[发明专利]基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法

说明书

技术领域

本发明涉及板带钢材的冷轧领域，具体地，本发明涉及一种板带钢材的冷轧过程中的板形控制方法，更具体地，本发明涉及一种基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，根据所述基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，可以合理地计算出相应的板形调节装置的动作量，从而消除相应的板形缺陷。

背景技术

板形是冷轧带钢的重要质量指标。冷轧带钢的板形直接影响到汽车、家电、仪表、食品包装等下游行业的生产率、成材率和成本的高低以及产品的外观。

硬质带钢由于材料屈服强度大，因而造成其板形难以控制。森吉米尔20辊轧机是冷轧生产中的重要设备，具有牌坊刚度大、工作辊辊径小的特点，最适合冷轧硬质带钢。通常，森吉米尔20辊轧机主要通过ASU凸度调节、一中间辊窜辊及倾斜进行板形调节，对于轧制过程中出现的中浪、双边浪、边中复合浪、四分之一浪及单边浪均有一定的调节能力。

为了计算板形调节装置的动作量，需通过实测的一组张应力分布值σ_p(i)(i＝1，2，...，m)所反映板形缺陷的识别，判别带钢存在的板形缺陷类型。只有板形缺陷识别准确，才能合理地计算出相应的板形调节装置的动作量，从而消除相应的板形缺陷。

经典的板形缺陷识别是基于最小二乘法的识别技术。该方法存在辨识精度不高，容错性能较差，抗噪音干扰能力差等问题。

针对基于最小二乘法的模式识别方法不足，现有的板形模式识别方法采用人工神经网络(BP网络)，取得一定效果，日本学者将该技术应用到森吉米尔20辊轧机上。人工神经网络具有很强的非线性逼近能力，因此被广泛应用到工业过程中。但是，人工神经网络存在训练速度慢、容易陷入局部最优、过拟和现象以及泛化能力不能令人满意等问题。另外，人工神经网络要求训练样本数目越多越好，而在大多数情况下，样本数据是有限的。上述的缺点限制了神经网络在板形缺陷识别中的应用效果。

在现有的森吉米尔20辊轧机板形控制中，带钢的实际板形是由测张式板形仪进行测量的。测张式板形仪检测得到一组带钢横向上的张应力分布值σ_p，将带钢横向上的张应力分布值σ_p与目标板形值σ_s相比较。如果σ_p＝σ_s，则表示实际带钢板形与给定的带钢板形一致，板形满足要求质量要求。如果不相等，说明存在板形偏差Δσ_p＝σ_s-σ_p。

为了准确判断板形偏差属于那一类板形缺陷以及隶属程度，必须进行板形缺陷的模式识别。

一般地，根据森吉米尔20辊轧机的板形控制技术、工艺实况及控制的要求，定义N种简单的板形缺陷模式作为基本模式，那么模式识别的结果就是板形偏差分布Δσ所反映的板形缺陷，是属于某一种基本模式或是几种基本模式的组合。板形缺陷的基本模式可以分为六种，即左边浪(a)、右边浪(b)、中浪(c)、边浪(d)、四分之一浪(e)、边中复合浪(f)，如图1(a)-(f)所示。

在图1中，横轴为归一化的板宽方向，并取板宽中心为坐标原点，纵轴指归一化后的板形偏差数值。

选择勒让德多项式表示板形缺陷的六种基本模式。

则图1(a)所示的左倾斜的标准归一化方程：

y₁＝x

图1(b)所示的右倾斜的标准归一化方程：

y₂＝-x

图1(c)所示的中浪的标准归一化方程：

y3=32x2-12]]>

图1(d)所示的边浪的标准归一化方程：