热轧带钢力学性能预测模型及其应用

D01:10.13374j.isml00103x2006.07.017 第28卷第7期 北京科技大学学报 Vol.28 Na 7 2006年7月 Journal of University of Science and Technology Beijing Jul.2006 热轧带钢力学性能预测模型及其应用 王丹民D李华德D周建龙2”梅兵2》 1)北京科技大学信息工程学院。北京1000832)邯郸钢铁集团公司，邯郸056015 摘要为实现对热轧带钢的屈服强度、抗拉强度、断裂延伸率等力学性能的预测及控制，利用人 工神经网络技术，分别建立了根据生产工艺参数预测力学性能的质量模型.以及根据力学性能要 求对生产工艺参数进行优化的逆质量控制模型.利用质量预测模型，分析得出屈服强度随卷取温 度的上升而下降的变化规律，进而可以对组织性能进行在线调整实现在线应用. 关键词热轧带钢：力学性能：质量预测：神经网络 分类号TG335.5 钢材的组织性能预测和控制技术(SPPC)是 到隐层输出值：隐层输出值经加权后传向输出层， 一门跨学科的实用技术，在现代治金装备自动化 经输出层激活函数运算后得到网络输出值，输出 水平不断提高的基础上，充分结合了现代信息技 值与期望值相比较得到误差：将误差反向传播，并 术最新科研成果刂.钢材的力学性能预报技术在 逐层修正网各层间的连接权值，使误差不断减 实际生产中主要有三方面用途：(1)以化学成分、 少：重复进行以上训练过程，直到误差满足精度要 轧制制度、冷却制度等生产工艺参数作为关键输 求为止 入变量对钢材抗拉强度、屈服强度、断裂延伸率等 激活函数采用S(sigmoid)型函数： 力学性能作为关键输出变量进行预报：(2)在现有 (1) 生产条件下，通过对工艺参数的优化调整，以提高 f(x)=十e 产品质量：(3)根据产品的性能要求，开发新钢种 以p组训练样本为输入，所有输出节点的误 或制定经济合理的新工艺. 差平方和作为更新权值的指标，则有： 1 神经网络建模 E=号空2[4)2 (2) 式中，m为输出层节点数，d山(k)为期望输出值， 1.1人工神经网络 人工神经网络(ANN)是一门非线性科学，具 y(k)为网络输出值 有分布存储、联想记忆、大规模并行处理、自学习、 权值W的调整采用梯度下降法，其调整量 自组织、自适应等功能具有很强的容错性，学习 为： 性，尤其是它对函数的任意逼近能力使它在非线 △W)=一刀aW (3) 性系统建模和控制中的应用具有坚实的理论基 通过计算可求得权值更新式： 础.由于钢铁工业中有许多过程问题、控制问 W(k+1)）=W(k)+I©(k)y:(k)(4) 题都是很复杂的，而且非线性并伴有高噪声，尤其 为加快训练速度，通常加入动量项，权值更新式变 在建模方面，许多在数学模型中由于无法考虑而 为： 被忽略的各种干扰因素的影响可以融入神经网络 Wi(k+1)=Wi(k)+(k)yi (k)+ 模型中，使问题得以解决，所以人工神经网络在钢 (5) 铁工业应用中具有很大潜力和优势. a[W(k)-W(k-1】 BP网络学习过程为到：网络输入值由输入层 或 经加权处理传向隐层，经隐层激活函数运算后得 △W(k)=n(k)y:(k)+a△W(k-1)(6) 式中，a为动量因子， 收稿日期：2005-04-25修回日期：2005-0902 12数据准备 作者简介：王丹民(1970-)，男，工程师博士研究生： 从国内某热轧厂生产线上的二级计算机上取 李华德(1941一).男.教授.博士生导师 得1000余条轧制记录，获取建立模型所需要的

热轧带钢力学性能预测模型及其应用 王丹民1) 李华德1) 周建龙2) 梅 兵2) 1)北京科技大学信息工程学院, 北京 100083 2)邯郸钢铁集团公司, 邯郸 056015 摘 要 为实现对热轧带钢的屈服强度、抗拉强度、断裂延伸率等力学性能的预测及控制, 利用人 工神经网络技术, 分别建立了根据生产工艺参数预测力学性能的质量模型, 以及根据力学性能要 求对生产工艺参数进行优化的逆质量控制模型.利用质量预测模型, 分析得出屈服强度随卷取温 度的上升而下降的变化规律, 进而可以对组织性能进行在线调整, 实现在线应用. 关键词 热轧带钢;力学性能;质量预测;神经网络 分类号 TG 335.5 收稿日期:2005 04 25 修回日期:2005 09 02 作者简介:王丹民(197 0—), 男 , 工程师, 博士研究生; 李华德(1941—), 男, 教授, 博士生导师 钢材的组织性能预测和控制技术(SPPC)是 一门跨学科的实用技术 ,在现代冶金装备自动化 水平不断提高的基础上 ,充分结合了现代信息技 术最新科研成果[ 1] .