[发明专利]一种基于最小二乘支持向量机的热轧板凸度-楔形预测方法及冷轧缺陷预判方法

权利要求书

1.一种基于最小二乘支持向量机的热轧板凸度-楔形预测方法，其特征在于，包括如下步骤：

（1）通过检测元件在线采集影响凸度-楔形相关的实时数据，作为原始数据；

（2）对采集的原始数据进行预处理；

（3）建立LSSVM模型，采用ALO算法寻优LSSVM参数，建立ALO-LSSVM凸度-楔形预测模型。

2.如权利要求1所述的热轧板凸度-楔形预测方法，其特征在于，步骤（1）的原始数据包括板坯重量、板坯在炉时间、轧制厚度、凸度值、楔形值、轧制出入口温度、轧制力、轧制速度、精轧各机架活套角度、轧制宽度、CVC窜动、AGC油缸、机架辊缝值、预埋值、板坯号和/或钢卷号。

3.如权利要求1所述的热轧板凸度-楔形预测方法，其特征在于，步骤（1）从每支钢完成精轧终轧后，按照每40ms采集一次的频率采集实时数据。

4.如权利要求1所述的热轧板凸度-楔形预测方法，其特征在于，步骤（2）的预处理为根据每支钢采集的次数求出数据平均值，计算公式如下：

；

式中，为每支钢数据采集次数，为第次采集的实时数据，依次取1至之间的整数。

5.如权利要求4所述的热轧板凸度-楔形预测方法，其特征在于，步骤（2）还包括根据公式剔除异常数据，式中为标准差。

6.如权利要求1所述的热轧板凸度-楔形预测方法，其特征在于，步骤（3）建立的LSSVM模型为；

式中，为引入的拉格朗日乘子，，为预处理后数据的核函数样本，为核函数参数，为偏差。

7.如权利要求6所述的热轧板凸度-楔形预测方法，其特征在于，ALO算法寻优LSSVM参数的步骤如下：

S1、设置ALO的初始化种群数量为28，最大迭代次数为85，设置惩罚参数和惩罚参数寻优约束范围为（0.0001，10000）；

S2、计算ALO的适应度值，将适应度值最大的ALO作为精英蚁狮EALO；

S3、猎物目标按照在ALO和EALO附近随机游走，为计算累计和，为步长，为随机函数，依次取1至之间的整数，为最大迭代次数；

根据更新目标和的值，其中

；

式中，为目标变量在第次迭代的最小值，为目标变量在第次迭代的最大值；

根据取平均值作为猎物目标位置，其中为第次迭代中目标围绕ALO的随机游走，为第次迭代中目标围绕EALO的随机游走；

S4、根据位置更新，与当前位置最好的ALO对比，确定新EALO的位置，其中为目标猎物在第次迭代的位置，为ALO在第次迭代的位置，为适应度函数；

S5、判断是否达到终止条件，是则结束迭代，否则从S3开始重复执行；

S6、以预处理数据和预测数据误差最小为目标函数，建立ALO-LSSVM预测模型，得到最优LSSVM参数值，输出寻优参数值和预测误差值。

8.一种冷轧缺陷预判方法，其特征在于，根据如权利要求1~7任一所述的热轧板凸度-楔形预测方法得出的预测值判断热轧板经冷轧后是否会出现浪形缺陷。

9.如权利要求8所述的冷轧缺陷预判方法，其特征在于，当热轧板预测值为负数时，表示楔形大于凸度值，热轧板经冷轧后会出现浪形缺陷。