一种降低板材生产过程厚度波动值的热处理方法与流程
本发明属于板材生产,具体而言,涉及一种降低板材生产过程厚度波动值的热处理方法。
背景技术:
1、板材生产过程中,辊筒热处理状态与挤出工艺参数的协同控制是抑制厚度波动的核心手段。传统方法通常依赖基于历史统计数据的经验模型或单一基地训练的神经网络,通过离线标定温度控制回路参数来维持厚度稳定性。随着多基地规模化生产的推进,各基地在冷热工况、材料批次及辊筒硬度梯度分布方面存在显著差异,传统模型需在目标基地重新采集大量样本并完整训练,方可适应新基地的工况特征。在现有技术中,由于跨基地迁移时目标基地样本量严重不足,纯数据驱动模型缺乏物理先验约束,在高线速提速工况下模口压力与热平衡边界条件发生快速非平稳漂移,导致模型权重更新方向与实际物理规律偏离,收敛过程极度迟滞,厚度机差预测误差持续超出统计过程控制边界,无法及时输出有效的温度补偿指令。也就是说,现有技术中存在多基地小样本工况下厚度机差预测模型跨域迁移收敛迟滞的技术问题。
技术实现思路
1、有鉴于此,本发明提供一种降低板材生产过程厚度波动值的热处理方法,能够解决现有技术中存在多基地小样本工况下厚度机差预测模型跨域迁移收敛迟滞的技术问题。
2、本发明是这样实现的:本发明提供一种降低板材生产过程厚度波动值的热处理方法,包括以下步骤:
3、对42crmo合金钢辊筒坯料实施调质处理,使辊筒表面硬度均匀性达到生产工艺要求,并采集辊筒表面硬度梯度分布数据作为初始状态特征;
4、在多基地生产环境中部署高频传感器阵列,采集压力、温度及线速数据,经流式滑窗无损降维算子处理后输入记忆痕迹衰减跨域自适应模型,获取厚度机差预测值;
5、将挤出流体动力学算法嵌入记忆痕迹衰减跨域自适应模型的局部激活算子重构项,依据模口压力与熔体流动速率的瞬时对数关系,动态修正挤出量控制参数;
6、以激活强度调节函数计算激活强度值,依据激活强度值所属区间,对记忆痕迹衰减跨域自适应模型的隐层神经元连接矩阵权重参数实施分级调节,驱动自适应网络局部重构;
7、将记忆痕迹衰减跨域自适应模型输出的边界动态收敛交互控制指令传输至温度控制回路,补偿高线速下的时滞效应,稳定热平衡边界条件;
8、可选的,还包括:将各基地辊筒表面硬度梯度衰减特征、厚度机差漂移数据及挤出量控制参数持续回写至记忆痕迹衰减跨域自适应模型训练数据集,触发模型在线更新,实现跨基地小样本迁移优化。
9、其中,所述调质处理,具体是对辊筒坯料依次实施淬火与回火两道热处理工序,使辊筒获得均匀的回火索氏体组织;所述辊筒表面硬度均匀性的判定,具体是对辊筒沿轴向及圆周方向均匀选取不少于12个检测点,各点硬度值与均值偏差不超过硬度均匀性阈值。
10、其中,所述辊筒表面硬度梯度分布数据的采集,具体是在辊筒全长范围内以测量间距阈值逐点测量维氏硬度,并记录轴向硬度分布曲线。
11、其中,所述流式滑窗无损降维算子,具体是以固定时间窗宽在数据流上滑动,窗内数据经主成分映射压缩至低维特征空间,同时保留压力、温度及线速信号的主要方差分量;窗宽参数通过对传感器采样率与边缘计算端处理器负载的压力测试实验确定,以线程死锁率降为零且特征重构误差不超过重构误差阈值时所对应的窗宽为最优值。
12、其中,所述挤出流体动力学算法,具体是在每个控制周期内读取当前线速与挤出量传感器数据,以熔体流动速率与模口压力的瞬时对数关系方程计算当前压力偏差,将偏差量归一化后叠加至局部激活算子的重构项权重;关系方程中的拟合系数通过对不少于30组不同线速与挤出量组合的稳态实验数据实施最小二乘回归拟合获得。
13、其中,所述激活强度调节函数以当前目标基地的预测错误率、辊筒硬度梯度衰减速率及厚度机差漂移量为输入计算激活强度值;当激活强度值低于冻结阈值时,模型权重参数保持冻结;当激活强度值处于浅层调节区间时,仅对浅层神经元连接矩阵进行微调;当激活强度值处于全局调节区间时,对全部隐层的神经元连接矩阵实施中等幅度更新;当激活强度值不低于重构触发阈值时,触发局部激活算子动态重构。
