CN101334636A - 一种矫直机工艺参数选择的方法 - Google Patents

Abstract

本发明公开了一种矫直机工艺参数选择的方法，BIO－SVR算法，包括步骤：通过分析钢板样本组成，将样本学习问题描述为一个带限制条件的函数拟合问题；基于所述样本学习过程中的增量性、批量性和在线性，确定满足样本学习三大特性的学习算法；基于所述确定的样本学习算法，结合钢板样本组成，确定矫直机工艺参数的选择。基于该方法的矫直机工艺参数选择系统包括光学成像采集系统，视频采集和板形信息获取系统，以及工艺参数选择系统。本发明由于采用了BIO－SVR算法，克服了现有的插值法、神经网络法和SVR算法的缺点，具有增量性、批量性和在线性三大特性，并在实际应用中以误差小，稳定性高，系统开销小等优势取得了良好的效果。

Description

一种矫直机工艺参数选择的方法

技术领域

本发明涉及一种基于人工智能的自动学习和自动控制方法，并且具体涉及一种满足样本学习增量性、批量性和在线性三大特性的矫直机工艺参数选择方法，特别涉及一种矫直机工艺参数选择的方法。

背景技术

当前各个工业行业对原料板材的平直度提出的要求越来越高，而在板材生产过程中板材平直度的调节由矫直环节完成。在带材的矫直过程中，对平直度的精度起决定性作用的设备是连续式拉伸弯曲矫直机。连续式拉伸弯曲矫直机通过对板材进行拉伸和弯曲变形，在弯曲应力和拉伸应力的共同作用下，使板材纵向纤维延伸，从而达到消除板材原有波浪和翘曲，提高板材平直度的目的。由于能耗小、精度高、适用范围广，连续式拉伸弯曲矫直机现已广泛应用于钢带、铜带、铝带等薄带材的生产中。

随着自动控制技术的发展，矫直机地控制系统实现了一定程度的自动化，但现有关于矫直机自动化的研究主要集中在使用PLC控制电路代替工人的手工操作上。然而板材矫直过程中矫直机各项工艺参数的选择，才是决定矫直后板材质量的核心因素。而关于矫直机工艺参数自动化选择的研究在国内尚属空白，实际生产中通常由操作人员凭个人经验和机械矫直理论对工艺参数进行配置。这种配置方法受太多人为因素限制(如专家个人经验积累状况，肉眼对板型测量的精度等等)，从而很难再进一步提高板材平直度和矫直机控制的自动化程度。

支持向量机、遗传算法、神经网络等人工智能算法的先后出现，为矫直机工艺参数的自动化选择提供了理论依据；同时通过板形检测系统和矫直机PLC控制电路可以从工厂实际生产过程中收集到足够的样本，为矫直机工艺参数的自动化选择提供了实验基础。在对经典支持向量机回归算法改进的基础上，结合工厂实际矫直过程，发明了一种基于智能化样本学习算法的矫直机参数选择方法。该方法完成了样本学习和参数选择两大功能：一方面，从大量样本中提取用于工艺参数选择的知识，并将这些知识以一定形式组成知识库；另一方面，系统以提取的知识为依据，为当前待矫直的板材选择一组最适合工艺参数。

发明内容

本发明的目的在于克服上述现有技术不足，提供一种矫直机工艺参数选择的方法，该方法提高控制精度且在一定程度上实现矫直机的半自动化控制；同时参数选择模型的提出为操作工人提供了存储和传播其控制经验的平台，以解决矫直机的新老操作人员的更替问题。

本发明的技术方案是这样实现的：

1)对于一组工艺参数的五个分量，矫直张力取值范围在0～40之间，1#弯曲辊压下量、1#矫直辊压下量、2#弯曲辊压下量、2#矫直辊压下量取值范围都在0～8之间，各参量都精确到0.1，因此用9位二进制数对矫直张力值进行编码，其余四个分量的值分别用7位二进制数进行编码，从而每一组参数可以用9+7*4＝37位二进制数表示，即一个染色体，所有参数的组合则构成了一个二进制的染色体空间；

