[发明专利]一种基于数据挖掘的变形抗力唯象模型计算方法

说明书

一种基于数据挖掘的变形抗力唯象模型计算方法，属于热连轧过程控制技术领域。为了解决传统变形抗力模型由于参数单一和考虑因素不全面的问题发明本方法。该控制方法具体实施的过程包括：建立满足模型计算需求的变形抗力样本库，对样本库进行定期维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；建立变形抗力唯象模型；分钢种对唯象模型进行回归计算，得到不同钢种的模型参数；根据回归后的模型参数，可计算得到对应的各机架变形抗力自学习系数；将不同钢种的模型参数和对应的各机架变形抗力自学习系数发送到过程控制系统。该方法能获取有效数据，提高了回归和模型计算准确性，从而提高产品质量和成材率。

技术领域

本发明属于热连轧过程控制技术领域，尤其涉及一种基于数据挖掘的变形抗力唯象模型计算方法。

背景技术

金属材料的变形抗力是指金属在一定的变形条件下进行塑性变形时，抵抗塑性变形的力，是表征金属压力加工性能的一个基本量，也是轧制力模型中的关键参数。其大小主要决定于金属的化学成分、变形温度、变形速率、变形程度以及和这些因素有关的各个加工过程，如金属的加工硬化、金属的动态再结晶、金属的静态恢复、金属的动态恢复等等。

这些影响因素共同影响着金属的变形抗力，且具有复杂性、非线性的特点，而传统变形抗力模型由于参数单一和考虑因素不全面，且热轧带钢轧制呈现品种多、批量小、规格变换频繁的趋势，使变形抗力计算精度较低，应用范围具有局限性。因此，如何准确确定不同变形条件下的金属的变形抗力，是提高模型计算精度的必要条件。

随着数据挖掘技术的出现，数据挖掘技术在轧钢领域就得到了深入广泛地研究。由于其具有大数据量采集与处理、自适应学习功能和处理复杂非线性的特点，为变形抗力控制精度的解决提供了新的思路和方法，能够利用聚类分析等大数据挖掘技术从海量工艺数据中提取有效地钢卷数据，包含了不同钢种不同工况下，即不同变形条件下的钢卷数据，对其进行分类处理，从而实现对轧制变形抗力的准确分析和预测。

一种基于数据挖掘的变形抗力唯象模型计算方法，利用样本库中的不同变形条件下的有效钢卷数据，提高回归计算精度，得到不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数，从而提高变形抗力唯象模型的适应性和计算精度。

发明内容

本发明的目的在于，提供一种基于数据挖掘的变形抗力唯象模型计算方法，针对不同钢种不同工况的控制需求，搭建变形抗力样本库，以保证数据的有效性和多样性，使其能准确地反映现场实际轧制状态，提高回归计算准确性，进而提高了变形抗力模型计算精度。

本发明的技术方案为：

步骤一、建立满足模型计算需求的变形抗力样本库，样本库包含实时采集和筛选钢卷数据、分类钢卷数据；利用聚类分析功能，定期对样本库进行维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；

所述的实时采集钢卷数据包括：钢种，产品厚度，产品宽度，自学习类型，炉号，是否使用板卷箱，各机架入、出口厚度，入口宽度，各机架入口温度值，各机架工作辊半径，各机架轧辊线速度，各机架设定变形抗力，各机架设定轧制力，各机架实测轧制力；

所述的实时筛选的钢卷数据包括：筛除空的、无效的、异常的数据，同时将带钢各机架轧制力精度范围[-5,5]以内的数据，存储到样本数据库中；

所述的分类钢卷数据包括：将更新的钢卷数据按照钢种、规格、工况进行分类，若样本库中同类别钢卷数据未超过100条，则直接存入新的钢卷数据；若超过100条则将生产时间最久的数据剔除，存入新的钢卷数据；若样本库中没有匹配的同类钢卷，则新建类别，存入新的钢卷数据。

所述的样本库维护包括：利用聚类分析功能，对同类别钢卷数据进行定期分析，将偏差大的钢卷数据进行剔除；