14、其中,所述记忆痕迹衰减跨域自适应模型由前置动态对齐层、双拓扑交织隐藏层体系、门控单元及输出层构成;前置动态对齐层采用基于最优传输理论的特征分布匹配,将目标基地特征映射至源基地特征空间。
15、其中,所述双拓扑交织隐藏层体系由通用物理机理传导网络与自适应网络构成,通用物理机理传导网络的权重在多基地预训练完成后保持锁定,自适应网络的隐层神经元连接矩阵在目标基地小样本数据驱动下动态演化,两部分网络的隐层输出在通道维度上拼接后共同进入门控单元。
16、其中,所述门控单元采用具有非线性动态迭代结构的门控机制,实时监控目标基地的预测错误率;当预测错误率超出统计过程控制边界时,触发局部激活算子动态重构;局部激活算子的重构逻辑融入了模口压力偏差约束项及材料疲劳累积损伤动力学模型的损伤指数项。
17、其中,所述记忆痕迹衰减跨域自适应模型的训练包括两个阶段:第一阶段在源基地大样本数据上对通用物理机理传导网络与自适应网络实施联合预训练,损失函数由厚度机差预测均方误差项与能量守恒惩罚项构成,训练完成后冻结通用物理机理传导网络全部权重;第二阶段在目标基地小样本数据上仅更新自适应网络隐层神经元连接矩阵,由激活强度调节函数驱动迭代更新。
18、其中,所述统计过程控制边界的计算方式为目标基地历史预测错误率均值加3倍标准差,当实时预测错误率超出统计过程控制边界时判定为异常并触发重构。
19、其中,所述能量守恒惩罚项的计算方式为每个训练批次内模型预测的挤出量与实测挤出量之差的平方和乘以惩罚系数,作为附加损失叠加至总损失函数中;惩罚系数的取值范围通过消融实验确定。
20、其中,所述通用物理机理传导网络与自适应网络的隐层神经元连接矩阵按层分块存储于显存,通用物理机理传导网络各层权重矩阵以只读方式驻留显存高优先级区域,自适应网络各层权重矩阵以可写方式分配至显存动态区域,两者显存占比通过有向图优先级调度算法动态规划。
21、其中,所述传感器流式数据经流式滑窗无损降维算子降维后以环形缓冲区方式分配内存;层间激活值的内存分配采用梯度检查点策略,仅保留关键层激活值,其余层激活值在反向传播时按需重算。
22、其中,所述硬度均匀性阈值为±2hrc;所述测量间距阈值为20~40mm;所述窗宽参数的取值范围为50~200ms;所述冻结阈值为0.2,所述浅层调节区间为0.2至0.5,所述全局调节区间为0.5至0.8,所述重构触发阈值为0.8;所述浅层神经元连接矩阵微调的调节步长为0.001~0.005,所述全部隐层更新的调节步长为0.005~0.02,所述重构触发后的调节步长为0.02~0.05;各阈值及权重系数通过在至少3个不同生产基地采集不少于6个月的生产数据进行统计回归分析后确定。
23、本发明采用记忆痕迹衰减跨域自适应模型,将通用物理机理传导网络与自适应网络以双拓扑交织结构协同部署,并将挤出流体动力学算法嵌入局部激活算子重构项,同时以激活强度调节函数驱动分级权重更新。通用物理机理传导网络在多基地预训练后锁定权重,为迁移过程持续提供跨基地物理先验约束,防止小样本驱动下的过拟合;自适应网络依据激活强度值仅对局部神经元连接矩阵实施分级调节,避免全局参数震荡;挤出流体动力学算法将模口压力与熔体流动速率的瞬时对数关系转化为激活重构约束,使模型在高线速扰动瞬间即可依据物理规律修正控制输出而非等待数据驱动收敛。综上所述,本发明解决了背景技术中提到的多基地小样本工况下厚度机差预测模型跨域迁移收敛迟滞的技术问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com