[发明专利]一种冷轧板形信号在线模式识别方法

说明书

技术领域

本发明属于冷轧带钢领域，尤其涉及一种冷轧板形信号在线模式识别方法。

背景技术

在冷轧带钢生产过程中，冷轧板形模式识别是冷轧板形控制系统的重要组成部分。板形模式识别就是对板形仪输出的实测板形信号进行识别和分类，从而准确判断板带材存在的板形缺陷类型，为控制系统提供控制依据，最终生产出高质量的冷轧板带材产品。

传统的板形信号模式识别方法是基于最小二乘法的多项式分解方法以及改进的正交多项式回归分解方法，这些方法抗干扰能力差，在理论上存在缺陷，不符合板形分布的本质，难以满足高精度板形控制需求。基于模糊分类原理的板形模式识别方法简单实用、快速有效，但精度和实时性仍不够理想，对样本依赖性强，其实际应用价值并不大。近年来，本领域内的专家学者开展了基于神经网络技术的板形信号模式识别研究和应用工作，所得技术方案具有较强的容错能力和较高的识别精度；但是，由于在网络节点的确定和权值的学习上的技术不足，导致所得神经网络模式识别系统的辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性较差等技术问题，很大程度上限制了神经网络技术在冷轧带钢工业生产上的应用。

板形是指板带材内部残余应力沿板宽方向的分布状况，板形识别的任务就是把在线检测的一组张力分布离散值经过一定的数学处理映射为较少的几个特征参数，二者几个特征参数能够较好的反映板形缺陷的分类情况。径向基神经网络(RBF)具有良好的泛化能力和很强的逼近性能，其擅长于处理非线性映射逼近问题。值得指出的是，已有使用径向基神经网络进行冷轧板形信号模式识别的技术方案并不能直接应用到冷轧带钢板形控制的现场中，这主要是因为神经网络训练选用的学习方法不能使得网络快速收敛到最优解。

另一方面，智能优化技术在最近十几年里得到了快速发展，通过智能优化方法可以获得很多非线性优化问题的最优解。从科学角度上讲，将智能优化技术应用到径向基神经网络的网络训练中，提高建模精度和效率，是非线性建模领域的富有前景和应用价值的研究方向。这也为高精度和高效率的冷轧板形信号在线模式识别技术问题提供了技术支持和理论依据。

综上所述，研发兼具高精度和高效率的冷轧板形信号在线模式识别方法，为控制系统提供可靠的控制依据，从而生产出高质量的冷轧板带材产品，是进一步提高当前冷轧带钢板形控制水平的一个亟待解决关键技术问题。

发明内容

本发明的目的在于提供一种冷轧板形信号在线模式识别方法，该方法可以有效解决使用传统板形模式识别方法时经常会遇到的精度和实时性不够理想、辨识模型结构复杂并且网络训练时间过长、稳定性和鲁棒性差的技术问题，可以为控制系统提供可靠的控制依据，为提高冷轧带钢的板形控制质量提高有力保证。

为了解决上述技术问题，本发明提供的技术方案为：一种冷轧板形信号在线模式识别方法，其特征在于：它包括以下步骤：

1)接收板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，将其与设定的对应目标板形分布值比较，得到各测量段板形偏差值；令测量段的个数为m，第i测量段板形测量值为F_i，第i测量段目标板形分布值为T_i，第i测量段板形偏差值为ΔF_i；

2)确定ΔF_i的绝对值最大值：ΔF_max＝max|ΔF_i|，并对各测量段板形偏差值进行归一化处理，第i测量段归一化处理后的板形偏差值Δf_i＝ΔF_i/ΔF_max；

3)对归一化处理后的各测量段板形偏差值进行粗滤波处理：

Δg_i＝min{Δf_i，p₁(x_i)，p₂(x_i)，p₃(x_i)，p₄(x_i)，p₅(x_i)，p₆(x_i)}，i＝1，2，…，m；

式中，Δg_i为第i测量段粗滤波处理后的板形偏差值；

x_i为第i个测量段对应的归一化横坐标，其计算公式为：

其中，d_i为第i个测量段宽度，k为正整数，表示第k个测量段的序号；