CN102886384B - 基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法 - Google Patents

Abstract

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，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。

Description

基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法

技术领域

本发明涉及板带钢材的冷轧领域，具体地，本发明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，本发明涉及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，根据所述基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，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。

背景技术

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σ_p(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σ_p，将带钢横向上的张应力分布值σ_p与目标板形值σ_s相比较。如果σ_p＝σ_s，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Δσ_p＝σ_s－σ_p。

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Δσ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1(a)-(f)所示。

在图1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1(a)所示的左倾斜的标准归一化方程：

y₁＝x

图1(b)所示的右倾斜的标准归一化方程：

y₂＝-x

图1(c)所示的中浪的标准归一化方程：

$y_3={\frac{3}{2}x}^2-\frac{1}{2}$

图1(d)所示的边浪的标准归一化方程：

$y_4=-({\frac{3}{2}x}^2-\frac{1}{2})$

图1(e)所示的四分之一浪的标准归一化方程：

$y_5=\frac{1}{8}({35x}^4-{30x}^2+3)$

图1(f)所示的边中复合浪的标准归一化方程：

$y_6=-\frac{1}{8}({35x}^4-{30x}^2+3)$

通过板形模式识别模型的计算处理，可以将板形偏差近似分解为基本模式的线性组合。即

Δσ＝k₁y₁+k₂y₂+k₃y₃+k₄y₄+k₅y₅+k₆y₆

式中k_i－六种基本模式的特征参数(k₁,k₃,k₅取值范围[0  1],k₂,k₄,k₆取值范围

[-1  0])。

由于左边浪和右边浪、中浪和边浪、四分之一浪和边中复合浪它们不可能同时出现，所以上述各公式可以简化为：

Δσ＝m₁y₁+m₂y₃+m₃y₅

式中m_i－板形缺陷的特征参数(m₁,m₂,m₃取值范围[-1  1])。

当m₁>0时，表示出现左边浪；当m₁<0时，表示出现右边浪；

当m₂>0时，表示出现中浪；当m₂<0时，表示出现双边浪；

当m₃>0时，表示出现四分之一浪；当m₃<0时，表示出现边中复合浪。

为了准确地进行板形缺陷的模式识别，采用合理的识别方法对于提高识别的精度至关重要，从而为后续的设备调整量计算打好基础。

目前，国内在板形缺陷的识别方面还没有可以参阅的典型发明创造，主要还停留在对国外板形缺陷识别方法的消化、吸收的层面上。在国外，韩国浦项制铁公司(POSCO)的“KR100384121B”韩国专利文献采用了基于神经网络的板形缺陷识别方法。该方法存在训练速度慢、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，该方法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。

另外，同样是韩国浦项制铁公司(POSCO)的“KR20030054353”专利文献采用了基于最小二乘法和神经网络结合的板形缺陷识别方法。上述二方法可谓最典型的板形缺陷模式识别方法。其他的传统板形缺陷识别方法主要为最小二乘法。

即，现有的森吉米尔20辊轧机板形缺陷识别方法：

(1)建立已知板形缺陷的标准样本，已知板形缺陷由基本板形缺陷模式进行线性组合而成。

(2)BP神经网络训练，利用标准样本，对BP神经网络特征参数识别器进行训练，求出BP神经网络的连接权值。

(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)特征参数的提取，利用已训练好的BP神经网络，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。

现有森吉米尔20辊轧机板形缺陷识别方法的具体计算流程如附图5所示。

现有的人工神经网络板形模式识别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，因此，造成了板形缺陷识别精度的降低。

综上所述，目前需要开发一种训练样本数目少、而且具有很强的泛化能力，可弥补神经网络存在的不足、且能够提供很好的识别精度的森吉米尔20辊轧机板形缺陷识别方法。

发明内容

为克服上述不足，针对森吉米尔20辊轧机板形缺陷板形识别精度欠佳，本发明提出了一种基于支持向量家的森吉米尔20辊轧机板形缺陷识别方法。该方法应用在森吉米尔20辊轧机板形控制系统中。

根据本发明提出的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。该方法用基本的板形缺陷样本训练支持向量机，然后，利用训练好的支持向量机对实测板形缺陷进行特征参数的识别。由于支持向量机的很强的泛化能力，采用本发明的板形缺陷识别方法，能够提高板形特征参数的识别精度。本发明的方法与现有方法的区别主要在于本发明中的板形缺陷的识别方法基于支持向量机，而现有方法基于神经网络。

支持向量机(SVMs,Support Vector Machines)是基于统计学习理论框架下的一种新的通用机器学习方法，它较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化能力。本发明的板形缺陷识别方法更为精确以及其泛化能力比神经网络好。

