CN103123483B - 一种基于聚类分析的新钢种轧制变形抗力预测系统 - Google Patents
一种基于聚类分析的新钢种轧制变形抗力预测系统 Download PDFInfo
- Publication number
- CN103123483B CN103123483B CN201210560462.XA CN201210560462A CN103123483B CN 103123483 B CN103123483 B CN 103123483B CN 201210560462 A CN201210560462 A CN 201210560462A CN 103123483 B CN103123483 B CN 103123483B
- Authority
- CN
- China
- Prior art keywords
- data
- rolling
- steel
- steel grade
- reduction ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
一种基于聚类分析的新钢种轧制变形抗力预测系统,属于冷连轧过程控制数学模型系统技术领域。该系统为了解决基于假设和简化基础上的变形抗力解析数学模型无法给出满足设定精度要求的变形抗力,从而导致整个模型系统设定精度不高的问题。本发明从钢卷基本数据表中读取钢卷基本数据,经过钢种相关数据与轧制变形抗力之间的相关性分析,确定聚类分析的关键参数对象;根据新钢种与每类钢种聚类中心的接近程度,确定新钢种的归类,从而确定新钢种对应于基本压下率的预测轧制变形抗力。本发明解决了因为轧制变形抗力计算精度底,导致整个模型系统设定精度不高的问题,提高了冷连轧带钢的产品合格率和成才率。
Description
技术领域
本发明属于冷连轧过程控制数学模型系统技术领域,特别涉及一种基于聚类分析的新钢种轧制变形抗力预测的方法。
背景技术
轧制力是轧机最重要的设备参数与工艺参数,是塑性加工工艺、设备优化设计和过程控制的重要依据。它的计算精度不仅直接影响轧制规程的设定精度,而且对板厚精度及板形质量都产生直接影响,是充分发挥板厚和板形系统调控能力,提高带钢头部命中率的关键。所以轧制力设定精度是冷连轧过程控制数学模型系统的核心,轧制力模型是冷连轧过程控制的基础模型,对它的研究具有重要意义。
轧制过程的轧制力受到多种因素的影响,包括带钢宽度、带钢压下率、轧辊半径、轧制速度、机架前后张力、轧制摩擦状况和轧制变形抗力等因素。其中作为轧制力设定计算输入参数的带钢宽度、压下率、轧辊半径、轧制速度和机架前后张力可以通过轧制策略设定和产线相关仪表的在线测量得到基本准确的数值,但是轧制摩擦状况和轧制变形抗力却是两个无法在线测量,也无法精确给定的参数,这直接影响了轧制力的设定精度,日益受到了广泛的关注,本发明的研究重点在于轧制变形抗力的精确给定。
材料成分、变形程度、变形速度以及变形温度等都对变形抗力有重要影响,考虑到冷连轧过程中带钢温度变化范围不大,所以变形温度对轧制变形抗力的影响一般不作为主要因素来研究。由于影响因素众多,轧制过程复杂,要弄清楚这些因素与变形抗力之间的确切定量关系十分困难,利用塑性变形理论很难导出变形抗力的确切表达式,目前主流的研究方法主要有如下两种。
一种是以日本三菱日立模型系统为代表的,通过相对较复杂的统计和经验型公式计算轧制变形抗力,如下式所示。该公式考虑了变形速度、变形程度,但是没有直观考虑钢种成分,导致轧制变形抗力和轧制力设定精度不高。
kp=ks·(1000·ε)α
hm=(1-β)·H+β·h
其中:
kp:动态变形抗力;
ks:静态变形抗力;
ε:反映变形速度;
α、β:中间参数;
l、m、n:模型常数;
H:带钢入口厚度;
h:带钢出口厚度;
hm:平均厚度
vr:轧制速度;
r:相对压下;
R`:轧辊压扁半径;
另外一种是以德国西门子模型系统为代表的,通过相对简单的统计和经验模型公式计算轧制变形抗力,如下式所示。该公式考虑了轧制变形程度,但是没有直观考虑变形速度和钢种成分。为了弥补这种缺陷,西门子模型系统通过神经网络自适应学习的方法,引入了钢种成分对轧制变形抗力的影响,但是针对新钢种的第一卷,甚至是前几卷带钢的轧制,因为没有足够的工艺参数用来完成神经网络的自适应学习,只能采用默认的轧制变形抗力,导致第一卷,甚至是前几卷带钢的轧制变形抗力和轧制力精度设定不高,直接影响了产品质量。
