CN103376085B - 冷轧带钢板形智能综合评价方法 - Google Patents

Abstract

本发明公开了一种冷轧带钢板形智能综合评价方法，该方法以模糊综合评判理论以及模糊神经网络理论为理论基础，结合板形理论以及板形在线检测方法，对宏观板形以及各板形分量进行综合的评价。本发明应用基于勒让德多项式最小二乘法的模式识别方法对板形进行在线实时模式识别，然后应用模糊综合评价理论建立板形综合评价指标模型，同时应用宏观板形数据以及各板形分量数据建立T-S型模糊神经网络，对宏观板形平均值以及各板形分量平均值进行综合的评价。本发明将各种板形数据有机得结合起来，建立了综合评价指标模型，实现了对板形质量的智能综合评价。

Description

冷轧带钢板形智能综合评价方法

技术领域

本发明涉及一种板带板形评价方法，特别涉及一种基于模糊理论以及T-S型模糊神经网络的冷轧带钢板形智能综合评价方法。

背景技术

板带材的生产在国民经济中有重要的地位，其广泛应用于汽车、家电、航空等领域。板形是衡量冷轧带钢产品级别的重要指标，板形问题一直是困扰钢铁企业的现场难题之一。板形仪的应用使得板形在线检测成为可能，也为板形闭环控制提供可靠的板形数据依据，在国内，燕山大学最新研制的整辊智能型板形检测辊已经成功应用于实际生产，且信号准确稳定，测量精度高，可达0.2I，闭环控制精度高达5～7I。

在对板带材的工程验收中，板形是划分带材等级的重要指标，现在常用的板形评价方法有四种：（1）残余应力最大值减最小值，（2）残余应力绝对值最大值，（3）残余应力均方差值，（4）残余应力绝对值平均值，它们都是对宏观板形的评价。定量评价冷轧带钢产品板形级别，对于指导板形控制和优化产品结构意义重大。然而在实际生产中，由于采用的评价方法不同，用户与厂家会对带材的等级级别产生异议，给用户和厂家都会造成损失。

为减少对带材定级产生的异议，充分利用板形仪在线检测的板形数据，需对板形数据进行适当的处理，本发明采用基于勒让德多项式的最小二乘法，对板形进行实时的模式识别，将1～4次板形分量与宏观板形一同作为评价指标，建立综合的板形评价指标模型。

对板形的模式识别技术采用刘宏民教授曾提出的含有三次板形的板形模式识别方法，这一方法适应了现在板形控制手段的多样化以及板形控制精度提高的特点，它的显著特点是识别速度快，识别精度高。选择1～4次勒让德多项式作为板形缺陷的基本模式，各种缺陷的表达式为：

