CN112588836A - 一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统，该方法包括：获取带钢长度方向上的轧机轧制力波动数据；根据辊径计算每个轧辊周长区间轧制力波动数据；计算相邻两个轧辊周长区间轧制力波动数据的相似度；根据标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，通过将轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。本发明可实时计算带钢长度方向上的轧制力波动相似度信息，根据识别算法自动判断轧机是否存在轧辊偏心，为生产现场及时发现轧机轧辊缺陷提供数据基础。

Description

一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统

技术领域

本发明涉及热轧带钢质量控制技术领域，特别涉及一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统。

背景技术

轧辊偏心主要是由轧辊和轧辊轴承形状的非圆性所引起的，产生的原因一般来自于设备制造、轧辊的磨损和热膨胀等过程。轧辊偏心会引起轧件厚度周期性波动，降低AGC(厚度自动控制)系统控制精度，导致成品厚度偏差大。所以，如何自动识别轧辊偏心相关数据，并判断轧辊是否偏心，为生产现场及时排除设备和生产故障提供帮助，对提高轧制稳定性和产品质量具有重要意义。

现有技术大多将重点放在轧辊偏心补偿工作上，如申请号为CN104815848A的专利申请公开了一种基于厚度检测信号及自适应神经网络的轧辊偏心控制方法，通过采集厚度测量仪的实测值，以厚度波动量计算偏心量，用自适应线性神经网络输出偏心补偿量的方法实现轧制过程中对轧辊偏心信号的补偿。又如申请号为CN103042042A的专利申请公开了一种基于离散辅助闭环的轧辊偏心补偿方法，将轧辊旋转引起的偏心波动信号均分为多个部分，对每个部分分别进行辅助闭环调整，根据轧辊厚度偏差自动计算轧辊偏心量及补偿量。

上述现有技术通过分析轧制厚度波动量，对偏心信号进行提取，用不同的方法对偏心量进行补偿，提高轧制厚度控制稳定性。但是目前大多数算法并没有对轧辊偏心程度进行详细的分析，对于何种轧辊偏心程度会影响带钢正常轧制，判断何时轧辊偏心不符合相应标准，并没有相应的指标，且传统算法偏心量的提取一般需要对轧辊进行空载靠压，通过收集空载时轧辊相关数据进行计算，对于轧制过程中轧辊偏心量的实时变化并没有过多研究。

发明内容

本发明提供了一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统，以实现在轧制过程中基于热轧带钢轧制力实时自动判断是否存在轧辊偏心，从而为生产现场及时发现轧机轧辊缺陷提供数据基础。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于热轧带钢轧制力的轧辊偏心自动识别方法，获取带钢长度方向上的轧机轧制力波动数据；

根据辊径计算每个轧辊周长区间轧制力波动数据；

计算相邻两个轧辊周长区间轧制力波动数据的相似度；

根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

进一步地，所述获取带钢长度方向上的轧机轧制力波动数据，包括：

实时采集带钢长度方向上的轧机轧制力相关数据，所述轧制力相关数据包括：轧机轧辊辊径、轧机咬钢及抛钢信号、轧机轧制力和轧制速度实测数据；

当检测到预设事件发生时，对轧机轧制力和轧制速度实测数据进行预处理，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data；

基于分布矩阵F_data，对轧制力进行二次采样并对采样结果进行多项式拟合；

基于所述分布矩阵F_data和多项式拟合结果，消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据，得到带钢长度方向上的轧机轧制力波动数据。

可选地，所述检测到预设事件发生，包括：检测到轧机咬钢及抛钢信号。

进一步地，所述对轧机轧制力和轧制速度实测数据进行预处理，包括：

对轧机轧制力实测数据进行数据滤波处理，对轧机轧制速度实测数据按照采样时间进行离散积分，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data：

其中，F_force[i]为轧机轧制力数据，F_speed[i]为轧机轧制速度数据，i表示采样点编号，最大值为采样点总数N，F_data[i,0]表示采样点编号为i时轧制力所在的位置数据，F_data[i,1]表示采样点编号为i时轧机轧制力数据，t表示采样间隔。

进一步地，对轧制力进行二次采样并对采样结果进行多项式拟合，包括：

按照下式对轧制力进行二次采样：

Fit[k,0]＝F_data[10k,0]

Fit[k,1]＝F_data[10k,1]

k＝0,1,2,3,...,N//n

按照下式对采样结果进行多项式拟合：

x＝Fit[:,0]

y＝Fit[:,1]