本发明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的技术方案如下：

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。

本发明的板形自动控制方法的具体计算流程如附图4所示。

森吉米尔20辊轧机板形控制系统的总体结构与工作原理：

系统的总体结构如附图2所示，它包括机械设备(板形测量辊、森吉米尔20辊轧机)和电气设备(板形装置控制HPU、板形控制CPU、板形测量计算机)。其中，带钢板形的测量由板形测量辊完成，板形辊将转换后的电信号发送到板形测量计算机，板形计算机将电信号转换为实际板形信号。带钢板形的调控由森吉米尔20辊轧机完成，森吉米尔20辊轧机的倾斜、ASU凸度调节、一中间辊窜辊调控不同的板形缺陷(森吉米尔轧机辊系分上下两组，各有10个轧辊(见图2)。每组由1个工作辊、2个第一中间辊、3个第二中间辊及4个支持辊组成。4个上支持辊利用鞍座及分段轴承实现ASU凸度调节,控制边中复合浪、四分之一浪，4个下支持辊两侧的推上缸实现倾斜，控制单边浪，上下两组第一中间辊进行水平窜动，控制中浪和边浪)。

首先，板形控制CPU的板形自动控制程序每隔一定控制周期，从板形测量计算机接收实际板形信号，根据实际板形信号和保存在板形控制CPU中的板形目标曲线，得到板形偏差。然后，对板形偏差进行板形缺陷识别，将识别后的特征参数发给动作量计算单元，得到森吉米尔20辊轧机板形调控装置的动作量设定值。最后，将计算后的板形调控装置的动作量设定值发送到装置控制HPU。

根据本发明所述的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，在(1)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。

根据本发明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1：

表1

其中，输出样本m₁，m₂，m₃表示已知板形缺陷基本模式的特征参数，m₁～m₃范围在[-1.0  1.0]；

输入样本Δσ为向量形式，即[Δσ₁  Δσ₂  Δσ₃  …  Δσ₂₀]，表示已知板形缺陷分布，Δσ₁～Δσ₂₀范围在[-1.0  1.0]。

根据本发明所述的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，标准样本的结构为：{(x_ij,y_ik),i＝1,2,…,44；j＝1,2,…,20；k＝1,2,3}，其中，

输入样本x_ij∈(－1,1)为第i个已知板形缺陷分布△σ在位置j处的已知板形缺陷大小，

y_ik∈(－1,1)为第i个已知板形缺陷分布△σ关于第k个板形缺陷基本模式的特征参数，

当i＝1时，{(x_1j,y_1k)；j＝1,2,…,20；k＝1,2,3}对应表1中的第1行的输入输出样本的大小，

x₁₁＝Δσ₁，x₁₂＝Δσ₂，.......x₁₂₀＝Δσ₂₀；

y₁₁＝m₁＝1.0；y₁₁＝m₂＝0.0  y₁₃＝m₃＝0.0

当i＝2时，{(x_2j,y_2k)；j＝1,2,…,20；k＝1,2,3}对应表1中的第2行的输入输出样本的大小，

同理，

当i＝44时，{(x_44j,y_44k)；j＝1,2,…,20；k＝1,2,3}对应上表中的第44行的输入输出样本的大小。

根据本发明所述的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，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x_j，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y_k，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a_1i，b_1i；非线性函数 $y2=\underset{i=l}{\overset{20}{\mathrm{\&Sigma;}}}{a}_{2i}k(x_i,x)+b_{2i}$ 中的a_2i，b_2i；非线性函数 $y3=\underset{i=l}{\overset{20}{\mathrm{\&Sigma;}}}{a}_{3i}k(x_i,x)+b_{3i}$ 中的a_3i，b_3i；

支持向量机的类型为标准支持向量机，核函数采用径向核函数，如下所示：

$k(x_i,x)=e^{-\frac{{\left|\right|x-x_i\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}}$

然后，用标准样本对支持向量机特征参数识别器进行训练，确定a1_i,a2_i,a3_i和b1,b2,b3，即非线性函数中的需确定的参数。

根据本发明所述的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，将上述训练好的支持向量机特征参数，即参数a1_i,a2_i,a3_i和b1,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。

根据本发明所述的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，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；

${\mathrm{\&sigma;}}_p=\underset{i=0}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{N}{\mathrm{\&sigma;}}_p(k-i)$

