[发明专利]基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统

权利要求书

1.一种基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述基于遗传粒子群算法的冷轧轧辊磨削量优化方法包括：

获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化；

所述基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，包括：

结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值；

遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量；

根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，表示粒子在第k次迭代时的第d维速度，表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限；v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]；

再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

2.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力。

3.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线，包括：

将原始疲劳曲线的最高点定义为轧辊的疲劳程度；对原始疲劳曲线进行平移，将新增的疲劳曲线与平移后得到的疲劳曲线进行叠加，完成疲劳曲线的平移及叠加过程，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线。

4.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述工艺参数包括：所述待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限以及疲劳程度危险阈值。