[发明专利]一种基于统计学习的精轧终轧温度预测和控制方法

权利要求书

1.一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于由以下步骤组成：

(1)设定采样周期、预测模型的输入输出变量及其阶次，其中预测模型的输入变量为指定机架水量和终轧机架穿带速度，预测模型的输出变量为终轧温度；

(2)在每个固定的采样周期，进行以下步骤：

a、采集预测模型的输入输出变量，并按照步骤(1)设定的预测模型变量阶次，确定模型结构，构造相应的输入输出数据回归向量矩阵和建模用训练数据集；

b、对步骤(a)得到的输入输出数据回归向量矩阵进行去噪处理；

c、基于步骤(a)得到的建模用训练数据集，用统计学方法建立终轧温度的非线性输入输出预测模型；

d、检验预测模型对终轧温度的预测值与实际值变化趋势的一致程度，如果基本一致，则将非线性模型在当前工作点线性化，得到线性模型；否则，不进行后续控制计算，直接返回步骤(a)；

e、基于步骤(d)得到的线性模型，选择指定机架水量为控制变量，定义有限时域滚动优化问题；

f、求解步骤(e)中得到的优化问题，得到相应控制决策向量，该向量的第一个元素经限幅处理后作为当前采样周期的控制决策；

(3)重复步骤(a)——步骤(f)至控制任务结束，构建精轧温度预测和控制系统。

2.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(a)中，在每个采样周期，都会采集新的指定机架水量、终轧机架穿带速度和终轧温度，并将新的数据加入到建模用训练数据集。

3.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(b)包括如下步骤：

根据精轧设备和工艺条件，确定变量终轧温度、指定机架水量和终轧机架穿带速度及其变化率的上下限；

用变量值和变量变化率的上下限对所有实时数据进行去噪处理。

4.如权利要求1中所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(c)中的统计学方法为建立统计学模型，统计学模型中的核函数为RBF核函数，具体的非线性模型形式为：

y(x)=Σk=1Nαkexp{-||x-xk||22/σ2}+b]]>

其中，x_k是支持向量，α_k是对应支持向量x_k的加权系数，x是当前的回归数据向量，y(x)是与x相对应的输出，即终轧温度预测值。