低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法与流程

1.本发明涉及专门适用于金属轧机的测量方法和装置领域，具体为一种低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法。


背景技术：

2.冷轧带钢生产中，低碳钢因为其易加工性，是钢厂的下游用户，如汽车，家电行业的重要原材料。下游用户对带钢的基材性能各项指标要求严格。其中，冷轧薄板的强度指标，(包括屈服强度和抗拉强度)的大小和稳定性是衡量产品质量好坏的重要标准，是产品设计和选材时的主要依据。向用户提供具有准确的、合格的强度指标的带钢是钢厂提高其市场竞争力的前提条件之一。
3.目前，冷轧薄带钢强度特性的检测主要有两种，一是离线拉伸法，二是剩磁测量法。
4.离线拉伸法：这是目前广泛采用的方法。即在一卷带钢的某个部位，如头、尾切样，然后送到拉伸测试机上进行拉伸测试，获取试样的强度值，由此来推断一段带钢的强度值。这种方法的优点是简单，结果直接，且精度高。但这种方法存在如下弊端：其一，数据时滞大，常常数小时甚至一天之后方能获取测量值，对生产过程的帮助有限，在线控制更无从谈起。其二，数据不完整，仅能反应一卷带钢头、尾的物理特性数据值，存在用户端满意度低的问题。其三，剪切浪费。机组在生产时，由于某种原因停机或者低速生产，为了维持“头、尾合格，则中间也合格”的经验判断，此时通常要切除一段“疑似不合格”的带钢。切多少没有判断标准，只能尽量多切，显然造成了浪费。其四，需要全天候有人在机旁作业，劳动强度高，人工成本高。
5.剩磁测量法：主要原理是采用脉冲磁场激励，带钢运行经过两组托辊之间，该区域带钢的上下布置有测量装置，该测量方法本质上采用的是对电磁材料进行磁化，之后在运行的下游布置剩磁信号获取线圈。这种检测方法从电磁检测来看，是单一检测，即只有一个电磁型号，业内常称为impoc值。这种方法的模型输入变量有四项，分别是剩磁参数(im)、带钢厚度(th)、生产线平整机延伸率(skd)和生产线拉伸矫直机延伸率(tld)，其中仅有一项是电测参数值，即剩磁参数(im)，其他三项为机组计算机传送给检测计算机的特征值。这种检测方法设备简单，检测模型易构建。缺点是，其检测原理仅仅采用了一项电磁特性值，模型依赖带钢和生产线的工艺参数，检测精度容易受这些参数影响。另外必须装在平整机和拉伸矫直机之后，对于有些未装备这些设备或者装备了不投入的场合下，模型的检测仅仅取决于带钢的厚度和剩磁值，测量的适用性相对较弱。


技术实现要素：

6.为了克服现有技术的缺陷，提供一种使用方便、测量准确、代表性高、适应性强的金属材料性能测试方法，本发明公开了一种低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法。
7.本发明通过如下技术方案达到发明目的：
8.一种低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法，所述的低碳钢冷轧薄板屈服和抗拉强度在线测量装置包括托辊、带钢、底座、立轨、平轨、滑杆、升降驱动缸、电磁检测单元、距离传感器和控制器，
9.各根托辊互相平行设置且在同一水平面上，带钢设于各根托辊上，各根托辊同向转动时推动带钢移动；
10.底座设于两根相邻的托辊之间，底座上垂直地设有四根立轨，四根立轨顶端的连线构成两条对边和托辊平行的矩形，两根滑杆的两端分别可移动地嵌设在一根立轨内，托辊、立轨和滑杆这三者两两互相垂直，平轨的两端分别固定在一根滑杆的中部，升降驱动缸的缸体固定在底座上，升降驱动缸活塞杆的移动端连接平轨的中部；
11.电磁检测单元包括壳体、伺服驱动电机、滚轮、切线磁场谐波分析模块、巴克豪森噪声检测模块、增量磁导率检测模块、多频涡流电磁检测模块和电磁超声无损检测模块，壳体内设有所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块、所述多频涡流电磁检测模块和所述电磁超声无损检测模块，伺服驱动电机固定在壳体的底部，滚轮可转动地设于壳体的底部，伺服驱动电机的输出轴连接滚轮，电磁检测单元通过滚轮可移动地设于平轨上；