钢材的力学性能预报技术在 实际生产中主要有三方面用途 :(1)以化学成分、 轧制制度、冷却制度等生产工艺参数作为关键输 入变量对钢材抗拉强度、屈服强度 、断裂延伸率等 力学性能作为关键输出变量进行预报;(2)在现有 生产条件下,通过对工艺参数的优化调整,以提高 产品质量;(3)根据产品的性能要求, 开发新钢种 或制定经济合理的新工艺 . 1 神经网络建模 1.1 人工神经网络 人工神经网络(ANN)是一门非线性科学 ,具 有分布存储、联想记忆、大规模并行处理 、自学习、 自组织、自适应等功能, 具有很强的容错性 、学习 性,尤其是它对函数的任意逼近能力使它在非线 性系统建模和控制中的应用具有坚实的理论基 础[ 2] .由于钢铁工业中有许多过程问题 、控制问 题都是很复杂的 ,而且非线性并伴有高噪声, 尤其 在建模方面 ,许多在数学模型中由于无法考虑而 被忽略的各种干扰因素的影响可以融入神经网络 模型中,使问题得以解决 ,所以人工神经网络在钢 铁工业应用中具有很大潜力和优势 . BP 网络学习过程为[ 3] :网络输入值由输入层 经加权处理传向隐层 , 经隐层激活函数运算后得 到隐层输出值 ;隐层输出值经加权后传向输出层, 经输出层激活函数运算后得到网络输出值 ,输出 值与期望值相比较得到误差;将误差反向传播,并 逐层修正网络各层间的连接权值, 使误差不断减 少;重复进行以上训练过程,直到误差满足精度要 求为止. 激活函数采用 S(sigmoid)型函数: f(x)= 1 1 +e -x (1) 以 p 组训练样本为输入, 所有输出节点的误 差平方和作为更新权值的指标 ,则有: E = 1 2 ∑ p k ∑ m j [ dj(k)-y j(k)] 2 (2) 式中, m 为输出层节点数, dj(k)为期望输出值, y j(k)为网络输出值 . 权值 Wij的调整采用梯度下降法, 其调整量 为: ΔWij =-η E W (3) 通过计算可求得权值更新式: Wi j(k +1)=Wij(k)+ηδj(k)y i(k) (4) 为加快训练速度,通常加入动量项 ,权值更新式变 为: Wij(k +1)=Wij(k)+ηδj(k)y i(k)+ a[ Wij(k)-Wij(k -1)] (5) 或 ΔWij(k)=ηδj(k)y i(k)+a ΔWij(k -1) (6) 式中 , a 为动量因子 . 1.2 数据准备 从国内某热轧厂生产线上的二级计算机上取 得 1 000 余条轧制记录 , 获取建立模型所需要的 第 28 卷 第 7 期 2006 年 7 月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol .28 No.7 Jul.2006 DOI :10.13374/j .issn1001 -053x.2006.07.017

。688· 北京科技大学学报 2006年第7期 每卷带钢生产参数，再从检测中心获取对应的力 网络学习方法采用learngdm,通过动量梯度 学性能检测数据，将其中的90%作为训练样本， 下降方法对权值和阈值进行调整即权值和阈值 对性能预报网络进行学习和训练.生产参数集P 的调整值由动量因子、前一次学习时的调整量、学 ={WC,WMn,wsis Wp,ws,Tr,Hs,He Ho 习速率和梯度共同确定.即： T,T1,V5,Te,Tc}.式中，WC,WMo,ws △W(i,j)=m△Wpm(i,j)+(1-me)lkWg(ij) wP,ws为轧件各化学成分的质量分数：T:为出 (8) 炉温度；H,为板坯厚度；He为成品厚度：H:为粗 式中，△W为本次的调整值；m。为动量因子； 轧后坯厚；T,为粗轧后温度；T1为精轧机架1温 △Wp为前一次学习时的调整量；l.为学习速率； 度；V5为轧制速度；T。为终轧温度；T。为卷取温 Wg为梯度 度.力学性能参数集O={o,o,G}.式中， 三个网络的训练误差指标都设为0.001，分 为屈服强度，，为抗拉强度，G为延伸率. 别经过1000至2000次训练后，网络即达到训练 对采集的数据进行整理筛选后，再对数据按 目标.网络权值Iw{1,1},Lw{2,1}分别为28× 如下方式进行归一化处理，以备学习训练用. 14及1X28的矩阵，阈值b{1},b{2}分别为28X 1及1×1的矩阵.再取99个生产数据作为预报 x x一xmin (7) maxmin 样本，利用该网络对性能进行预测，将预测值与实 式中，x'为归一化后的变量；x为原始变量；xmim 测值进行比较，如图2(a)~(c)所示.