[发明专利]一种机理融合数据的热轧带钢截面形状预测方法

说明书

本发明属于热轧控制技术领域，具体涉及一种机理融合数据的热轧带钢截面形状预测方法，包括下列步骤：现场采集相关变量及特征数据；结合轧制过程数据建立轧制机理模型；计算轧制机理数据并对其增维处理，获得实验训练数据集合；对实验训练数据进行预处理，提高数据质量；建立机理融合数据的热轧带钢截面形状的M‑SVR预测模型。本发明通过分析热轧轧制过程中的诸多变量特征以及影响板凸度与板厚度的主要因素，从而现场采集相关变量及特征数据，同时计算有关机理数据并对其增维处理；并且本发明建立机理融合数据的热轧带钢截面形状的M‑SVR预测模型并采用NSGA‑II算法优化模型参数，进一步提高预测精度。本发明用于对热轧带钢截面形状的预测。

技术领域

本发明属于热轧控制技术领域，具体涉及一种机理融合数据的热轧带钢截面形状预测方法。

背景技术

近年来，随着计算机科学以及大数据技术的兴起和蓬勃发展，机器学习方法在许多领域已得到普遍应用，包括轧制领域。随着厚度自动控制技术(AGC)的成熟应用，厚度控制精度作为衡量热轧带钢产品尺寸精度重要指标之一，已经很大程度上满足了市场要求，反观其板形控制却仍然存在控制精度不足的突出问题。因此，对热轧板形控制模型的研究和开发仍是板带轧制领域的热门方向。目前，大多数研究的焦点仍然是如何通过各种智能学习算法优化模型参数和变量特征来提高预测精度。机器学习(ML)能够通过输入特征和输出目标建立基于统计的直接相关性，但是没有考虑相关的机制特征，所用的数据源通常比较理想，较少考虑输入不确定性、多维性以及设备所处环境等复杂因素，影响预测结果。并且在模型预测过程中，由于机理信息的缺乏和对输入特征参数难以综合考虑，对数据库质量的依赖性增加，降低了模型的通用性。

发明内容

针对上述在模型预测过程中机理信息的缺乏和对输入特征参数难以综合考虑的技术问题，本发明提供了一种准确度高、通用性好、误差小的机理融合数据的热轧带钢截面形状预测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种机理融合数据的热轧带钢截面形状预测方法，包括下列步骤：

S1、现场采集相关变量及特征数据；

S2、结合轧制过程数据建立轧制机理模型；

S3、计算轧制机理数据并对其增维处理，获得实验训练数据集合；

S4、对实验训练数据进行预处理，提高数据质量；

S5、建立机理融合数据的热轧带钢截面形状的M-SVR预测模型。

所述S1中的采集相关变量及特征数据为：轧制力、弯辊力、辊缝值、窜辊量、轧制速度、轧制入口温度及出口温度、带钢的出口厚度和出口宽度以及计算机架间温度、轧辊的热凸度以及轧辊磨损量。

所述S2结合轧制过程数据建立轧制机理模型的方法为：包括以下步骤：

S2.1、根据实际测得的精轧区入口温度和出口温度，计算精轧区各机架出口对应的温度，计算公式为：

其中，i表示机架数；T_RC为粗轧出口的温度；ΔT_A、ΔT_W、ΔT_F、ΔT_C、ΔT_R分别是空气冷却下降的温度、水冷下降的温度、摩擦温升、接触温度下降、轧制的入口下降温度；

S2.2、建立轧辊的热凸度模型，先建立轧辊温度场，然后根据轧辊的温度场模型确定热变形模型；

S2.3、采用离散等距切分法建立工作辊磨损模型。

所述S2.2中确定热变形模型的方法为：包括下列步骤：