CN109719138B - 一种基于数据挖掘的变形抗力唯象模型计算方法 - Google Patents

一种基于数据挖掘的变形抗力唯象模型计算方法 Download PDF

Info

Publication number
CN109719138B
CN109719138B CN201910009153.5A CN201910009153A CN109719138B CN 109719138 B CN109719138 B CN 109719138B CN 201910009153 A CN201910009153 A CN 201910009153A CN 109719138 B CN109719138 B CN 109719138B
Authority
CN
China
Prior art keywords
deformation resistance
model
steel
data
calculation
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
Application number
CN201910009153.5A
Other languages
English (en)
Other versions
CN109719138A (zh
Inventor
王海玉
郭立伟
唐婧
何碧翠
吕玉兰
刘兴华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shougang Automation Information Technology Co Ltd
Original Assignee
Beijing Shougang Automation Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Shougang Automation Information Technology Co Ltd filed Critical Beijing Shougang Automation Information Technology Co Ltd
Priority to CN201910009153.5A priority Critical patent/CN109719138B/zh
Publication of CN109719138A publication Critical patent/CN109719138A/zh
Application granted granted Critical
Publication of CN109719138B publication Critical patent/CN109719138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Metal Rolling (AREA)

Abstract

一种基于数据挖掘的变形抗力唯象模型计算方法，属于热连轧过程控制技术领域。为了解决传统变形抗力模型由于参数单一和考虑因素不全面的问题发明本方法。该控制方法具体实施的过程包括：建立满足模型计算需求的变形抗力样本库，对样本库进行定期维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；建立变形抗力唯象模型；分钢种对唯象模型进行回归计算，得到不同钢种的模型参数；根据回归后的模型参数，可计算得到对应的各机架变形抗力自学习系数；将不同钢种的模型参数和对应的各机架变形抗力自学习系数发送到过程控制系统。该方法能获取有效数据，提高了回归和模型计算准确性，从而提高产品质量和成材率。

Description

一种基于数据挖掘的变形抗力唯象模型计算方法
技术领域
本发明属于热连轧过程控制技术领域，尤其涉及一种基于数据挖掘的变形抗力唯象模型计算方法。
背景技术
金属材料的变形抗力是指金属在一定的变形条件下进行塑性变形时，抵抗塑性变形的力，是表征金属压力加工性能的一个基本量，也是轧制力模型中的关键参数。其大小主要决定于金属的化学成分、变形温度、变形速率、变形程度以及和这些因素有关的各个加工过程，如金属的加工硬化、金属的动态再结晶、金属的静态恢复、金属的动态恢复等等。
这些影响因素共同影响着金属的变形抗力，且具有复杂性、非线性的特点，而传统变形抗力模型由于参数单一和考虑因素不全面，且热轧带钢轧制呈现品种多、批量小、规格变换频繁的趋势，使变形抗力计算精度较低，应用范围具有局限性。因此，如何准确确定不同变形条件下的金属的变形抗力，是提高模型计算精度的必要条件。
随着数据挖掘技术的出现，数据挖掘技术在轧钢领域就得到了深入广泛地研究。由于其具有大数据量采集与处理、自适应学习功能和处理复杂非线性的特点，为变形抗力控制精度的解决提供了新的思路和方法，能够利用聚类分析等大数据挖掘技术从海量工艺数据中提取有效地钢卷数据，包含了不同钢种不同工况下，即不同变形条件下的钢卷数据，对其进行分类处理，从而实现对轧制变形抗力的准确分析和预测。
一种基于数据挖掘的变形抗力唯象模型计算方法，利用样本库中的不同变形条件下的有效钢卷数据，提高回归计算精度，得到不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数，从而提高变形抗力唯象模型的适应性和计算精度。
发明内容
本发明的目的在于，提供一种基于数据挖掘的变形抗力唯象模型计算方法，针对不同钢种不同工况的控制需求，搭建变形抗力样本库，以保证数据的有效性和多样性，使其能准确地反映现场实际轧制状态，提高回归计算准确性，进而提高了变形抗力模型计算精度。
本发明的技术方案为：
步骤一、建立满足模型计算需求的变形抗力样本库，样本库包含实时采集和筛选钢卷数据、分类钢卷数据；利用聚类分析功能，定期对样本库进行维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；
所述的实时采集钢卷数据包括：钢种，产品厚度，产品宽度，自学习类型，炉号，是否使用板卷箱，各机架入、出口厚度，入口宽度，各机架入口温度值，各机架工作辊半径，各机架轧辊线速度，各机架设定变形抗力，各机架设定轧制力，各机架实测轧制力；
所述的实时筛选的钢卷数据包括：筛除空的、无效的、异常的数据，同时将带钢各机架轧制力精度范围[-5,5]以内的数据，存储到样本数据库中；
所述的分类钢卷数据包括：将更新的钢卷数据按照钢种、规格、工况进行分类，若样本库中同类别钢卷数据未超过100条，则直接存入新的钢卷数据；若超过100条则将生产时间最久的数据剔除，存入新的钢卷数据；若样本库中没有匹配的同类钢卷，则新建类别，存入新的钢卷数据。
所述的样本库维护包括：利用聚类分析功能，对同类别钢卷数据进行定期分析，将偏差大的钢卷数据进行剔除；
所述的定期触发模型回归计算包括；判断样本库中同钢种钢卷更新块数，若超过30块，则触发模型进行回归计算和变形抗力自学习系数计算，即执行步骤三、四和五的计算过程。
步骤二、建立变形抗力唯象模型；
根据流变应力Hensel-Spittel模型，构造变形抗力唯象模型，计算公式如下：
Figure BDA0001936559500000021
A，m1～m4为表示模型常规参数；
k为表示变形抗力模型自学习系数；
T为表示材料温度；
ε为表示变形程度；
Figure BDA0001936559500000022
为表示变形速率。
步骤三、利用变形抗力样本库，分钢种对唯象模型进行回归计算，得到不同钢种的模型参数；
步骤四、利用回归后不同钢种的模型参数，可计算得到不同类别下的各机架变形抗力自学习系数k；
步骤五、将不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数发送到过程控制系统数据库表中。
所述的变形抗力自学习系数k取值范围为：0.9～1.1。
本发明提供的一种基于数据挖掘的变形抗力唯象模型计算方法搭建满足模型计算需求的变形抗力样本库，通过实时的数据采集、筛选和聚类分析，保证数据的有效性和多样性，利用变形抗力唯象计算模型，结合回归计算，能够得到不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数，从而提高了变形抗力唯象模型的适应性和计算精度。该方法能够满足不同钢种不同工况下的模型控制要求，提高了产品质量和成材率。
附图说明
图1是本发明“一种基于数据挖掘的变形抗力唯象模型计算方法”的总体流程图；
图2是本发明具体实施方式的满足模型计算需求的变形抗力样本库的流程图；
具体实施方式
本发明实施例提供的一种基于数据挖掘的变形抗力唯象模型计算方法，利用数据挖掘技术，提高变形抗力计算精度，应用于热连轧过程控制技术领域。结合附图和实例详细说明如下。
