CN109351785A - 一种轧制力优化方法及装置 - Google Patents

Abstract

本发明实施例提供的一种轧制力优化方法，用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正。其中方法包括：根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；根据所述实际轧制力和所述设定轧制力，获取预期修正系数；根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。本发明解决了现有技术在带钢轧制过程中获取的轧制力精度低，设定值与实际值偏差较大，影响轧制质量的问题。

Description

一种轧制力优化方法及装置

技术领域

本发明涉及冷轧及轧钢技术领域，具体而言，涉及一种轧制力优化方法及装置。

背景技术

冷轧是钢材的主要成品工序，其所生产的冷轧薄板是高附加值、高技术含量的钢材品种，是汽车、家电、建筑等行业所必不可少的原材料。近年来，随着这些现代化行业的飞速发展，不仅对冷轧带钢的需求量急剧增加，而且对其内在性能质量、外部尺寸精度和表面质量诸方面提出了严格的要求。

轧制力是轧机最重要的设备参数与工艺参数，也是塑性加工工艺、设备优化设计和过程控制的重要依据。轧制力的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。所以轧制力模型是冷连轧过程控制的基础模型。随着轧机的现代化程度不断提高，轧钢行业的技术人员深刻地认识到，轧制力数学模型的重要性，其获得的轧制力精度直接决定轧制产品的产量和质量。

虽然，目前基于神经网络的轧制力模型获取的轧制力已经具有较高的精度，但是对于部分规格的带钢，由于轧制生产量较少，自学习样本量少，难以获得较高精度的轧制力模型，当使用该轧制力模型时，往往出现轧制力精度低，设定值与实际值偏差较大，影响轧制质量。

发明内容

有鉴于此，本发明实施例的目的在于提供一种轧制力优化方法及装置，解决了现有的基于神经网络的轧制力模型在自学习样本较少时，获取的轧制力精度低，设定值与实际值偏差较大，影响轧制质量的问题。

第一方面，本申请通过本申请的一实施例提供如下技术方案：

一种轧制力优化方法，用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正，所述方法包括：

根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

根据所述实际轧制力和所述设定轧制力，获取预期修正系数；

根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；

根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

优选地，所述轧制力模型对轧制力的修正还包括短期自适应修正；其中，所述短期自适应修正包括：

按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数；所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。

优选地，所述根据所述实际轧制力和所述设定轧制力，获取预期修正系数的步骤，具体包括：

根据获取所述预期修正系数；其中，M为预期修正系数，X为实际轧制力，Y为设定轧制力。

优选地，所述根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数的步骤，具体包括：

根据获取所述新修正系数；其中，N为新修正系数，M为预期修正系数，Z为神经网络系数。

优选地，所述根据所述新修正系数，获得目标轧制力的步骤之前，还包括：

将所述目标带钢的规格参数与所述新修正系数加入到预设的层别表中；所述层别表为带钢钢种、带钢厚度组距、带钢宽度组距与新修正系数的数据表。

优选地，所述目标带钢的规格参数包括：带钢钢种、带钢厚度组距和带钢宽度组距。

优选地，所述带钢厚度组距为连续的五个机架带钢厚度的最小值与最大值之间的范围。

优选地，所述带钢宽度组距为连续的五个机架带钢宽度的最小值与最大值之间的范围。

第二方面，本申请通过本申请的一实施例提供如下技术方案：

一种轧制力优化装置，用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正，所述装置包括：

原始轧制力获取模块，用于根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

第一系数获取模块，用于根据所述实际轧制力和所述设定轧制力，获取预期修正系数；

第二系数获取模块，用于根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；

目标轧制力获取模块，用于根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

优选地，所述轧制力模型对轧制力的修正还包括短期自适应修正；其中，所述装置还包括：

短期自适应修正模块，用于按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数；所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

