一种基于数据驱动的热轧翘扣头在线控制方法技术

本发明专利技术提供一种基于数据驱动的热轧翘扣头在线控制方法，属于板坯翘扣头控制技术领域。该方法首先现场采集热轧板坯翘扣头相关工艺参数并进行数据预处理，并建立板坯翘扣头调控功效自学习模型；同时构建基于数据驱动的板坯翘扣头回归预测模型；然后对下游道次板坯翘扣头预测模型进行优化，并分别建立上、下游道次板坯翘扣头控制策略；最后结合板坯翘扣头控制策略以及调控功效模型计算相应雪橇系数值并下发至粗轧基础自动化控制系统，执行调平控制。本发明专利技术可有效减少人工干预，实现热轧粗轧板坯翘扣头自动控制。板坯翘扣头自动控制。板坯翘扣头自动控制。

【技术实现步骤摘要】
一种基于数据驱动的热轧翘扣头在线控制方法


[0001]本专利技术涉及板坯翘扣头控制
，尤其涉及一种基于数据驱动的热轧翘扣头在线控制方法。

技术介绍

[0002]板坯翘扣头是板带轧制过程中常见的一种现象，严重的板坯翘扣头容易造成“堆钢”事故，冲撞辊道，影响轧制节奏。然而影响翘扣头的因素诸多，且各因素之间相互耦合，作用机理复杂，翘扣头控制方面缺乏成熟的数学模型，在实际生产过程中，大多依赖操作工的经验对板坯翘扣头进行人工调控。
[0003]在过去的几十年中，随着配电控制系统和新测量方法的引入，工业过程数据的记录和收集变得更加普遍。同时，数据挖掘和数据库技术为数据库建模技术在工业过程中的发展和应用提供了重要支撑。通过查看和分析数据中包含的信息，可以将不同的数据库模型集成到工业流程中并对其进行监控。
[0004]作为现代板带轧制领域研究的主流方向，板坯翘扣头控制一直备受关注。由于现场诸多复杂因素给板坯翘扣头精准控制的数学建模增加了难度。板坯在轧制过程中存在大量的非线性影响因素，现有的翘扣头机理控制模型难以准确描述其非线性特性。因此，提出了一种基于数据驱动的热轧翘扣头在线控制方法。