由图可见， xm为原始变量的最小值与最大值. 网络预测结果与实测值非常接近，表明网络己经 1.3由工艺参数预测力学性能的质量模型 正确地建立了输入与输出的关系模型 从提高模型预测精度、缩短训练时间、加快收 14优化工艺参数的稳态逆质量控制模型 敛性的角度来看，将0，，G三者同时作为一个 本文没有采用前面质量模型的逆模型去实现 网络输出的效果，不如把模型分解成单个质量指 由力学性能优化工艺参数，而是采用稳态逆质量 标为输出的子模型的效果好. 控制模型可的方法.因为采用前者的预测误差远 3个输出分别为0，o,G的单输出质量子 大于采用后者的误差.稳态逆质量控制模型是由 模型： 待生产的产品力学性能目标值(，，G,及部 (1)网络的输入量P1=[wc,WMn WS 分已确定工艺参数作为输入条件，反向优化其他 Wp,Ws,Tt,Hs He,He Tn T1,Vs Te 欲调整的工艺参数，以使产品的最终力学性能满 Td: 足目标要求. 以卷取温度作为待调整的优化工艺参数，其 (2)网络输出量0=[o,01=[o],05= []. 他工艺参数己固定不变，为满足待生产的产品力 (3)采用如图1所示的BP网结构： 学性能目标值o,,G,建立了稳态逆质量控制 模型： (1)网络的输入变量为：P2=[o,,G, b21 WC,WMn,Ws,wP,Ws,Te Hs,He H T T1,Vs,Tel. 图1质量模型神经网络结构图 (2)网络的输出变量为：O=[T。」· Fig.I ANN structure of the quality model (3)网络结构如图3.隐层激活函数为 logsig,输出层激活函数为purelin.网络训方法采 因为用三层神经网络就可近似任何函数4， 用trainscg,学习方法采用leamgdm. 所以网络层数设为3层.隐层激活函数为lgg 网络训练的误差指标设为0001.达到训练 输出层激活函数为purelin. 目标后，再取99个预报样本对卷取温度进行预 网络训练方法采用trainscg,该算法是共轭梯 测，将预测值与实测值进行比较，如图2()所示. 度算法的一种变形，结合了Levenberg一arquardt 由图可见。网络预测的卷取温度结果还是比较准 算法中的模型置信区间方法和共轭梯度算法，避 确的.当然用这种方法还可以确定终轧温度、出 免了耗时巨大的线搜索过程，从而提高了网络的 炉温度等其他生产工艺参数的取值. 训练速度

每卷带钢生产参数 , 再从检测中心获取对应的力 学性能检测数据, 将其中的 90 %作为训练样本, 对性能预报网络进行学习和训练 .生产参数集 P ={wC , wM n , wSi , w P , w S , Tf , Hs , Hc , Hr , T r , T1 , V 5 , Te , Tc}.式中 , wC , w Mn , w Si , wP , wS 为轧件各化学成分的质量分数;Tf 为出 炉温度;Hs 为板坯厚度 ;Hc 为成品厚度 ;Hr 为粗 轧后坯厚 ;T r 为粗轧后温度;T1 为精轧机架 1 温 度;V 5 为轧制速度 ;Te 为终轧温度 ;Tc 为卷取温 度.力学性能参数集 O ={σs , σb , δ5}.式中 , σs 为屈服强度, σb 为抗拉强度, δ5 为延伸率 . 对采集的数据进行整理筛选后 ,再对数据按 如下方式进行归一化处理 ,以备学习训练用. x′= x -x min x max -x min (7) 式中, x′为归一化后的变量;x 为原始变量;xmin , x max为原始变量的最小值与最大值. 1.3 由工艺参数预测力学性能的质量模型 从提高模型预测精度 、缩短训练时间、加快收 敛性的角度来看,将 σs , σb , δ5 三者同时作为一个 网络输出的效果, 不如把模型分解成单个质量指 标为输出的子模型的效果好. 3 个输出分别为 σs , σb , δ5 的单输出质量子 模型 : (1)网络的输入量 P1 =[ w C , wM n , w Si , wP , wS , Tf , Hs , Hc , Hr , T r , T1 , V 5 , Te , T c] ; (2)网络输出量 Os =[ σs] , Ob =[ σb] , O5 = [ δ5] . (3)采用如图 1 所示的 BP 网结构 ; 图 1 质量模型神经网络结构图 Fig.1 ANN structure of the quality model 因为用三层神经网络就可近似任何函数[ 4] , 所以网络层数设为 3 层.