其中:
KF0、KF1、KF2:模型常数;
h0:原料带钢厚度;
hi0:当前机架带钢的入口厚度;
hi1:当前机架带钢的出口厚度;
在这种情况下,随着计算机水平的迅猛发展以及人工智能研究热潮的兴起,人工智能被应用在轧制过程中,作为人工智能重要成员的聚类分析开始应用于对轧制变形抗力的分析和理解上。
聚类分析方法与传统方法不同,它避开了过去那种对轧制过程深层规律无止境的探求,而是以已轧钢种经过自适应学习得到的能够满足模型设定精度要求的轧制变形抗力数据为依据,实现对轧制变形抗力的优化分析和预测。这样就不必担心轧制变形抗力模型哪一条基本假设脱离实际,也不必怀疑哪一步简化处理过于粗糙,只要相信传感器,相信采集到的数据是真实可靠的,就有理由相信聚类分析的结果是正确的。
发明内容
本发明的目的在于提供一种基于聚类分析的新钢种轧制变形抗力预测系统,解决了基于假设和简化基础上的变形抗力解析数学模型无法给出满足设定精度要求的变形抗力,从而导致整个模型系统设定精度不高的问题。
本发明从轧制过程数据库的钢种数据表中读取钢种相关数据,从钢卷基本数据表中读取钢卷基本数据,这些数据存储在聚类分析历史数据库中,经过数据预处理后为后续相关性分析和聚类分析提供完备可用的数据;经过钢种相关数据与轧制变形抗力之间的相关性分析,确定聚类分析的关键参数对象;通过聚类分析对已轧钢种进行分类处理,并根据新钢种与每类钢种聚类中心的接近程度,确定新钢种的归类,从而确定新钢种对应于基本压下率的预测轧制变形抗力;在对预测结果进行可靠性和可信性检查后,存储在钢种数据表中;在对钢种为新钢种的钢卷进行设定计算的时候,根据钢种名称从钢种数据表中直接读取预测的轧制变形抗力参与设定计算,提高模型系统设定精度。
本发明利用聚类分析方法,获取能够满足冷连轧过程控制模型设定精度要求的新钢种轧制变形抗力。该预测系统包括:轧制过程数据库、聚类分析历史数据库、已轧钢种相关数据采集和存储模块、钢卷基本数据采集和存储模块、钢种数据预处理模块、钢种数据相关性分析模块、钢种数据聚类分析模块、预测结果生成和检查模块、预测结果应用模块。各模块的功能为:
(1)本发明的新钢种轧制变形抗力预测系统以数据库为数据平台,轧制过程数据库包括钢种数据表、钢卷基本数据表;钢种数据表中包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据和基于基本压下率的已轧钢种的轧制变形抗力数据;钢卷基本数据表包括新钢种的钢种成分数据;
聚类分析历史数据库包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据、基于基本压下率的已轧钢种的轧制变形抗力数据和新钢种的钢种成分数据;
(2)已轧钢种相关数据采集和存储模块以Oracle数据库访问的形式从轧制过程数据库中的钢种数据表中获得已轧钢种的相关数据,主要包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据和基于基本压下率的已轧钢种的轧制变形抗力数据,并存储在聚类分析历史数据库中。钢种数据表中存储的每一种已轧钢种的变形抗力数据都是经过模型系统长期自适应学习之后的结果,与现场轧制状况一致,其精度能够满足模型系统设定精度的要求;
(3)钢卷基本数据采集和存储模块以Oracle数据库访问的形式从轧制过程数据库中的钢卷基本数据表中获得钢种为新钢种的待设定计算钢卷的基本数据,主要包括新钢种的钢种成分数据,并存储在聚类分析历史数据库中。所获得的新钢种是首次在目标产线上轧制,没有经过自适应学习的钢种,在钢种数据表中也没有该钢种记录;
(4)钢种数据预处理模块对存储在聚类分析历史数据库中的已轧钢种成分数据和压下率数据进行数量级的匹配,为后面的相关性分析和聚类分析提供完备可用的数据,提高聚类分析的准确度。数据预处理后的钢种成分数据和压下率数据重新写入聚类分析历史数据库;
