CN107045585B - 一种轧制模型自学习系数确定方法 - Google Patents
一种轧制模型自学习系数确定方法 Download PDFInfo
- Publication number
- CN107045585B CN107045585B CN201710347321.2A CN201710347321A CN107045585B CN 107045585 B CN107045585 B CN 107045585B CN 201710347321 A CN201710347321 A CN 201710347321A CN 107045585 B CN107045585 B CN 107045585B
- Authority
- CN
- China
- Prior art keywords
- kth
- rolled piece
- self study
- model self
- rolling model
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Abstract
本发明提供一种轧制模型自学习系数确定方法,能有效地描述轧制模型自学习系数与产品规格的关系。所述方法包括:当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中;基于预先确定的厚度分档位置和宽度分档位置,确定第k轧件的厚度分档位置、宽度分档位置;根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取轧件历史记录进行多元非线性回归,得到回归方程;利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值。本发明涉及自动化模型领域。
Description
技术领域
本发明涉及自动化模型领域,特别是指一种轧制模型自学习系数确定方法。
背景技术
近年来,带钢轧制过程自动化的模型自学习对提高模型预报精度和产品质量稳定性至关重要。模型自学习系数是用于修正实际生产过程中的模型预报误差,一般来说,不同的钢种和产品规格有不同的模型自学习系数,如何处理模型自学习系数与产品规格的关系直接影响模型自学习的效果。目前最常用的模型自学习系数处理方法为模型自学习系数层别表。
模型自学习系数层别表是按钢种和产品规格分档来存储对应的模型自学习系数。当轧件轧制完成后根据其产品规格所属的分档直接更新对应的模型自学习系数,而在后续轧制的设定计算过程中也是根据轧件产品规格所属的分档取出对应的模型自学习系数。层别表方式能够非常直观展示模型自学习系数在全部规格分档的取值情况,也可以提前对某个分档位置的取值进行干预修正,因此易于人工维护。然而,由于采用有限的分档层别以及机械的更新方式,不能有效地描述轧制模型自学习系数与产品规格的关系。
发明内容
本发明要解决的技术问题是提供一种轧制模型自学习系数确定方法,以解决现有技术所存在的不能有效地描述轧制模型自学习系数与产品规格的关系的问题。
为解决上述技术问题,本发明实施例提供一种轧制模型自学习系数确定方法,包括:
确定第k轧件的产品规格,所述第k轧件的产品规格包括:第k轧件所属的钢种族、成品厚度、成品宽度;
根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制;
当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中;
基于预先确定的厚度分档位置和宽度分档位置,确定第k轧件的成品厚度所对应的厚度分档位置、成品宽度所对应的宽度分档位置;
根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程;
利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值。
进一步地,在根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制之前,所述方法包括:
获取轧制生产线的成品厚度范围[Hmin,Hmax]和成品宽度范围[Wmin,Wmax];
将获取的成品厚度范围[Hmin,Hmax]分成n档,其分档位置记为HI,其中,0<I<n+1;
将获取的成品宽度范围[Wmin,Wmax]分成m档,其分档位置记为WJ,其中,0<J<m+1;
基于分档位置,为每一钢种族分别建立轧制模型自学习系数层别表,所述轧制模型自学习系数层别表,用于存储各分档位置的轧制模型自学习系数;
其中,所述轧制模型自学习系数包括:轧制力模型自学习系数、轧制力矩模型自学习系数、温度模型自学习系数中的一种。
进一步地,所述根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制包括:
根据确定的第k轧件的产品规格,采用双线性插值方法从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制。
进一步地,所述当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中包括:
当第k轧件完成轧制后,将第k轧件所属的钢种族、成品厚度、成品宽度、轧制模型自学习系数组成一条轧件历史记录,并按照轧制先后顺序保存到预设的历史记录数据集中。
进一步地,所述方法还包括:
通过厚度分档位置的计算公式,确定厚度分档位置,所述厚度分档位置的计算公式表示为:
其中,HI表示厚度分档位置的取值,n表示厚度档数,Hmax、Hmin分别表示成品厚度范围的最大值和最小值;
通过宽度分档位置的计算公式,确定宽度分档位置,所述宽度分档位置的计算公式表示为:
其中,WJ表示宽度分档位置的取值,m表示宽度档数,Wmax、Wmin分别表示成品宽度范围的最大值和最小值。
进一步地,所述根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程包括:
根据确定的第k轧件的厚度分档位置HI和宽度分档位置WJ及所属钢种族,从预设的历史记录数据集获取成品厚度和宽度分别在[HI-1,HI+2]和[WJ-1,WJ+2]范围内且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程。
进一步地,所述回归方程表示为:
α=b0+b1h+b2w+b3h2+b4w2+b5hw
其中,α表示轧制模型自学习系数,b0~b5表示回归公式的系数,h表示成品厚度,w表示成品宽度。
进一步地,所述计算分档位置的轧制模型自学习系数包括:
分别计算(HI,WJ)、(HI+1,WJ)、(HI,WJ+1)、(HI+1,WJ+1)分档位置的轧制模型自学习系数。
进一步地,所述与第k轧件所属钢种族f所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值包括:
αnew=βα*+(1-β)αold
αold=αnew
其中,αnew表示更新后的αold,β表示加权系数,α*表示计算得到的分档位置的轧制模型自学习系数,αold表示旧值。
进一步地,在所述利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族f所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值之后,所述方法还包括:
在轧制第k+1轧件时,根据第k+1轧件所属的钢种族、成品厚度和成品宽度,在第k+1轧件所属钢种族所对应的轧制模型自学习系数层别表中,从厚度和宽度两个维度上,采用双线性插值方法获取第k+1轧件所对应的轧制模型自学习系数。
本发明的上述技术方案的有益效果如下:
上述方案中,针对一定产品规格范围,通过采用多元非线性回归方法既可以保证获得类似神经网络的拟合精度,又便于实际生产过程在线操作;再基于得到的回归方程计算出各分档位置的轧制模型自学习系数并更新轧制模型自学习系数层别表中相应的旧值;这样,通过轧制模型自学习系数层别表能够非常直观展示轧制模型自学习系数在各分档位置的取值情况,也便于用户提前对某个分档位置的取值进行干预修正,易于人工维护,且通过轧制模型自学习系数层别表中各元素间接保存多个回归方程,又能有效地描述轧制模型自学习系数与产品规格的关系。
附图说明
图1为本发明实施例提供的轧制模型自学习系数确定方法的流程示意图;
图2为本发明实施例提供的宽厚层别分档位置示意图;
图3为本发明实施例提供的轧制模型自学习系数回归拟合曲面示意图;
图4为本发明实施例提供的采用双线性插值方法获取轧制模型自学习系数示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的不能有效地描述轧制模型自学习系数与产品规格的关系的问题,提供一种轧制模型自学习系数确定方法。
如图1所示,本发明实施例提供的轧制模型自学习系数确定方法,包括:
S101,确定第k轧件的产品规格,所述第k轧件的产品规格包括:第k轧件所属的钢种族、成品厚度、成品宽度;
S102,根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制;
S103,当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中;
S104,基于预先确定的厚度分档位置和宽度分档位置,确定第k轧件的成品厚度所对应的厚度分档位置、成品宽度所对应的宽度分档位置;
S105,根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程;
S106,利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值。