隐层激活函数为 log sig , 输出层激活函数为 purelin . 网络训练方法采用 trainscg , 该算法是共轭梯 度算法的一种变形, 结合了 Levenberg-M arquardt 算法中的模型置信区间方法和共轭梯度算法, 避 免了耗时巨大的线搜索过程, 从而提高了网络的 训练速度 . 网络学习方法采用 learngdm ,通过动量梯度 下降方法对权值和阈值进行调整, 即权值和阈值 的调整值由动量因子 、前一次学习时的调整量、学 习速率和梯度共同确定[ 5] .即 : ΔW(i , j)=mcΔWprev(i , j)+(1-mc)lr Wg(i , j) (8) 式中 , ΔW 为本次的调整值 ;mc 为动量因子; ΔWprev为前一次学习时的调整量;lr 为学习速率; Wg 为梯度. 三个网络的训练误差指标都设为 0.001 , 分 别经过 1 000 至 2 000 次训练后, 网络即达到训练 目标 .网络权值 IW{1 , 1}, LW{2 , 1}分别为 28 × 14 及 1 ×28 的矩阵,阈值 b{1}, b{2}分别为 28 × 1 及 1 ×1 的矩阵 .再取 99 个生产数据作为预报 样本 ,利用该网络对性能进行预测 ,将预测值与实 测值进行比较 ,如图 2(a)～ (c)所示 .由图可见, 网络预测结果与实测值非常接近, 表明网络已经 正确地建立了输入与输出的关系模型. 1.4 优化工艺参数的稳态逆质量控制模型 本文没有采用前面质量模型的逆模型去实现 由力学性能优化工艺参数 ,而是采用稳态逆质量 控制模型[ 6] 的方法 .因为采用前者的预测误差远 大于采用后者的误差 .稳态逆质量控制模型是由 待生产的产品力学性能目标值(σs , σb , δ5), 及部 分已确定工艺参数作为输入条件, 反向优化其他 欲调整的工艺参数 , 以使产品的最终力学性能满 足目标要求. 以卷取温度作为待调整的优化工艺参数, 其 他工艺参数已固定不变 ,为满足待生产的产品力 学性能目标值 σs , σb , δ5 ,建立了稳态逆质量控制 模型 : (1)网络的输入变量为 :P2 =[ σs , σb , δ5 , wC , w Mn , w Si , w P , wS , Tf , Hs , Hc , Hr , T r , T 1 , V 5 , Te] . (2)网络的输出变量为 :Oc =[ Tc] . (3)网络结构如 图 3 .隐 层激活 函数为 logsig ,输出层激活函数为 purelin .网络训方法采 用 trainscg ,学习方法采用 learngdm . 网络训练的误差指标设为 0.001 .达到训练 目标后 , 再取 99 个预报样本对卷取温度进行预 测,将预测值与实测值进行比较 ,如图 2(d)所示. 由图可见, 网络预测的卷取温度结果还是比较准 确的 .当然, 用这种方法还可以确定终轧温度 、出 炉温度等其他生产工艺参数的取值 . · 688 · 北 京 科 技 大 学 学 报 2006 年第 7 期

Vol.28 No.7 王丹民等：热轧带钢力学性能预测模型及其应用 ·689· 420 520 (a)屈服强度 b)抗拉强度 400 500- edW 380 480 360 460 340 440 320 420 300米 400 300 350 400 400 450 500 实据值MPa 实浏值MPa 0 (c)延伸率 700叶 (d)卷取温度 30 680 25 640 515 25 30 40 640 660680 700 实测值% 实测值/： 图2预测值与生产实测值的对比 Fig 2 Comparison of the predicted with the measured values 的，输入变量之间是相互影响的，因此有时为了使 输出变量达到希望的值，就不能仅调整其中的一 个相关输入变量，而应调整一组相关输入变量，即 一组一组地调整输入变量以达到希望的输出 图3逆质量控制模型神经网络结构图 值) Fig.3 ANN structure of the reverse quality control model 表1是测试卷取温度与屈服强度关系的15 组数据中的第一组和最后一组数据.其中除卷取 2 基于质量预测模型的生产应用分 温度(Te)以外的其他数据(wC,wMws,wP 析 ws,TH,H,H,T。T1,V5,Te)都取训练样 基于性能预测质量模型，仅就卷取温度(T。) 本中该类数据的平均值，且在这15组数据中保持 对屈服强度（σ）的影响分析如下，其他生产参数 不变，仅有卷取温度一项数据从620℃变化到 对力学性能的影响分析方法与此类似.