一种基于机理和数据融合模型的冷轧轧制力预测方法技术

本发明专利技术公开了一种基于机理和数据融合模型的冷轧轧制力预测方法，包括：获取带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；计算出轧制力的实测值与机理模型计算值之间的偏差；基于上述数据，采用预设的神经网络模型构建数据驱动的冷轧轧制力偏差预报模型；结合冷轧轧制力机理模型与冷轧轧制力偏差预报模型，对冷轧轧制力进行实时计算。与轧制力机理模型相比，本方法兼备机理模型具有严格物理意义的特点以及数据驱动算法自适应能力强、可忽略机理问题复杂性的优势，可解决传统依托冷轧单工序建立的轧制力机理模型设定精度低的问题，具备更强的轧制力预测能力，可实现冷轧轧制力的在线预测，满足高精度轧制生产要求，提高冷轧带钢成品质量。提高冷轧带钢成品质量。提高冷轧带钢成品质量。

【技术实现步骤摘要】
一种基于机理和数据融合模型的冷轧轧制力预测方法


[0001]本专利技术涉及机械自动化控制
，特别涉及一种基于机理和数据融合模型的冷轧轧制力预测方法。

技术介绍

[0002]轧制力模型是冷轧控制模型的核心，同时也是厚度控制和板形设定计算的基础。因此，准确的轧制力预报对提高冷轧带钢产品质量具有重要的意义。
[0003]目前，冷轧机控制系统多采用依托冷轧单工序建立的机理模型，忽略了热轧关键过程参数对冷轧轧制力的遗传影响及其他复杂因素的影响，存在设定计算精度低，无法准确预测轧制力，由此造成板形、板厚精度控制不足等问题。

技术实现思路

[0004]本专利技术提供了一种基于机理和数据融合模型的冷轧轧制力预测方法，以解决现有的冷轧机控制系统多采用依托冷轧单工序建立的机理模型，忽略了热轧关键过程参数对冷轧轧制力的遗传影响及其他复杂因素的影响，存在设定计算精度低，无法准确预测轧制力，由此造成板形、板厚精度控制不足等技术问题。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：
[0006]一方面，本专利技术提供了一种基于机理和数据融合模型的冷轧轧制力预测方法，所述基于机理和数据融合模型的冷轧轧制力预测方法包括：
[0007]获取带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；
[0008]基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，然后计算出轧制力的实测值与机理模型计算值之间的偏差；
[0009]以获取的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据为输入，以计算出的轧制力的实测值与机理模型计算值之间的偏差为输出，对预设的神经网络模型进行训练，得到数据驱动的冷轧轧制力偏差预报模型；
[0010]结合所述冷轧轧制力机理模型与所述冷轧轧制力偏差预报模型，对目标机架的冷轧轧制力进行实时计算，得到所述目标机架的冷轧轧制力预测值。
[0011]进一步地，所述带钢冷轧轧制过程中的生产数据包括：轧机入口带钢厚度、轧机出口带钢厚度、轧辊压扁半径、机架前张力、机架后张力、道次压下率、轧制速度、变形抗力以及带钢宽度的实际值和设定值。
[0012]进一步地，所述热轧历史生产质量数据包括：热连轧机组的精轧出口温度、热连轧机组的卷取温度以及热轧来料厚度的实际值。
[0013]进一步地，基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，具体为：基于冷轧轧制过程中的生产数据的设定值，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，公式如下：
[0014][0015]其中，P
m
为轧制力的机理模型计算值；B为带钢宽度；H为轧机入口带钢厚度；h为轧机出口带钢厚度；R'为轧辊压扁半径；k
p
为变形抗力，k
T
为张力因子；Q
p
为应力状态系数；k
T
和Q
p
的计算公式分别如下：
[0016][0017][0018]其中，t
f
和t
b
分别为当前机架的前后张力；r为道次压下率；μ为摩擦系数。
[0019]进一步地，所述以获取的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据为输入，以计算出的轧制力的实测值与机理模型计算值之间的偏差为输出，对预设的神经网络模型进行训练，得到数据驱动的冷轧轧制力偏差预报模型，包括：
[0020]以冷轧当前机架的入口带钢厚度、出口带钢厚度、带钢宽度、前张力、后张力、工作辊半径、轧制速度和变形抗力的实际值，以及热连轧机组的精轧出口温度、热连轧机组的卷取温度和热轧来料厚度的实际值作为输入变量；以计算出的冷轧轧制力的实测值与机理模型计算值之间的偏差作为输出变量；
[0021]对所述输入变量和所述输出变量进行归一化处理；
[0022]采用归一化处理后的输入变量和输出变量对预设的神经网络模型进行训练，将训练好的模型作为数据驱动的冷轧轧制力偏差预报模型。
[0023]进一步地，所述预设的神经网络模型为T
‑
S模糊神经网络模型。
[0024]进一步地，对所述输入变量和所述输出变量进行归一化处理表示为：
[0025][0026]其中，x
i
'为归一化处理后得到的标准化数据值；max{x
j
}和min{x
j
}分别为数据集中的最大和最小数据点；x
i
为当前处理的数据；n为数据集中的数据总数。
[0027]进一步地，结合所述冷轧轧制力机理模型与所述冷轧轧制力偏差预报模型，对目标机架的冷轧轧制力进行实时计算，得到所述目标机架的冷轧轧制力预测值，包括：
[0028]获取目标机架的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；
[0029]基于目标机架的带钢冷轧轧制过程中的生产数据，采用所述冷轧轧制力机理模型，计算出目标机架对应的轧制力的机理模型计算值；
[0030]基于目标机架的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据，采用所述冷轧轧制力偏差预报模型，得到目标机架对应的轧制力的实测值与机理模型计算值之间的偏差的预测值；
[0031]将目标机架对应的轧制力的机理模型计算值与所述冷轧轧制力偏差预报模型输出的轧制力的实测值与机理模型计算值之间的偏差预测值相加，实现对目标机架的冷轧轧制力的实时计算，得到所述目标机架的冷轧轧制力的预测值。
[0032]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0033]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至
少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0034]本专利技术提供的技术方案带来的有益效果至少包括：
[0035]本专利技术充分利用了带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据，基于T
‑
S模糊神经网络算法构建数据驱动的冷轧轧制力偏差预报模型，并引入冷轧轧制力机理模型与数据驱动模型组合对冷轧轧制力进行实时计算，从而具备了更强的轧制力预测能力，可以实现更准确的轧制力设定，从而可以提高板形、板厚质量。本专利技术的技术方案可以满足冷轧现场高精度轧制设定的要求。
附图说明
[0036]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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他的附图。
[0037]图1是本专利技术实施例提供的基于机理和数据融合模型的冷轧轧制力预测方法的执行流程示意图；
[0038]图2是冷连轧机组设备布置图；
[0039]图3是优化前后带钢的轧制力偏差对比图；
...

【技术保护点】

【技术特征摘要】
1.一种基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，包括：获取带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，然后计算出轧制力的实测值与机理模型计算值之间的偏差；以获取的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据为输入，以计算出的轧制力的实测值与机理模型计算值之间的偏差为输出，对预设的神经网络模型进行训练，得到数据驱动的冷轧轧制力偏差预报模型；结合所述冷轧轧制力机理模型与所述冷轧轧制力偏差预报模型，对目标机架的冷轧轧制力进行实时计算，得到所述目标机架的冷轧轧制力预测值。2.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述带钢冷轧轧制过程中的生产数据包括：轧机入口带钢厚度、轧机出口带钢厚度、轧辊压扁半径、机架前张力、机架后张力、道次压下率、轧制速度、变形抗力以及带钢宽度的实际值和设定值。3.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述热轧历史生产质量数据包括：热连轧机组的精轧出口温度、热连轧机组的卷取温度以及热轧来料厚度的实际值。4.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，具体为：基于冷轧轧制过程中的生产数据的设定值，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，公式如下：其中，P
m
为轧制力的机理模型计算值；B为带钢宽度；H为轧机入口带钢厚度；h为轧机出口带钢厚度；R'为轧辊压扁半径；k
p
为变形抗力，k
T
为张力因子；Q
p
为应力状态系数；k
T
和Q
p
的计算公式分别如下：计算公式分别如下：其中，t
f
和t
b
分别为当前机架的前后张力；r为道次压下率；μ为摩擦系数。5.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述以获取的带钢冷轧轧制过程中的生产数据和热轧历...

【专利技术属性】
技术研发人员：赵剑威，李京栋，郄浩堂，武则栋，王晓晨，杨荃，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：