(5)钢种数据相关性分析模块采用相关性分析方法,通过计算各种钢种成分数据及压下率数据与冷连轧轧制变形抗力数据之间的相关性,以0.5作为相关性绝对值的判定阈值,找到与轧制变形抗力相关性最大的数据对象,认为是起关键作用的数据对象,作为数据聚类分析模块的最终分析对象,从而提高系统的执行效率,更能体现关键因素的作用;
(6)数据聚类分析模块使用聚类分析的方法以相关性分析得到的对轧制变形抗力起关键作用的数据对象为分析对象,对聚类分析历史数据库中的已轧钢种进行分类。然后计算新钢种与每类钢种的欧式距离,作为接近程度,并根据接近程度的计算结果,选择最接近的钢种分类作为新钢种的归类,进而预测新钢种对应于基本压下率的轧制变形抗力;
(7)预测结果生成和检查模块在冷连轧工艺知识的指导下,对预测的新钢种轧制变形抗力数据进行可靠性和可信性检查确认,并将最终的新钢种对应于基本压下率的轧制变形抗力预测值存储在轧制过程数据库中的钢种数据表中,用以模型系统设定计算;
(8)预测结果应用模块在对钢种为新钢种的钢卷进行模型设定计算的时候,根据新钢种的名称从钢种数据表中直接读取预测的对应于基本压下率的轧制变形抗力,用于后续的设定计算。
上述钢种数据预处理模块中的数据预处理主要针对存储在聚类分析历史数据库中的钢种成分数据和压下率数据进行数量级的匹配。用百分比表示时,钢种成分数据一般是小数点后两位、三位,甚至更小,而压下率数据则一般是两位数,他们之间相差百倍以上,因此有必 要进行进一步的数据处理。处理方法是将钢种成分数据扩大一百倍,这样一方面缩小了钢种成分数据与压下率数据之间的量级差别,也可以保证在分析过程中钢种成分数据的精度。经过数据预处理后,可以避免在后面要进行的相关性分析和聚类分析过程中,出现因钢种成分数据数量级远小于压下率数据的数量级,而导致钢种成分数据在分析过程中无法体现其关键作用的现象,为后面的相关性分析和聚类分析提供完备可用的数据,提高聚类分析的准确度。
上述聚类分析历史数据库一方面存储了目标产线所有已轧钢种的钢种相关信息,从而保证了聚类分析原始数据的广泛性,也使得聚类分析结果具有代表性;另一方面所有存储的已轧钢种相关数据都是经过模型系统长期自适应学习的结果,这使得聚类分析的结果具有可靠性。同时,为了完成对新钢种的进行聚类分析,该数据库还存储了新钢种的钢种信息,并通过特定标识加以区分。
上述钢种数据相关性分析模块中的数据相关性分析采用简单相关性分析算法,对聚类分析历史数据库中所存储的大量已轧钢种相关数据进行相关性分析,定量确定每一种参数和轧制变形抗力之间的相关性,将相关性绝对值大于给定阈值的参数作为数据聚类分析模块的研究对象,相关性绝对值小于或等于给定阈值的参数则不作为数据聚类分析模块的研究对象。这样可以将数据聚类分析模块的研究对象限定在少量的参数范围内,提高模块的执行效率,同时也使预测结果更能体现关键因素的作用。
此处阈值的选择,参照一般的相关性判断原则,相关性为0~±0.33为弱相关、±0.33~±066为中度相关、±0.66~±1为高度相关。本发明一般选择0.5作为相关性绝对值的阈值。
上述钢种数据聚类分析模块中的数据聚类分析具有如下特点:
①根据所述钢种数据相关性分析模块确定的对轧制变形抗力起关键影响作用的钢种相关数据,构造待分析的数据结构;
②采用K-means均值聚类对已轧钢种进行聚类分析,基于“物以类聚”的基本原理,将已轧钢种分成属性相近的多个钢种类别。目的是使得属于同一个类别的钢种之间的相似性尽可能大,而不同类别的钢种之间的相似性尽可能小,或者说类间较大的相异性和类内较大的相似性;
③计算每一钢种类别的特征钢种数据,既聚类中心;
④以欧式距离作为计算方法,基于新钢种相关数据分别计算新钢种与各钢种类别的距离,取其中距离最近,也就是最相似的分类作为新钢种的归类;
⑤以新钢种所属类别特种钢种(聚类中心)的轧制变形抗力作为该新钢种对应于基本压下率的预测轧制变形抗力。
上述钢种数据聚类分析模块所产生的轧制变形抗力预测结果,是对聚类分析历史数据库 中钢种相关数据客观分析的结果,将会直接用于模型系统的在线设定计算,参与实际轧制过程的控制,因此必须考虑这些预测结果的可靠性。上述预测结果生成和检查模块在冷连轧工艺知识的指导下,对预测的新钢种轧制变形抗力数据进行可靠性和可信性检查确认,具体原则包括:
①基于冷轧过程中带钢加工硬化,预测的轧制变形抗力要大于材料本身的屈服强度;
②对应于基本压下率的轧制变形抗力的预测值应当与基本压下率的变化趋势相同,既随着基本压下率的增加,预测的轧制变形抗力也应当增加;
③预测的轧制变形抗力应当与对新钢种的属性预期一致,例如高强钢的轧制变形抗力应当大于普碳钢变形抗力等;
经过检查确认后的新钢种对应于基本压下率的轧制变形抗力预测值存储在轧制过程数据库中的钢种数据表中,用以模型系统设定计算,同时更改钢种标识,成为已轧钢种,接受模型系统自适应学习功能的长期优化。
经过上述预测结果生成和检查模块处理后,新钢种已经被写入轧制过程数据库的钢种数据表中,具备完整的钢种相关数据。上述预测结果应用模块在对钢种为新钢种的钢卷进行模型设定计算的时候,根据新钢种的名称从钢种数据表中直接读取预测的对应于基本压下率的轧制变形抗力,用于后续的设定计算。
有益效果:
本发明与传统的轧制变形抗力计算方法相比,具有如下一些优越性:
(1)充分利用现代化冷连轧生产线过程控制系统在轧制过程中对已轧钢种轧制变形抗力的自适应学习,将反映实际轧制状况,满足设定计算精度要求的已轧钢种相关数据存储起来。通过对这些数据的组织和分析,为新钢种轧制变形抗力的确定提供数据支持;
(2)利用聚类分析技术对已轧钢种相关数据进行分类处理,每一类别具有相似的轧制变形抗力属性。然后基于欧式距离,计算新钢种的归类,并以所属类别特征钢种属性的轧制变形抗力作为新钢种对应于基本压下率的轧制变形抗力的预测值。利用这些基于相似性原理得到的轧制变形抗力进行模型系统的设定计算,能够满足设定计算精度要求,有效提高新钢种第一卷甚至前几卷带钢的产品质量;
(3)避开了过去那种对轧制过程深层规律无止境的探求,而是以已轧钢种经过自适应学习得到的能够满足模型设定精度要求的轧制变形抗力数据为依据,实现对轧制变形抗力的优化分析和预测。这样就不必担心轧制变形抗力模型哪一条基本假设脱离实际,也不必怀疑哪一步简化处理过于粗糙,只要相信传感器,相信采集到的数据是真实可靠的,就有理由相信聚类分析的结果是正确的。
总之,本发明充分利用已轧钢种相关数据,通过数据采集、数据存储、数据预处理、相关性分析和聚类分析等方法预测新钢种轧制变形抗力,解决了因为轧制变形抗力计算精度底,导致整个模型系统设定精度不高的问题,提高了冷连轧带钢的产品合格率和成才率。
具体实施方式:
本发明提出的一种基于聚类分析的新钢种轧制变形抗力预测系统,采用聚类分析算法预测新钢种轧制变形抗力,应用于冷连轧过程控制数学模型系统,结合实例详细说明如下:
下面以一个具体的冷连轧产线为例,详细说明对其应用基于聚类分析的新钢种轧制变形抗力预测系统的全过程。
本实施例选用的冷连轧产线的主要参数为:
连轧工艺段:西马克五机架串列式冷连轧机组;
原料厚度范围:1.60~6.00mm;
原料宽度范围:800~1900mm
产品厚度范围:0.2~2.5mm;
产品宽度范围:800~1870mm
该产线过程控制数学模型系统包括基本设定计算和板形设定计算。而基本设定计算则主要指以轧制力设定为核心的摩擦系数设定计算、变形抗力设定计算、转矩设定计算、辊缝设定计算、速度设定计算和张力设定计算等。为了不断提高模型设定的精度,数学模型系统提供了自适应学习功能,除包含了传统的对轧制力、轧制转矩、前滑和辊缝的自适应学习,还提供了神经网络方式的变形抗力自适应学习,不断提高已轧钢种的轧制变形抗力计算精度。但是对于新钢种轧制,存在第一卷,甚至是前面几卷因为变形抗力给定不准而导致的整个模型系统设定精度不高的情况。
本发明的一种基于聚类分析的新钢种轧制变形抗力预测系统在实例冷连轧产线的应用总体过程包含如下功能模块:已轧钢种相关数据采集和存储模块、钢卷基本数据采集和存储模块、钢种数据预处理模块、钢种数据相关性分析模块、钢种数据聚类分析模块、预测结果生成和检查模块、预测结果应用模块。
(1)该产线轧制过程数据库包括钢种数据表、钢卷基本数据表;钢种数据表中包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据和基于基本压下率的已轧钢种的轧制变形抗力数据;钢卷基本数据表包括新钢种的钢种成分数据;
