一种基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，其特征在于，包括下述步骤：(1)建立已知板形缺陷的标准样本；(2)利用已知标准样本，对支持向量机特征参数识别器进行训练；(3)对实测板形信号进行预处理，获得实测板形缺陷样本；(4)利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数；(5)将板形缺陷特征参数输出到森吉米尔20辊轧机板形调节装置的动作量计算单元。根据本发明专利技术，由于支持向量机的很强的泛化能力，能够提高板形特征参数的识别精度。对于确保整个钢卷长度方向上成品带钢板形的一致性、提高带钢成材率以及轧制过程的稳定性和可靠性具有积极意义。
【技术实现步骤摘要】
本专利技术涉及板带钢材的冷轧领域，具体地，本专利技术涉及一种板带钢材的冷轧过程中的板形控制方法，更具体地，本专利技术涉及一种，根据所述，可以合理地计算出相应的板形调节装置的动作量，从而消除相应的板形缺陷。
技术介绍
板形是冷轧带钢的重要质量指标。冷轧带钢的板形直接影响到汽车、家电、仪表、食品包装等下游行业的生产率、成材率和成本的高低以及产品的外观。硬质带钢由于材料屈服强度大，因而造成其板形难以控制。森吉米尔20辊轧机是冷轧生产中的重要设备，具有牌坊刚度大、工作辊辊径小的特点，最适合冷轧硬质带钢。通·常，森吉米尔20辊轧机主要通过ASU凸度调节、一中间辊窜辊及倾斜进行板形调节，对于轧制过程中出现的中浪、双边浪、边中复合浪、四分之一浪及单边浪均有一定的调节能力。为了计算板形调节装置的动作量，需通过实测的一组张应力分布值0p(i) (i = 1，2，. . .，m)所反映板形缺陷的识别，判别带钢存在的板形缺陷类型。只有板形缺陷识别准确，才能合理地计算出相应的板形调节装置的动作量，从而消除相应的板形缺陷。经典的板形缺陷识别是基于最小二乘法的识别技术。该方法存在辨识精度不高，容错性能较差，抗噪音干扰能力差等问题。针对基于最小二乘法的模式识别方法不足，现有的板形模式识别方法采用人工神经网络(BP网络)，取得一定效果，日本学者将该技术应用到森吉米尔20辊轧机上。人工神经网络具有很强的非线性逼近能力，因此被广泛应用到工业过程中。但是，人工神经网络存在训练速度慢、容易陷入局部最优、过拟和现象以及泛化能力不能令人满意等问题。另外，人工神经网络要求训练样本数目越多越好，而在大多数情况下，样本数据是有限的。上述的缺点限制了神经网络在板形缺陷识别中的应用效果。在现有的森吉米尔20辊轧机板形控制中，带钢的实际板形是由测张式板形仪进行测量的。测张式板形仪检测得到一组带钢横向上的张应力分布值σρ，将带钢横向上的张应力分布值σρ与目标板形值％相比较。如果Op= Qs，则表示实际带钢板形与给定的带钢板形一致，板形满足要求质量要求。如果不相等，说明存在板形偏差Λ σρ= σ3-0ρ。为了准确判断板形偏差属于那一类板形缺陷以及隶属程度，必须进行板形缺陷的模式识别。一般地，根据森吉米尔20辊轧机的板形控制技术、工艺实况及控制的要求，定义N种简单的板形缺陷模式作为基本模式，那么模式识别的结果就是板形偏差分布△ σ所反映的板形缺陷，是属于某一种基本模式或是几种基本模式的组合。板形缺陷的基本模式可以分为六种，即左边浪(a)、右边浪(b)、中浪(C)、边浪(d)、四分之一浪(e)、边中复合浪(f),如图 I (a)-(f)所示。在图I中，横轴为归一化的板宽方向，并取板宽中心为坐标原点，纵轴指归一化后的板形偏差数值。选择勒让德多项式表示板形缺陷的六种基本模式。则图I (a)所示的左倾斜的标准归一化方程Y1 = X图I (b)所示的右倾斜的标准归一化方程J2 = -X图I (c)所示的中浪的标准归一化方程权利要求1.一种，其特征在于，所述方法包括下述步骤 (1)首先建立已知板形缺陷的标准样本； (2)利用已知的标准样本，对支持向量机特征参数识别器进行训练； (3)对实测的板形信号进行预处理，获得实测板形缺陷样本； (4)利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数； (5)将板形缺陷特征参数输出到森吉米尔20辊轧机板形调节装置的动作量计算单元。