12.距离传感器固定在电磁检测单元壳体的顶部，且距离传感器设于带钢的正下方；
13.升降驱动缸、伺服驱动电机、所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块和距离传感器都通过信号线连接控制器；
14.立轨的顶部设有限位块，限位块设于滑杆向上移动的极限位置；
15.控制器选用微机、单片机或可编程控制器；
16.其特征是：按如下步骤依次实施：
17.①
确定参数：
18.电磁检测单元的切线磁场谐波分析模块检测分析获得激励磁场的em1～em11的十一个参数，所述十一个参数的参数代号、参数名称、参数单位和参数含义如下：
19.参数代号参数名称参数单位参数含义em1a3a/cm三次谐波的幅值em2a5a/cm五次谐波的幅值em3a7a/cm七次谐波的幅值em4p3rad三次谐波的相位em5p5rad五次谐波的相位em6p7rad七次谐波的相位em7uhsa/cm三、五、七、九次谐波幅值之和em8k％变形系数em9hcoa/cm矫顽磁场强度em10hroa/cm磁滞回线零点处的谐波幅值em11vmagv电磁线圈稳态电压；
20.电磁检测单元的巴克豪森噪声检测模块检测分析获得激励磁场的em12～em18的
七个参数，所述七个参数的参数代号、参数名称、参数单位和参数含义如下：
21.参数代号参数名称参数单位参数含义em12mmaxv激励磁场的最大幅值em13mmeanv激励磁场一个励磁周期内幅值的平均值em14mrv剩磁点幅值em15hcma/cmm为mmax时的矫顽磁场强度em16dh25ma/cmm为25％mmax时的巴克豪森曲线的宽度em17dh50ma/cmm为50％mmax时的巴克豪森曲线的宽度em18dh75ma/cmm为75％mmax时的巴克豪森曲线的宽度；
22.电磁检测单元的增量磁导率检测模块检测分析获得激励磁场的em19～em25的七个参数，所述七个参数的参数代号、参数名称、参数单位和参数含义如下：
23.参数代号参数名称参数单位参数含义em19umaxv激励磁场的最大幅值em20umeanv激励磁场的一个励磁周期内幅值的均值em21urv剩磁点幅值em22hcua/cmu为umax时的矫顽磁场强度em23dh25ua/cmu为25％umax时导磁率曲线的宽度em24dh50ua/cmu为50％umax时导磁率曲线的宽度em25dh75ua/cmu为75％umax时导磁率曲线的宽度；
24.电磁检测单元的多频涡流电磁检测模块检测分析获得激励磁场的em26～em41的十六个参数，所述十六个参数的参数代号、参数名称、参数单位和参数含义如下：
[0025][0026]
电磁检测单元的电磁超声无损检测模块检测分析获得激励磁场的em42～em44的三个参数，所述三个参数的参数代号、参数名称、参数单位和参数含义如下：
[0027]
参数代号参数名称参数单位参数含义em42uemat_maxv蝶形图的峰值em43uemat_minv蝶形图的谷值em44uratiov两个峰值点的比值
；
[0028]
每一个检测分析获得的原始检测电磁信号emi都对应一个扩展电磁信号nmi，
[0029]
②
在线预测：
[0030]
基于人工神经网络中的bp神经网络来实现带钢屈服延伸率的在线预测，具体算法步骤为：
[0031]
i.确定bp神经网络结构及网络参数设置：在网络训练之前需要构建好所设计的网络结构，并且得设置合适的网络参数以确保训练网络能够达到期望要求；
[0032]
ii.初始化权重和阈值：未用指定算法来设置权重和阈值的bp网络都采取随机地给其赋予一组较小的非零值；
[0033]
iii.处理好训练样本数据并将其送入网络进行训练。在送入网络训练之前，需要归一化处理不同数量级的训练样本数据，然后再将数据送到网络开始训练；
[0034]
iv.正向传播阶段：依次计算逐层的输出，在输出层得到最终输出ym；
[0035]