左边浪的标准归一化方程为：Y₁=p₁(y)=y；

右边浪的标准归一化方程为：Y₂=-p₁(y)=-y；

中间浪的标准归一化方程为：

双边浪的标准归一化方程为：

右三分浪的标准归一化方程为：

左三分浪的标准归一化方程为：

四分浪的标准归一化方程为： $Y_7=p_4\left(y\right)=-\frac{1}{8}(35y^4-30y^2+3);$

边中浪的标准归一化方程为： $Y_8=-p_4\left(y\right)=-\frac{1}{8}({35y}^4-30y^2+3).$

为实现对板形质量的综合评价，引入人工智能的理论方法。从80年代开始，人工智能就引入了轧钢领域，所涉及的内容广泛，包括模糊理论、神经网络、遗传算法以及专家系统等方面。本发明应用模糊数学理论中的模糊综合评判理论方法，模糊综合评判是基于模糊变换理论的，其模糊变换的基本方程为：应用的运算法则是最大—最小法则。将模糊理论与神经网络结合构建模糊神经网络，T-S型模糊神经网络是由Takagi和Sugeno提出的，其网络结构为：设x=[x₁,x₂,...,x_n]^T为输入，其中x_i(i=1,2,3,…,n)是模糊语言变量； $T\left(x_i\right)=\{A_i^1,A_i^2,...,A_i^{s_i}\}(i=\mathrm{1,2},...,n)$ 是语言变量值的集合，其中 $A_i^{s_i}(s_i=\mathrm{1,2},...,m_i)$ 是x_i的第s_i个语言变量值；相应的隶属函数为： ${\mathrm{\μ}}_{A_i^{s_i}}\left(x_i\right)(i=\mathrm{1,2},...,n;s_i=\mathrm{1,2},...,m_i),$ 本发明采用的隶属函数具体表达式为： ${\mathrm{\μ}}_{A_i^{s_i}}\left(x_i\right)=\exp (-{(x_i-c_i^{s_i})}^2/b_i^{s_i})(i=\mathrm{1,2},...,n;s_i=\mathrm{1,2},...,m);$ T-S型模糊神经网络的模糊规则形式为： $R_j:\mathrm{if}{x}_1\mathrm{is}{A}_1^{s_1},x_2\mathrm{is}{A}_2^{s_2},...,x_n\mathrm{is}{A}_n^{s_n},\mathrm{then}{y}_{\mathrm{tj}}=p_0^t+p_1^t{x}_1+...+p_n^t{x}_n,$ 其中输入量采用单点模糊集合的模糊化方法，则对于给定输入x，每条规则的适用度为： $a_j={\mathrm{\μ}}_{A_1^{S_1}}\left(x_1\right)\⩓{\mathrm{\μ}}_{A_2^{s_2}}\left(x_2\right)\⩓...\⩓{\mathrm{\μ}}_{A_n^{s_n}}\left(x_n\right);$ 每条规则的输出量的加权平均是模糊系统的输出量，为： $y_k=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_j{y}_{\mathrm{kj}}/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_j=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\_}{a}}_j{y}_{\mathrm{kj}}$ 其中 ${\stackrel{\_}{a}}_j=a_j/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_j,k=\mathrm{1,2},...,r.$

发明内容

为了消除因用单一的宏观板形评价指标对板形进行评价而造成的冷轧带钢产品定级不准、存在异议的问题，本发明的目的在于提供一种冷轧带钢板形智能综合评价方法。该方法是以模糊综合评判理论以及模糊神经网络理论为理论基础的，结合板形检测方法以及基于勒让德多项式最小二乘法的模式识别方法，对在线检测的板形数据进行实时的模式识别，将宏观板形与1～4次板形分量一同作为板形评价的指标，用模糊综合评判理论建立板形综合评价指标模型，同时将在线检测数据应用于T-S型模糊神经网络的构建与训练，应用训练好的T-S型模糊神经网络对宏观板形平均值以及1～4次板形分量的平均值做出智能的综合评价。最终实现消除产品定级不准、存在异议的问题。

为了实现上述的目的，本发明采用下述技术方案：

一种冷轧带钢板形智能综合评价方法，其内容包括以下步骤：

a1、根据实际生产需要，设定宏观板形的档次级别的区间值，并设定各板形分量的档次级别的区间值x_ij(i=h,1,2,3,4,j=1,2,3,4)：

	优	良	合格	不合格
					宏观板形/(I)	(Ihmin,xh1]	(xh1,xh2]	(xh2,xh3]	(xh3,Ihmax]
1次板形/(I)	(I1min,x11]	(x11,x12]	(x12,x13]	(x13,I1max]
					2次板形/(I)	(I2min,x21]	(x21,x22]	(x22,x23]	(x23,I2max]
3次板形/(I)	(I3min,x31]	(x31,x32]	(x32,x33]	(x33,I3max]
					4次板形/(I)	(I4min,x41]	(x41,x42]	(x42,x43]	(x43,I4max]

其中Ii_j(i=h,1,2,3,4,j=min，max)是宏观板形以及1～4次板形分量的最小值与最大值；

a2、根据步骤a1计算宏观板形平均值以及各板形分量平均值的临界值：

	优(I级)	良(II级)	合格(III级)	不合格(IV级)
					宏观板形平均值/(I)≤	xh1	xh2	xh3	xh3+xh3/3
1次板形平均值/(I)≤	x11	x12	x13	x13+x13/3
					2次板形平均值/(I)≤	x21	x22	x23	x23+x23/3
3次板形平均值/(I)≤	x31	x32	x33	x33+x33/3
					4次板形平均值/(I)≤	x41	x42	x43	x43+x43/3

其中xi_j(i=h,1,2,3,4,j=1,2,3,4)与步骤a1中所设定的板形区间值的xi_j大小相同；

a3、在线检测板形数据，利用板形仪对冷轧带钢进行实时在线的板形测量，得到实时的板形数据；

a4、对检测的板形数据进行模式识别，其识别方法采用基于勒让德多项式的最小二乘法，选择1次、2次、3次、4次勒让德多项式作为板形缺陷的表达式，其识别结果是计算出各次分量的特征值a₁、a₂、a₃、a₄，并换算为各板形分量的板形值大小；

a5、根据步骤a3和步骤a4将宏观板形数据以及各板形分量数据构建为板形数据矩阵T：

$T=\left[\begin{array}{ccccc}{t}_{11}& t_{12}& t_{13}& ...& t_{1n}\\ t_{21}& t_{22}& t_{23}& ...& t_{2n}\\ t_{31}& t_{32}& t_{33}& ...& t_{3n}\\ t_{41}& t_{42}& t_{43}& ...& t_{4n}\\ t_{51}& t_{52}& t_{53}& ...& t_{5n}\end{array}\right],$

其中第1行表示宏观板形检测数据，第2行至第5行表示与宏观板形数据对应的1～4次板形分量数据，n为检测板形数据的个数；

a6、根据步骤a2所设定的板形级别临界值计算步骤a5中T矩阵每列数据的级别，得到向量X=(x₁,x₂,x₃...x_n)，其中，x_i(i=1,2,3,…n)表示T矩阵中第i列板形数据按照步骤a2的等级划分计算的板形级别；

a7、对由步骤a5计算的矩阵T按行进行归一化处理，使t_ij∈[-1,1]，应用归一化的矩阵T以及由步骤a6计算的向量X构建T-S型模糊神经网络；

a8、对由步骤a7构建的T-S型模糊神经网络进行训练，设定训练参数：最大迭代次数m为500，网络的学习系数α=0.05；

a9、对所有检测的板形数据进行处理，计算宏观板形的平均值，同时计算1～4次板形分量的平均值，得到板形平均值的向量x，其中是宏观板形平均值，是1～4次板形分量的平均值；

a10、应用由步骤a8训练过的T-S型模糊神经网络以及由步骤a9计算的板形平均值向量x计算板形平均值的综合评价等级k，k=1,2,3,4分别代表：优(I级)、良(II级)、合格(III级)、不合格(IV级)这四个等级；

a11、由步骤a5得到的宏观板形数据以及各板形分量数据的矩阵T，按照步骤a1的档次划分计算各档次下的板形概率p_ij(i=1,2,3,4,5；j=1,2,3,4)：

	优	良	合格	不合格
					宏观板形概率	p11	p12	p13	p14
1次板形概率	p21	p22	p23	p24
					2次板形概率	p31	p32	p33	p34
3次板形概率	p41	p42	p43	p44
					4次板形概率	p51	p52	p53	p54

a12、令r_ij=p_ij(i=1,2,3,4,5,j=1,2,3,4)，得到矩阵

$\underset{~}{R}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& r_{13}& r_{14}\\ r_{21}& r_{22}& r_{23}& r_{24}\\ r_{31}& r_{32}& r_{33}& r_{34}\\ r_{41}& r_{42}& r_{43}& r_{44}\\ r_{51}& r_{52}& r_{53}& r_{54}\end{array}\right];$

a13、设定宏观板形的权重d₁，设定1～4次板形分量的权重d₂～d₅，得到权重矩阵 $\underset{~}{D}=[d_1,d_2,d_3,d_4,d_5];$