但要注 690℃. 意，输出变量对每一个输入变量不一定都是单调 表1测试卷取温度与屈服强度关系的数据 Table 1 Data used for testing the relation between stress yield and coiling temperature H T/ H/ T/ T/ H/ T/ V T w 数据号 mm mm ℃ mm ℃(mg-)℃ %% % % % 第1组71.61107339.071053.5 870.385291007.45.11 6200.204007001920005 第15组71.61107339.0710535 870.385291007.45.11 690 0.2 04007001920005 将以上15组数据输入预测屈服强度的质量 取温度对屈服强度的影响比较大.这样在实际生 模型中，得到对应不同卷取温度(T)的屈服强度 产中安排轧钢工艺时，在层流冷却工序之前，生产 (σ)值，如图4所示.图中反映了屈服强度随卷 工艺参数的确定以满足其他力学性能为主，到层 取温度的上升而下降的变化规律.可以看出，卷 流冷却工序时，则主要通过控制卷取温度以保证

图 2 预测值与生产实测值的对比 Fig.2 Comparison of the predicted with the measured values 图 3 逆质量控制模型神经网络结构图 Fig.3 ANN structure of the reverse quality control model 2 基于质量预测模型的生产应用分 析 基于性能预测质量模型, 仅就卷取温度(Tc) 对屈服强度(σs)的影响分析如下 ,其他生产参数 对力学性能的影响分析方法与此类似.但要注 意,输出变量对每一个输入变量不一定都是单调 的,输入变量之间是相互影响的,因此有时为了使 输出变量达到希望的值 ,就不能仅调整其中的一 个相关输入变量,而应调整一组相关输入变量,即 一组一组地调整输入变量以达到希望的输出 值[ 7] . 表1 是测试卷取温度与屈服强度关系的 15 组数据中的第一组和最后一组数据 .其中除卷取 温度(T c)以外的其他数据(w C , wM n , wSi , w P , wS , Tf , Hs , Hc , Hr , T r , T1 , V 5 , Te)都取训练样 本中该类数据的平均值, 且在这 15 组数据中保持 不变, 仅有卷取温度一项数据从 620 ℃变化到 690 ℃. 表 1 测试卷取温度与屈服强度关系的数据 Table 1 Data used for testing the relation between stress yield and coiling temperature 数据号 H s / mm T f / ℃ H r / mm Tr / ℃ T e / ℃ H c / mm T1 / ℃ V 5 / (m·s -1) T c / ℃ wC / % w M n / % w Si / % w P / % w S / % 第1 组 71.61 1 073 39.07 1 053.5 870.38 5.29 1 007.4 5.11 620 0.2 0.4 0.07 0.019 2 0.005 第 15组 71.61 1 073 39.07 1 053.5 870.38 5.29 1 007.4 5.11 690 0.2 0.4 0.07 0.019 2 0.005 将以上 15 组数据输入预测屈服强度的质量 模型中 ,得到对应不同卷取温度(Tc)的屈服强度 (σs)值 ,如图 4 所示.图中反映了屈服强度随卷 取温度的上升而下降的变化规律 .可以看出, 卷 取温度对屈服强度的影响比较大 .这样在实际生 产中安排轧钢工艺时 ,在层流冷却工序之前 ,生产 工艺参数的确定以满足其他力学性能为主 ,到层 流冷却工序时, 则主要通过控制卷取温度以保证 Vol.28 No.7 王丹民等:热轧带钢力学性能预测模型及其应用 · 689 ·

