一种基于跨工序数据平台的冷轧变形抗力预测方法

技术领域

本发明属于轧制自动化控制领域，具体涉及一种基于跨工序数据平台的冷轧变形抗力预测方法。

背景技术

随着变形抗力作为冷连轧轧制力设定模型中最重要的参数，它的计算精度会直接影响轧制力的设定计算精度，最终影响冷轧带钢成品板形质量，因此，提高变形抗力的计算精度对轧制稳定运行与产品质量提升具有重要意义。

现有技术中，对于冷轧变形抗力的计算，基于轧制机理建立的冷轧变形抗力计算模型是依托冷轧单工序建立的，存在热轧、冷轧工序间相互孤立及运行指标分析彼此分离的问题，无法充分考虑热轧工序工艺过程参数对冷轧工序的遗传影响，变形抗力预测精度低，无法满足高精度生产的要求。

发明内容

有鉴于此，本发明实施例提供了一种基于跨工序数据平台的冷轧变形抗力预测方法，以提升冷轧变形抗力的预报精度，改善成品质量，满足市场需求，提高企业市场竞争力。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于跨工序数据平台的冷轧变形抗力预测方法，包括以下步骤：

步骤S1，基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数；

步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值；

步骤S3，以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；

步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型；

步骤S5，获取待预测冷轧机架的基本参数，并根据基本参数构建每个机架的输入变量，将所述变量输入每个机架的成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。

作为本发明的一个优选实施例，所述跨工序数据平台包括：数据采集机、热轧产线数据采集子系统和冷轧产线数据采集子系统；其中，

所述热轧产线数据采集子系统包括二级服务器、二级网络交换机及光电转换器、一级PLC、一级网络交换机及光电转换器，热轧产线数据采集子系统通过防火墙与数据采集机相连；

所述冷轧产线数据采集子系统包括功能开发服务器、功能开发终端、二级服务器、二级网络交换机、一级PLC、一级网络交换机、防火墙及核心交换机，并通过核心交换机与数据采集机相连；

所述数据采集机用于存储热轧产线数据采集子系统和冷轧产线数据采集子系统所采集的热轧数据和冷轧数据。

作为本发明的一个优选实施例，所述跨工序数据平台包括热轧和冷轧数据中的机架的入口厚度、出口厚度、轧制速度、道次压下率、累积压下率、热轧实际终轧温度FDT、卷取温度CT及成品厚度H

作为本发明的一个优选实施例，步骤S3所述构建输入变量结构，步骤如下：

步骤S31，利用3σ置信区间准则将热轧轧制参数和冷轧轧制参数中不正确的数据点进行去除，保留具有代表性的样本数据；

步骤S32，基于冶金机理筛选对冷轧变形抗力有影响的热、冷轧轧制参数作为模型的输入变量x，公式如下：

且：ε

ξ

式(3)中，FDT为热轧终轧温度；CT为热轧卷取温度；H

本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，冷轧方能够实时获取热轧过程质量数据，同时鉴于人工智能算法的优势，采用思维进化算法(MEA)和反向传播(BP)神经网络构建冷轧变形抗力预测模型，并将传统变形抗力数学模型的预报值作为MEA-BP的一个输入项，综合考虑热轧终轧温度、卷取温度及冷轧相关参数作为输入训练模型，大大提升了冷轧变形抗力的预报精度，避免了传统依托冷轧单工序建立的变形抗力模型预测精度低，无法满足现场高精度轧制生产和参数设定的问题，且在线计算速度快，提升了冷轧带钢成品质量。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的基于跨工序数据平台的冷轧变形抗力预测方法流程图；

图2为本发明实施例中跨工序数据平台的网络结构示意图；

图3为采用本发明实施例的中冷轧变形抗力预测方法所预测的冷轧各机架变抗力结果。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

针对现有技术中冷轧变形抗力计算所依据的数据仅为冷轧单工序，而未充分考虑热轧、冷轧工序间的相互影响的问题，本发明提出了一种基于跨工序数据平台的冷轧变形抗力预测方法，所述跨工序数据平台包括从热轧到冷轧工序的跨工序数据，先获取带钢热轧过程数据及冷轧轧制工艺参数，构建变形抗力反算模型确定各机架实际变形抗力值，采用人工智能算法构建变形抗力预测模型并选取具有代表性的历史生产数据训练模型，针对冷轧各机架的变形抗力实现在线预测。与传统变形抗力模型相比，本发明有效地利用人工智能算法自学习能力强的优势，充分挖掘热轧数据和冷轧数据间的相互影响，对冷轧变形抗力的预测精度更高，能够满足现场高精度轧制生产，提升带钢成品质量，更适合于多辊冷连轧机在线计算机过程控制的应用的要求。

参见图1，本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，包括以下步骤：

步骤S1，基于跨工序数据平台获取来料钢种、热轧轧制参数及冷轧轧制参数。

本步骤中，跨工序数据平台至少同时包括热轧和冷轧数据，对应于当前带钢钢种，冷轧工序的数据与相应的热轧来料数据相对应，使得冷轧方能够实时获取热轧方的质量数据，如：热轧实际终轧温度FDT、卷取温度CT及成品厚度H

如图2所示，所述跨工序数据平台包括：数据采集机、热轧产线数据采集子系统和冷轧产线数据采集子系统，其中，热轧产线数据采集子系统用于采集热轧产线数据，包括二级服务器、二级网络交换机及光电转换器、一级逻辑可编程控制器PLC、一级网络交换机及光电转换器，热轧产线数据采集子系统通过防火墙与总数据采集机相连，其中数据来源于二级服务器和一级PLC；冷轧产线数据采集子系统用于采集冷轧产线数据，包括功能开发服务器、功能开发终端、二级服务器、二级网络交换机、一级PLC、一级网络交换机、防火墙及核心交换机，其中数据来源于二级服务器和一级PLC。各自产线的二级服务器和一级PLC对工作状态的产线数据进行实时跟踪、采集及存储。热轧产线的历史生产数据通过核心交换机，经过光电转换器及防火墙后，将相关数据传输到冷轧方的数据采集机中；冷轧产线的相关数据通过核心交换机到数据采集机中，完成热、冷轧双方生产数据的集中统一存储；功能开发服务器通过系统的交换机从数据采集机获取所需相关数据，同时配置一台开发终端，与系统的核心交换机相连接，实现对系统功能的开发。

步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值。

本步骤中，所述计算冷轧各机架的实际变形抗力值，根据来料钢种、热轧轧制参数及冷轧轧制参数信息通过变形抗力反算模型计算冷轧各机架实变形抗力值，具体包括：

步骤S21，将冷轧各机架的轧制参数代入摩擦系数模型计算实际摩擦系数；

式(1)中，μ

步骤S22，确定实际摩擦系数后，通过变形抗力反算模型计算实际变形抗力值K，具体步骤如下：

且：

N

N

N

式(2)中，N

步骤S3，以热轧轧制参数和冷轧轧制参数构建输入变量，以冷轧各机架的实际变形抗力值为对应的输出，构建训练集和验证集；

本步骤中，所述构建输入变量结构，步骤如下：

步骤S31，利用3σ置信区间准则将热轧轧制参数和冷轧轧制参数中不正确的数据点进行去除，保留具有代表性的样本数据；

步骤S32，基于冶金机理筛选对冷轧变形抗力有影响的热、冷轧轧制参数作为模型的输入变量x，公式如下：

且：ε

ξ

式(3)中，FDT为热轧终轧温度；CT为热轧卷取温度；H

而实际变形抗力

步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型。

本步骤中，所构建的MEA-BP预测模型，结合了MEA算法和BP神经网络算法的优点，具有快速学习、适应性好及更强的解决非线性数值问题的能力。

步骤S5，获取待预测冷轧机架的基本参数，并根据基本参数构建每个机架的输入变量，将所述变量输入所述每个机架各自的成熟的预测模型中，得到每个冷轧机架的实时变形抗力预测值。

本步骤中，预测冷轧各机架变形抗力值，针对冷轧m个机架建立m个结构相同的如步骤S4中的预测模型，每个机架自行构成一个小网络，每个小网络即预测模型的输入项包括x中的各种参数，输出一个当前机架的变形抗力预测值

由以上技术方案可以看出，本发明实施例所提供的基于跨工序数据平台的冷轧变形抗力预测方法，冷轧方能够实时获取热轧过程质量数据，同时鉴于人工智能算法的优势，采用思维进化算法(MEA)和反向传播(BP)神经网络构建冷轧变形抗力预测模型，并将传统变形抗力数学模型的预报值作为MEA-BP的一个输入项，综合考虑热轧终轧温度、卷取温度及冷轧相关参数作为输入训练模型，大大提升了冷轧变形抗力的预报精度，避免了传统依托冷轧单工序建立的变形抗力模型预测精度低，无法满足现场高精度轧制生产和参数设定的问题，且在线计算速度快，提升了冷轧带钢成品质量。

下面以一个具体的实例，进一步对本发明进行详细说明。

以某冷轧厂1420mm冷轧生产线为例进行说明，该产线原采用传统变形抗力模型进行轧制设定；热轧数据来自1422mm热轧生产线；冷轧方搭建的跨工序数据平台包括热轧-冷轧数据。如图2所示，所述跨工序数据平台的网络结构包括：一部总数据采集机、热、冷轧方的二级服务器及一级PLC、交换机、功能开发服务器和开发终端。热轧产线的历史生产数据通过核心交换机，经过光电转换器及防火墙后，将相关数据传输到冷轧方的数据采集机中；冷轧产线的相关数据通过核心交换机到数据采集机中，完成热、冷轧双方生产数据的集中统一存储；功能开发服务器通过系统的交换机从数据采集机获取所需相关数据，同时配置一台开发终端，与系统的核心交换机相连接，实现对系统功能的开发。

采用本发明实施例的冷轧变形抗力预测方法进行变形抗力预测，执行如下步骤：

步骤S1，基于跨工序数据平台，获取同一钢种的热轧过程数据及冷轧实际轧制工艺参数等信息，共计2298条数据，将带钢钢种、实际热轧和冷轧轧制过程部分数据列入表1，如表1所示：

表1

步骤S2，根据来料钢种、热轧轧制参数及冷轧轧制参数计算冷轧各机架的实际变形抗力值，根据公式(1)和公式(2)计算得到实际变形抗力值列入表2，如表2所示：

表2

步骤S3，利用3σ置信区间准则将2298条样本数据中不正确的数据点进行去除，保留具有代表性的样本数据，共计2001条；再基于2001条数据构建2001个输入变量，以所计算的表2中对应的2001个实际变形抗力值作为对应的输出，组成数据对，以8：2的比例构建训练集和验证集。

步骤S4，针对每个机架，采用思维进化算法(MEA)和反向传播(BP)神经网络构建一个MEA-BP预测模型，并采用所述训练集和验证集对模型进行训练和验证，得到成熟的预测模型。

步骤S5，针对冷轧5个机架，根据每个机架的基本参数构建输入变量x，将每个机架的变量分别输入对应的5个结构相同的预测模型即小网络中，以x为输入，每个小网络输出一个当前机架的变形抗力预测值。

如图3所示，本发明实施例所预测的冷轧变形抗力值，预测结果误差均位于±5％的误差带以内，极少数异常值除外；与预测误差在±10％的传统变形抗力数学模型相比，基于“热-冷轧”跨工序数据平台的变形抗力预测方法大大提高了变形抗力的预测精度，能够满足现场高精度轧制生产的要求。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。