v.实际输出与期望输出比较。若是实际输出ym与期望输出om一致，则结束训练；若是实际输出ym与期望输出om不一致，则开始反向传播阶段；
[0036]
vi.反向传播阶段：求出实际输出ym与期望输出om之间的总的误差e，将总的误差e分摊给各层各节点，调整各层各节点的权重和阈值；
[0037]
vii.更新后的网络进行下一次训练：将调整好权重和阈值的网络作为新的模型进行再次的训练，若是训练后的结果与期望要求相符合则结束训练，若是不符则再次进入误差反传阶段，循环往复，当迭代次数达到预设次数或者性能函数值小于预设误差精度则停止训练过程。
[0038]
所述的低碳钢冷轧薄板屈服和抗拉强度在线测量装置的使用方法，其特征是：
[0039]
步骤
②
按如下实施：
[0040]
bp(back propagation)神经网络算法是一种按误差逆传播算法进行学习与训练的多层前馈型网络，网络结构由输入层、隐含层、输出层三部分构成，其中输入层和输出层各只有一个，而隐含层可以有多个，各层都由若干神经元组成。层内神经元节点之间互不相连，而层间神经元节点采用全连接的方式，即输入层的任意一个神经元节点都与隐含层的所有节点有连接，隐含层的任意一个神经元节点都与输出层的所有节点有连接。
[0041]
bp神经网络学习算法的执行过程可以概括为两个主要部分：信号的正向传播和误差的反向传播。对于每一个训练样本，正向传播时，输入向量从输入层逐层传向输出层；反向传播时，误差以某种形式由隐含层反向逐层传至输入层。这两个过程循环往复，直到满足设定的终止条件。
[0042]
i.确定网络结构：
[0043]
输入层和输出层固定只有一个，且输入层、输出层神经元节点数是根据需要求解的实际问题和数据表示方式决定的，所以网络结构设计的关键在于隐含层结构的设计，包括层数和节点数的选取。对于隐含层个数的设计，通常先考虑设置一个隐含层，当一个隐含层不能满足相关性能要求时才考虑增加隐含层个数。实验研究表明，采用两个隐含层时，如果第一个隐含层神经元节点数多于第二个隐含层节点数，则bp网络性能会得到一定改善。但是，对于有些实际问题，采用双隐含层所需要的神经元节点数可能少于单隐含层节点数。隐含层个数越多，bp网络训练学习的时间也越长，局部最小误差也会增加，即网络陷入局部
最优解的概率会增大，所以只有当增加隐含层节点数不能明显改善网络性能时，才考虑增加隐含层个数。
[0044]
隐含层神经元节点数参考如下几个经验估算公式确定：
[0045][0046]
m＝log
2 n——(k)，
[0047][0048]
其中：m表示隐含层神经元节点数，n表示输入层节点数，l表示输出层节点数，α取[1,10]之间的常数。
[0049]
隐含层神经元节点数的选取是网络设计成功与否的关键，如果隐含层节点数过少，则网络从训练样本中获取的学习能力就差，学习到的规律不足以体现整个样本集的规律，对测试样本的预判误差就会增大；但若设置过多则又会造成训练时间大大延长，而且网络可能还会学习记录样本中非规律性的内容(如噪声)，出现“过拟合”问题，降低网络的泛化能力。
[0050]
ii.选取传递函数：
[0051]
bp神经网络参数的选取包括传递函数、学习算法、初始权值和阈值，以及迭代次数、学习率、训练目标误差等参数。其中，传递函数是根据网络要求和输入/输出间的关系设置的，比较常见的传递函数有对数s型传递函数(logsid)、双曲正切s型传递函数(tangsig)，以及线性传递函数等，本发明选取最为常用的s(sigmoid)型函数，函数表达式为：
[0052][0053]
s型函数具有非线性和处处可导的特性，且对信号有一个较好的增益控制：在|x|值较小时，f(x)有一个较大的增益；在|x|值较大时，f(x)有一个较小的增益，可以从一定程度上防止网络进入饱和状态，所以该函数得到了广泛的应用。
[0054]
取x为输入矢量，x＝(x0,x1,
……
,x
n－1
)，xi表示输入层第i个神经元的输入量，其中i＝(0,1,
……
,n－1)，bj为隐含层神经元节点的输出，其中j＝(0,1,
……
,l－1)，yk为输出层节点的输出，k＝(0,1,
……
,m－1)，n、l和m分别表示输入层、隐含层和输出层的神经元节点数，v
ij
表示输入层第i个神经元节点到隐含层第j个节点的权值，w
jk
表示隐含层第j个节点到输出层第k个节点的权值，则：
[0055]
隐含层各神经元节点的输出为：
[0056]
输出层各神经元节点的输出为：
[0057]
其中，θj、分别表示隐含层节点、输出层节点的阈值；f1、f2分别表示隐含层、输出层的传递函数；
[0058]
设输出层节点的期望输出结果为ok，则总的误差e按下式计算：
[0059][0060]
误差反向传播的目的是通过调整权值使总误差不断减小，因此权值应沿着误差的负梯度方向进行调整，即权值的变化量应满足下式：
[0061][0062]
上述(d)和(e)两式中，η为常数，称为学习率，通常取0《η《1；
[0063]
结合(a)～(e)式，得隐含层、输出层权值调整公式分别为：
[0064][0065][0066]
同理可得，隐含层、输出层阈值调整公式分别为：
[0067][0068][0069]
根据权值和阈值调整公式计算出新的权值和阈值后，进入新一轮的正向传播过程。
[0070]
上述推导过程是针对单个训练样本，基于单隐含层的bp神经网络进行的，其基本思想对于多隐含层的bp神经网络同样适用，在计算权值和阈值的调整量时，由输出层经中间各隐含层向第一个隐含层逐层向前递推，多个训练样本的误差计算方式为各单样本误差的累积和。
[0071]
如此通过不断的正向和反向传播来不断调整节点之间的权重和节点阈值，最终得到期望要求的网络模型，即输出低碳钢冷轧薄板屈服和抗拉强度。
[0072]
本发明开发了一种用来在线测量冷轧薄带板屈服延伸率的方法，通过对运行的带钢施加综合的电磁检测，实时获取多个电磁信号，同时对电磁信号进行了扩展，考虑了对影响电磁参数的间距进行修正，并考虑了带钢厚度的影响，所开发的方法不依赖机组的工艺实时参数，实现在线精确测量带钢屈服延伸率的目的。
[0073]
本发明可以用来对在线运行的带钢的烘烤硬化值进行在线检测，获取带钢全长高密度的数据值，在10％的相对误差精度范围内，样本合格率为90％以上。
[0074]
该发明应用在冷轧带钢机械性能质量在线检测系统中，对冷轧带钢抗拉强度和屈服强度等指标进行实时在线检测，实现钢板生产质量的连续检测、分类和记录，对于提高生产效率、产品质量以及产品竟争力将起到非常积极的作用。
[0075]
本发明具有如下有益效果：使用方便，测量准确，代表性高，适应性强。
附图说明
[0076]
图1是本发明主视方向的示意图，
[0077]
图2是本发明俯视方向的示意图，
[0078]
图3是本发明中电磁检测单元的示意图，
[0079]
图4是bp神经网络拓扑结构图，
[0080]
图5是bp神经网络学习算法的流程图，
[0081]
图6是s(sigmoid)型函数的函数图像，
[0082]
图7是采用本发明测量一卷带钢屈服强度rp值的测量结果，
[0083]
图8是采用本发明测量一卷带钢抗拉强度rm值的测量结果。
具体实施方式
[0084]
以下通过具体实施例进一步说明本发明。
[0085]
实施例1
[0086]
一种低碳钢冷轧薄板屈服和抗拉强度在线测量装置，包括托辊11、带钢12、底座2、立轨31、平轨32、滑杆4、升降驱动缸5、电磁检测单元6、距离传感器7和控制器8，如图1～图3所示，具体结构是：
[0087]
各根托辊11互相平行设置且在同一水平面上，带钢12设于各根托辊11上，各根托辊11同向转动时推动带钢12移动，底座2设于两根相邻的托辊11之间，底座2上垂直地设有四根立轨31，四根立轨31顶端的连线构成两条对边和托辊11平行的矩形，两根滑杆4的两端分别可移动地嵌设在一根立轨31内，托辊11、立轨31和滑杆4这三者两两互相垂直，平轨32的两端分别固定在一根滑杆4的中部，升降驱动缸5的缸体固定在底座2上，升降驱动缸5活塞杆的移动端连接平轨32的中部；
[0088]
电磁检测单元6包括壳体61、伺服驱动电机62、滚轮63、切线磁场谐波分析模块、巴克豪森噪声检测模块、增量磁导率检测模块、多频涡流电磁检测模块和电磁超声无损检测模块，壳体61内设有所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块、所述多频涡流电磁检测模块和所述电磁超声无损检测模块，伺服驱动电机62固定在壳体61的底部，滚轮63可转动地设于壳体61的底部，伺服驱动电机62的输出轴连接滚轮63，电磁检测单元6通过滚轮63可移动地设于平轨32上；
[0089]
距离传感器7固定在电磁检测单元6壳体61的顶部，且距离传感器7设于带钢12的正下方；
[0090]
升降驱动缸5、伺服驱动电机62、所述切线磁场谐波分析模块、所述巴克豪森噪声检测模块、所述增量磁导率检测模块和距离传感器7都通过信号线连接控制器8；
[0091]
立轨31的顶部设有限位块311，限位块311设于滑杆4向上移动的极限位置；
[0092]
本实施例中：控制器8选用微机、单片机或可编程控制器；
[0093]
本实施例使用时，按如下步骤依次实施：
[0094]
①
确定参数：
[0095]
电磁检测单元6的切线磁场谐波分析模块检测分析获得激励磁场的em1～em11的十一个参数，所述十一个参数的参数代号、参数名称、参数单位和参数含义如下：
[0096]
参数代号参数名称参数单位参数含义
em1a3a/cm三次谐波的幅值em2a5a/cm五次谐波的幅值em3a7a/cm七次谐波的幅值em4p3rad三次谐波的相位em5p5rad五次谐波的相位em6p7rad七次谐波的相位em7uhsa/cm三、五、七、九次谐波幅值之和em8k％变形系数em9hcoa/cm矫顽磁场强度em10hroa/cm磁滞回线零点处的谐波幅值em11vmagv电磁线圈稳态电压；
[0097]
电磁检测单元6的巴克豪森噪声检测模块检测分析获得激励磁场的em12～em18的七个参数，所述七个参数的参数代号、参数名称、参数单位和参数含义如下：
[0098]
参数代号参数名称参数单位参数含义em12mmaxv激励磁场的最大幅值em13mmeanv激励磁场一个励磁周期内幅值的平均值em14mrv剩磁点幅值em15hcma/cmm为mmax时的矫顽磁场强度em16dh25ma/cmm为25％mmax时的巴克豪森曲线的宽度em17dh50ma/cmm为50％mmax时的巴克豪森曲线的宽度em18dh75ma/cmm为75％mmax时的巴克豪森曲线的宽度；
[0099]
电磁检测单元6的增量磁导率检测模块检测分析获得激励磁场的em19～em25的七个参数，所述七个参数的参数代号、参数名称、参数单位和参数含义如下：
[0100][0101][0102]
电磁检测单元6的多频涡流电磁检测模块检测分析获得激励磁场的em26～em41的十六个参数，所述十六个参数的参数代号、参数名称、参数单位和参数含义如下：
[0103][0104]
电磁检测单元6的电磁超声无损检测模块检测分析获得激励磁场的em42～em44的三个参数，所述三个参数的参数代号、参数名称、参数单位和参数含义如下：
[0105]
参数代号参数名称参数单位参数含义em42uemat_maxv蝶形图的峰值em43uemat_minv蝶形图的谷值em44uratiov两个峰值点的比值；
[0106]
每一个检测分析获得的原始检测电磁信号emi都对应一个扩展电磁信号nmi，
[0107]
②
在线预测：
[0108]
基于人工神经网络中的bp神经网络来实现带钢屈服延伸率的在线预测，具体算法步骤为：
[0109]
i.确定bp神经网络结构及网络参数设置：在网络训练之前需要构建好所设计的网络结构，并且得设置合适的网络参数以确保训练网络能够达到期望要求；
[0110]
ii.初始化权重和阈值：未用指定算法来设置权重和阈值的bp网络都采取随机地给其赋予一组较小的非零值；
[0111]
iii.处理好训练样本数据并将其送入网络进行训练。在送入网络训练之前，需要归一化处理不同数量级的训练样本数据，然后再将数据送到网络开始训练；
[0112]
iv.正向传播阶段：依次计算逐层的输出，在输出层得到最终输出ym；