。690· 北京科技大学学报 2006年第7期 屈服强度达到目标值. 标准，从而在钢铁企业交货时，部分或全部地实现 450 力学性能的免检. 400F ∞ 参考文献 型 【刂干勇.薄板坯连铸连轧(TSCR)热轧过程组织性能预报技术 的开发.钢铁2003,38(8)：10 匣 [2 Willamson R C.Hemke U.Existence and uniqueness results 250 for neural network approximation.IEEE Trans Neural Net 209206306406506060670680690 works1995.6(1):2 卷取温度/℃ 【3习张大志，李谋滑.B即网络参数优化及其在轧制压力预报中 的应用.钢铁研究1999(2)：36 图4卷取温度与屈服强度的关系 [4 Hornik K,Stinchcombe M.White H.Multilayer feed-forward Fig 4 Relation between stress yield and coiling temperature netw orks are uriversal approximators.Neural Networks. 1989.2(5):359 3 结语 【习许东，吴铮.基于MAT LA B6X的系统分析与设计.西安： 西安电子科技大学出版社，2002 组织性能预报系统的部分功能可以实现在线 【(万百五.工业生产的产品质量模型和质量控制模型及其应 应用，直接参与指导生产过程，实现对组织性能的 用.自动化学报.2002.28(6)：1019 在线控制.另外，随着该项技术的不断开发和完 [7 Myllykoski P.A study on the cause of deviation in mechanical properties of thin steel sheets J Mater Process Technol. 善，钢材组织性能预报系统的离线预报和在线预 1998.79.9 测结果有可能成为一种被普遍接受和认可的工业 Quality prediction model of the mechanical properties of hot-rolled steel strips and its application WANG Danmin,LI Huade,ZHOU Jianlong?,MEI Bing? 1)Information Engineering School University of Science and Technology Beijing.Beijing 100083.China 2)Handan Iron and Steel G moup Corporation.Handan 056015.China ABSTRACT To predict and control the yield strength,tensile strength,and elongat ion of hot-rolled steel strips,a quality model which could predict the mechanical properties of hot-rolled steel strips with techno- logical parameters,and a reverse quality control model,which could optimize technological parameters with the mechanical properties,were established by applying the technology of artificial neural network.With the quality prediction model it was proved that the value of yield strength decrease with the increase of coil- ing temperature.Based on this,the mechanical properties of hot-rolled steel strips could be controlled through the real time regulation of coiling temperature to meet production requirements. KEY WORDS hot-rolled steel strip:mechanical properties;quality prediction;artificial neural netw ork

