[发明专利]一种轧辊磨损凸度和热凸度的预测方法

说明书

本发明公开了一种轧辊磨损凸度和热凸度的预测方法，属于轧制过程自动控制技术领域。首先采集轧制生产过程中的二级计算数据；按照工作辊换辊周期进行划分，生成若干个工作辊换辊周期的建模数据；将各周期内依次轧制带钢的过程抽象成时间序列问题，再将各周期的数据分成训练集和测试集，用训练集数据构建Elman反馈神经网络来进行轧辊磨损凸度和热凸度预测；通过多次测试最终确定Elman反馈神经网络的训练函数、隐含层神经元个数以及最大迭代次数等最佳参数，最后采用确定好的Elman反馈神经网络训练得到预测模型，并对新轧制周期内工作辊的磨损凸度和热凸度进行预测。预测模型基于实际生产数据，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，特别涉及一种轧辊磨损凸度和热凸度的预测方法。

背景技术

热轧带钢生产是在高温条件下完成的，温度是热轧过程进行计算和控制的关键因素之一。在轧制过程中，加热的带钢会与空气发生热量交换，当带钢与轧辊辊道接触时，还会向轧辊及辊道进行热量传递，由热胀冷缩可以知道，轧辊温度越高，产生的热膨胀量越大，轧辊的热凸度就越大。带钢在高温条件下表面会形成氧化层，氧化层的存在会使工作辊磨损变得非常严重。轧辊的热膨胀和磨损不仅增加轧辊消耗，而且改变辊缝形状，从而对带钢板形和轧机性能产生不利影响。因此，为了获得板形良好的热轧带钢产品，提高板形设定模型的准确性，就必须对轧辊的热凸度和磨损凸度进行准确设定。但是，到目前为止，热膨胀量和磨损量并不能在轧制现场进行准确即时测量，这使得轧辊热凸度和磨损凸度的计算变得更加困难。基于以上原因，对轧辊磨损凸度和热凸度进行智能化预测研究具有重要的理论意义。近年来，基于大量生产数据的人工智能方法被大量应用于工业控制过程中。为此，本发明提出了一种基于反馈神经网络来预测轧辊磨损凸度和热凸度的新方法。

发明内容

针对上述问题本发明提供了一种轧辊磨损凸度和热凸度的预测方法。

为了达到上述目的，本发明采用了下列技术方案：

一种轧制过程轧辊磨损凸度和热凸度的预测方法，包括以下步骤：

1)、采集热轧带钢生产线有关轧辊磨损凸度和热凸度二级计算数据；

2)、将采集到的数据按照工作辊换辊周期为单位进行分割，生成若干个工作辊换辊周期的建模数据；

3)、将各个周期内依次轧制带钢的过程抽象成有关工作辊磨损凸度和热凸度的时间序列问题；

4)、将建模数据进行划分，分为训练集和测试集，采用训练集数据构成训练矩阵C；

5)、修正Elman神经网络并测试最佳参数选择；

6)、将训练集数据输入Elman神经网络进行训练，得到训练完成的轧辊磨损凸度和热凸度预测模型，用测试集数据测试模型的泛化性能；

7)、对新轧制周期内工作辊的磨损凸度和热凸度进行预测；

8)、评估预测结果。

进一步，所述步骤3)将轧制过程中一个换辊周期抽象成一个时间序列问题的具体方法是：取前N块带钢轧制时轧辊磨损凸度和热凸度预测下一块带钢轧制时轧辊磨损凸度和热凸度，即用一个工作辊换辊周期内轧制过去几块带钢时工作辊的磨损凸度和热凸度来预测轧制未来几块带钢时工作辊将产生的磨损凸度和热凸度，映射函数可以表示为：

C_n＝f(C_n-1,C_n-2,...,C_n-N) (1)

n为当前轧制的带钢序号；C代表轧辊的磨损凸度或者热凸度。