[0113]
v.实际输出与期望输出比较。若是实际输出ym与期望输出om一致，则结束训练；若是实际输出ym与期望输出om不一致，则开始反向传播阶段；
[0114]
vi.反向传播阶段：求出实际输出ym与期望输出om之间的总的误差e，将总的误差e分摊给各层各节点，调整各层各节点的权重和阈值；
[0115]
vii.更新后的网络进行下一次训练：将调整好权重和阈值的网络作为新的模型进行再次的训练，若是训练后的结果与期望要求相符合则结束训练，若是不符则再次进入误差反传阶段，循环往复，当迭代次数达到预设次数或者性能函数值小于预设误差精度则停止训练过程。
[0116]
bp(back propagation)神经网络算法是一种按误差逆传播算法进行学习与训练的多层前馈型网络，其网络拓扑结构如图4所示，网络结构由输入层、隐含层、输出层三部分
构成，其中输入层和输出层各只有一个，而隐含层可以有多个，各层都由若干神经元组成。层内神经元节点之间互不相连，而层间神经元节点采用全连接的方式，即输入层的任意一个神经元节点都与隐含层的所有节点有连接，隐含层的任意一个神经元节点都与输出层的所有节点有连接。
[0117]
bp神经网络学习算法的流程图如图5所示，执行过程可以概括为两个主要部分：信号的正向传播和误差的反向传播。对于每一个训练样本，正向传播时，输入向量从输入层逐层传向输出层；反向传播时，误差以某种形式由隐含层反向逐层传至输入层。这两个过程循环往复，直到满足设定的终止条件。
[0118]
具体步骤如下：
[0119]
i.确定网络结构：
[0120]
输入层和输出层固定只有一个，且输入层、输出层神经元节点数是根据需要求解的实际问题和数据表示方式决定的，所以网络结构设计的关键在于隐含层结构的设计，包括层数和节点数的选取。对于隐含层个数的设计，通常先考虑设置一个隐含层，当一个隐含层不能满足相关性能要求时才考虑增加隐含层个数。实验研究表明，采用两个隐含层时，如果第一个隐含层神经元节点数多于第二个隐含层节点数，则bp网络性能会得到一定改善。但是，对于有些实际问题，采用双隐含层所需要的神经元节点数可能少于单隐含层节点数。隐含层个数越多，bp网络训练学习的时间也越长，局部最小误差也会增加，即网络陷入局部最优解的概率会增大，所以只有当增加隐含层节点数不能明显改善网络性能时，才考虑增加隐含层个数。
[0121]
隐含层神经元节点数参考如下几个经验估算公式确定：
[0122][0123]
m＝log
2 n——(k)，
[0124][0125]
其中：m表示隐含层神经元节点数，n表示输入层节点数，l表示输出层节点数，α取[1,10]之间的常数。
[0126]
隐含层神经元节点数的选取是网络设计成功与否的关键，如果隐含层节点数过少，则网络从训练样本中获取的学习能力就差，学习到的规律不足以体现整个样本集的规律，对测试样本的预判误差就会增大；但若设置过多则又会造成训练时间大大延长，而且网络可能还会学习记录样本中非规律性的内容(如噪声)，出现“过拟合”问题，降低网络的泛化能力。
[0127]
ii.选取传递函数：
[0128]
bp神经网络参数的选取包括传递函数、学习算法、初始权值和阈值，以及迭代次数、学习率、训练目标误差等参数。其中，传递函数是根据网络要求和输入/输出间的关系设置的，比较常见的传递函数有对数s型传递函数(logsid)、双曲正切s型传递函数(tangsig)，以及线性传递函数等，本发明选取最为常用的s(sigmoid)型函数，函数表达式为：
[0129]
[0130]
s型函数的图像如图6所示。
[0131]
s型函数具有非线性和处处可导的特性，且对信号有一个较好的增益控制：在|x|值较小时，f(x)有一个较大的增益；在|x|值较大时，f(x)有一个较小的增益，可以从一定程度上防止网络进入饱和状态，所以该函数得到了广泛的应用。
[0132]
图4中，取x为输入矢量，x＝(x0,x1,
……
,x
n－1
)，xi表示输入层第i个神经元的输入量，其中i＝(0,1,
……
,n－1)，bj为隐含层神经元节点的输出，其中j＝(0,1,