本发明实施例所述的轧制模型自学习系数确定方法,针对一定产品规格范围,通过采用多元非线性回归方法既可以保证获得类似神经网络的拟合精度,又便于实际生产过程在线操作;再基于得到的回归方程计算出各分档位置的轧制模型自学习系数并更新轧制模型自学习系数层别表中相应的旧值;这样,通过轧制模型自学习系数层别表能够非常直观展示轧制模型自学习系数在各分档位置的取值情况,也便于用户提前对某个分档位置的取值进行干预修正,易于人工维护,且通过轧制模型自学习系数层别表中各元素间接保存多个回归方程,又能有效地描述轧制模型自学习系数与产品规格的关系。
本实施例中,所述一定产品规格范围在实际应用中,可以根据实际情况确定。
本实施例中,假设,所述第k轧件的钢种族可以用f表示、成品厚度可以用h表示、成品宽度可以用w表示。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,在根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制之前,所述方法包括:
获取轧制生产线的成品厚度范围[Hmin,Hmax]和成品宽度范围[Wmin,Wmax];
将获取的成品厚度范围[Hmin,Hmax]分成n档,其分档位置记为HI,其中,0<I<n+1;
将获取的成品宽度范围[Wmin,Wmax]分成m档,其分档位置记为WJ,其中,0<J<m+1;
基于分档位置,为每一钢种族分别建立轧制模型自学习系数层别表,所述轧制模型自学习系数层别表,用于存储各分档位置的轧制模型自学习系数;
其中,所述轧制模型自学习系数包括:轧制力模型自学习系数、轧制力矩模型自学习系数、温度模型自学习系数中的一种。
如图2所示,本实施例中,可以将轧制生产线的成品厚度范围[Hmin,Hmax]分成n档,其分档位置记为HI,其中,0<I<n+1;成品宽度范围[Wmin,Wmax]分成m档,其分档位置记为WJ,其中,0<J<m+1;基于分档位置,为每一钢种族分别建立轧制模型自学习系数层别表,所述轧制模型自学习系数层别表,用于存储各分档位置的轧制模型自学习系数。
本实施例中,所述轧制模型自学习系数层别表只包含轧制模型自学习系数,每个钢种族一个轧制模型自学习系数层别表,轧制模型自学习系数层别表中每个位置所对应的分档层别是事先定义好的。
本实施例中,作为一可选实施例,所述方法还包括:
通过厚度分档位置的计算公式,确定厚度分档位置,所述厚度分档位置的计算公式表示为:
其中,HI表示厚度分档位置的取值,n表示厚度档数,Hmax、Hmin分别表示成品厚度范围的最大值和最小值;
通过宽度分档位置的计算公式,确定宽度分档位置,所述宽度分档位置的计算公式表示为:
其中,WJ表示宽度分档位置的取值,m表示宽度档数,Wmax、Wmin分别表示成品宽度范围的最大值和最小值。
本实施例中,根据确定的厚度分档位置和宽度分档位置,确定第k轧件的成品厚度h和成品宽度w所对应的厚度分档位置HI和宽度分档位置WJ:
HI≤h<HI+1
WJ≤w<WJ+1
本实施例中,轧制模型自学习系数层别表中各分档位置的轧制模型自学习系数的初始值可以取1.0或0.0;具体的,对于乘法自学习方法取1.0,对于加法自学习方法取0.0。
本实施例中,所述轧制模型自学习系数包括:轧制力模型自学习系数、轧制力矩模型自学习系数、温度模型自学习系数中的一种。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,所述根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制包括:
根据确定的第k轧件的产品规格,采用双线性插值方法从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制。
本实施例中,通过双线性插值方法获取具体产品规格的轧制模型自学习系数,不但解决了在分档位置附近出现跳变的问题,还能保持之前回归方程的拟合精度,而且产品规格的分档位置也无需精细设计。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,所述当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中包括:
当第k轧件完成轧制后,将第k轧件所属的钢种族、成品厚度、成品宽度、轧制模型自学习系数组成一条轧件历史记录,并按照轧制先后顺序保存到预设的历史记录数据集中。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,所述根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程包括:
根据确定的第k轧件的厚度分档位置HI和宽度分档位置WJ及所属钢种族,从预设的历史记录数据集获取成品厚度和宽度分别在[HI-1,HI+2]和[WJ-1,WJ+2]范围内且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程。
本实施例中,根据确定的第k轧件的厚度分档位置HI和宽度分档位置WJ及所属钢种族,从预设的历史记录数据集中取出预设时间段内生产的N(10<N<100)块钢种族为f且成品厚度和宽度分别在[HI-1,HI+2]和[WJ-1,WJ+2]范围内的轧件历史记录进行多元非线性回归,得到回归方程:
α=b0+b1h+b2w+b3h2+b4w2+b5hw
其中,α表示轧制模型自学习系数,b0~b5表示回归公式的系数,h表示成品厚度,w表示成品宽度。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,所述计算分档位置的轧制模型自学习系数包括:
分别计算(HI,WJ)、(HI+1,WJ)、(HI,WJ+1)、(HI+1,WJ+1)分档位置的轧制模型自学习系数。
本实施例中,利用回归方程分别计算(HI,WJ)、(HI+1,WJ)、(HI,WJ+1)、(HI+1,WJ+1)分档位置的轧制模型自学习系数α*,与第k轧件所属钢种族f所对应的轧制模型自学习系数层别表中对应的旧值进行加权平均后并更新旧值:
αnew=βα*+(1-β)αold
αold=αnew
其中,αnew表示更新后的αold,β表示加权系数,α*表示计算得到的分档位置的轧制模型自学习系数,αold表示旧值。
本实施例中,β和(1-β)分别为权重,在公式αnew=βα*+(1-β)αold中,分母为权重之和,为1。
在前述轧制模型自学习系数确定方法的具体实施方式中,进一步地,在所述利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族f所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值之后,所述方法还包括:
在轧制第k+1轧件时,根据第k+1轧件所属的钢种族、成品厚度和成品宽度,在第k+1轧件所属钢种族所对应的轧制模型自学习系数层别表中,从厚度和宽度两个维度上,采用双线性插值方法获取第k+1轧件所对应的轧制模型自学习系数。
本实施例中,在轧制第k+1轧件时,根据第k+1轧件所属的钢种族、成品厚度和成品宽度,在第k+1轧件所属钢种族所对应的轧制模型自学习系数层别表中,从厚度和宽度两个维度上,采用双线性插值方法获取第k+1轧件所对应的轧制模型自学习系数,基于获取的轧制模型自学习系数进行模型设定计算并对第k+1轧件进行轧制,接下来的步骤和S103-S106类似,重复上述过程,直到当前轧件为最后一块轧件时停止。
本实施例中,通过双线性插值方法获取具体产品规格的轧制模型自学习系数,不但解决了在分档位置附近出现跳变的问题,还能保持之前回归方程的拟合精度,而且产品规格的分档位置也无需精细设计。
本实施例中,以一个具体的例子,对本实施例提供的轧制模型自学习系数确定方法做进一步的说明:
以某紧凑式带钢生产线(Compact Strip Product,CSP)的连续两块轧件轧制模型自学习过程为例。该生产线的成品厚度范围为0.8~12.7mm,成品宽度范围为900~1600mm。前后轧制的两块轧件的钢卷号(ID)分别为1743531420010和1743531420020,其钢种为SPHC,成品厚度为2.7mm、成品宽度为1272mm。
步骤1,首先将生产线的成品厚度范围[0.8,12.7]分成8档,成品宽度范围[900,1600]分成5档,按照下面公式确定轧件的分档位置:
因此,厚度与宽度分档位置层别分别如表1和2所示:
表1厚度层别表
层别号/I | 1 | 2 | 3 | 4 | 5 |
分档位置H<sub>I</sub>/mm | 1.1 | 1.6 | 2.3 | 3.2 | 4.5 |
层别号/I | 6 | 7 | 8 | ||
分档位置H<sub>I</sub>/mm | 6.4 | 9.0 | 12.7 |
表2宽度层别表
层别号/J | 1 | 2 | 3 | 4 | 5 |
分档位置W<sub>J</sub>/mm | 1040 | 1180 | 1320 | 1460 | 1600 |
基于建立的厚度层别表和宽度层别表,为每一钢种族分别建立轧制模型自学习系数层别表,其中,所述自学习系数层别表,用于存储各分档位置的轧制模型自学习系数。
步骤2,根据确定的第k轧件的产品规格,采用双线性插值方法从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制,当轧件1743531420010完成轧制后,其钢种SPHC所在的钢种族为P03,将其钢种族P03、成品厚度2.7mm、成品宽度1272mm、轧制模型自学习系数1.03,组成一条轧件历史记录,并按照轧制先后顺序保存到历史记录数据集D中;
步骤3,根据厚度分档位置和宽度分档位置,确定轧件1743531420010的成品厚度2.7mm和成品宽度1272mm所对应的厚度分档位置和宽度分档位置分别为H3和W2:
H3≤2.7<H4
W2≤1272<W3
步骤4,从所述的历史记录数据集D中取出预设时间段内生产的钢种族为P03且成品厚度和宽度分别在[1.6,4.5]和[1040,1460]范围内的轧件历史记录,共70块,数据见表3,进行多元非线性回归:
α=b0+b1h+b2w+b3h2+b4w2+b5hw
其中,b0~b5为回归公式的系数;。.