2)在染色体空间通过matlab的随机函数随机产生一代，200个，初始染色体群；

3)对每个染色体使用XX算法得到的拟合函数进行适应度评价，适应度为通过BIO-SVR算法得到的出口平直度预测值；

4)用评价进行选择，由于平直度即适应度越小说明钢板越平，选择平直度小于10的染色体留下，其他淘汰；

5)根据遗传算法，对选中的染色体进行交叉和变异，交叉概率0.6，变异概率0.01；

6)在变异过的新一代染色体群中继续用BIO-SVR算法进行评价，选取其中适应度最好的染色体，即出口平直度预测值最小的染色体，判断该染色体适应度是否小于4；

7)是，则流程结束，通过对最好染色体解码，返回最佳工艺参数；不是，返回2步继续。

所述BIO-SVR算法具体包括：

1)从板形信息获取装置获取入口板形平直度信息，该信息与操作工人输入的屈服极限，钢板厚度，钢板批次号共同构成待预测的样本；

2)根据第一步获取的钢板批次号判断当前样本是否是其所在样本批次的第一个样本；

3)判断结果为是的话，计算最近10批历史样本和当前待预测样本的相似度权值，计算方法为：使用历史样本中某批次样本构建SVR学习机，用此学习机对当前预测样本进行预测并求预测误差e，如果误差e大于0.5，相似度权值p设置为0；误差e小于0.1，相似度权值p设置为1；误差大于0.1而小于0.5则相似度权值p＝1-2.5(e-0.1)，根据相似度的定义，相似度权值p＝1表示该批次样本和当前预测样本相似度大，将相似度等于1的历史样本组成训练集合，通过SVR算法得到一个学习机，并用该学习机替换原来的SVR学习机；

4)使用当前工作的SVR学习机对当前待预测样本进行预测，算法最终得到经验知识形式为一个拟合函数 $f\left(x\right)=\underset{x\∈\mathrm{SV}}{\mathrm{\∑}}(a_i-a_i^{*})K(x_i,x_j)+b,$ 该函数的参数包括支持向量集SV中n个样本点对应的两个参数α_i和α_i ^*，以及参数b。所以记录这个函数就等价于记录这2n+1个参数；

5)用第一步的方法获取样本运行后的实际值，也就是实际的出口平直度，和第四步用SVR学习机预测的出口平直度结果进行比较，并求出预测误差，判断预测相对误差是否大于0.1％；

6)预测相对误差如果大于0.1％则将当前样本加入到训练集合中重新建立学习机，并用新学习机替代当前工作的学习机；

7)根据第一步获得的样本批次号判断当前样本是否是其所在样本批次的最后一个样本；

本发明由于采用了BIO-SVR算法，克服了现有的插值法、神经网络法和SVR算法的缺点，具有增量性、批量性和在线性三大特性，并在实际应用中以误差小，稳定性高，系统开销小等优势取得了良好的效果。

附图说明

图1是本发明参数选择装置的硬件连接关系。

图2是本发明矫直机参数选择过程样本的组成结构图。

图3是本发明BIO-SVR算法预测过程的流程图。

图4是本发明参数选择的用例图。

图5是本发明参数选择的数据流图。

图6是本发明参数选择的核心工作流程图。

图7是四种参数选择方法的平均误差比较图表

图8是应用本参数选择方法得到的矫直后板材平直度示意图

下面结合附图对本发明的内容作进一步详细说明。

具体实施方式

如图1所示，本发明硬件由两大部分组成：光学成像采集系统和PC机。其中PC机上集成了视频采集和板形信息获取系统与工艺参数选择系统。而工艺参数选择系统是本发明的核心部分。

光学成像采集系统用于测量出入口的板形平直度信息，并以视频模拟信号形式进行输出；视频采集和板形信息获取系统对采集到的图像信息进行数字化，并通过激光三角测量法对板形平直度信息进行量化；工艺参数选择系统可以自动学习经验知识(主要来源于工人常年积累的操作经验，以产生式形式存储于知识数据库中)，使用BIO-SVR算法对入口平直度和出口平直度的关系进行拟合，再将拟合结果作为遗传算法的输入进行矫直机工艺参数的选取。