其中,σ_p(k-i)分别表示当前时刻，前面1,2,…,N-1时刻的实测板形信号,

其中K表示某一时刻，即当前时刻，k-1表示当前时刻前一时刻，k-2表示基准时刻前两个时刻，同理，

k-N-1表示基准时刻前N-1个时刻，两个时刻之间的时间间隔固定，该数据形式为向量形式，

σ_p表示当前时刻的处理后的实测板形数据；

2)用目标板形数据减去实测板形数据，目标板形数据表示生产中期望通过板形控制达到的实测板形数据，得到板形偏差数据：

Δσ_p＝σ_s－σ_p

其中,Δσ_p＝(Δσ_p1,Δσ_p2,…,Δσ_pn)为板形偏差数据，通常取值范围[-40  40]，

σ_s为目标板形数据；

3)对板形偏差数据进行标准化处理，获得实测板形缺陷样本：

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_p}=(\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{p1}},\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{p2}},\&CenterDot;\&CenterDot;\&CenterDot;,\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pn}}})$

按照下面的公式进行标准化处理：

$\begin{array}{cc}\mathrm{average}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}& \\ \stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}}=\frac{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}-\mathrm{average}}{\max \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)-\mathrm{average}}& \max \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)-\mathrm{average}>\mathrm{average}-\min \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)\\ \stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}}=\frac{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}-\mathrm{average}}{\mathrm{average}-\min \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)}& \max \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)-\mathrm{average}<\mathrm{average}-\min \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)\end{array}$

其中，为实测板形缺陷样本。

根据本发明所述的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，

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。

通过以上板形缺陷识别方法得到板形缺陷特征参数。根据特征参数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。

即，根据本发明的板形缺陷识别方法，首先建立已知板形缺陷的标准样本，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；然后，对实测的板形信号进行预处理，获得实测板形缺陷样本，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；最后，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。本发明的板形缺陷识别方法的具体计算流程如附图4所示。

根据本发明的基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，该方法用基本的板形缺陷样本训练支持向量机，然后，利用训练好的支持向量机对实测板形缺陷进行特征参数的识别。由于支持向量机的很强的泛化能力，采用本发明的板形缺陷识别方法，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，对提高带钢成材率以及保证轧制过程的稳定性和可靠性具有积极意义。

附图说明

图1板形缺陷的六种基本模式。

图2森吉米尔20辊轧机板形控制系统的总体结构图。

图3支持向量机特征参数识别器示意图。

图4本发明的森吉米尔20辊轧机板形缺陷识别方法的计算流程图。

图5以往的森吉米尔20辊轧机板形缺陷识别方法的计算流程图。

具体实施方式

以下，参照附图，给出本技术的实施例。详细说明本发明的在森吉米尔20辊轧机生产线上应用了该板形缺陷识别方法。

实施例1

制作如表1所示的标准样本。

利用标准样本对支持向量机模式识别器进行训练，确定a1_i,a2_i,a3_i和b1,b2,b3，得到训练好的支持向量机。将训练好的支持向量机模式识别器用于对实测板形信号的板形缺陷模式识别。

首先，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

σ_p＝{290,219,179,163,163,172,186,200,212,218,219,215,205,193,181,174,177,195,237,310}

然后，进行板形偏差数据的计算，目标板形数据

σ＝{346,250,190,159,147,148,156,168,178,186,189,188,184,180,178,184,203,241,307,409}

用目标板形数据减去实测板形数据，得到实测板形偏差数据

Δσ_p＝{56,31,11,-4,-16,-24,-30,-32,-34,-32,-30,-27,-21,-13,-3,10,25,46,70,99}

对板形偏差数据进行标准化处理，得到实测板形缺陷样本 $\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_p}=\{0.5657$ $\begin{array}{cccccccccc}0.3131& 0.1111& -0.0404& -0.1616& -0.2424& -0.3030& -0.3232& -0.3434& -0.3232& -0.3030\end{array}$ $\begin{array}{ccccccccc}-0.2727& -0.2121& -0.1313& -0.3030& 0.1010& 0.2525& 0.4646& 0.7071& 1.0000\}\end{array}$

最后，将作为已训练好的支持向量机特征参数识别器的输入，支持向量机模式识别器的输出为板形缺陷的特征参数{0.24,0.72,0.06}。

表2  测试样本

增加如表2所示的测试样本，对训练后的支持向量机进行测试，从测试的结果来看，该方法的准确率高。

将本发明和现有的神经网络板形缺陷识别方法进行了比较。表3为两种识别方法的比较结果，可以看出本发明的板形缺陷识别器更为精确，其泛化能力比神经网络好，对于提高硬质带钢的板形质量具有良好应用前景。

表3  两种不同板形缺陷识别方法的比较

根据本发明的基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法，利用训练好的支持向量机对实测板形缺陷进行特征参数的识别。由于支持向量机的很强的泛化能力，采用本发明的板形缺陷识别方法，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，对提高带钢成材率以及保证轧制过程的稳定性和可靠性具有积极意义。