其中，Fit[:,0]表示二次采样位置数据，Fit[:,1]表示二次采样轧制力数据，n表示二次采样间隔，k表示二次采样点编号，最大值为N//n，Y(x,y)表示拟合函数，用二次采样位置数据x＝Fit[:,0]表示自变量数据，用二次采样轧制力数据y＝Fit[:,1]表示因变量数据，m表示拟合次数。

进一步地，所述消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据，得到带钢长度方向上的轧机轧制力波动数据，包括：

将F_data[i,0]表示的轧制力所在的位置数据带入Y(x,y)拟合函数中，得到轧制力随带钢厚度变化趋势数据：

F_{data_fake}[i,0]＝F_data[i,0]

F_{data_fake}[i,1]＝Y(F_data[i,0])

消除轧制力随带钢厚度变化趋势数据，得到轧制力波动数据F_{data_new}：

F_{data_new}＝F_data-F_{data_fake}

其中，F_{data_fake}表示轧制力随带钢厚度变化趋势数据。

进一步地，所述根据辊径计算每个轧辊周长区间轧制力波动数据，包括：

通过计算得到t₁,t₂,...,t_n为轧辊周长区间节点的采样点编号，n表示轧辊轧制圈数：

F_round[i]＝F_{data_new}[t_i:t_i+1,1]

F_round[i]＝normorlize(F_round[i])

其中，F_round[i]表示每个轧辊周长区间内的轧制力波动数据，normorlize表示归一化算法。

进一步地，计算相邻两个轧辊周长区间轧制力波动数据的相似度，包括：

用相邻两个轧制周长区间的轧制力数据差的绝对值做离散积分，与两个轧制周长区间的轧制力离散积分中较大的相比，得到相邻两个轧辊周长区间轧制力波动数据的相似度similarity；其中，similarity的数据范围为[0,1]，similarity越接近1，则表示两个轧制周长区间的轧制力波动情况越相似，similarity越接近0，则表示两个轧制周长区间的轧制力波动情况越不相似。

进一步地，所述根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心，包括：

通过下式对计算出的相似度进行评分，得到轧辊偏心状态评分：

score＝100/num

其中，num表示相似度结果数量，score表示相似度单项基础评分，Score表示轧辊偏心状态评分结果；

将轧辊偏心状态评分结果Score与预设阈值比较大小，如果Score的值低于预设阈值，则判断轧机存在轧辊偏心，否则，判断轧机不存在轧辊偏心。

另一方面，本发明还提供了一种基于热轧带钢轧制力的轧辊偏心自动识别系统，所述基于热轧带钢轧制力的轧辊偏心自动识别系统包括：

轧制力波动获取模块，用于获取带钢长度方向上的轧机轧制力波动数据；

波动数据计算模块，用于根据辊径计算每个轧辊周长区间轧制力波动数据；

相似度计算模块，用于计算相邻两个轧辊周长区间轧制力波动数据相似度；

轧辊偏心自动识别模块，用于根据预设的标准阈值对所述相似度计算模块计算出的相似度进行评分，得到轧辊偏心状态评分，并通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明提供的轧辊偏心自动识别方法通过监控轧机轧制力波动数据，实时计算带钢长度方向上的轧制力波动相似度信息，根据标准阈值对轧制力波动相似度结果进行评分，得到轧辊偏心状态实时评分结果并根据评分结果在线自动判断是否存在轧辊偏心，可以为生产现场及时发现轧机轧辊缺陷提供数据基础。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明第一实施例提供的基于热轧带钢轧制力的轧辊偏心自动识别方法的流程示意图；

图2是本发明第二实施例提供的基于热轧带钢轧制力的轧辊偏心自动识别方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种基于热轧带钢轧制力的轧辊偏心自动识别方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该基于热轧带钢轧制力的轧辊偏心自动识别方法的执行流程如图1所示，包括以下步骤：

S101，获取带钢长度方向上的轧机轧制力波动数据；

S102，根据辊径计算每个轧辊周长区间轧制力波动数据；

S103，计算相邻两个轧辊周长区间轧制力波动数据的相似度；

S104，根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，将轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

本实施例的轧辊偏心自动识别方法通过监控轧机轧制力波动数据，实时计算带钢长度方向上的轧制力波动相似度信息，根据标准阈值对轧制力波动相似度结果进行评分，得到轧辊偏心状态实时评分结果并根据评分结果在线自动判断是否存在轧辊偏心，可以为生产现场及时发现轧机轧辊缺陷提供数据基础。

第二实施例

本实施例提供了一种基于热轧带钢轧制力的轧辊偏心自动识别方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该基于热轧带钢轧制力的轧辊偏心自动识别方法的执行流程如图2所示，包括以下步骤：