2.如权利要求I所述的基于支持向量机的的森吉米尔20辊轧机板形缺陷识别方法，其特征在于，在(I)的建立已知板形缺陷的标准样本的步骤中，所述已知板形缺陷由基本板形缺陷模式进行线性组合而成。3.如权利要求2所述的基于支持向量机的的森吉米尔20辊轧机板形缺陷识别方法，其特征在于，所述已知板形缺陷的标准样本如下表I :4.如权利要求I或3所述的，其特征在于，标准样本的结构为{(Xij，yik), i = 1,2, .“,44 ； j = 1,2, .“，20 ；k = 1,2,3}， 其中， 输入样本Xij e (-1，I)为第i个已知板形缺陷分布Λ σ在位置j处的已知板形缺陷大小， yik e (-1，I)为第i个已知板形缺陷分布Λ σ关于第k个板形缺陷基本模式的特征参数， 当i = I时，{(Xlj，ylk) ；j = 1,2, -,20 ；k = 1,2,3}对应表I中的第I行的输入输出样本的大小，5.如权利要求I所述的，其特征在于，在(2)的利用已知标准样本，对支持向量机特征参数识别器进行训练的步骤中，对支持向量机特征参数识别器进行训练，求出支持向量和非线性最优回归函数； 支持向量机标准输入样本Xj，j = 1，2,-.,20作为支持向量机特征参数识别器的输入， 特征参数识别器的输出为板形缺陷基本模式的特征参数yk，k= 1,2,3； 首先，确定支持向量机参数 支持向量机中的非线性函数中的an，bn ;非线性函数6.如权利要求I或5所述的，其特征在于，将上述训练好的支持向量机特征参数，即参数ali; a2i； a3i和bl, b2, b3识别器用于对板形实测信号的板形缺陷模式识别； 支持向量机特征参数识别器的输入为板形实测信号，经过支持向量机特征参数识别器的计算，输出准确的板形缺陷特征参数。7.如权利要求I或6所述的，其特征在于，在(3)的对实测的板形信号进行预处理，获得实测板形缺陷样本的步骤中， 1)对实测的板形信号进行滑动平均处理，得到平滑的实测板形数据；8.如权利要求I所述的，其特征在于，在(4)的利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数的步骤中，利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数； 将实测板形缺陷样本R作为训练好的支持向量机模式识别器的输入，获得一组对应的输出，即板形缺陷的特征参数。全文摘要一种，其特征在于，包括下述步骤(1)建立已知板形缺陷的标准样本；(2)利用已知标准样本，对支持向量机特征参数识别器进行训练；(3)对实测板形信号进行预处理，获得实测板形缺陷样本；(4)利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数；(5)将板形缺陷特征参数输出到森吉米尔20辊轧机板形调节装置的动作量计算单元。根据本专利技术，由于支持向量机的很强的泛化能力，能够提高板形特征参数的识别精度。对于确保整个钢卷长度方向上成品带钢板形的一致性、提高带钢成材率以及轧制过程的稳定性和可靠性具有积极意义。文档编号B21B37/28GK102886384SQ20111020221公开日2013年1月23日 申请日期2011年7月19日 优先权日2011年7月19日专利技术者徐江华, 宿德军, 李山青, 陈军 申请人:宝山钢铁股份有限公司本文档来自技高网...
【技术保护点】
一种基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，其特征在于，所述方法包括下述步骤：(1)首先建立已知板形缺陷的标准样本；(2)利用已知的标准样本，对支持向量机特征参数识别器进行训练；(3)对实测的板形信号进行预处理，获得实测板形缺陷样本；(4)利用已训练好的支持向量机，根据实测板形缺陷样本，得到板形缺陷基本模式的特征参数；(5)将板形缺陷特征参数输出到森吉米尔20辊轧机板形调节装置的动作量计算单元。
【技术特征摘要】
【专利技术属性】
技术研发人员：徐江华，宿德军，李山青，陈军，
申请(专利权)人：宝山钢铁股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。