1)光学成像采集装置进一步包括激光成像单元、宽电压稳压电源单元，可调焦距摄像单元，遮光罩单元和控制显示单元。

控制显示单元，包括开关模块，交流电压表模块和直流电压表模块；其中开关模块为宽电压稳压电源单元和墙电之间提供开关，控制系统电源的通断；其交流电压表连接墙电的输出，显示交流电源数值；其直流电压表连接宽电压稳压电源的5V和12V输出并进行显示。

宽电压稳压电源单元，其输出电源线分别连接至激光成像单元和摄像单元的电源输入端口，为激光头提供5V电压，同时为摄像头提供12V电压；

激光成像单元，产生4路互相平行的测量激光束，且激光入射面与钢板必须成一定倾斜角度，根据激光三角测量原理测量钢板平直度；

可调焦距摄像单元，由两个摄像头组成，每个摄像头拍摄半边板形图像，两个图像拼接起来刚好构成整个板材的图像信息，该单元输出板形图像的模拟视频信号，通过BNC接口连接至视频采集卡；

遮光罩单元，具有隔离厂房强光源干扰的功能，其宽度应大于钢板宽度；上述控制显示单元、激光成像单元、宽电压稳压电源单元，可调焦距摄像单元皆固定于遮光罩单元。

2)视频采集和板形信息获取系统进一步包括视频采集卡单元和视频信息处理单元。

视频采集卡单元的型号为海康威视DS-4000HC，采用PCI接口，输入端口与光学成像采集装置中可调焦距摄像单元的输出端口相连，

视频信息处理单元将RGB颜色空间变换到YUV颜色空间，运用边缘提取技术获得数字化的激光图像信息，并根据激光三角测量原理计算板形平直度，其输出的平直度信息输出至工艺参数选择装置。

3)工艺参数选择系统进一步包括样本学习模块，参数选择模块，样本库和知识库查阅模块。

样本学习模块，从样本库获取最近的一个样本数据，通过学习后，将更新后的知识存入知识库；样本学习模块采用BIO-SVR算法对样本进行训练，得到入口板形和出口板形平直度关系的拟合函数 $f\left(x\right)=\underset{x\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_j)+b$ ，即完成了一次学习过程，并将更新得到的知识存储到知识库中。

参数选择模块，根据知识库中的知识，板形信息以及工人输入的板材属性信息选择合适的工艺参数进行输出；参数选择模块将板形入口平直度信息以及工人输入的屈服极限，钢板厚度，钢板批次号等板材属性信息作为一个样本存入样本库中，并根据该样本特点查找知识库中的合适知识，从而确定合适的工艺参数进行输出。

样本库和知识库查阅模块，在人机界面上显示历史样本数据库中存放的所有收集到的样本和知识库中存储的用于参数选择的知识；知识库查阅模块和样本库查阅模块用数据库查询方式提供人机交互接口，支持用户对知识库和样本库的查阅。

接下来重点介绍工艺参数选择系统的实施方案。

本发明的矫直机工艺参数选择是对操作工人凭个人经验进行的参数选择过程的建模，因此工艺参数选择系统应该具有以下两个主要功能：

知识获取功能：获取并存储操作人员用于参数选择的经验知识。操作人员是凭借个人经验进行工艺参数选择的。随着各种人工智能算法的发展，可以利用人工智能算法将操作人员的个人经验以一定的数学形式表示，并建立知识库将这些数字化的经验知识存储起来。

参数选择功能：使用存储的经验知识，结合板形检测系统获得的板材平直度数据为待矫直板材选择一组最合适的工艺参数。知识库建立以后，根据一定的算法可以得到板材平直度和最佳工艺参数之间的映射关系，使用这个映射关系可以将不同的板材平直度映射到最适合该平直度的工艺参数。

工艺参数选择系统的两个功能是相辅相成的，知识获取功能是参数选择功能的基础，而参数选择功能是知识获取功能的目的。而通过知识获取功能建立的知识库的形式决定了参数选择的算法，且知识库中知识的精确程度决定了参数选择的效果，故两大功能中以知识获取功能更为重要。

