[发明专利]一种冷连轧升降速阶段的轧制力设定方法

说明书

本发明的一种冷连轧升降速阶段的轧制力设定方法，包括如下步骤：步骤1：采集轧件参数、轧制工艺参数以及轧辊参数；步骤2：根据轧件变形特点，构建满足体积不变条件和速度边界条件的动态速度场和应变速率场，得到轧件成形功率泛函表达式，解得泛函及各成形功率最小值；步骤3：将步骤1采集的参数连同步骤2中得到的内部塑性变形功率、剪切功率和张力功率作为初选输入特征，计算初选输入特征与轧制力间的互信息熵，剔除互信息熵较低的特征，得到模型的最终输入特征；步骤4：建立LSTM网络模型并确定最优超参数，对训练过程中的学习率进行优化以提升网络初始稳定性和训练速度，根据实际生产数据进行网络训练以及轧制力预测。

技术领域

本发明属于轧制过程自动化生产技术领域，涉及一种冷连轧升降速阶段的轧制力设定方法。

背景技术

轧制力作为冷连轧生产中的一个重要工艺参数，不仅直接影响了辊缝大小及形状，其波动情况还会进一步影响成品带钢的厚度精度和板形质量，因此必须做到精准调控。影响轧制力的主要因素除了热轧来料的性能不均和厚度波动外，还包括机架间张力、工艺润滑和轧制速度。在冷连轧生产中，降速-过焊缝-升速是必不可少的阶段，但在升降速过程中，轧制速度会通过影响轧制界面润滑状态，导致轧制力的剧烈波动并造成厚度超差和板形缺陷。

针对冷连轧升降速阶段轧制力波动的问题，国内研究人员做了许多的相关研究。公开号为CN110802114A的中国发明专利“一种冷轧板带轧制力的计算方法”，发明了一种通过迭代模型系数提高轧制力计算精度的方法，该方法首先设定变形抗力和摩擦系数模型，然后利用最小二乘法解得使轧制力误差最小的模型系数，最后运用此模型计算轧制力大幅降低了计算误差。公开号为CN114722516A的中国发明专利申请“一种钢带冷轧全变形区的轧制力和轧制力矩设定方法”，充分考虑冷轧变形区特点，将其细化为入口弹性压缩区、塑性变形区和出口弹性回复区，迭代计算各区单位轧制力和扭矩后得到全变形区的轧制力和轧制力矩的设定值。

公开号为CN114510864A的中国发明专利申请“一种基于K-means聚类算法的神经网络预报轧制力的预报方法”，采用K-means聚类算法确定隐层节点径向基函数的数据中心及扩展常数，然后通过监督学习算法计算输出层权值，避免了人为因素导致的神经网络超参数设置不合理，提升了轧制力计算精度。公开号为CN111790762A的中国发明专利 “一种基于随机森林的热轧带钢轧制力设定方法”，提出将机理模型的轧制力计算结果也作为随机森林的输入特征，并采用网格搜索进行模型调优，该方法可以有效改善单一机理模型预测精度和泛化能力不足的问题。为了更为有效的利用理论模型和大数据模型，公开号为CN112711867A的中国发明专利申请“融合理论模型和大数据模型的轧制力预测方法”，基于平均误差乘法补偿原则构建了修正系数融合的整合模型，其中修正系数由理论模型和BP神经网络的轧制力预测误差确定，该模型既继承了理论模型的结构，又发挥了神经网络的高精度特点，可以适应各种正负偏差的情况。

上述研究所存在不足主要有两个方面：（1）机理模型中无论是传统轧制力计算公式还是能量法，均未反映轧制速度升降对轧制力的影响；（2）目前所使用的人工智能算法未能考虑某些参数的时序特性，如轧辊粗糙度随轧制长度增加而减小，因此这些模型会缺少某些关键规律，导致轧制力预测精度有所减低。

发明内容

为解决上述技术问题，本发明的目的是提供一种冷连轧升降速阶段的轧制力设定方法，首先通过构建双抛物线动态速度场的方式得到考虑升降速对轧制力影响的机理模型，然后采用LSTM网络深入挖掘机理模型计算结果和其他输入特征的时序特性，并对机理模型的误差进行补偿学习，最终达到提高升降速阶段的轧制力预测和厚度控制精度的目的。

本发明提供一种冷连轧升降速阶段的轧制力设定方法，包括如下步骤：

步骤1：采集轧件参数、轧制工艺参数以及轧辊参数；

步骤2：根据轧件变形特点，构建满足体积不变条件和速度边界条件的动态速度场和应变速率场，得到轧件成形功率泛函表达式，解得泛函及内部塑性变形功率、剪切功率、张力功率和摩擦功率的最小值；