[发明专利]一种轧制过程弯辊力的预测方法

说明书

本发明公开了一种轧制过程弯辊力的预测方法，属于轧制过程自动控制技术领域。本发明通过分层别采集轧制生产过程中包含影响弯辊力参数的带钢生产数据；对生产数据进行降噪处理；将降噪后的生产数据分为训练集和测试集；将降噪后的标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子进行优化选择；采用优化选择的光滑因子构造广义回归神经网络弯辊力预测模型；用训练集训练预测模型，用测试集测试预测模型的泛化性能。本发明的预测方法精度高。预测模型基于大量生产数据，而轧制现场生产数据的采集易于操作，模型具有很强的推广能力。

技术领域

本发明属于轧制过程自动控制技术领域，具体涉及一种轧制过程弯辊力的预测方法。

背景技术

液压弯辊控制是冷热连轧过程中板形控制的主要方法之一。其控制原理是利用外加弯矩来改变工作辊与支承辊之间的接触应力分布，并通过安装在轧机轴承座之间的液压缸来控制工作辊的挠度，以改善工作辊之间辊缝形状来达到改变带钢凸度和平直度的目的。该控制技术的特点是可以快速调整轧辊辊缝凸度。液压弯辊控制与其它平直度控制方法相结合，可进一步提高带钢凸度和平直度的调节能力。在轧制过程中，弯辊力的设定精度直接影响带钢板形控制精度，尤其是带钢头部控制精度。较高的弯辊力预测精度有利于其闭环反馈控制。在实际生产过程中，弯辊力的设定计算与带钢温度、厚度、宽度、轧制力、轧制材料、轧辊热膨胀、轧辊磨损以及目标凸度和平直度都有直接关系，需要根据实际情况来进行综合计算。通常，弯辊力的初始值设定非常复杂，是一个多变量的优化问题，设定要兼顾板形的两个方面，不能一次性计算出合理的弯辊力值，弯辊力的调节要从带钢出口凸度计算公式中推导弯辊力的表达式，由板形判别式决定弯辊力的可调范围。由于与弯辊力设定模型有关的一些轧制参数之间具有非线性、强耦合、检测误差大等特点，所以传统理论建立的数学模型在生产实践中响应速度较慢，控制精度较低，较好的弯辊力设定值只有经过反复迭代，甚至是轧过好几块钢后才可以获取，这些问题都严重制约了热轧带钢板形控制精度的进一步提高。

发明内容

针对上述问题本发明提供了一种轧制过程中弯辊力预测方法。

为了达到上述目的，本发明采用了下列技术方案：

一种轧制过程弯辊力预测方法，包括以下步骤：

步骤1：分层别采集轧制生产过程中的m块带钢生产数据，每一块带钢包含有p个与弯辊力设定相关的轧制参数，将每一块带钢用一个p维向量进行表示；

步骤2：采用统计学3σ原则对各层别的生产数据进行降噪处理，处理后得到N块带钢样本数据；

步骤3：将降噪后的含有N块带钢生产数据的样本集在保持不同层别带钢数据分布均匀性的前提下，按个数比4:1划分为训练集和测试集两个集合；

步骤4：将降噪后训练集所包含的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换获得训练集样本数据的标准化矩阵；

步骤5：将标准化矩阵作为广义回归神经网络模型的输入，采用果蝇优化算法对广义回归神经网络模型的光滑因子参数σ′进行优化；

步骤6：采用优化获得的最优光滑因子参数σ′构造基于广义回归神经网络的弯辊力数据驱动预测模型；

步骤7：用训练集样本数据训练广义回归神经网络弯辊力数据驱动预测模型，用测试集样本数据测试广义回归神经网络弯辊力数据驱动预测模型的泛化性能；

步骤8：评价基于广义回归神经网络弯辊力数据驱动预测模型的整体性能。

进一步，所述层别按照钢种、终轧带钢宽度和终轧带钢厚度进行划分。