参照图2所示，矫直机参数选择过程样本(简称样本)作为经验知识的来源，包含了操作人员对板材板形的判断，对机器功能、工作环境等信息的了解，以及操作人员自身具备的与参数选择相关的理论知识。样本由以下三部分组成：

(1)入口平直度：由板形检测仪器在矫直机入口处获得的板形，由于工业测量通常使用平直度来表示板形，故称为入口平直度。入口平直度定量化描述了矫直前板材的板形的好坏，单位为I。

(2)工艺参数组：一组可调的机械控制参数，通过矫直机PLC电路获得。工艺参数组根据矫直机的型号不同而有所不同，通常使用的两弯两矫的拉伸弯曲矫直机的工艺参数组具有五个参数，分别是矫直张力(单位：N/mm2)、1#弯曲辊压下量(单位：mm)、1#矫直辊压下量(单位：mm)、2#弯曲辊压下量(单位：mm)、2#矫直辊压下量(单位：mm)，简记为“一个张力四个压下量”。

(3)出口平直度：由板形检测仪器在矫直机入口处获得的板形，由于工业测量通常使用平直度来表示板形，故称为出口平直度。出口平直度定量化描述了矫直后板材的板形的好坏，单位为I。

参照图3所示，本发明算法满足样本学习过程中的增量性、批量性和在线性。具体解释如下：增量性：样本并非一次性全部收集得到，而是在一段很长的时间内间断性的收集得到。在实际工作中矫直机一般24小时连开，大约每隔20分钟可以收集得到一个样本。因此样本学习算法必须能够对间断性到来的样本进行学习。批量性：样本分批次，每一批样本具有相同的特性。即使是同种型号的板材在轧制过程中也是分批进行的，而每一批板材轧制环境都不完全相同，故同一批次的样本具有相同的特性，不同批次的样本特性相近但不完全相同。样本学习算法必须能够对分批次的样本进行学习，且学习效果要最贴近当前批次的样本的特性。在线性：每收集到一个样本，就要在不停机的情况下立刻对该样本进行学习，且学习效果将作用于下一卷钢板的工艺参数选择中；参数选择系统按照：学习样本→选择参数→学习样本→选择参数的顺序交替进行。

为了能够同时解决批量性、增量性、在线性的问题，本发明提出了BIO-SVR样本学习算法，思路如下：

选择历史样本集合中和当前预测的样本的相似度大的样本通过SVR算法建立初始学习机；当一个新的待预测样本到来时，计算初始学习机对新样本的预测值和实际值之间的误差；误差小于等于一定值的话，就将初始学习机作为当前工作的学习机；误差大于一定程度的话就将新样本加入到训练集合中，利用SVR算法重建学习机，用这个新建的学习机作为当前工作的学习机。

从算法的思路可以看出，对任意一个新的待预测样本都要选择历史样本库中的相似样本建立初始学习机，这样计算量较大。根据批量性，同一批次的样本具有相同的特性，所以当新的一批待预测样本到来时，可以使用该批第一个样本选择历史样本库中的相似样本建立初始学习机，并将该学习机作为同批其他待预测样本的初始学习机。

算法中的相似度的计算方法为：使用历史样本中某批次样本构建SVR学习机，用此学习机对当前预测样本进行预测并求预测误差e。如果误差e大于0.5，相似度权值p设置为0；误差e小于0.1，相似度权值p设置为1；误差大于0.1而小于0.5则相似度权值p＝1-2.5(e-0.1)。根据相似度的定义，相似度权值p＝1表示该批次样本和当前预测样本相似度大。

随着样本的收集，历史样本将越来越多，历史样本库中各批样本和当前待预测样本的相似度的计算量也越来也大。为了避免算法效率下降，同时离当前样本越近的历史样本和当前样本相似度大的可能性越大，因此历史样本库中只保存最近的10批历史样本。