Claims (6)

1.一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3个特征参数；

(5)将板形缺陷3个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，

在(1)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，

所述已知板形缺陷的标准样本如下表1：

其中，输出样本m₁，m₂，m₃表示已知板形缺陷基本模式的特征参数，m₁～m₃范围在[-1.0,1.0]；

输入样本Δσ为向量形式，即[Δσ₁  Δσ₂  Δσ₃…Δσ₂₀]，表示已知板形缺陷分布，Δσ₁～Δσ₂₀范围在[-1.0,1.0]。

2.如权利要求1所述的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，标准样本的结构为：{(x_ij,y_ik),i＝1,2,…,44；j＝1,2,…,20；k＝1,2,3}，其中，

输入样本x_ij∈(－1,1)为第i个已知板形缺陷分布△σ在位置j处的已知板形缺陷大小，

y_ik∈(－1,1)为第i个已知板形缺陷分布△σ关于第k个板形缺陷基本模式的特征参数，

当i＝1时，{(x_1j,y_1k)；j＝1,2,…,20；k＝1,2,3}对应表1中的第1行的输入输出样本的大小，

x₁₁＝Δσ₁，x₁₂＝Δσ₂，.......x₁₂₀＝Δσ₂₀；

y₁₁＝m₁＝1.0；y₁₂＝m₂＝0.0  y₁₃＝m₃＝0.0

当i＝2时，{(x_2j,y_2k)；j＝1,2,…,20；k＝1,2,3}对应表1中的第2行的输入输出样本的大小，

同理，

当i＝44时，{(x_44j,y_44k)；j＝1,2,…,20；k＝1,2,3}对应上表中的第44行的输入输出样本的大小。

3.如权利要求1所述的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，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x_j，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y_k，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a_1i，b_1i；非线性函数 $y2=\underset{i=l}{\overset{20}{\mathrm{\&Sigma;}}}{a}_{2i}k(x_i,x)+b_{2i}$ 中的a_2i，b_2i；非线性函数 $y3=\underset{i=l}{\overset{20}{\mathrm{\&Sigma;}}}{a}_{3i}k(x_i,x)+b_{3i}$ 中的a_3i，b_3i；

支持向量机的类型为标准支持向量机，核函数采用径向核函数，如下所示：

$k(x_i,x)=e^{-\frac{{\left|\right|x-x_i\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}}$

然后，用标准样本对支持向量机特征参数识别器进行训练，确定a_1i,a_2i,a_3i和b_1i,b_2i,b_3i，即3个非线性函数中的需确定的参数。

4.如权利要求3所述的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，将上述训练好的支持向量机特征参数，即参数a_1i,a_2i,a_3i和b_1i,b_2i,b_3i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。

5.如权利要求4所述的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，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；

${\mathrm{\&sigma;}}_p=\underset{i=0}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{N}{\mathrm{\&sigma;}}_p(k-i)$

其中,σ_p(k-i)分别表示当前时刻，前面1,2,…,N-1时刻的实测板形信号,

其中k表示某一时刻，即当前时刻，k-1表示当前时刻前一时刻，k-2表示基准时刻前两个时刻，同理，

k-N-1表示基准时刻前N-1个时刻，两个时刻之间的时间间隔固定，该数据形式为向量形式，

σ_p表示当前时刻的处理后的实测板形数据；

2)用目标板形数据减去实测板形数据，目标板形数据表示生产中期望通过板形控制达到的实测板形数据，得到板形偏差数据：

Δσ_p＝σ_s－σ_p

其中,Δσ_p＝(Δσ_p1,Δσ_p2,…,Δσ_pn)为板形偏差数据，通常取值范围[-40,40]，

σ_s为目标板形数据；

3)对板形偏差数据进行标准化处理，获得实测板形缺陷样本：

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_p}=(\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{p1}},\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{p2}},\&CenterDot;\&CenterDot;\&CenterDot;,\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pn}}})$

按照下面的公式进行标准化处理：

$\mathrm{average}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}$

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}}=\frac{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}-\mathrm{average}}{\max \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)-\mathrm{average}};$ 当max(Δσ_pi)-average>average-min(Δσ_pi)

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}}=\frac{{\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}-\mathrm{average}}{\mathrm{average}-\min \left({\mathrm{\&Delta;\&sigma;}}_{\mathrm{pi}}\right)};$ 当max(Δσ_pi)-average<average-min(Δσ_pi)

其中，为实测板形缺陷样本。

6.如权利要求1所述的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，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。