本实施例选用的热连轧产线的主要参数为：
连轧工艺段：六机架四辊串列式热连轧机组；
产品厚度范围：1.5～19mm；
产品宽度范围：750～2130mm；
产品种类范围：汽车板、酸洗板、焊瓶钢、管线钢、耐候钢、花纹板等。
本发明的核心研究对象是工艺模型和工艺过程数据，该实例轧制产线配备了先进的检测仪表，包括红外高温计、压力传感器、位置传感器等先进检测仪表，为本发明的实施提供了可靠的数据来源。
针对不同钢种不同工况的控制需求，本发明的一种基于数据挖掘的变形抗力唯象模型计算方法的总体应用流程参见附图1所示，通过搭建变形抗力样本库，以保证数据的有效性和多样性，结合变形抗力唯象模型，提高回归计算准确性，进而提高了变形抗力模型计算精度。
具体包含的步骤如下：
(1)建立满足模型计算需求的变形抗力样本库，样本库包含：实时采集和筛选钢卷数据；分类钢卷数据；利用聚类分析功能，对样本库进行维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；如图2所示。
实时采集的钢卷数据包括：钢种，产品厚度，产品宽度，自学习类型，炉号，是否使用板卷箱，各机架入、出口厚度，入口宽度，各机架入口温度值，各机架工作辊半径，各机架轧辊线速度，各机架设定变形抗力，各机架设定轧制力，各机架实测轧制力；
实时筛选的钢卷数据包括：筛除空的、无效的、异常的数据，同时将带钢各机架轧制力精度范围[-5,5]以内的数据，存储到样本库中；
数据存储用分布式NoSQL文档型数据库MongoDB。通过在MongoDB实例下建立实时库和样本库，将生产过程中产生的过程和实际数据按照钢卷存放在实时数据库中，而将筛选后的钢卷数据按照不同类别存放到样本库中。为了保证系统数据的可靠性，对数据库采用主从备份的形式，可以实现数据库的热备份以及读扩展。
分类钢卷数据包括：将更新的钢卷数据按照钢种、规格、工况进行分类，若样本库中同类别钢卷数据未超过100条，则直接存入新的钢卷数据；若超过100条则将生产时间最久的数据剔除，存入新的钢卷数据；若样本库中没有匹配的同类钢卷，则新建类别，存入新的钢卷数据；
样本库维护包括：利用聚类分析功能，对同类别钢卷数据进行定期分析，将偏差大的钢卷数据进行剔除；
聚类分析功能所需的输入参数包括：RT2头部温度，RT2头部宽度，穿带速度，压下率，各机架入口温度值，各机架入口厚度值；
输出参数包括：变形抗力设定值；
聚类类数范围：2～6，初始给定值为4；
数据剔除原则：变形抗力设定值和聚类中心值的差值除以聚类中心值的绝对值大于10％；
聚类分析触发计算原则：判断样本库中同类别钢卷更新块数，若超过20块，则触发模型进行聚类分析。
定期触发模型回归计算包括；判断样本库中同钢种钢卷更新块数，若超过30块，则触发模型进行回归计算和变形抗力自学习系数计算，执行步骤(3)、(4)和(5)的计算过程。
(2)建立变形抗力唯象模型；
根据流变应力Hensel-Spittel模型，构造变形抗力唯象模型，计算公式如下：
Figure BDA0001936559500000041
A，m1～m4为表示模型常规参数；
k为表示变形抗力模型自学习系数；
T为表示材料温度；
ε为表示变形程度；
Figure BDA0001936559500000042
为表示变形速率。
(3)利用变形抗力样本库，分钢种对唯象模型进行回归计算，得到不同钢种的模型参数；
以钢种M3A33为研究对象，根据样本库中存储的3000卷钢卷数据，利用变形抗力唯象模型计算公式，对其进行线性变换进行回归，可以得到模型的回归参数，如表1所示。回归复相关性系数为0.9914，标准偏差为0.122，表明回归模型拟合程度较好，偏差较低，满足精度要求。
表1模型回归参数
A m<sub>1</sub> m<sub>2</sub> m<sub>3</sub> m<sub>4</sub>
3050 -0.00352 -0.27755 -0.00488 0.02696
(4)利用回归后不同钢种的模型参数，可计算得到不同类别下的各机架变形抗力自学习系数k；
以钢种M3A33，规格5.5*1280mm，未使用板卷箱为例，根据样本库中存储的同类别100卷钢卷数据，利用变形抗力模型的回归参数，得到此类别下的各机架变形抗力自学习系数，如下表2。
表2各机架变形抗力自学习系数
F1 F2 F3 F4 F5 F6
0.982 1.044 0.982 0.972 0.995 0.970
(5)将不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数发送到过程控制系统数据库表中。
在实例产线中，利用一种基于数据挖掘的变形抗力唯象模型计算方法，结合数据挖掘技术，能够得到不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数，并在线应用，提高了变形抗力唯象模型的适应性和计算精度，如表3所示。该方法能够满足不同钢种不同工况下的模型控制要求，提高了产品质量和成材率。
表3轧制力计算精度优化前、后对比
Figure BDA0001936559500000051

Claims (6)

1.一种基于数据挖掘的变形抗力唯象模型计算方法，其特征在于：
步骤一、建立满足模型计算需求的变形抗力样本库，样本库包含实时采集和筛选钢卷数据、分类钢卷数据；
利用聚类分析功能，定期对样本库进行维护，将偏差大的钢卷数据进行剔除；定期触发模型回归计算和变形抗力自学习系数计算；
步骤二、建立变形抗力唯象模型；
步骤三、利用变形抗力样本库，分钢种对唯象模型进行回归计算，得到不同钢种的模型参数；
步骤四、利用回归后不同钢种的模型参数，可计算得到不同类别下的各机架变形抗力自学习系数k；
步骤五、将不同钢种的模型参数和不同类别下的各机架变形抗力自学习系数发送到过程控制系统数据库表中。
2.如权利要求1所述的变形抗力唯象模型计算方法，其特征在于：
所述的实时采集钢卷数据包括：钢种，产品厚度，产品宽度，自学习类型，炉号，是否使用板卷箱，各机架入、出口厚度，入口宽度，各机架入口温度值，各机架工作辊半径，各机架轧辊线速度，各机架设定变形抗力，各机架设定轧制力，各机架实测轧制力；
所述的实时筛选的钢卷数据包括：筛除空的、无效的、异常的数据，同时将带钢各机架轧制力精度范围[-5,5]以内的数据，存储到样本数据库中；
所述的分类钢卷数据包括：将更新的钢卷数据按照钢种、规格、工况进行分类，若样本库中同类别钢卷数据未超过100条，则直接存入新的钢卷数据；若超过100条则将生产时间最久的数据剔除，存入新的钢卷数据；若样本库中没有匹配的同类钢卷，则新建类别，存入新的钢卷数据。
3.如权利要求1所述的变形抗力唯象模型计算方法，其特征在于：所述的样本库维护包括：利用聚类分析功能，对同类别钢卷数据进行定期分析，将偏差大的钢卷数据进行剔除。
4.如权利要求1所述的变形抗力唯象模型计算方法，其特征在于：所述的定期触发模型回归计算包括；判断样本库中同钢种钢卷更新块数，若超过30块，则触发模型进行回归计算和变形抗力自学习系数计算，即执行步骤三、四和五的计算过程。
5.如权利要求1所述的变形抗力唯象模型计算方法，其特征在于：所述的变形抗力唯象模型，计算公式如下：
Figure FDA0002307129690000011
A，m1～m4为表示模型常规参数；
k为表示变形抗力自学习系数；
T为表示材料温度；
ε为表示变形程度；
Figure FDA0002307129690000021
为表示变形速率。
6.如权利要求1所述的变形抗力唯象模型计算方法，其特征在于：所述的变形抗力自学习系数k取值范围为：0.9～1.1。
CN201910009153.5A 2019-01-04 2019-01-04 一种基于数据挖掘的变形抗力唯象模型计算方法 Active CN109719138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910009153.5A CN109719138B (zh) 2019-01-04 2019-01-04 一种基于数据挖掘的变形抗力唯象模型计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910009153.5A CN109719138B (zh) 2019-01-04 2019-01-04 一种基于数据挖掘的变形抗力唯象模型计算方法

Publications (2)

Publication Number Publication Date
CN109719138A CN109719138A (zh) 2019-05-07
CN109719138B true CN109719138B (zh) 2020-04-14

Family

ID=66298849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910009153.5A Active CN109719138B (zh) 2019-01-04 2019-01-04 一种基于数据挖掘的变形抗力唯象模型计算方法

Country Status (1)

Country Link
CN (1) CN109719138B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114472546B (zh) * 2020-10-27 2023-06-13 宝山钢铁股份有限公司 一种基于大数据对轧制力进行优化的方法及系统
CN112453071B (zh) * 2020-11-17 2022-07-01 太原理工大学 一种冷轧金属复合板的轧制力和各层厚度预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07185621A (ja) * 1993-12-28 1995-07-25 Nippon Steel Corp 熱間タンデム圧延機の圧下設定方法
CN101745548A (zh) * 2009-12-24 2010-06-23 马鞍山钢铁股份有限公司 Csp生产线无取向电工钢变形抗力有限元修正法
CN102750453A (zh) * 2012-07-05 2012-10-24 北京科技大学 一种用于轧机设计的材料变形抗力统一模型的构造方法
CN103123483A (zh) * 2012-12-20 2013-05-29 北京首钢自动化信息技术有限公司 一种基于聚类分析的新钢种轧制变形抗力预测系统
CN103240282A (zh) * 2013-04-28 2013-08-14 首钢总公司 一种板坯轧制过程中变形抗力的预测方法
CN104898430A (zh) * 2015-06-03 2015-09-09 北京首钢自动化信息技术有限公司 基于数据挖掘的单机架冷轧轧制力模型参数优化方法
CN107520259A (zh) * 2016-06-22 2017-12-29 上海梅山钢铁股份有限公司 一种冷轧新钢种变形抗力系数快速修正方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07185621A (ja) * 1993-12-28 1995-07-25 Nippon Steel Corp 熱間タンデム圧延機の圧下設定方法
CN101745548A (zh) * 2009-12-24 2010-06-23 马鞍山钢铁股份有限公司 Csp生产线无取向电工钢变形抗力有限元修正法
CN102750453A (zh) * 2012-07-05 2012-10-24 北京科技大学 一种用于轧机设计的材料变形抗力统一模型的构造方法
CN103123483A (zh) * 2012-12-20 2013-05-29 北京首钢自动化信息技术有限公司 一种基于聚类分析的新钢种轧制变形抗力预测系统
CN103240282A (zh) * 2013-04-28 2013-08-14 首钢总公司 一种板坯轧制过程中变形抗力的预测方法
CN104898430A (zh) * 2015-06-03 2015-09-09 北京首钢自动化信息技术有限公司 基于数据挖掘的单机架冷轧轧制力模型参数优化方法
CN107520259A (zh) * 2016-06-22 2017-12-29 上海梅山钢铁股份有限公司 一种冷轧新钢种变形抗力系数快速修正方法

Also Published As

Publication number Publication date
CN109719138A (zh) 2019-05-07

Similar Documents

Publication Publication Date Title
CN109719138B (zh) 一种基于数据挖掘的变形抗力唯象模型计算方法
Ding et al. A novel scheme for key performance indicator prediction and diagnosis with application to an industrial hot strip mill
Liu et al. Control charts for dependent and independent measurements based on bootstrap methods
CN108817103B (zh) 一种轧钢模型钢族层别分类优化方法
CN109261724B (zh) 一种在多品种轧制模式下提高预设定模型精度的方法
CN113468479B (zh) 一种基于数据驱动的冷连轧工业过程监测与异常检测方法
Pani et al. A survey of data treatment techniques for soft sensor design
CN104731083A (zh) 一种基于自适应特征提取的工业故障诊断方法及应用
US20110106289A1 (en) Method for monitoring an industrial plant
JP5441824B2 (ja) 金属帯材料の製造条件決定システム
Takami et al. Multivariable data analysis of a cold rolling control system to minimise defects
CN115815345A (zh) 预测全流程热轧带钢力学性能的机理协同预报方法及系统
Wang et al. Research on High‐Precision Transverse Thickness Difference Control Strategy Based on Data Mining in 6‐High Tandem Cold Rolling Mills
CN114896735A (zh) 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法
US20230229136A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
CN113806964A (zh) 一种考虑多因素耦合作用的腐蚀与结垢速率预测方法
Lakshmanan et al. Data modelling and Remaining Useful Life estimation of rolls in a steel making cold rolling process
Zhang et al. Fault diagnosis using kernel principal component analysis for hot strip mill
CN115345414A (zh) 一种输油气管道工控网络信息安全性评价方法及系统
Ortjohann et al. Monitoring of fluctuating material properties for optimizing sheet-metal forming processes: a systematic literature review
Chen et al. Applying wavelet-based hidden Markov tree to enhancing performance of process monitoring
He et al. Quality relevant fault detection of batch process via statistical pattern and regression coefficient
Ohlert et al. Digitalization in hot and cold rolling mills
CN111618104A (zh) 一种板坯热轧温降检测方法
Li et al. A frequent pattern mining based shape defect diagnosis method for cold rolled strip products

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