该算法包含以下具体步骤：

(1)从板形信息获取装置获取入口板形平直度信息，加上工人输入的屈服极限，钢板厚度，钢板批次号等共同构成待预测的样本。

(2)根据第一步获取的批次号判断当前样本是否是其所在样本批次的第一个样本。

(3)判断结果为是的话，计算最近10批历史样本和当前待预测样本的相似度权值，计算方法为：使用历史样本中某批次样本构建SVR学习机，用此学习机对当前预测样本进行预测并求预测误差e。如果误差e大于0.5，相似度权值p设置为0；误差e小于0.1，相似度权值p设置为1；误差大于0.1而小于0.5则相似度权值p＝1-2.5(e-0.1)。根据相似度的定义，相似度权值p＝1表示该批次样本和当前预测样本相似度大。将相似度等于1的历史样本组成训练集合，通过SVR算法得到一个学习机，并用该学习机替换原来的当前工作的SVR学习机。

(4)使用当前工作的SVR学习机对当前待预测样本进行预测，算法最终得到经验知识形式为一个拟合函数 $f\left(x\right)=\underset{x\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_j)+b.$ 该函数的参数包括支持向量集SV中n个样本点对应的两个参数α_i和α_i ^*，以及参数b。所以记录这个函数就等价于记录这2n+1个参数。

由于实际矫直机中所运行的板材的基本属性(如材料，厚度)有多种，不同类的板材学习的经验知识要分别记录，所以每一种属性的板材对应一组参数。

(5)用第(1)步的方法获取样本运行后的实际值，也就是实际的出口平直度，和第(4)步用SVR学习机预测的出口平直度结果进行比较，并求出预测误差，判断预测相对误差是否大于0.1％。

(6)预测相对误差如果大于0.1％则将当前样本加入到训练集合中重新建立学习机，并用新学习机替代当前工作的学习机。

(7)根据第(1)步获得的样本批次号判断当前样本是否是其所在样本批次的最后一个样本。

(8)判断结果为是的话更新历史样本库，然后本次预测过程结束。

从BIO-SVR算法的步骤可以看出，步骤(2)和(3)通过和待预测样本相似度大的历史样本建立了用于预测的学习机，体现了样本学习过程的批量性；步骤(4)利用此学习机得到了预测值，完成了样本预测任务；步骤(5)和(6)对每一个新样本都可能更新用于预测的学习机，体现了样本学习过程的应具有的增量性和在线性；步骤(7)和(8)动态更新历史样本库，使样本库只保留10批最近样本，从而保证了数据的新鲜性及算法的计算量不会过大。

BIO-SVR算法的提出解决了矫直机工艺参数选择算法的样本学习问题，本发明在此基础上又给出使用BIO-SVR算法获得的经验知识进行工艺参数选择的算法。

常用的两弯两矫的矫直机的工艺参数组包含5个工艺参数：矫直张力(单位：N/mm²)、1#弯曲辊压下量(单位：mm)、1#矫直辊压下两(单位：mm)、2#弯曲辊压下量(单位：mm)、2#矫直辊压下量(单位：mm)。这五个参数可以简记为一个张力和四个压下量，其中张力的取值范围在[0，40]之间，压下量的取值范围在[0，8]之间。参数的取值范围的叉积构成一个五维的状态空间[0，40]×[0，8]⁴，状态空间中的任一个五维向量都对应一组工艺参数。参数选择问题的本质就是根据一定的评判条件在状态空间中搜索最优解，而这个评判条件来源于从BIO-SVR算法获得的经验知识。

BIO-SVR算法获得的经验知识的表现形式是(入口平直度，工艺参数)→出口平直度的映射关系。在当前待矫直的板材的入口平直度是一定的情况下，这个映射关系可以反映出工艺参数选择的好坏。例如要比较两组工艺参数p1，p2的优劣，如果通过板形检测系统得到当前待矫直的板材的入口平直度为ρin，那么通过映射(ρin，p1)→ρ1，(ρin，p2)→ρ2可以得到两组工艺参数下出口平直度的预测ρ1和ρ2，如果ρ1＞ρ2，即第一组参数下矫直后的板形比第二组参数下矫直后的板形差(出口平直度越小表示板形越好)，则说明p1比p2差。由此可见，完全可以使用通过映射关系预测得到的出口平直度作为搜索最优解的评价条件。

工艺参数选择算法以BIO-SVR算法为基础，是一种带有评价条件的状态空间搜索算法，其唯一的评价条件是通过BIO-SVR算法预测的出口平直度，其搜索的过程不具备导数等指导条件，也没有特定的起始点。如果将以上对搜索算法的要求和遗传算法的特定进行对比可以发现，遗传算法完全符合以上的要求，因此选择遗传算法作为最优参数搜索算法，而遗传算法需要的适应度由BIO-SVR算法得到的出口平直度预测值充当。

工艺参数选择算法的步骤如下：

1)对于一组工艺参数的五个分量，矫直张力取值范围在0~40之间，1#弯曲辊压下量、1#矫直辊压下量、2#弯曲辊压下量、2#矫直辊压下量取值范围都在0~8之间，各参量都精确到0.1，因此用9位二进制数对矫直张力值进行编码，其余四个分量的值分别用7位二进制数进行编码，从而每一组参数可以用9+7*4＝37位二进制数表示，即一个染色体，所有参数的组合则构成了一个二进制的染色体空间；

2)在染色体空间通过matlab的随机函数随机产生一代，200个，初始染色体群；

3)对每个染色体使用XX算法得到的拟合函数进行适应度评价，适应度为通过BIO-SVR算法得到的出口平直度预测值；

4)用评价进行选择，由于平直度即适应度越小说明钢板越平，选择平直度小于10的染色体留下，其他淘汰；

5)根据遗传算法，对选中的染色体进行交叉和变异，交叉概率0.6，变异概率0.01；

6)在变异过的新一代染色体群中继续用BIO-SVR算法进行评价，选取其中适应度最好的染色体，即出口平直度预测值最小的染色体，判断该染色体适应度是否小于4；

7)是，则流程结束，通过对最好染色体解码，返回最佳工艺参数；不是，返回2步继续。

从上面的步骤可以看出，算法只有在搜索得到的染色体组中适应度最好的染色体满足误差要求的情况下才在第7步终止，但是为了使算法能够在有限时间内结束，必须加入另一个算法的终止条件：在算法开始前设定进化代数，当达到设定值时如果种群中最优染色体仍达不到理想的适应度时则返回最后一代中的适应度最大的解作为次优解。算法的流程图如图5。

参照图4所示，所述系统包括样本学习模块、参数选择模块、样本库查询模块和知识库查询模块。本系统的主要功能是利用从历史样本中提取的经验知识，为每一卷板材选择一组最合适的工艺参数。因此参数选择模型的主要功能需求是完成历史样本的学习和工艺参数的选择任务；同时为了方便模型和操作人员进行交互，模型也需要具有为操作人员提供查阅模型内部数据信息的功能。

参照图5所示，数据流图可以描述矫直机工艺参数选择系统与外部实体的数据交互以及系统内部的数据流动情况，对于界定模型边界和模块划分有重要作用，下面根据数据流图对参数选择模型进行分析，使用两层数据流图来描述参数选择的数据流动情况。图5的0层数据流图界定了系统的边界。系统和两个外部实体有数据流动：系统从板形检测系统中得到出入口的板形数据，从操作人员获得板材的属性信息；系统给操作人员提供最适合当前待矫直板材的一组工艺参数，同时允许操作人员查询历史样本数据以及知识库中的知识。图5的1层数据流图是0层数据流图的分解。参数选择装置的主要功能被分解为4个数据模块：

(1)参数选择模块：该数据加工从板形检测系统中获取当前待矫直板材的信息，从知识库中获得用于选择参数的经验知识，通过人机界面给操作人员显示一组工艺参数；

参数选择子模块对应的类为Work类，下面是Work类的设计：

Work类功能：为一组入口板材信息选择一组合适的工艺参数，并保存当前样本。

Work类的接口方法如表1：

表1Learn类的接口方法

(2)样本学习模块：该数据加工从样本库获取最近的一个样本数据，通过学习后，将更新后的知识存入知识库；

样本学习子模块对应的类为Learn类，下面是Learn类的设计：

Learn类功能：完成一个样本的一次学习。

Learn类的接口方法如表2：

表2Learn类的接口方法

(3)样本库查阅模块：该数据加工从样本库中获得所有样本数据，并将这些数据经过整合后通过人机界面显示给操作人员。

样本库SDB中只有一张表SwatchTable，存储了从矫直机现场工作环境中收集到的所有样本，SwatchTable表有11个字段，如表3所示。

表3SwatchTable表的字段设计

表3中的批次号用每个批次第一个样本的到来时间组成的字符串表示。如某批次号为“200804010914”表示该批次第一个样本于2008年4月10日9：14收集到。

设计SDB后，为了完成对SDB的数据存取，下面设计SDBCtrl类：由于历史样本数据都要保留，所以SDBCtrl类只具有插入样本，查找样本的功能，表4给出了SDBCtrl类的接口方法：