聚类分析历史数据库包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据、基于基本压下率的已轧钢种的轧制变形抗力数据和新钢种的钢种成分数据;
(2)已轧钢种相关数据采集和存储
该产线轧制过程数据库的钢种数据表中存储了39种已轧钢种,包括M3A28、CSAO1、SDX52D、S280GD、SDX54D、36AC1、ZSAC1、M3A31、45、M3A22、SDC03、SPHC、S30、52AO1、SPHE、SDC05、SDC06、SDC01、H340LA、SDX51D、180BH、SDX53D、SDC04、M3A33、ZSAO2、220IF、ZSAO1、590DP、SEC440、S350GD、M3A30、SDX56D、ESAX1、H34LAD、SPA-H、SWB、M3A23、M3A25和M3A27。
每一钢种的钢种成分数据主要包括Al、As、B、C、Ca、Cr、Cu、Mn、Mo、Nb、Ni、N、Pb、P、S、Si、Sn、Ti、V和W等20种成分的含量;
每一钢种的基本压下率都是0%、15%、30%、60%和90%。
通过Oracle数据库读取的方式将这39种钢种的钢种成分数据、基本压下率数据和对应于基本压下率的轧制变形抗力数据读取出来,存储在聚类分析历史数据库中,用来进一步的分析处理。
(3)钢卷基本数据采集和存储
通过Oracle数据库读取的方式从轧制过程数据库的钢卷基本数据表中读取新钢种如上所述20种成分的含量,并存储在聚类分析历史数据库中,作出新钢种标识。成分数据如下表1所示:
表1新钢种钢种成分
成分 | 含量[%] |
C | 0.04 |
Si | 0.01 |
Mn | 0.2 |
P | 0.007 |
S | 0.005 |
Cr | 0 |
Al | 0.032 |
As | 0 |
B | 0 |
Ca | 0 |
Cu | 0.009 |
Mo | 0.001 |
Nb | 0.002 |
Ni | 0.005 |
N | 0.0023 |
Pb | 0 |
Sn | 0.0006 |
Ti | 0.001 |
V | 0.001 |
W | 0 |
(4)钢种数据预处理
针对钢种成分数据和压下率数据在数量级上的差别,将钢种成分数据扩大一百倍,这样一方面缩小了钢种成分数据与压下率数据之间的量级差别,也可以保证在分析过程中钢种成分数据的精度。
(5)钢种数据相关性分析
钢种数据相关性分析采用简单相关性分析算法,对聚类分析历史数据库中所存储的大量已轧钢种相关数据进行相关性分析,定量确定每一种参数和轧制变形抗力之间的相关性,计算结果如下表2所示。
表2数据相关性分析结果
参数 | 相关性 |
C | 0.801851 |
Si | 0.606729 |
Mn | 0.805429 |
P | 0.805452 |
S | 0.263996 |
Cr | 0.415675 |
Al | 0.307892 |
As | 0.123604 |
B | 0.122894 |
Ca | 0.538424 |
Cu | 0.112872 |
Mo | 0.377217 |
Nb | 0.648788 |
Ni | 0.606726 |
N | 0.451819 |
Pb | 0.516901 |
Sn | 0.531875 |
Ti | 0.706883 |
V | 0.507865 |
W | 0.460893 |
以中度相关性0.5作为参数选择的相关性绝对值阈值,将相关性绝对值大于给定阈值的参数作为数据聚类分析模块的研究对象,相关性绝对值小于或等于给定阈值的参数则不作为数据聚类分析模块的研究对象。最终选择C、Ca、Mn、Nb、Ni、Pb、P、Si、Sn、Ti、V作为聚类分析模块的研究对象。
(6)钢种数据聚类分析
使用聚类分析的方法以相关性分析得到的对轧制变形抗力起关键作用的数据对象为分析对象,对聚类分析历史数据库中的已轧钢种进行分类。然后计算新钢种与每类钢种的接近程度,并根据接近程度确定新钢种的归类,进而预测新钢种的轧制变形抗力。
①根据钢种数据相关性分析结果,选择C、Ca、Mn、Nb、Ni、Pb、P、Si、Sn、Ti和V作为聚类分析的数据对象,构造待分析的数据结构;
{C、Ca、Mn、Nb、Ni、Pb、P、Si、Sn、Ti、V}
②采用K-means均值聚类对已轧钢种进行聚类分析,基于“物以类聚”的基本原理,将已轧钢种分成属性相近的多个钢种类别。聚类结果如下表3所示:
表3钢种数据聚类分析结果
③计算每一钢种类别的特征钢种数据,既聚类中心,如表3所示;
④以欧式距离作为计算方法,基于新钢种相关数据分别计算新钢种与各钢种类别的距离,选择最接近的钢种分类,确定新钢种属于聚类结果中的第2类;
⑤以第2类钢种聚类中心轧制变形抗力作为新钢种对应于基本压下率的轧制变形抗力,既[445Mpa,534Mpa,597Mpa,713Mpa,830Mpa];
(7)预测结果生成和检查
所预测新钢种屈服强度350Mpa,在冷连轧轧制过程中发生严重加工硬化,其变形抗力远大于钢种自身屈服强度,并且随着变形量的增加,变形抗力也会增加。预测结果满足冷连轧工艺知识和轧制经验,确认以上预测的新钢种轧制变形抗力数据是可靠和可信的。并将最终的新钢种轧制变形抗力预测值存储在轧制过程数据库中的钢种数据表中,用以模型系统设定计算,同时更改钢种标识,成为已轧钢种,接受模型系统自适应学习功能的长期优化。
(8)预测结果应用
在对钢种为新钢种的钢卷进行模型设定计算的时候,根据新钢种的名称从钢种数据表中直接读取预测的轧制变形抗力,用于后续的设定计算和对该钢种的自适应学习。
Claims (3)
1.一种基于聚类分析的新钢种轧制变形抗力预测系统,其特征在于:该预测系统包括轧制过程数据库、聚类分析历史数据库、已轧钢种相关数据采集和存储模块、钢卷基本数据采集和存储模块、钢种数据预处理模块、钢种数据相关性分析模块、钢种数据聚类分析模块、预测结果生成和检查模块、预测结果应用模块;各模块的功能为:
所述的轧制过程数据库包括钢种数据表、钢卷基本数据表;钢种数据表中包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据和基于基本压下率的已轧钢种的轧制变形抗力数据;钢卷基本数据表包括新钢种的钢种成分数据;
所述的聚类分析历史数据库包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据、基于基本压下率的已轧钢种的轧制变形抗力数据和新钢种的钢种成分数据;
所述的已轧钢种相关数据采集和存储模块从轧制过程数据库中的钢种数据表中获得已轧钢种的数据,主要包括已轧钢种的钢种成分数据、冷连轧各机架基本压下率数据和基于基本压下率的已轧钢种的轧制变形抗力数据,并存储在聚类分析历史数据库中;
所述的钢卷基本数据采集和存储模块从轧制过程数据库中的钢卷基本数据表中获得钢种为新钢种的待设定计算钢卷的数据,主要包括新钢种的钢种成分数据,并存储在聚类分析历史数据库中;
所述的钢种数据预处理模块对存储在聚类分析历史数据库中的已轧钢种成分数据和压下率数据进行数量级的匹配,为后面的相关性分析和聚类分析提供完备可用的数据,提高聚类分析的准确度;数据预处理后的钢种成分数据和压下率数据重新写入聚类分析历史数据库;
所述的钢种数据相关性分析模块采用相关性分析方法,通过计算各种钢种成分数据及压下率数据与冷连轧轧制变形抗力数据之间的相关性,将相关性绝对值大于给定阈值的参数作为数据聚类分析模块的研究对象,相关性绝对值小于或等于给定阈值的参数不作为数据聚类分析模块的研究对象,找到与轧制变形抗力相关性最大的数据对象,认定是起关键作用的数据对象,作为数据聚类分析模块的最终分析对象;
所述的数据聚类分析模块使用聚类分析的方法以相关性分析得到的对轧制变形抗力起关键作用的数据对象为分析对象,对聚类分析历史数据库中的已轧钢种进行分类;然后计算新钢种与每类钢种的欧式距离,作为接近程度,并根据接近程度的计算结果,选择最接近的钢种分类作为新钢种的归类,进而预测新钢种对应于基本压下率的轧制变形抗力;
所述的预测结果生成和检查模块在冷连轧工艺知识的指导下,对预测的新钢种轧制变形抗力数据进行可靠性和可信性检查确认,并将最终的新钢种对应于基本压下率的轧制变形抗力预测值存储在轧制过程数据库中的钢种数据表中,用以模型系统设定计算;
所述的预测结果应用模块在对钢种为新钢种的钢卷进行模型设定计算的时候,根据新钢种的名称从钢种数据表中直接读取预测的对应于基本压下率的轧制变形抗力,用于后续的设定计算;
所述的数量级的匹配是将钢种成分数据扩大一百倍,缩小钢种成分数据与压下率数据之间的量级差别。
2.如权利要求1所述的基于聚类分析的新钢种轧制变形抗力预测系统,其特征在于:所述的阈值为0.5。
3.如权利要求1所述的基于聚类分析的新钢种轧制变形抗力预测系统,其特征在于:所述的可靠性和可信性检查确认,其原则包括:
(1)基于冷轧过程中带钢加工硬化,预测的轧制变形抗力要大于材料本身的屈服强度;
(2)对应于基本压下率的轧制变形抗力的预测值应当与基本压下率的变化趋势相同,既随着基本压下率的增加,预测的轧制变形抗力也应当增加;
(3)预测的轧制变形抗力应当与对新钢种的属性预期一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210560462.XA CN103123483B (zh) | 2012-12-20 | 2012-12-20 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210560462.XA CN103123483B (zh) | 2012-12-20 | 2012-12-20 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103123483A CN103123483A (zh) | 2013-05-29 |
CN103123483B true CN103123483B (zh) | 2014-12-31 |
Family
ID=48454499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210560462.XA Active CN103123483B (zh) | 2012-12-20 | 2012-12-20 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103123483B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105290119B (zh) * | 2014-07-16 | 2018-04-20 | 上海梅山钢铁股份有限公司 | 基于相变的热轧带钢变形抗力预测方法 |
CN109388837A (zh) * | 2017-08-14 | 2019-02-26 | 上海梅山钢铁股份有限公司 | 一种利用历史数据进行虚拟轧钢的方法 |
CN109719138B (zh) * | 2019-01-04 | 2020-04-14 | 北京首钢自动化信息技术有限公司 | 一种基于数据挖掘的变形抗力唯象模型计算方法 |
CN114472546B (zh) * | 2020-10-27 | 2023-06-13 | 宝山钢铁股份有限公司 | 一种基于大数据对轧制力进行优化的方法及系统 |
CN112474815B (zh) * | 2020-11-04 | 2023-04-07 | 北京首钢自动化信息技术有限公司 | 一种控制轧制过程的方法及装置 |
CN114367545B (zh) * | 2021-12-09 | 2023-09-08 | 北京首钢自动化信息技术有限公司 | 一种轧制力的修正方法和装置 |
CN114818456B (zh) * | 2022-02-18 | 2023-01-24 | 北京科技大学 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
CN115007658B (zh) * | 2022-04-26 | 2023-02-14 | 东北大学 | 基于深层循环神经网络的冷连轧轧制板形动态预测方法 |
CN116109012B (zh) * | 2023-04-10 | 2023-07-28 | 张家港广大特材股份有限公司 | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005046792A (ja) * | 2003-07-31 | 2005-02-24 | Nichias Corp | ケミカルフィルタの製造方法 |
CN1766594A (zh) * | 2005-09-29 | 2006-05-03 | 江苏大学 | 一种钢种热模拟试验材质控制方法 |
CN101391268B (zh) * | 2008-11-07 | 2010-07-28 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
CN102069094B (zh) * | 2010-11-16 | 2012-08-29 | 北京首钢自动化信息技术有限公司 | 一种基于数据挖掘的板形控制关键工艺参数优化系统 |
JP2012199403A (ja) * | 2011-03-22 | 2012-10-18 | Toshiba Corp | 工程解析システム、工程解析プログラムおよび工程解析方法 |
-
2012
- 2012-12-20 CN CN201210560462.XA patent/CN103123483B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103123483A (zh) | 2013-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103123483B (zh) | 一种基于聚类分析的新钢种轧制变形抗力预测系统 | |
CN101758084B (zh) | 模型自适应的板形预测控制方法 | |
CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN103722022B (zh) | 一种轧制过程中摩擦系数模型优化系统及方法 | |
CN102069094A (zh) | 一种基于数据挖掘的板形控制关键工艺参数优化系统 | |
CN107377634A (zh) | 一种热轧带钢出口凸度预报方法 | |
CN102658297B (zh) | 一种改善换规格首块带钢板形质量的自学习方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN105740467B (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN102601127A (zh) | Cvc四辊冷轧机高精度板形控制预报方法 | |
CN1330930C (zh) | 轧制过程钢板内部组织晶粒尺寸的软测量方法 | |
CN102363159B (zh) | 一种单张板精密冷轧板厚测量系统的厚度控制方法 | |
CN104942019A (zh) | 一种带钢冷轧过程宽度自动控制方法 | |
CN104438350A (zh) | 平整过程带钢机械性能在线检测控制方法 | |
CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
CN110434172B (zh) | 一种炉卷和精轧机组连轧的负荷分配计算方法 | |
CN101320031A (zh) | 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计 | |
CN102553941B (zh) | 冷轧机板形调控功效系数离线自学习方法 | |
CN103394520A (zh) | 一种冷轧带钢板形模糊控制方法 | |
CN115796002A (zh) | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 | |
CN102161054A (zh) | 基于影响矩阵自学习的板形闭环控制方法 | |
Wang et al. | Research on high‐precision transverse thickness difference control strategy based on data mining in 6‐high tandem cold rolling mills |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |