CN107045585B - 一种轧制模型自学习系数确定方法 - Google Patents

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

一种轧制模型自学习系数确定方法

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[H_min，H_max]和成品宽度范围[W_min，W_max]；

将获取的成品厚度范围[H_min，H_max]分成n档,其分档位置记为H_I，其中，0<I<n+1；

将获取的成品宽度范围[W_min，W_max]分成m档，其分档位置记为W_J，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，H_I表示厚度分档位置的取值，n表示厚度档数，H_max、H_min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，W_J表示宽度分档位置的取值，m表示宽度档数，W_max、W_min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H_I和宽度分档位置W_J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[H_I-1，H_I+2]和[W_J-1，W_J+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(H_I，W_J)、(H_I+1，W_J)、(H_I，W_J+1)、(H_I+1，W_J+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：

α^new＝βα^*+(1-β)α^old

α^old＝α^new

其中，α^new表示更新后的α^old，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，α^old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[H_min，H_max]和成品宽度范围[W_min，W_max]；

将获取的成品厚度范围[H_min，H_max]分成n档,其分档位置记为H_I，其中，0<I<n+1；

将获取的成品宽度范围[W_min，W_max]分成m档，其分档位置记为W_J，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[H_min，H_max]分成n档,其分档位置记为H_I，其中，0<I<n+1；成品宽度范围[W_min，W_max]分成m档，其分档位置记为W_J，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，H_I表示厚度分档位置的取值，n表示厚度档数，H_max、H_min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，W_J表示宽度分档位置的取值，m表示宽度档数，W_max、W_min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H_I和宽度分档位置W_J：

H_I≤h<H_I+1

W_J≤w<W_J+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H_I和宽度分档位置W_J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[H_I-1，H_I+2]和[W_J-1，W_J+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H_I和宽度分档位置W_J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[H_I-1，H_I+2]和[W_J-1，W_J+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(H_I，W_J)、(H_I+1，W_J)、(H_I，W_J+1)、(H_I+1，W_J+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(H_I，W_J)、(H_I+1，W_J)、(H_I，W_J+1)、(H_I+1，W_J+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：

α^new＝βα^*+(1-β)α^old

α^old＝α^new

其中，α^new表示更新后的α^old，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，α^old表示旧值。

本实施例中，β和(1-β)分别为权重，在公式α^new＝βα^*+(1-β)α^old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^*：

α_3,2 ^*＝1.00,α_4,2 ^*＝1.01,α_3,3 ^*＝0.99,α_4,3 ^*＝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：

α^new＝βα^*+(1-β)α^old

α^old＝α^new

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α_3,2 ^old,α_4，2 ^old,α_3,3 ^old,α_4，3 ^old都取初始值1，代入计算得到：

α_3,2 ^new＝1.00,α_4,2 ^new＝1.01,α_3,3 ^new＝0.99,α_4,3 ^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[H_min，H_max]和成品宽度范围[W_min，W_max]；

将获取的成品厚度范围[H_min，H_max]分成n档,其分档位置记为H_I，其中，0<I<n+1；

将获取的成品宽度范围[W_min，W_max]分成m档，其分档位置记为W_J，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，H_I表示厚度分档位置的取值，n表示厚度档数，H_max、H_min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，W_J表示宽度分档位置的取值，m表示宽度档数，W_max、W_min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H_I和宽度分档位置W_J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[H_I-1，H_I+2]和[W_J-1，W_J+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(H_I，W_J)、(H_I+1，W_J)、(H_I，W_J+1)、(H_I+1，W_J+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：

α^new＝βα^*+(1-β)α^old

α^old＝α^new

其中，α^new表示更新后的α^old，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，α^old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。