表3预设时间段内的轧件历史数据(部分)
序号 | 钢种族 | 宽度/mm | 厚度/mm | 轧制模型自学习系数 |
1 | P03 | 1150 | 3 | 0.97 |
2 | P03 | 1150 | 3.5 | 0.97 |
3 | P03 | 1150 | 4.5 | 0.94 |
4 | P03 | 1150 | 4 | 0.94 |
5 | P03 | 1150 | 2.5 | 1 |
6 | P03 | 1242 | 2.2 | 1.04 |
7 | P03 | 1242 | 4 | 1.04 |
8 | P03 | 1242 | 3.5 | 1.06 |
9 | P03 | 1242 | 3 | 1.06 |
10 | P03 | 1242 | 2.2 | 1.03 |
11 | P03 | 1242 | 3 | 1.06 |
… | … | … | … | … |
70 | P03 | 1272 | 2.7 | 1.03 |
上述数据回归拟合曲面如图3所示,得到回归方程为:
α=1.6063-0.0148h-9.914×10-4w+0.0089h2+3.3825×10-7w2+6.2597×10-5hw
步骤5,采用上述回归公式分别计算(H3,W2)、(H4,W2)、(H3,W3)、(H4,W3),即(2.3,1180)、(3.2,1180)、(2.3,1320)、(3.2,1320)分档位置的轧制模型自学习系数α*:
α3,2 *=1.00,α4,2 *=1.01,α3,3 *=0.99,α4,3 *=1.05
与钢种族P03的轧制模型自学习系数层别表中对应的旧值进行加权平均后并更新旧值:
αnew=βα*+(1-β)αold
αold=αnew
其中,β为加权系数,取值范围[0,1]。此处可以取β=0.7。假设旧值α3,2 old,α4,2 old,α3,3 old,α4,3 old都取初始值1,代入计算得到:
α3,2 new=1.00,α4,2 new=1.01,α3,3 new=0.99,α4,3 new=1.04
步骤6,在轧制后续轧件钢卷号为1743531420020时,根据其成品厚度2.7mm和成品宽度1272mm,在钢种SPHC所对应的钢种族P03层别表中,从厚度和宽度两个维度上,如图4所示,采用双线性插值方法获取该轧件1743531420020设定计算所需的轧制模型自学习系数为1.01。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种轧制模型自学习系数确定方法,其特征在于,包括:
确定第k轧件的产品规格,所述第k轧件的产品规格包括:第k轧件所属的钢种族、成品厚度、成品宽度;
根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制;
当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中;
基于预先确定的厚度分档位置和宽度分档位置,确定第k轧件的成品厚度所对应的厚度分档位置、成品宽度所对应的宽度分档位置;
根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程;
利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值。
2.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,在根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制之前,所述方法包括:
获取轧制生产线的成品厚度范围[Hmin,Hmax]和成品宽度范围[Wmin,Wmax];
将获取的成品厚度范围[Hmin,Hmax]分成n档,其分档位置记为HI,其中,0<I<n+1;
将获取的成品宽度范围[Wmin,Wmax]分成m档,其分档位置记为WJ,其中,0<J<m+1;
基于分档位置,为每一钢种族分别建立轧制模型自学习系数层别表,所述轧制模型自学习系数层别表,用于存储各分档位置的轧制模型自学习系数;
其中,所述轧制模型自学习系数包括:轧制力模型自学习系数、轧制力矩模型自学习系数、温度模型自学习系数中的一种。
3.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述根据确定的第k轧件的产品规格,从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制包括:
根据确定的第k轧件的产品规格,采用双线性插值方法从与第k轧件所属钢种族所对应的轧制模型自学习系数层别表获取轧制模型自学习系数,基于获取的轧制模型自学习系数对第k轧件进行轧制。
4.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述当第k轧件完成轧制后,将第k轧件的产品规格、轧制模型自学习系数保存到预设的历史记录数据集中包括:
当第k轧件完成轧制后,将第k轧件所属的钢种族、成品厚度、成品宽度、轧制模型自学习系数组成一条轧件历史记录,并按照轧制先后顺序保存到预设的历史记录数据集中。
5.根据权利要求2所述的轧制模型自学习系数确定方法,其特征在于,所述方法还包括:
通过厚度分档位置的计算公式,确定厚度分档位置,所述厚度分档位置的计算公式表示为:
其中,HI表示厚度分档位置的取值,n表示厚度档数,Hmax、Hmin分别表示成品厚度范围的最大值和最小值;
通过宽度分档位置的计算公式,确定宽度分档位置,所述宽度分档位置的计算公式表示为:
其中,WJ表示宽度分档位置的取值,m表示宽度档数,Wmax、Wmin分别表示成品宽度范围的最大值和最小值。
6.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述根据确定的第k轧件的厚度分档位置和宽度分档位置及所属钢种族,从预设的历史记录数据集获取成品厚度和成品宽度和第k轧件在相邻区域范围且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程包括:
根据确定的第k轧件的厚度分档位置HI和宽度分档位置WJ及所属钢种族,从预设的历史记录数据集获取成品厚度和宽度分别在[HI-1,HI+2]和[WJ-1,WJ+2]范围内且与第k轧件所属的钢种族一致的轧件历史记录进行多元非线性回归,得到回归方程。
7.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述回归方程表示为:
α=b0+b1h+b2w+b3h2+b4w2+b5hw
其中,α表示轧制模型自学习系数,b0~b5表示回归公式的系数,h表示成品厚度,w表示成品宽度。
8.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述计算分档位置的轧制模型自学习系数包括:
分别计算(HI,WJ)、(HI+1,WJ)、(HI,WJ+1)、(HI+1,WJ+1)分档位置的轧制模型自学习系数。
9.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,所述与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值包括:
αnew=βα*+(1-β)αold
αold=αnew
其中,αnew表示更新后的αold,β表示加权系数,α*表示计算得到的分档位置的轧制模型自学习系数,αold表示旧值。
10.根据权利要求1所述的轧制模型自学习系数确定方法,其特征在于,在所述利用回归方程,计算分档位置的轧制模型自学习系数,并与第k轧件所属钢种族所对应的轧制模型自学习系数层别表中相应旧值进行加权平均后并更新所述旧值之后,所述方法还包括:
在轧制第k+1轧件时,根据第k+1轧件所属的钢种族、成品厚度和成品宽度,在第k+1轧件所属钢种族所对应的轧制模型自学习系数层别表中,从厚度和宽度两个维度上,采用双线性插值方法获取第k+1轧件所对应的轧制模型自学习系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347321.2A CN107045585B (zh) | 2017-05-17 | 2017-05-17 | 一种轧制模型自学习系数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347321.2A CN107045585B (zh) | 2017-05-17 | 2017-05-17 | 一种轧制模型自学习系数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107045585A CN107045585A (zh) | 2017-08-15 |
CN107045585B true CN107045585B (zh) | 2019-06-07 |
Family
ID=59546266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710347321.2A Active CN107045585B (zh) | 2017-05-17 | 2017-05-17 | 一种轧制模型自学习系数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107045585B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108311544B (zh) * | 2018-03-07 | 2019-09-03 | 首钢集团有限公司 | 一种轧制力参数自学习方法及装置 |
CN108817101B (zh) * | 2018-04-23 | 2020-08-28 | 河钢股份有限公司承德分公司 | 一种基于西门子弯窜辊模型优化的微中浪轧制方法 |
CN108746216B (zh) * | 2018-05-24 | 2019-09-27 | 首钢智新迁安电磁材料有限公司 | 一种确定冷轧机传动力矩的方法及装置 |
CN109261724B (zh) * | 2018-09-14 | 2020-02-18 | 北京科技大学设计研究院有限公司 | 一种在多品种轧制模式下提高预设定模型精度的方法 |
