[發明專利]一種在多品種軋制模式下提高預設定模型精度的方法

有效

• 申請號: 201811074663.2
• 申請日: 2018-09-14
• 公開（公告）號: CN109261724B
• 公開（公告）日: 2020-02-18
• 發明（設計）人: 陳丹;邵健;何安瑞;王曉晨
• 申請（專利權）人: 北京科技大學設計研究院有限公司
• 主分類號: B21B37/00
• 分類號: B21B37/00
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明提供一種在多品種軋制模式下提高預設定模型精度的方法，屬于軋制控制技術領域。該方法針對某一產線軋制新品種，原有神經網絡算法無法滿足提升新鋼種的預設定模型精度時，通過數據統計分析的方法，對神經網絡算法進行補償，計算新的修正系數投入現場使用，提高了預設定模型精度，在此基礎上分鋼種分規格計算修正系數，進一步提高了預設定模型精度，并設計了層別表，將修正系數維護進數據庫表格中，更利于現場維護和操作。

技術領域

本發明涉及冷連軋的軋制過程控制技術領域，特別是指一種在多品種軋制模式下提高預設定模型精度的方法。

背景技術

在冷連軋過程控制中，預設定模型計算是高精度軋制的基本條件之一，也是進行在線控制的基礎,只有精確的預設定模型計算才能將優化的工藝思想應用于現場軋制過程中。而軋制過程是一個典型的多變量、時變、強耦合和非線性過程，軋制過程的復雜性決定了軋制過程數學模型大多是經過假設和簡化的模型，本身不能精確反應軋制過程，因此，預設定模型計算完成后，都會引入自適應計算模型，進一步對預設定模型進行修正，提高預設定模型精度。

神經網絡算法作為預設定模型修正算法，目前廣泛應用于冷連軋機組的模型系統中，對于提高原有預設定模型精度有著明顯作用。但是隨著市場多元化發展，為了充分挖掘產線生產潛力，滿足用戶定制化需求，很多生產廠紛紛在原有產線上開發新品種。然而，通過對大量生產數據的分析，發現原有神經網絡修正不能滿足多品種軋制模式下提高預設定模型精度的要求，在多品種軋制模式下，神經網絡優化算法的修正值波動較大，不利于穩定軋制，同時，對生產中的軋制力精度分析，顯示出經過神經網絡算法修正后的軋制力偏差較大。

現有較多的文獻對預設定模型精度進行研究，但主要是針對在單一品種軋制模式下提升預設定模型精度的方法，包括利用變形抗力和摩擦系數自適應間接修正軋制力與軋制力直接自適應修正相結合的方法。論文《基于神經網絡的冷連軋軋制力預報模型》(中南大學學報，2006年6期)主要介紹了將軋制變形區的軋制力、摩擦和變形抗力進行離散化的處理，而神經網絡對預設定模型的校正過程描寫并不詳細。發明專利《一種提高軋制力計算精度的方法》(申請號201010209247.6)利用對壓上液壓缸的操作，獲取實測軋制力和彎輥力，對計算軋制力進行補償計算，提高軋制力計算精度，但是該方法實際操作較為復雜，當多品種軋制時，需要頻繁進行實驗，不利于連續生產，影響生產效率。

發明內容

本發明要解決的技術問題是提供一種在多品種軋制模式下提高預設定模型精度的方法。當產線軋制原有產品大綱內品種，神經網絡修正有效時，使用原有神經網絡優化方法對模型進行修正；當產線添加新品種時，原有神經網絡修正方式不適應時，重新計算模型修正系數，對預設定模型進行修正，提高預設定模型精度。

為了進一步提高模型精度，本發明進一步對新品種分規格計算模型修正值，最后，為了避免反復對模型程序修改，設計了模型優化層別表，將計算得到的模型修正系數寫入數據庫表格中，并在模型程序中進行了相應的代碼編寫，最后實現了針對不同鋼種和規格，只需要修改數據庫中的模型優化表格數據，實現對預設定模型的修正，提高預設定模型精度。具體工藝步驟如下：

(1)對生產線的軋制過程數據進行收集，確定設定數據，即設定軋制力

其中，rfCⁱ為對應鋼種的神經網絡修正系數，為實際軋制速度，為實際機架入口厚度，為實際機架出口厚度，為實際機架入口張應力，為實際機架出口張應力，kf為變形抗力，u為摩擦系數，Rd為軋輥數據，i為機架號；

(2)根據步驟(1)中獲取到的軋制過程數據，根據設定軋制力公式反算：去除神經網絡的修正，獲取純的軋制力模型設定值；

(3)計算設定模型新的修正系數：其中，為實際軋制力；