与现有技术相比，本发明实施例的轧制力优化方法根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；然后根据所述实际轧制力和所述设定轧制力，获取预期修正系数。由于设定系数已经经过神经网络修正，但由于前期神经网络的学习样本较少，神经网络系数误差较大，故需要去除神经网络的修正。因此，可根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；最后，根据所述新修正系数，获得目标轧制力，并用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。由本发明提供的轧制力优化方法得到的目标轧制力为去除了神经网络系数修正后的，解决了现有技术中的基于神经网络的轧制力模型在自学习样本较少时，获取的轧制力精度低，设定值与实际值偏差较大，影响轧制质量的问题。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明第一实施例提供的轧制力优化方法的一种方法流程图；

图2为本发明第一实施例提供的轧制力优化方法的另一方法流程图；

图3为本发明第一实施例提供的轧制力优化方法的一具体实例的某钢种神经网络系数变化趋势图；

图4为本发明第一实施例提供的轧制力优化方法的一具体实例的某钢种在经新修正系数优化前的轧制力偏差图；

图5为本发明第一实施例提供的轧制力优化方法的一具体实例的某钢种新修正系数与原有神经网络系数的对比图；

图6为本发明第一实施例提供的轧制力优化方法的一具体实例的某钢种的轧制力精度示意图。

图7为本发明第二实施例提供的轧制力优化装置的功能模块图；

图8为本发明第三实施例提供的示例性的轧制力优化装置的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

目前对带钢的轧制均设置有基于神经网络的轧制力计算模型，例如酸连轧。所述轧制力模型计算出轧制力后，还会对轧制力进行三次修正，分别为神经网络修正(乘法修正)、内存数据修正(加法修正)、短期自适应修正(乘法修正)；在本发明中主要对神经网络修正于短期自适应修正进行优化，优化后可提高轧制力的计算精度。

第一实施例

在本实施例中提供一种轧制力优化方法，该方法可用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正和短期自适应修正。请参照图1，图1中示出了本方法的具体流程图，该方法包括：

步骤S10：根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力。

步骤S20：根据所述实际轧制力和所述设定轧制力，获取预期修正系数。

步骤S30：根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数。

步骤S40：根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

在步骤S10中，目标带钢的规格参数具体包括：带钢钢种、带钢厚度组距和带钢宽度组距。轧制力模型中设定的设定轧制力为已经经过神经网络系数修正后的轧制力，可直接通过过程控制系统的轧制力模型计算后读出；实际轧制力为轧制目标带钢实际使用的轧制力，亦可直接从设备读出。

在步骤S20中，具体的，所述预期修正系数的获取方法可由公式： 进行获取，其中，M为预期修正系数，X为实际轧制力，Y为设定轧制力。

然后根据进行步骤S20的结果，进一步执行步骤S30，具体的，根据公式：获取所述新修正系数；其中，N为新修正系数，M为预期修正系数，Z为神经网络系数。

在步骤S40中，在轧制力模型学习样本较少的时候才用该方法去除神经网络系数后得到的新修正系数，计算得到的目标轧制力作为实际设定的轧制力，可以获取到更高精度的轧制力，降低设定值与实际值的偏差，提高轧制质量。

一般来说，对于不同的带钢厚度和宽度所对应的新修正系数差别较大，如果都用同一个修正系数计算，得出的设定数据与实际应该使用的设定值差值较大，会导致实际轧制过程中厚度超差。因此对每种钢种5个机架的新修正系数可以分为一组，该组中对应的目标带钢对应有一个厚度组距和一个宽度组距。具体的，所述带钢厚度组距为连续的五个机架带钢厚度的最小值与最大值之间的范围；同理，所述带钢宽度组距为连续的五个机架带钢宽度的最小值与最大值之间的范围。通过分组的方式可进一步提高新修正系数对轧制力的修正精度。

以往对预期修正系数的设定，都是通过修改模型计算的程序，将离线计算得到的预期修正系数赋值给神经网络。但是，当轧制的高强钢的品种变多时，需要不断的修改程序，对于现场实际生产存在较大的不稳定因素和安全隐患。

为了进行一步的提高轧制力模型使用新修正系数对轧制力的修正效率，可建立层别表，进行新修正系数的积累。该层别表为带钢钢种、带钢厚度组距、带钢宽度组距与新修正系数的数据表。可将本发明实施例中所述目标带钢的规格参数与计算获得的所述新修正系数加入到预设的层别表中，通过修改优化层别表的数据来实现不断的优化新修正系数的目的；层别表的字段内容包括带钢钢种、带钢厚度组距、带钢宽度组距与新修正系数。根据带钢钢种、厚度和宽度来查询层别表中对应新修正系数，将查询后得到的新修正系数可直接用于计算目标轧制力。层别表实例如下：

表1

采取读取数据库中层别表的方式，避免了不断修改现场程序。每次增添新的带钢钢种，新规格的系数，都只需要修改数据库，操作更加安全可靠。

另外，在本实施例中轧制力模型在计算轧制力的过程中存在不断的自学习，当前的学习结果将影响下一次的轧制过程，同时短期自定义权重系数直接影响自学习结果的继承的快慢，降低短期自定义的权重系数，可使轧制力模型输出的结果用于继承的速度变化的很慢，显得波动不大。现场出现的个别异常情况，不会被很快继承。如果轧制状况稳定，自学习结果可靠，可以将该值调大，这样当前的轧制状况很快就被继承下来，缺点是可能造成轧制状态波动大。

因此，如图2所示，在步骤S10之前，还可包括：

步骤S101：按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数。

其中，所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。修改短期自定义权重系数的一种具体实现方法为：在计算短期自适应时，修改过程控制系统数据表中的指数平滑的系数，对指数平滑的系数进行降低，预设降低值可人工进行调整确定，确定时可以轧制力的波动大小为依据，例如从0.5改为0.2，所述预设降低值为0.3。降低指数平滑的系数可使得当前轧制结果不被快速继承用于后续目标带钢的轧制。

以一具体实例的方式进行说明，某一钢种在酸轧的二级模型中，对该钢种的神经网络的修正系数进行了日志输出，通过对神经网络的修正系数进行统计分析，如图3所示。由图3可以看出，机架对应的神经网络系数是一个波动的值，并且是在数值1上下波动，说明神经网络系数的修正，不仅仅会改变轧制力的值，也会改变轧制力的趋势。对于模型的预设定精度会有很大的影响。

某钢种实验前的轧制力偏差情况，如图4所示，轧制力偏差＝实际轧制力-设定轧制力。

实验前某钢种的神经网络修正系数如下表：

表2

带钢1	带钢2
		0.936186	0.926005
0.967548	0.96765
		0.965228	0.972646
1.01734	1.02565
		1.30598	1.39964

进行步骤S20，获取预期修正系数：

实际生产时，设定数据为已经经过了神经网络修正的，所以要得到新的修正系数，需要去除掉神经网络的修正，故进行步骤S30，获取新修正系数：

得到如下表：

表3

为了表征新修正系数的可靠性，可对每一卷计算出的新修正系数取平均值，得到某钢种的新修正系数，代替原有神经网络修正系数。如下表：

表4

请参阅图5，图5为某钢种新修正系数与神经网络系数的对比图。根据某钢种实验前的轧制力偏差情况可以看出，其设定轧制力偏小。对输出的神经网络系数分析可知，模型计算的轧制力经过神经网络修正后，轧制力的值将会进一步减少。通过重新对轧制力修正系数进行计算，由以上的图5中的对比可以看出，新的修正系数对比原来的神经网络系数，数值普遍提高。将新的轧制修正系数投入使用，预期会使设定轧制力的值增大，减少轧制力偏差。试验后轧制力精度如图6所示，各机架均控制在8％以内。