表4SDBCtrl类的接口方法

(4)知识库查阅模块：该数据加工从知识中获得当前经验知识数据，并将这些数据通过人机界面显示给操作人员。

知识库RDB必须根据库中所存的知识规则的形式来设计。算法最终得到经验知识形式为一个拟合函数 $f\left(x\right)=\underset{x\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_j)+b.$ 该函数的参数包括支持向量集SV中n个样本点对应的两个参数α_i和α_i ^*，以及参数b。所以记录这个函数就等价于记录这2n+1个参数。

由于实际矫直机中所运行的板材的基本属性(如材料，厚度)有多种，不同类的板材学习的经验知识要分别记录，所以每一种属性的板材对应一组参数。

依据上面的分析，先实现各层间传递知识规则的实体类Rule。

实体类Rule的一个对象代表着一条知识规则，下面接着设计存储规则的数据库，由于各类板材的参数组要分开存放且α_i和α_i ^*参数组不定长，所以建立两张表，表SwatchAttribute存储分类信息和参数b，表SwatchAttribute的每一条记录都对应着一张SwatchRule表用来存储不定长的参数组，它们的关系是一对多的关系，在表SwatchAttribut使用一个字段SwatchRule来记录每条记录对应的SwatchRule表的名称。根据BIO-SVR算法的要求，样本学习过程需要前10批的历史样本分别训练后的知识规则，所以建表HSwatchRule来存放这些历史样本的知识规则参数。

在设计知识库RDB后，接着设计数据库存取类RDBCtrl类。

RDBCtrl类需要包含以下的一些的接口方法见表5：

表5SDBCtrl类的接口方法

从四个数据加工的输入输出可以看出，参数选择模型内部数据流动最大的特点是数据加工彼此之间没有直接的数据流动，数据的传递主要依靠两个数据库(样本库和知识库)来进行。

参照图6所示，由于本发明算法核心工作过程是交替进行的样本学习操作和参数选择操作，可以使用算法核心工作过程的流程图作为参数选择的动态流程的描述。

样本学习操作和参数选择是两个原子操作，为了保证在学习或参数选择操作未完成前模型不响应操作人员发出的停止消息，模型需要设立一个标志变量StopFlag来保存停止消息。起始时标志变量StopFlag被置为0，当模型收到停止消息后，就把标志变量StopFlag置为1，在当前学习或参数选择操作完成后立刻对StopFlag进行判断，如果StopFlag＝1则退回到控制台，工作过程结束。

图6中总工作流程被虚线分为两个部分，虚线左边夹在两个标志变量StopFlag的判断之间的操作流是参数选择流程，其中的“使用基于BIO-SVR算法的参数选择算法为待矫直板材选择工艺参数”操作可以进一步扩展为图3描述的基于参数选择算法的流程图；虚线右侧的操作流描述了样本学习的流程，其中的“使用BIO-SVR算法对该样本进行学习”操作可以进一步扩展成图3算法的流程图。左侧的参数选择操作和右侧的样本学习操作交替循环，循环退出的唯一条件是标志变量StopFlag的判断，即在参数选择和样本学习开始前都对StopFlag进行判断，如果StopFlag等于1则总工作流程结束。

参照图7所示，试验选取50个样本中的“入口平直度”按顺序分别使用四种参数选择算法进行工艺参数选择，然后分别求取它们与标准工艺参数之间的误差，最后将50个样本的误差求平均进行比较，从图7中可以看出，本发明提出的基于BIO-SVR算法的参数选择方法的平均误差最小，且满足样本学习过程三大特性。故在唐山钢铁厂重卷线上的矫直机工艺参数选择问题上，基于BIO-SVR的参数选择方法在四种智能化参数选择算法的效果最佳。

为了验证本发明提出的参数选择模型的实用性，需要将该方法得到的工艺参数用于实际生产的矫直机控制电路调节中，并将在此工艺参数调节下得到的矫直后板材的平直度和出厂规格要求的平直度进行比较。

参照图8所示，根据重卷线出场规格要求，重卷后的板材的平直度应该8(I)以下，从图8可以看出，应用本参数选择模型得到的矫直后板材平直度基本处于3~4(I)之间，完全符合出厂规格，故本参数选择系统可以应用于实际生产中。

Claims (2)

1.一种矫直机工艺参数选择的方法，对输入的视频板形平直度信息和工人输入的板材属性信息进行样本学习，不断用新知识更新知识库，并用知识库中的知识选择合适的矫直机工艺参数，所述方法步骤如下：

1)对于一组工艺参数的五个分量，矫直张力取值范围在0～40之间，1#弯曲辊压下量、1#矫直辊压下量、2#弯曲辊压下量、2#矫直辊压下量取值范围都在0～8之间，各参量都精确到0.1，因此用9位二进制数对矫直张力值进行编码，其余四个分量的值分别用7位二进制数进行编码，从而每一组参数可以用9+7*4＝37位二进制数表示，即一个染色体，所有参数的组合则构成了一个二进制的染色体空间；

2)在染色体空间通过matlab的随机函数随机产生一代，200个，初始染色体群；

3)对每个染色体使用XX算法得到的拟合函数进行适应度评价，适应度为通过BIO-SVR算法得到的出口平直度预测值；

4)用评价进行选择，由于平直度即适应度越小说明钢板越平，选择平直度小于10的染色体留下，其他淘汰；

5)根据遗传算法，对选中的染色体进行交叉和变异，交叉概率0.6，变异概率0.01；

6)在变异过的新一代染色体群中继续用BIO-SVR算法进行评价，选取其中适应度最好的染色体，即出口平直度预测值最小的染色体，判断该染色体适应度是否小于4；

7)是，则流程结束，通过对最好染色体解码，返回最佳工艺参数；不是，返回2步继续。

2.根据权利要求1所述的方法，其特征在于，所述BIO-SVR算法具体包括：

1)从板形信息获取装置获取入口板形平直度信息，该信息与操作工人输入的屈服极限，钢板厚度，钢板批次号共同构成待预测的样本；

2)根据第一步获取的钢板批次号判断当前样本是否是其所在样本批次的第一个样本；

3)判断结果为是的话，计算最近10批历史样本和当前待预测样本的相似度权值，计算方法为：使用历史样本中某批次样本构建SVR学习机，用此学习机对当前预测样本进行预测并求预测误差e，如果误差e大于0.5，相似度权值p设置为0；误差e小于0.1，相似度权值p设置为1；误差大于0.1而小于0.5则相似度权值p＝1-2.5(e-0.1)，根据相似度的定义，相似度权值p＝1表示该批次样本和当前预测样本相似度大，将相似度等于1的历史样本组成训练集合，通过SVR算法得到一个学习机，并用该学习机替换原来的SVR学习机；

4)使用当前工作的SVR学习机对当前待预测样本进行预测，算法最终得到经验知识形式为一个拟合函数 $f\left(x\right)=\underset{x\∈\mathrm{SV}}{\mathrm{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_j)+b,$ 该函数的参数包括支持向量集SV中n个样本点对应的两个参数α_i和α_i ^*，以及参数b。所以记录这个函数就等价于记录这2n+1个参数；

5)用第一步的方法获取样本运行后的实际值，也就是实际的出口平直度，和第四步用SVR学习机预测的出口平直度结果进行比较，并求出预测误差，判断预测相对误差是否大于0.1％；

6)预测相对误差如果大于0.1％则将当前样本加入到训练集合中重新建立学习机，并用新学习机替代当前工作的学习机；

7)根据第一步获得的样本批次号判断当前样本是否是其所在样本批次的最后一个样本；

8)判断结果为是的话更新历史样本库，然后本次预测过程结束。

Images