技术实现思路

[0005]本专利技术针对热轧粗轧生产过程中，轧制节奏快、轧制钢种多变的情况下，板坯翘扣头人工控制干预不及时，产生较大翘扣头冲击辊道，甚至发生堆钢事故的问题，提供了一种基于数据驱动的热轧翘扣头在线控制方法，通过所建基于数据驱动的板坯翘扣头回归预测模型以及优化模型，结合所提出的上、下游道次板坯翘扣头控制策略，实时计算各轧制道次雪橇系数调整值，并将本道次雪橇系数调整值下发至粗轧基础自动化控制系统，实现基于数据驱动的热轧板坯翘扣头在线控制目标。
[0006]为解决上述专利技术目的，本专利技术提供的技术方案如下：
[0007]一种基于数据驱动的热轧翘扣头在线控制方法，包括步骤如下：
[0008]S1、现场采集热轧粗轧板坯翘扣头相关工艺参数并进行数据预处理；
[0009]S2、建立板坯翘扣头调控功效自学习模型；
[0010]S3、构建基于数据驱动的板坯翘扣头回归预测模型；
[0011]S4、对下游道次板坯翘扣头回归预测模型进行优化；
[0012]S5、分别建立上、下游道次板坯翘扣头控制策略；
[0013]S6、结合板坯翘扣头控制策略以及回归预测模型计算相应道次雪橇系数值并下发至粗轧基础自动化控制系统，实现热轧粗轧板坯翘扣头自动控制。
[0014]所述步骤S1中采集的热轧粗轧板坯翘扣头相关工艺参数包括：钢种；加热炉炉号；轧制道次号；板坯翘曲高度，单位mm；板坯翘曲长度，单位mm；板坯入口温度，单位℃；板坯上
下表面温差，单位℃；雪翘系数设定值，单位1。
[0015]所述步骤S1中数据预处理具体为：
[0016]采用3σ准则对所采集的热轧粗轧板坯翘扣头相关工艺参数进行预处理，剔除异常数据并进行归一化至[
‑
1,1]区间。
[0017]所述步骤S2中建立板坯翘扣头调控功效自学习模型，包括步骤如下：
[0018]S21、建立板坯翘扣头量与工艺参数间的回归模型：
[0019]Y＝XB
[0020]B＝X
T
V(U
T
XX
T
V)
‑1U
T
Y
[0021]其中，X为工艺参数数据矩阵，
[0022]Y为板坯翘扣头量数据矩阵，
[0023]U，V表示主成分矩阵，U和V为分别对应X和Y所得到的主成分矩阵；
[0024]B为系数矩阵；
[0025]S22、求解系数矩阵B：
[0026][0027]其中，X1为工艺参数变化量矩阵，
[0028]B1是X1的线性回归系数矩阵，
[0029]E为调控功效系数矩阵：
[0030][0031]其中，D
x
为工艺参数变化量标准差组成的对角矩阵，
[0032]D
y
为板坯翘扣头值变化量标准差组成的对角矩阵；
[0033]S23、根据现场实时的检测数据构建各轧制道次板坯翘扣头调控功效自学习模型：
[0034][0035][0036]其中，η
*
为自学习系数更新值，η
′
为自学习系数计算值，η
′
＝E
*
/E
′
，E
*
,E
′
分别为根据现场相邻检测时刻的检测数据计算得到的板坯翘扣头调控功效值，η为上次学习的自学习系数，为自学习模型平滑系数，
[0037]所述步骤S3中构建基于数据驱动的板坯翘扣头回归预测模型，具体模型包含2个预测模型，分别为预测模型1以及预测模型2，预测模型构建步骤如下：
[0038]S31、确定模型输入输出参数：
[0039]S311、预测模型1输入参数为：同一炉次前块钢钢种；加热炉炉号；轧制道次号；同一炉次前块钢板坯翘曲高度，单位mm；同一炉次前块钢板坯翘曲长度，单位mm；同一炉次前块钢入口温度，单位℃；同一炉次前块钢板坯上下表面温差，单位℃；同一炉次前块钢雪翘系数设定值，单位1；
[0040]预测模型1输出参数为：当前块钢各道次板坯翘曲高度值，单位mm；
[0041]S312、预测模型2输入参数为：当前块钢钢种；加热炉炉号；轧制道次号；当前块钢奇/偶数道次相邻上一道次板坯翘曲高度，单位mm；当前块钢奇/偶数道次相邻上一道次板
坯翘曲长度，单位mm；同一炉次当前块钢与前块钢同道次入口温度差，单位℃；同一炉次当前块钢与前块钢同道次板坯上下表面温差的差值，单位℃；当前块钢奇/偶数道次相邻上一道次雪翘系数设定值，单位1；
[0042]预测模型2输出参数为：同一炉次当前块钢与前块钢同道次翘曲高度变化量，单位mm；
[0043]S32、给定输入输出数据集S＝{(x
i
,y
i
)|i＝1,2,
…
,m}，回归预测模型目标函数obj表示为：
[0044][0045]其中，x
i
∈R
m
是m维输入参数，
