[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

说明书

本发明涉及轧线智能控制模型的过程自动化系统领域，具体涉及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。方法包括如下步骤：（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。本发明在热轧板凸度预测基础上进行凸度‑楔形预测改进，根据数据预处理，建立智能算法优化的凸度‑楔形预测模型，能够有效提高板形控制精度，达到准确预报、提前预判、降本增效目的。

技术领域

本发明涉及轧线智能控制模型的过程自动化系统领域，具体涉及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。

背景技术

板形是热轧卷成材率的重要指标之一，凸度是衡量热轧板形的最主要因素，目前基于机器学习的板形预测方法主要在凸度上，凸度的提前准确预报对热轧卷的成材质量、板型精准控制意义重大，可以减少不必要的经济损失。

冷轧卷作为热轧卷的下一道工序，当热轧卷凸度大于楔形时，冷轧卷的成材质量不受影响；当热轧卷凸度小于楔形时，会不满足冷轧卷工艺生产需求，使轧制后冷轧板出现浪形缺陷，严重影响产品质量，大大降低生产效率，增加成本。

因此，有必要提供一种对热轧板凸度和楔形的预测方法和冷轧缺陷预判方法。

发明内容

针对现阶段机器学习的板形预测方法主要在凸度上，缺少对热轧板楔形预测的技术问题，本发明提供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，在热轧板凸度预测基础上进行凸度-楔形预测改进，根据数据预处理，建立智能算法优化的凸度-楔形预测模型，能够准确预测热轧板凸度-楔形值，预测误差小、预测精度高，进而有效提高板形控制精度，达到准确预报、提前预判、降本增效目的。

第一方面，本发明提供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，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，步骤（2）还包括根据公式剔除因轧断、卡钢等原因采集的异常数据，式中为标准差。

首先建立SVM回归模型；式中，为权向量，为偏差。通过验证SVM对少量样本数据进行分类和线性回归有很好效果，当存在大量的训练样本数据时，会导致运算时间长等问题。把SVM改进为LSSVM模型，通过引入拉格朗日乘子（Lagrange alpha）、约束条件转化、核函数在高维特征空间进行线性回归，提高了运算速度，改进后建立LSSVM模型如下：

；

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

进一步的，步骤（3）选择Morlet核函数：

；

式中，为核函数参数。

基于此，最终建立的LSSVM模型为；