a14、按最大—最小法则计算板形综合评价矩阵其中其中“∨”表示最大运算，“∧”表示最小运算，若则使其归一化处理，计算结束。

由于采用上述技术方案，本发明提供的一种冷轧带钢板形智能综合评价方法，与现有技术相比具有这样的有益是：

本发明应用板形仪对冷轧带钢进行实时在线的板形检测，应用基于勒让德多项式最小二乘法的板形模式识别方法对板形进行实时在线的模式识别，计算1～4次板形分量的特征值，将宏观板形与各板形分量一同作为板形级别评价指标，基于模糊综合评判理论建立板形综合评价指标模型，实现对板形的综合评价，消除因单一评价指标而造成的板形质量定级不准、存在异议的问题；同时应用宏观板形数据以及各板形分量数据构建并训练T-S型模糊神经网络，用T-S网络对宏观板形平均值以及各板形分量平均值进行智能的综合评价。

附图说明

说明书附图是冷轧带钢板形智能综合评价方法的计算流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

图1是本发明冷轧带钢板形智能综合评价方法的计算流程图，现以某1050轧机的其中一卷带钢在线检测数据为例，建立冷轧带钢的在线板形统计模型。收集第5道次的板形数据，入口厚度为0.59mm，出口厚度为0.42mm，宽度为910mm。

首先，根据现场的实际生产，设定宏观板形的档次级别的区间值，并设定各板形分量的档次级别的区间值：

	优	良	合格	不合格
					宏观板形/(I)	(Ihmin,4]	(4,8]	(8,12]	(12,Ihmax]
1次板形/(I)	(I1min,1]	(1,2]	(2,3]	(3,I1max]
					2次板形/(I)	(I2min,2]	(2,3.5]	(3.5,4.5]	(4.5,I2max]
3次板形/(I)	(I3min,1]	(1,2]	(2,3]	(3,I3max]
					4次板形/(I)	(I4min,2]	(2,3.3]	(3.3,4.5]	(4.5,I4max]

其中Ii_j(i=h,1,2,3,4,j=min，max)是宏观板形以及1～4次板形分量的最小值与最大值，其值大小由板形数据计算得出，并非人为设定；

随后，计算宏观板形平均值以及各板形分量平均值的临界值：

	优(I级)	良(II级)	合格(III级)	不合格(IV级)
					宏观板形平均值/(I)≤	4	8	12	16
1次板形平均值/(I)≤	1	2	3	4
					2次板形平均值/(I)≤	2	3.5	4.5	6
3次板形平均值/(I)≤	1	2	3	4
					4次板形平均值/(I)≤	2	3.3	4.5	6

随后，对带钢进行实时在线的板形数据监测，得到板形数据；

随后，应用基于勒让德多项式最小二乘法的模式识别方法对板形进行实时在线的板形识别，得到1～4次板形分量的特征值a₁、a₂、a₃、a₄并换算为板形值，直至第5道次轧制结束；

随后，将在线检测的宏观板形数据以及经模式识别的各板形分量数据构建板形数据矩阵T；

随后，根据所设定的宏观板形平均值以及各板形分量平均值的临界值，计算T矩阵中每列数据的板形级别，得到板形级别向量X；

随后，对T矩阵按行进行归一化处理，使得每行数据的取值范围在[-1,1]区间，减少因为各板形类型数据的差距较大而带来的误差，然后用归一化了的T矩阵与板形级别向量X构建T-S型模糊神经网络；

随后，对构建好的T-S型模糊神经网络进行训练，设置训练的最大迭代次数为500，网络的学习系数α=0.05；

随后，对检测所得的板形数据进行处理，计算宏观板形的平均值，同时计算1～4次板形分量的平均值，得到板形平均值的向量x；

随后，用训练好的T-S型模糊神经网络对板形平均值向量x进行计算，得到板形平均值的综合评价等级k=2，即，将宏观板形平均值以及1～4次板形分量的平均值作为板形综合评价指标，得到的板形质量等级为：良（II级）；

随后，由宏观板形数据以及各板形分量数据组成的矩阵T，按照所设定的宏观板形档次以及各板形分量档次的区间值计算各档次下的板形概率p_ij(i=1,2,3,4,5；j=1,2,3,4)：

	优	良	合格	不合格
					宏观板形概率	p11=0.2078	p12=0.3384	p13=0.3061	p14=0.1477
1次板形概率	p21=0.1071	p22=0.5375	p23=0.3317	p240.0237
					2次板形概率	p31=0.1377	p32=0.4698	p33=0.2739	p34=0.1186
3次板形概率	p41=0.1643	p42=0.4042	p43=0.3384	p44=0.0931
					4次板形概率	p51=0.2023	p52=0.3964	p53=0.2956	p54=0.1057

随后，令r_ij=p_ij(i=1,2,3,4,5,j=1,2,3,4)，得到矩阵

$\underset{~}{R}=\left[\begin{array}{cccc}0.2078& 0.3384& 0.3061& 0.1477\\ 0.1071& 0.5375& 0.3317& 0.0237\\ 0.1377& 0.4698& 0.2739& 0.1186\\ 0.1643& 0.4042& 0.3384& 0.0931\\ 0.2023& 0.3964& 0.2956& 0.1057\end{array}\right];$

随后，设定宏观板形的权重d₁=0.4以及1～4次板形分量的权重d₂=0.34，d₃=0.12，d₄=0.06，d₅=0.08，得到权重矩阵

最后，按最大—最小法则计算板形综合评价矩阵其中其中“∨”表示最大运算，“∧”表示最小运算，例如，b₁=(0.4∧0.2078)∨(0.34∧0.1071)∨(0.12∧0.1377)∨(0.06∧0.1643)∨(0.08∧0.2023)=0.2078∨0.1071∨0.12∨0.06∨0.08，=0.2078

同理可得b₂=0.34，b₃=0.3317，b₄=0.1477，因为所以需对b_j（j=1,2,3,4）进行归一化处理经归一化处理可得b₁=0.2023，b₂=0.3310，b₃=0.3229，b₄=0.1438，所得向量为：经分析可知b₂最大，即此卷带钢应归属为“良”级别的产品，但是与“合格”级别(b₃)的产品差距不大，同时“优”级别(b₁)的产品所占比重太小，所以板形控制的精度还有待提高，计算结束。

Claims (1)

1.一种冷轧带钢板形智能综合评价方法，其特征在于：其内容包括以下步骤：

a1、根据实际生产需要，设定宏观板形档次级别的区间值，并设定1～4次板形分量档次级别的区间值x_ij(i＝h,1,2,3,4,j＝1,2,3,4)：

优 良 合格 不合格 宏观板形 (I_hmin,x_h1] (x_h1,x_h2] (x_h2,x_h3] (x_h3,I_hmax] 1次板形 (I_1min,x₁₁] (x₁₁,x₁₂] (x₁₂,x₁₃] (x₁₃,I_1max] 2次板形 (I_2min,x₂₁] (x₂₁,x₂₂] (x₂₂,x₂₃] (x₂₃,I_2max] 3次板形 (I_3min,x₃₁] (x₃₁,x₃₂] (x₃₂,x₃₃] (x₃₃,I_3max] 4次板形 (I_4min,x₄₁] (x₄₁,x₄₂] (x₄₂,x₄₃] (x₄₃,I_4max]

其中I_ij(i＝h,1,2,3,4；j＝min，max)是宏观板形以及1～4次板形分量的最小值与最大值；

a2、根据步骤a1计算宏观板形平均值以及各板形分量平均值的临界值：

优(I级) 良(II级) 合格(III级) 不合格(IV级) 宏观板形平均值≤ x_h1 x_h2 x_h3 x_h3+x_h3/3 1次板形平均值≤ x₁₁ x₁₂ x₁₃ x₁₃+x₁₃/3 2次板形平均值≤ x₂₁ x₂₂ x₂₃ x₂₃+x₂₃/3 3次板形平均值≤ x₃₁ x₃₂ x₃₃ x₃₃+x₃₃/3 4次板形平均值≤ x₄₁ x₄₂ x₄₃ x₄₃+x₄₃/3

其中x_ij(i＝h,1,2,3,4；j＝1,2,3,4)与步骤a1中所设定的板形区间值的x_ij大小相同；

a3、在线检测板形数据，利用板形仪对冷轧带钢进行实时在线的板形测量，得到实时的板形数据；

a4、对检测的板形数据进行模式识别，其识别方法采用基于勒让德多项式的最小二乘法，选择1次、2次、3次、4次勒让德多项式作为板形缺陷的表达式，其识别结果是计算出各次板形分量的特征值a₁、a₂、a₃、a₄，并换算为各板形分量的板形值；

a5、根据步骤a3和步骤a4将宏观板形数据以及各板形分量数据构建为板形数据矩阵T， $T=\left[\begin{array}{ccccc}{t}_{11}& t_{12}& t_{13}& ...& t_{1n}\\ t_{21}& t_{22}& t_{23}& ...& t_{2n}\\ t_{31}& t_{32}& t_{33}& ...& t_{3n}\\ t_{41}& t_{42}& t_{43}& ...& t_{4n}\\ t_{51}& t_{52}& t_{53}& ...& t_{5n}\end{array}\right],$

其中第1行表示宏观板形检测数据，第2行至第5行表示与宏观板形数据对应的1～4次板形分量数据，n为板形检测数据的个数；

a6、根据步骤a2所设定的板形级别临界值计算步骤a5中T矩阵每列数据的级别，得到向量X＝(x₁,x₂,x₃...x_n)，其中，x_i(i＝1,2,3,…n)表示T矩阵中第i列板形数据按照步骤a2的等级划分计算的板形级别；

a7、对由步骤a5计算的矩阵T按行进行归一化处理，使t_ij∈[-1,1](i＝1,2,3,4,5；j＝1,2,3…n)，应用归一化的矩阵T以及由步骤a6计算的向量X构建T-S型模糊神经网络；

a8、对由步骤a7构建的T-S型模糊神经网络进行训练，设定训练参数：最大迭代次数为500，网络的学习系数α＝0.05；

a9、对所检测的板形数据进行处理，计算宏观板形的平均值，同时计算1～4次板形分量的平均值，得到板形平均值的向量x，其中是宏观板形平均值，是1～4次板形分量的平均值；

a10、用步骤a8训练过的T-S型模糊神经网络和步骤a9所得的板形平均值向量x计算板形等级k，k＝1,2,3,4分别代表：优(I级)、良(II级)、合格(III级)、不合格(IV级)四个等级；

a11、由步骤a5得到的板形数据矩阵T，按照步骤a1的档次划分计算各档次级别下的板形概率p_ij(i＝1,2,3,4,5；j＝1,2,3,4)：

优 良 合格 不合格 宏观板形概率 p₁₁ p₁₂ p₁₃ p₁₄ 1次板形概率 p₂₁ p₂₂ p₂₃ p₂₄ 2次板形概率 p₃₁ p₃₂ p₃₃ p₃₄ 3次板形概率 p₄₁ p₄₂ p₄₃ p₄₄ 4次板形概率 p₅₁ p₅₂ p₅₃ p₅₄

a12、令r_ij＝p_ij(i＝1,2,3,4,5；j＝1,2,3,4)，得到矩阵

$\underset{~}{R}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& r_{13}& r_{14}\\ r_{21}& r_{22}& r_{23}& r_{24}\\ r_{31}& r_{32}& r_{33}& r_{34}\\ r_{41}& r_{42}& r_{43}& r_{44}\\ r_{51}& r_{52}& r_{53}& r_{54}\end{array}\right];$

a13、设定宏观板形的权重d₁，设定1～4次板形分量的权重d₂～d₅，得到权重向量 $\underset{~}{D}=\[d_1,d_2,d_3,d_4,d_5\];$

a14、按最大—最小法则计算板形综合评价矩阵 其中其中“∨”表示最大运算，“∧”表示最小运算，若则使其归一化处理，计算结束。