CN106773774A - 一种适合交叉轧制的模型学习方法 - Google Patents
一种适合交叉轧制的模型学习方法 Download PDFInfo
- Publication number
- CN106773774A CN106773774A CN201510810130.6A CN201510810130A CN106773774A CN 106773774 A CN106773774 A CN 106773774A CN 201510810130 A CN201510810130 A CN 201510810130A CN 106773774 A CN106773774 A CN 106773774A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- steel grade
- steel
- rolling
- degree
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种适合交叉轧制的模型学习方法,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定后轧制的钢种模糊矩阵,根据模糊矩阵值来确定前后轧制的钢种相似程度,确定后轧制钢种的学习继承程度。优点是:引入模糊数学控制算法,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定其模糊矩阵,根据模糊矩阵值来确定其相似程度,确定其学习继承的程度,防止热轧带钢交叉轧制过程中,因模型学习不准导致的轧制不稳定起套卡钢事故,实现了自由轧制,提高了模型设定精度,轧制过程稳定,提高了产品质量。
Description
技术领域
本发明涉及一种轧制过程数学模型的自动修正方法,尤其涉及一种适合交叉轧制的模型学习方法。
背景技术
目前,国内、外的热连轧厂采用的数学模型基本上有GE模型、西门子模型和日本三菱模型。三菱模型采用经典的金属压力加工公式,GE、西门子模型采用经验公式,其学习方法都使用上次轧制时的实际数据来进行学习,无论是哪种模型都适合批量轧制,批量越大,同一钢种、规格轧制越多轧制过程越稳定,产品质量精度越高。反之交叉轧制时,不仅规格、钢种交叉,炉序也交叉,都不同程度地存在轧制不稳定,产品质量精度低的问题。围绕交叉轧制时如何提高轧制稳定性,开发出一套适合交叉轧制的模型学习方法,是我们的当务之急。
发明内容
为克服现有技术的不足,本发明的目的是提供一种适合交叉轧制的模型学习方法,引入模糊数学控制算法,增强生产过程的稳定性,防止热轧带钢交叉轧制过程中,因模型学习不准导致的轧制不稳定起套卡钢事故,提高产品质量,实现自由轧制。
为实现上述目的,本发明通过以下技术方案实现:
一种适合交叉轧制的模型学习方法,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定后轧制的钢种模糊矩阵,根据模糊矩阵值来确定前后轧制的钢种相似程度,确定后轧制钢种的学习继承程度,具体包括以下步骤:
1)用数学方法定义模糊集论域U为前面轧过的钢分类,在系统内存中开辟一缓存,存储轧过的钢数据并随时更新,建立模糊子集A的隶属函数,用ZADEH表示法来表示模糊集:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un;
采用模糊分布法,收集生产实际数据,采集多块钢的数据,对采集的数据按厚度、宽度、钢种进行分类,进行模糊聚类分析,并将其应用于轧线前滑学习模糊建模,最终确定的模糊矩阵R;
2)矩阵值R为钢种、规格的相似程度,根据相似程度来确定模型的继承程度:当矩阵值R为1的量,则两类钢完全一致,学习可以完全继承;当矩阵值R为0的量,则两类钢完全不一致,学习不继承。
所述的模糊聚类分析采用的是MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析,根据钢种、规格的分布情况,依照T-S模糊建模算法确定模糊集的隶属函数,用黄金分割法确定模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数。
所述的收集生产实际数据,采集至少2万块钢的数据。
与现有技术相比,本发明的有益效果是:
引入模糊数学控制算法,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定其模糊矩阵,根据模糊矩阵值来确定其相似程度,确定其学习继承的程度,防止热轧带钢交叉轧制过程中,因模型学习不准导致的轧制不稳定起套卡钢事故,实现了自由轧制,提高了模型设定精度,轧制过程稳定,提高了产品质量。
具体实施方式
下面对本发明进行详细地描述,但是应该指出本发明的实施不限于以下的实施方式。
学习模型不仅考虑上次轧制本规格钢的实际数据还要考虑当前的轧制工况,对以前轧制的钢进行分类,把当前轧制的钢与分类中的钢进行对比,按照其相似程度来进行学习,引进了模糊数学的理念。
首先用数学方法定义模糊集论域U为前面轧过的钢的20种分类,在系统内存中开辟一缓存,存储轧过的20类钢数据并随时更新,建立模糊子集A的隶属函数,我们用ZADEH表示法来表示模糊集:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un;
隶属函数是建立模糊集的基石,隶属函数的确定,无论从理论上还是实践上都是模糊数学及其应用的基本而关键的问题,论域U上的隶属函数就是U到[0,1]的一个实值函数,确定隶属函数的方法有很多种,我们采用模糊分布法,根据2150生产线1月到3月的生产实际数据,采集了大约2万块钢的数据,对采集的2万个数据按厚度、宽度、钢种进行了分类,进行模糊聚类分析,模糊聚类分析是按照某种规则或推理对带有模糊性的事物进行分类的方法,我们采用的是MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析,根据钢种、规格的分布情况,依照T-S模糊建模算法确定模糊集的隶属函数;用黄金分割法确定满意的模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数,大大提高了原有聚类算法的收敛速度和聚类精度。并将其应用于轧线前滑学习模糊建模,最终确定的模糊矩阵:
把模糊计算结果与传统的模型学习结果有机结合起来,矩阵值R为钢种、规格的相似程度,根据相似程度来确定模型的继承程度,矩阵值为1的量,我们认为两类钢完全一致,学习可以完全继承矩阵值为0的量,我们认为两类钢完全不一致,学习不继承。
本方法已投入在线控制,取得了比较满意的效果。本方法不同于常规模型学习方法的关键之处在于引入了模糊控制理念,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定其模糊矩阵,根据模糊矩阵值来确定其相似程度,确定其学习继承的程度,既增加生产过程的稳定性,又提高产品的实物质量,满足生产实际的需要。该学习方法打破了传统的模型学习理念,率先引入模糊数学控制算法。因而,本方法具有较大的推广使用价值。
Claims (3)
1.一种适合交叉轧制的模型学习方法,其特征在于,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,确定后轧制的钢种模糊矩阵,根据模糊矩阵值来确定前后轧制的钢种相似程度,确定后轧制钢种的学习继承程度,具体包括以下步骤:
1)用数学方法定义模糊集论域U为前面轧过的钢分类,在系统内存中开辟一缓存,存储轧过的钢数据并随时更新,建立模糊子集A的隶属函数,用ZADEH表示法来表示模糊集:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un;
采用模糊分布法,收集生产实际数据,采集多块钢的数据,对采集的数据按厚度、宽度、钢种进行分类,进行模糊聚类分析,并将其应用于轧线前滑学习模糊建模,最终确定的模糊矩阵R;
2)矩阵值R为钢种、规格的相似程度,根据相似程度来确定模型的继承程度:当矩阵值R为1的量,则两类钢完全一致,学习可以完全继承;当矩阵值R为0的量,则两类钢完全不一致,学习不继承。
2.根据权利要求1所述的一种适合交叉轧制的模型学习方法,其特征在于,步骤1)所述的模糊聚类分析采用的是MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析,根据钢种、规格的分布情况,依照T-S模糊建模算法确定模糊集的隶属函数,用黄金分割法确定模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数。
3.根据权利要求1所述的一种适合交叉轧制的模型学习方法,其特征在于,步骤1)所述的收集生产实际数据,采集至少2万块钢的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510810130.6A CN106773774A (zh) | 2015-11-19 | 2015-11-19 | 一种适合交叉轧制的模型学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510810130.6A CN106773774A (zh) | 2015-11-19 | 2015-11-19 | 一种适合交叉轧制的模型学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106773774A true CN106773774A (zh) | 2017-05-31 |
Family
ID=58886037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510810130.6A Pending CN106773774A (zh) | 2015-11-19 | 2015-11-19 | 一种适合交叉轧制的模型学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106773774A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN103377318A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢在线板形统计方法 |
CN103376085A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢板形智能综合评价方法 |
CN103394520A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形模糊控制方法 |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
CN105488319A (zh) * | 2014-09-19 | 2016-04-13 | 鞍钢股份有限公司 | 一种适于交叉轧制的模型学习方法 |
-
2015
- 2015-11-19 CN CN201510810130.6A patent/CN106773774A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN103377318A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢在线板形统计方法 |
CN103376085A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢板形智能综合评价方法 |
CN103394520A (zh) * | 2013-08-02 | 2013-11-20 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形模糊控制方法 |
CN105488319A (zh) * | 2014-09-19 | 2016-04-13 | 鞍钢股份有限公司 | 一种适于交叉轧制的模型学习方法 |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615638B (zh) | 一种面向大数据的分布式密度聚类方法 | |
CN101158693B (zh) | 基于多核独立元分析的批量生产过程故障检测方法 | |
CN101719277B (zh) | 一种遗传模糊聚类图像分割方法 | |
CN111079342A (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
CN107392224A (zh) | 一种基于三通道卷积神经网络的作物病害识别算法 | |
CN109847916B (zh) | 一种水泥原料立磨系统的节能优化方法 | |
DE112015007176T5 (de) | Visuelle Erkennung unter Verwendung von Deep Learning-Attributen | |
CN106446964B (zh) | 一种增量式的梯度提升决策树更新方法 | |
CN105676817A (zh) | 不同大小样本均值-标准偏差控制图的统计过程控制方法 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN107844798A (zh) | 一种基于机器学习的海量数据中检测异常值的方法 | |
CN104992454A (zh) | 一种区域化自动变类的图像分割方法 | |
CN108537288A (zh) | 一种基于互信息的实时特征提取方法 | |
Zhang et al. | Multi factor stock selection model based on LSTM | |
CN109919994A (zh) | 一种基于深度学习图像处理的采煤机滚筒自动调高系统 | |
CN106773774A (zh) | 一种适合交叉轧制的模型学习方法 | |
CN110773580B (zh) | 一种基于XGBoost算法计算轧制力的方法及系统 | |
CN104881688A (zh) | 一种两阶段的基于差分进化和模糊c-均值的聚类算法 | |
CN105855298B (zh) | 一种高精度含硼钢热轧轧制力计算方法 | |
CN104636318B (zh) | 一种大数据方差标准差的分布式或增量计算方法 | |
CN102663434A (zh) | 甘蔗茎节识别方法 | |
CN104933011A (zh) | 关系模型的确定方法及装置 | |
CN115108595A (zh) | 基于机器学习的净水剂智能投加方法 | |
CN114582439A (zh) | 一种基于应用场景的土壤盐碱地改良剂筛选方法及系统 | |
CN109064009B (zh) | 基于ems数据的变电站行业比例获取方法及计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |