， 从而得到： P2‑0.22 μ2BRP‑μ2B2RΔh＝0     (4) 由式(4)解的： 由式(5)可 得 μ、 R、 B和 △h， 即可求出轧制力P； 另外， 由于轧制时变形区内应力状态及其分布取决于变形区几何形状， 故推导出的应 力状态系数如下式所示： 式(6)中， ε表示压下率； h表示轧件轧制后高度； hy表示变形区内轧件瞬时平均高度。权　利　要　求　书 1/4 页 2 CN 114510864 A 23.根据权利要求1所述的一种基于K ‑means聚类算法的神经网络预报轧制力的预报方 法， 其特征在于， 在所述步骤(1.1)中， 通过分析SIMS公式获取最具关联性的棒材热连轧轧制力影响因 素具体包括： 轧制温度、 轧制速度、 变形抗力、 轧辊半径、 宽展系数及入口高度； 确定输入节 点的个数为6， 则将上述6个影响因素作为RBF神经网络的输入， 将轧制力作为RBF神经网络 的输出。 4.根据权利要求1所述的一种基于K ‑means聚类算法的神经网络预报轧制力的预报方 法， 其特征在于， 在所述步骤(1.2)中， 通过估算非线性多层前向RB F神经网络输入输出层和隐节点的节 点个数的具体过程是： 设置输入层的节点个数为N， 设置非线性多层前向RBF神经网络隐节点数为M； 单输出 RBF神经网络输出节点置为1； 为避免样 本数P很大时求解网络的权值时产生病态问题； 则选 择建立广义RBF网络， 用以减少隐节点的个数， 即N＜M＜P。 5.根据权利要求1所述的一种基于K ‑means聚类算法的神经网络预报轧制力的预报方 法， 其特征在于， 在所述步骤(1.3)中， 通过建立基于函数逼近与内插的径向基函数构成隐含层空间的 具体过程是： 在所述的非线性多层前向RBF神经网络中确定由N维输入空间到一维轧制力输出空间 的映射； 设N维 空间有P个输入向量 Xp， 其中p＝1， 2, …， P， 其在输出空 间相应的目标值为dp， p ＝1， 2，…， P， P对输入输出样 本构成了训练样 本集； 满足插值条件的非线性映射函数F(X)如 下式所示： F(Xp)＝dp， p＝1,2…,P        (7) 式(7)中， 函数 F表示是一个插值曲面； 此完全内插的插值曲面 通过所有训练数据点； 另外， 采用径向基函数技术解决插值问题的具体操作方法是： 选择P个基函数， 使每一 个基函数对应一个训练数据， 各基函数的形式如下 所示： 式(8)中， 径向基函数 表示非线性函数， 训练数据点Xp表示 的中心； 基函数以输入空 间的点X与中心Xp的距离作为 函数的自变量。 6.根据权利要求1所述的一种基于K ‑means聚类算法的神经网络预报轧制力的预报方 法， 其特征在于， 在所述步骤(1.3)中， 建立基于函数逼近与内插的径向基函数中， 其实现径向基函数的 内插函数定义 为基函数的线性组合： 将式(7)代入式(9)， 得到P个关于未知系数ωp， p＝1,2…,P的线性方程组： 令 则上述方程组可改写为：权　利　要　求　书 2/4 页 3 CN 114510864 A 3