屈服强度达到目标值 . 图 4 卷取温度与屈服强度的关系 Fig.4 Relation between stress yield and coiling temperature 3 结语 组织性能预报系统的部分功能可以实现在线 应用 ,直接参与指导生产过程 ,实现对组织性能的 在线控制.另外 , 随着该项技术的不断开发和完 善,钢材组织性能预报系统的离线预报和在线预 测结果有可能成为一种被普遍接受和认可的工业 标准 ,从而在钢铁企业交货时 ,部分或全部地实现 力学性能的免检. 参 考 文 献 [ 1] 干勇.薄板坯连铸连轧(TSC R)热轧过程组织性能预报技术 的开发.钢铁, 2003 , 38(8):10 [ 2] Willamson R C , Helmke U .Existence and uniqueness results f or neural netw ork approximation.IEEE Trans Neural Net￾works, 1995 , 6(1):2 [ 3] 张大志, 李谋渭.BP 网络参数优化及其在轧制压力预报中 的应用.钢铁研究, 1999(2):36 [ 4] Hornik K , Stinchcombe M , White H .Multi-layer f eed-forward netw orks are universal approximat ors.Neural Networks, 1989 , 2(5):359 [ 5] 许东, 吴铮.基于 MAT LAB6.X 的系统分析与设计.西安: 西安电子科技大学出版社, 2002 [ 6] 万百五.工业生产的产品质量模型和质量控制模型及其应 用.自动化学报, 2002 , 28(6):1019 [ 7] Myllykoski P .A study on the cause of deviation in mechanical properties of thin steel sheets.J Mater Process Technol , 1998 , 79:9 Quality prediction model of the mechanical properties of hot-rolled steel strips and its application WANG Danmin 1), LI Huade 1), ZHOU Jianlong 2), MEI Bing 2) 1)Information Engineering School, University of S cience and Technology Beijing , Beijing 100083 , China 2)Handan Iron and St eel G roup Corporation , Handan 056015 , China ABSTRACT To predict and control the yield strength , tensile streng th , and elong ation of hot-rolled steel strips, a quality model, w hich could predict the mechanical properties of hot-rolled steel strips with techno￾logical parameters, and a reverse quality control model , w hich could optimize technological parameters w ith the mechanical properties, w ere established by applying the technology of artificial neural netwo rk .With the quality prediction model it was proved that the value of yield strength decrease w ith the increase of coil￾ing temperature.Based on this, the mechanical properties of hot-rolled steel strips could be controlled throug h the real time regulation of coiling temperature to meet production requirements . KEY WORDS hot-rolled steel strip ;mechanical properties ;quality prediction ;artificial neural netw ork · 690 · 北 京 科 技 大 学 学 报 2006 年第 7 期