CN110227725B (zh) * | 2019-05-24 | 2020-12-15 | 首钢京唐钢铁联合有限责任公司 | 一种辊缝自学习纠偏的方法及装置 |
CN111266405B (zh) * | 2020-02-27 | 2021-11-02 | 北京首钢股份有限公司 | 一种板带材热轧过程控制方法和控制装置 |
CN112845617B (zh) * | 2021-01-05 | 2022-07-08 | 武汉钢铁有限公司 | 一种热轧带钢的板型控制方法及装置 |
CN113102516B (zh) * | 2021-03-05 | 2022-02-18 | 东北大学 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
CN103586288A (zh) * | 2013-03-25 | 2014-02-19 | 宝山钢铁股份有限公司 | 热轧带钢板形的案例库建立方法 |
CN104281088A (zh) * | 2014-05-27 | 2015-01-14 | 南京钢铁股份有限公司 | 一种热轧板带轧机的二级系统过程控制方法和装置 |
-
2017
- 2017-05-17 CN CN201710347321.2A patent/CN107045585B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284517A (zh) * | 2011-06-30 | 2011-12-21 | 东北大学 | 基于案例推理的轧后冷却长期自学习方法 |
CN103586288A (zh) * | 2013-03-25 | 2014-02-19 | 宝山钢铁股份有限公司 | 热轧带钢板形的案例库建立方法 |
CN104281088A (zh) * | 2014-05-27 | 2015-01-14 | 南京钢铁股份有限公司 | 一种热轧板带轧机的二级系统过程控制方法和装置 |
Non-Patent Citations (1)
Title |
---|
热轧带钢轧制力模型自学习算法优化;宋勇 等;《北京科技大学学报》;20100630;第32卷(第6期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107045585A (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045585B (zh) | 一种轧制模型自学习系数确定方法 | |
CN113649420B (zh) | 一种平整机轧制力获取方法及装置 | |
CN106527351A (zh) | 一种过渡曲线长度动态确定的小线段实时插补方法 | |
CN106975663A (zh) | 解决边部增厚问题的轧机窜辊控制方法 | |
CN103506404A (zh) | 一种带钢精轧过程辊缝的控制方法 | |
JP2010170419A5 (ja) | 行動時間比率計算装置及び行動時間比率計算方法 | |
CN102903134A (zh) | 快速绘制多次曲线的方法 | |
KR102608927B1 (ko) | 시력-관련 파라미터의 시간 경과에 따른 진화를 예측하는 방법 및 장치 | |
CN101927267A (zh) | 一种精轧带钢辊缝的控制方法及装置 | |
JP2006251997A (ja) | 欠測データの補間方法 | |
CN106991242A (zh) | 一种钢板性能优化的控制方法 | |
CN104424247A (zh) | 一种产品信息过滤推荐方法和装置 | |
CN103100564A (zh) | 一种新型的轧制过程自适应控制方法 | |
CN106914495A (zh) | 一种热轧带钢镰刀弯控制方法及系统 | |
CN105880297A (zh) | 一种冷轧带钢切边宽度设定方法、装置及系统 | |
CN109719136A (zh) | 一种六次方支撑辊辊型曲线 | |
Xu | Economic Modeling of Profit and Cost &Quantity in Forge Process of Screw | |
CN108655176B (zh) | 用于稳定轧制的冷轧前滑模型自适应计算方法 | |
CN113987775A (zh) | 一种控制带钢隆起的卷取张力优化方法及系统 | |
CN104952085B (zh) | 一种水深注记与等深线弯曲处的协调度计算方法 | |
CN110227725B (zh) | 一种辊缝自学习纠偏的方法及装置 | |
CN104303114B (zh) | 设定计算系统的学习装置以及学习方法 | |
JP2004514998A (ja) | 産業プロセスのプロセスシステム量計算方法および装置 | |
CN111633038A (zh) | 一种热连轧粗轧控制方法及系统 | |
Xu | Economic Modeling of Profit Distribution with Cost and Quantity in Forge Process I |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |