[发明专利]一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法

说明书

技术领域

本发明涉及一种热轧带钢厚度预测方法。

背景技术

在许多工业领域，如化工生产、造纸和炼油等，对于可测数据和生产质量变量之间的回归关系分析有助于生产过程的控制和监测。一种合适的回归模型可以作为软测量工具，协助过程工程师预测最终生产质量，这对于生产过程的控制、优化和错误诊断具有重要的意义。

带钢热轧机的主要关键性能指标（KPI）是带钢的厚度、宽度和形状，其中，厚度是带钢质量和钢铁生产产率的决定因素。在轧机的巨大轧制压力下，通过简单设置工作轧辊之间的距离来获取想要的带钢厚度的方法是无法得到保证的。在前几个精轧机超过3000吨的轧制压力下轧机机架在钢条进入设备后会形成多大半英寸的向外伸展。因此，根据运行状态预测带钢最终的厚度至关重要，可以达到精确尺寸控制的目的。

预测厚度最可靠的方法是建立分析模型，然而一方面精确的分析模型是无法获得的或建模过程是极其消耗时间的，另一方面如今钢铁工业中的许多生产者建立了大型的数据库用于存储可测量的过程信息。

发明内容

本发明为了解决现有预测厚度的方法存在精确的分析模型是无法获得的或建模过程是极其消耗时间的的问题，从而提供一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法。

一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法，它包括如下步骤：

步骤一：监测7台精轧机的工作数据获得观测变量(x_i,y_i)，并根据观测变量(x_i,y_i)定义输入数据矩阵X和输出数据矩阵Y，计算鲁棒加权因子初值ω_i；

所述精轧机的工作数据包括每台精轧机的工作轧辊平均间距，每台精轧机总压力，每台精轧机工作轧辊卷曲力；

步骤二：对观测变量(x_i,y_i)进行加权处理获得预测数据并对预测数据进行偏最小二乘分析，获得预测数据的偏最小二乘模型并计算第一次偏最小二乘回归模型和回归系数B；

步骤三：根据步骤二获得的偏最小二乘回归模型和回归系数B，计算更新后的鲁棒加权因子ω_i；

步骤四：根据更新后的鲁棒加权因子ω_i计算第k次的偏最小二乘回归模型和第k次的回归系数B，其中k≥2；

步骤五：判断第k次回归系数B和第k-1次的回归系数B的估计误差是否小于设定阈值，若小于则进入步骤六，若不小于则更新鲁棒加权因子ω_i并返回步骤四；

步骤六：获取回归系数B并确定偏最小二乘回归模型即为热轧带钢厚度预测结果。

采用本发明实现了基于改进型偏鲁棒M回归算法的热轧带钢厚度预测。回归系数通过迭代计算与阈值的判断获得一个回归模型，其中Y即是关键性能指标KPI需要的热轧带钢的厚度。这个回归模型实现了根据输入状态变量预测带钢厚度，而不需要等到带钢出来之后采后的实际厚度；预测的好处在于可以提前预知可能出现的异常情况，通过适当的控制从而获得我们需要的精确尺寸。

附图说明

图1为本发明一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法的流程图。

具体实施方式

具体实施方式一、结合图1说明本具体实施方式。一种基于改进型偏鲁棒M回归算法的热轧带钢厚度预测方法，它包括如下步骤：

步骤一：监测7台精轧机的工作数据获得观测变量(x_i,y_i)，并根据观测变量(x_i,y_i)定义输入数据矩阵X和输出数据矩阵Y，计算鲁棒加权因子初值ω_i；

所述精轧机的工作数据包括每台精轧机的工作轧辊平均间距，每台精轧机总压力，每台精轧机工作轧辊卷曲力；

步骤二：对观测变量(x_i,y_i)进行加权处理获得预测数据并对预测数据进行偏最小二乘分析，获得预测数据的偏最小二乘模型并计算第一次偏最小二乘回归模型和回归系数B；

步骤三：根据步骤二获得的偏最小二乘回归模型和回归系数B，计算更新后的鲁棒加权因子ω_i；

步骤四：根据更新后的鲁棒加权因子ω_i计算第k次的偏最小二乘回归模型和第k次的回归系数B，其中k≥2；