……
,l－1)，yk为输出层节点的输出，k＝(0,1,
……
,m－1)，n、l和m分别表示输入层、隐含层和输出层的神经元节点数，v
ij
表示输入层第i个神经元节点到隐含层第j个节点的权值，w
jk
表示隐含层第j个节点到输出层第k个节点的权值，则：
[0133]
隐含层各神经元节点的输出为：
[0134]
输出层各神经元节点的输出为：
[0135]
其中，θj、分别表示隐含层节点、输出层节点的阈值；f1、f2分别表示隐含层、输出层的传递函数；
[0136]
设输出层节点的期望输出结果为ok，则总的误差e按下式计算：
[0137][0138]
误差反向传播的目的是通过调整权值使总误差不断减小，因此权值应沿着误差的负梯度方向进行调整，即权值的变化量应满足下式：
[0139][0140]
上述(d)和(e)两式中，η为常数，称为学习率，通常取0《η《1；
[0141]
结合(a)～(e)式，得隐含层、输出层权值调整公式分别为：
[0142][0143][0144]
同理可得，隐含层、输出层阈值调整公式分别为：
[0145][0146][0147]
根据权值和阈值调整公式计算出新的权值和阈值后，进入新一轮的正向传播过
程。
[0148]
上述推导过程是针对单个训练样本，基于单隐含层的bp神经网络进行的，其基本思想对于多隐含层的bp神经网络同样适用，在计算权值和阈值的调整量时，由输出层经中间各隐含层向第一个隐含层逐层向前递推，多个训练样本的误差计算方式为各单样本误差的累积和。
[0149]
如此通过不断的正向和反向传播来不断调整节点之间的权重和节点阈值，最终得到期望要求的网络模型，即输出低碳钢冷轧薄板屈服和抗拉强度。
[0150]
在一条生产线上应用了本实施例，人工神经网络的主要参数如下：
[0151]
模型：bp多层前馈神经网络；
[0152]
模型结构：三层结构：输入层、隐含层、输出层，其中：
[0153]
模型输入层：为43个参数，包括：电磁参数em1～em41共41项；探头和带钢下表面的间距即gap，满足条件4≤gap≤6；带钢厚度thk；
[0154]
隐含层：为12层，具体在模型训练时根据数据试验时优选；
[0155]
输出层一个参数：屈服强度或者抗拉强度；
[0156]
模型层与层之间的传递函数采用sigmoid函数。
[0157]
首先时模型训练阶段，以该生产线过去一段时间生产的低碳钢为训练样本，模型具体的输入参数和输出参数如表1所示：
[0158]
表1：
[0159]
[0160][0161]
将所开发的模型用于模型检验，详见表2。对五个样本的低碳钢的模型计算值和离线试样测试值对比，按照相对误差10％的要求，合格率为100％。表明该模型具体在线检测屈服强度(rp)和抗拉强度(rm)的技术要求。
[0162]
表2：
[0163]
[0164]
[0165][0166]
屈服强度(rp)训练阶段的模型输入参数(部分)如表3所示：
[0167]
表3：
[0168] 测试1测试2测试3测试4测试5模型计算值(mpa)161155148163152试样拉伸值(mpa)155146149158160误差(mpa)69-15-8相对误差(％)3.7265.8030.6753.0675.2635，
[0169]
抗拉强度(rm)训练阶段的模型输入参数(部分)如表4所示：
[0170]
表4：
[0171] 测试1测试2测试3测试4测试5模型计算值(mpa)309294295298305试样拉伸值(mpa)301302297299303误差(mpa)8-8-2-12相对误差(％)2.588-2.7210.6770.3350.6557。
[0172]
本实施例用于某生产线500卷seddq带钢的rp和rm在线测量，并头尾各取样一样，采用离线拉伸测试的方法获得强度值，各自共1000组，全长方向的屈服强度(rp)和抗拉强度(rm)的检测结果分别如图7和图8所示，所得到的结果和在线测量的对应的位置值比较，可信度为rp：97.8％，rm：97.1％。对比现有技术的只能剪切试样来测试，数据量和实时性均大大提升。