[發明專利]一種軋制過程彎輥力的預測方法

在審

• 申請號: 202010975343.5
• 申請日: 2020-09-16
• 公開（公告）號: CN112170502A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 王振華;劉元銘;王濤;郝平菊;龔殿堯;張殿華;任忠凱
• 申請（專利權）人: 太原理工大學
• 主分類號: B21B37/38
• 分類號: B21B37/38
• 代理公司: 太原申立德知識產權代理事務所(特殊普通合伙) 14115
• 代理人: 程園園

本發明公開了一種軋制過程彎輥力的預測方法，屬于軋制過程自動控制技術領域。本發明通過分層別采集軋制生產過程中包含影響彎輥力參數的帶鋼生產數據；對生產數據進行降噪處理；將降噪后的生產數據分為訓練集和測試集；將降噪后的標準化矩陣作為廣義回歸神經網絡模型的輸入，采用果蠅優化算法對廣義回歸神經網絡模型的光滑因子進行優化選擇；采用優化選擇的光滑因子構造廣義回歸神經網絡彎輥力預測模型；用訓練集訓練預測模型，用測試集測試預測模型的泛化性能。本發明的預測方法精度高。預測模型基于大量生產數據，而軋制現場生產數據的采集易于操作，模型具有很強的推廣能力。

技術領域

本發明屬于軋制過程自動控制技術領域，具體涉及一種軋制過程彎輥力的預測方法。

背景技術

液壓彎輥控制是冷熱連軋過程中板形控制的主要方法之一。其控制原理是利用外加彎矩來改變工作輥與支承輥之間的接觸應力分布，并通過安裝在軋機軸承座之間的液壓缸來控制工作輥的撓度，以改善工作輥之間輥縫形狀來達到改變帶鋼凸度和平直度的目的。該控制技術的特點是可以快速調整軋輥輥縫凸度。液壓彎輥控制與其它平直度控制方法相結合，可進一步提高帶鋼凸度和平直度的調節能力。在軋制過程中，彎輥力的設定精度直接影響帶鋼板形控制精度，尤其是帶鋼頭部控制精度。較高的彎輥力預測精度有利于其閉環反饋控制。在實際生產過程中，彎輥力的設定計算與帶鋼溫度、厚度、寬度、軋制力、軋制材料、軋輥熱膨脹、軋輥磨損以及目標凸度和平直度都有直接關系，需要根據實際情況來進行綜合計算。通常，彎輥力的初始值設定非常復雜，是一個多變量的優化問題，設定要兼顧板形的兩個方面，不能一次性計算出合理的彎輥力值，彎輥力的調節要從帶鋼出口凸度計算公式中推導彎輥力的表達式，由板形判別式決定彎輥力的可調范圍。由于與彎輥力設定模型有關的一些軋制參數之間具有非線性、強耦合、檢測誤差大等特點，所以傳統理論建立的數學模型在生產實踐中響應速度較慢，控制精度較低，較好的彎輥力設定值只有經過反復迭代，甚至是軋過好幾塊鋼后才可以獲取，這些問題都嚴重制約了熱軋帶鋼板形控制精度的進一步提高。

發明內容

針對上述問題本發明提供了一種軋制過程中彎輥力預測方法。

為了達到上述目的，本發明采用了下列技術方案：

一種軋制過程彎輥力預測方法，包括以下步驟：

步驟1：分層別采集軋制生產過程中的m塊帶鋼生產數據，每一塊帶鋼包含有p個與彎輥力設定相關的軋制參數，將每一塊帶鋼用一個p維向量進行表示；

步驟2：采用統計學3σ原則對各層別的生產數據進行降噪處理，處理后得到N塊帶鋼樣本數據；

步驟3：將降噪后的含有N塊帶鋼生產數據的樣本集在保持不同層別帶鋼數據分布均勻性的前提下，按個數比4:1劃分為訓練集和測試集兩個集合；

步驟4：將降噪后訓練集所包含的各層別的生產數據構成觀測值矩陣，并對觀測值矩陣進行標準化變換獲得訓練集樣本數據的標準化矩陣；

步驟5：將標準化矩陣作為廣義回歸神經網絡模型的輸入，采用果蠅優化算法對廣義回歸神經網絡模型的光滑因子參數σ′進行優化；

步驟6：采用優化獲得的最優光滑因子參數σ′構造基于廣義回歸神經網絡的彎輥力數據驅動預測模型；

步驟7：用訓練集樣本數據訓練廣義回歸神經網絡彎輥力數據驅動預測模型，用測試集樣本數據測試廣義回歸神經網絡彎輥力數據驅動預測模型的泛化性能；

步驟8：評價基于廣義回歸神經網絡彎輥力數據驅動預測模型的整體性能。

進一步，所述層別按照鋼種、終軋帶鋼寬度和終軋帶鋼厚度進行劃分。