第二实施例

基于同一发明构思，在本实施例中还提供一种轧制力优化装置300，该装置用于优化轧制力模型输出的轧制力。请参阅图7，该装置300包括：原始轧制力获取模块301、第一系数获取模块302、第二系数获取模块303和目标轧制力获取模块304。其中：

原始轧制力获取模块301，用于根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

第一系数获取模块302，用于根据所述实际轧制力和所述设定轧制力，获取预期修正系数。

第二系数获取模块303，用于根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数。

目标轧制力获取模块304，用于根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

在本实施例中，所述轧制力模型对轧制力的修正还包括短期自适应修正；其中，所述装置还包括：短期自适应修正模块，用于按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数；所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。

第三实施例

基于同一发明构思，如图8所示，本实施例提供了一种轧制力优化装置400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：

根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

根据所述实际轧制力和所述设定轧制力，获取预期修正系数；

根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；

根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

在具体实施过程中，处理器420执行计算机程序411时，可以实现实第一实施例(或第二实施例)中的任一实施方式，在此不再赘述。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

由本发明提供的轧制力优化方法得到的目标轧制力为去除了神经网络系数修正后的，解决了现有技术中的基于神经网络的轧制力模型在自学习样本较少时，获取的轧制力精度低，设定值与实际值偏差较大，影响轧制质量的问题。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

本发明中的所述方法功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种轧制力优化方法，其特征在于，用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正，所述方法包括：

根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

根据所述实际轧制力和所述设定轧制力，获取预期修正系数；

根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；

根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

2.根据权利要求1所述的方法，其特征在于，所述轧制力模型对轧制力的修正还包括短期自适应修正；其中，所述短期自适应修正包括：

按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数；所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述实际轧制力和所述设定轧制力，获取预期修正系数的步骤，具体包括：

根据获取所述预期修正系数；其中，M为预期修正系数，X为实际轧制力，Y为设定轧制力。

4.根据权利要求1所述的方法，其特征在于，所述根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数的步骤，具体包括：

根据获取所述新修正系数；其中，N为新修正系数，M为预期修正系数，Z为神经网络系数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述新修正系数，获得目标轧制力的步骤之前，还包括：

将所述目标带钢的规格参数与所述新修正系数加入到预设的层别表中；所述层别表为带钢钢种、带钢厚度组距、带钢宽度组距与新修正系数的数据表。

6.根据权利要求1或5任一项所述的方法，其特征在于，所述目标带钢的规格参数包括：带钢钢种、带钢厚度组距和带钢宽度组距。

7.根据权利要求6所述的方法，其特征在于，所述带钢厚度组距为连续的五个机架带钢厚度的最小值与最大值之间的范围。

8.根据权利要求6所述的方法，其特征在于，所述带钢宽度组距为连续的五个机架带钢宽度的最小值与最大值之间的范围。

9.一种轧制力优化装置，其特征在于，用于优化轧制力模型输出的轧制力，所述轧制力模型对轧制力的修正包括神经网络修正，所述装置包括：

原始轧制力获取模块，用于根据目标带钢的规格参数，获取对目标带钢轧制过程中输出的实际轧制力和所述轧制力模型的设定轧制力；

第一系数获取模块，用于根据所述实际轧制力和所述设定轧制力，获取预期修正系数；

第二系数获取模块，用于根据所述预期修正系数与所述神经网络修正所使用的神经网络系数，获取新修正系数；

目标轧制力获取模块，用于根据所述新修正系数，获得目标轧制力，所述目标轧制力用于作为所述轧制力模型的设定数据并在所述目标带钢进行轧制时使用。

10.根据权利要求9所述的装置，其特征在于，所述轧制力模型对轧制力的修正还包括短期自适应修正；其中，所述装置还包括：

短期自适应修正模块，用于按照预设降低值降低所述轧制力模型的现场自适应系数中的短期自定义权重系数；所述短期自定义权重系数用于调整轧制力模型自学习结果被继承的速度。