[0046]y
i
∈R是输出参数，
[0047]k为树个数，
[0048]f
k
(xi)是第k棵树的预测值，
[0049]是损失函数，
[0050]是正则项，ω
j
为叶子节点j的权值，是ω
j
的L2范式模平方，rT
r
为叶子节点个数；
[0051]S33、求解目标函数可得：
[0052][0053]其中，a
i
，b
i
分别是损失函数的一阶导和二阶导；
[0054]S34、设I
j
为第j个叶子节点的样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的热轧翘扣头在线控制方法，其特征在于，包括步骤如下：S1、现场采集热轧粗轧板坯翘扣头相关工艺参数并进行数据预处理；S2、建立板坯翘扣头调控功效自学习模型；S3、构建基于数据驱动的板坯翘扣头回归预测模型；S4、对下游道次板坯翘扣头回归预测模型进行优化；S5、分别建立上、下游道次板坯翘扣头控制策略；S6、结合板坯翘扣头控制策略以及回归预测模型计算相应道次雪橇系数值并下发至粗轧基础自动化控制系统，实现热轧粗轧板坯翘扣头自动控制。2.根据权利要求1所述的基于数据驱动的热轧翘扣头在线控制方法，其特征在于，所述步骤S1中采集的热轧粗轧板坯翘扣头相关工艺参数包括：钢种；加热炉炉号；轧制道次号；板坯翘曲高度，单位mm；板坯翘曲长度，单位mm；板坯入口温度，单位℃；板坯上下表面温差，单位℃；雪翘系数设定值，单位1。3.根据权利要求1所述的基于数据驱动的热轧翘扣头在线控制方法，其特征在于，所述步骤S1中数据预处理具体为：采用3σ准则对所采集的热轧粗轧板坯翘扣头相关工艺参数进行预处理，剔除异常数据并进行归一化至[
‑
1,1]区间。4.根据权利要求1所述的基于数据驱动的热轧翘扣头在线控制方法，其特征在于，所述步骤S2中建立板坯翘扣头调控功效自学习模型，包括步骤如下：S21、建立板坯翘扣头量与工艺参数间的回归模型：Y＝XBB＝X
T
V(U
T
XX
T
V)
‑1U
T
Y其中，X为工艺参数数据矩阵，Y为板坯翘扣头量数据矩阵，U，V表示主成分矩阵，U和V为分别对应X和Y所得到的主成分矩阵；B为系数矩阵；S22、求解系数矩阵B：Y＝XB＝X1B1+VE其中，X1为工艺参数变化量矩阵，B1是X1的线性回归系数矩阵，E为调控功效系数矩阵：其中，D
x
为工艺参数变化量标准差组成的对角矩阵，D
y
为板坯翘扣头值变化量标准差组成的对角矩阵；S23、根据现场实时的检测数据构建各轧制道次板坯翘扣头调控功效自学习模型：S23、根据现场实时的检测数据构建各轧制道次板坯翘扣头调控功效自学习模型：
其中，η
*
为自学习系数更新值，η
′
为自学习系数计算值，η
′
＝E
*
/E
′
，E
*
,E
′
分别为根据现场相邻检测时刻的检测数据计算得到的板坯翘扣头调控功效值，η为上次学习的自学习系数，为自学习模型平滑系数，5.根据权利要求1所述的基于数据驱动的热轧翘扣头在线控制方法，其特征在于，所述步骤S3中构建基于数据驱动的板坯翘扣头回归预测模型，具体模型包含2个预测模型，分别为预测模型1以及预测模型2，预测模型构建步骤如下：S31、确定模型输入输出参数：S311、预测模型1输入参数为：同一炉次前块钢钢种；加热炉炉号；轧制道次号；同一炉次前块钢板坯翘曲高度，单位mm；同一炉次前块钢板坯翘曲长度，单位mm；同一炉次前块钢入口温度，单位℃；同一炉次前块钢板坯上下表面温差，单位℃；同一炉次前块钢雪翘系数设定值，单位1；预测模型1输出参数为：当前块钢各道次板坯翘曲高度值，单位mm；S312、预测模型2输入参数为：当前块钢钢种；加热炉炉号；轧制道次号；当前块钢奇数道次或偶数道次相邻上一道次板坯翘曲高度，单位mm；当前块钢奇数道次或偶数道次相邻上一道次板坯翘曲长度，单位mm；同一炉次当前块钢与前块钢同道次入口温度差，单位℃；同一炉次当前块钢与前块钢同道次板坯上下表面温差的差值，单位℃；当前块钢奇数道次或偶数道次相邻上一道次雪翘系数设定值，单位1；预测模型2输出参数为：同一炉次当前块钢与前块钢同道次翘曲高度变化量，单位mm；S32、给定输入输出数据集S＝{(x
i
,y
i
)|i＝1,2,
…
,m}，回归预测模型目标函数obj表示为：其中，x<...

【专利技术属性】
技术研发人员：徐冬，宋乐宝，闫汇卿，何海楠，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：