S201，实时采集带钢长度方向上的轧机轧制力相关数据；

其中，本实施例获取的轧制力相关数据包括但不限于：轧机轧辊辊径、轧机咬钢及抛钢信号、轧机轧制力和轧制速度实测数据。

S202，当检测到预设事件发生时，对轧机轧制力和轧制速度实测数据进行预处理，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data；

具体地，在本实施例中，检测到预设事件发生包括但不限于：检测到轧机咬钢及抛钢信号。也即检测到轧机咬钢及抛钢信号时触发后续处理识别流程。

对轧机轧制力和轧制速度实测数据进行预处理，包括：

对轧机轧制力实测数据进行数据滤波处理，对轧机轧制速度实测数据按照采样时间进行离散积分，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data：

其中，F_force[i]为轧机轧制力数据，F_speed[i]为轧机轧制速度数据，i表示采样点编号，最大值为采样点总数N，F_data[i,0]表示采样点编号为i时轧制力所在的位置数据，F_data[i,1]表示采样点编号为i时轧机轧制力数据，t表示采样间隔。

S203，对轧制力进行二次采样并对采样结果进行多项式拟合；

具体地，在本实施例中，上述步骤的实现过程如下：

按照下式对轧制力进行二次采样：

Fit[k,0]＝F_data[10k,0]

Fit[k,1]＝F_data[10k,1]

k＝0,1,2,3,...,N//n

按照下式对采样结果进行多项式拟合：

x＝Fit[:,0]

y＝Fit[:,1]

其中，Fit[:,0]表示二次采样位置数据，Fit[:,1]表示二次采样轧制力数据，n表示二次采样间隔，k表示二次采样点编号，最大值为N//n，Y(x,y)表示拟合函数，用二次采样位置数据x＝Fit[:,0]表示自变量数据，用二次采样轧制力数据y＝Fit[:,1]表示因变量数据，m表示拟合次数。

S204，消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据，得到带钢长度方向上的轧机轧制力波动数据；

由于轧制力会随着带钢厚度波动而变化，为了提高识别精度，本实施例采用如下方法消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据：

将F_data[i,0]表示的轧制力所在的位置数据带入Y(x,y)拟合函数中，得到轧制力随带钢厚度变化趋势数据F_{data_fake}：

F_{data_fake}[i,0]＝F_data[i,0]

F_{data_fake}[i,1]＝Y(F_data[i,0])

消除轧制力随带钢厚度变化趋势数据，得到轧制力波动数据F_{data_new}：

F_{data_new}＝F_data-F_{data_fake}

其中，F_{data_fake}表示轧制力随带钢厚度变化趋势数据。

S205，根据辊径计算每个轧辊周长区间轧制力波动数据；

具体地，在本实施例中，上述步骤的实现过程如下：

通过计算得到t₁,t₂,...,t_n为轧辊周长区间节点的采样点编号，n表示轧辊轧制圈数：

F_round[i]＝F_{data_new}[t_i:t_i+1,1]

F_round[i]＝normorlize(F_round[i])

其中，F_round[i]表示每个轧辊周长区间内的轧制力波动数据，normorlize表示归一化算法。

S206，计算相邻两个轧辊周长区间轧制力波动数据的相似度；

具体地，在本实施例中，上述步骤的实现过程如下：

用相邻两个轧制周长区间的轧制力数据差的绝对值做离散积分，与两个轧制周长区间的轧制力离散积分中较大的相比，表达式如下：

其中，similarity表示相似度，其数据范围为[0,1]，越接近1表示两个轧制周长区间的轧制力波动情况越相似，越接近0表示两个轧制周长区间的轧制力波动情况越不相似。

S207，根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，将轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

具体地，在本实施例中，上述步骤的实现过程如下：

通过下式对计算出的相似度进行评分，得到轧辊偏心状态评分：

score＝100/num

其中，num表示相似度结果数量，score表示相似度单项基础评分，Score表示轧辊偏心评分结果；

将所述轧辊偏心状态评分Score与预设阈值比较大小，如果Score的值低于预设阈值，则判断轧机存在轧辊偏心，否则，判断轧机不存在轧辊偏心。

轧辊偏心相似度结果及评分结果如表1所示。

表1轧辊偏心相似度结果及评分结果

本实施例的轧辊偏心自动识别方法通过监控轧机轧制力波动数据，实时计算带钢长度方向上的轧制力波动相似度信息，根据标准阈值对轧制力波动相似度结果进行评分，得到轧辊偏心状态实时评分结果并根据评分结果在线自动判断是否存在轧辊偏心，可以为生产现场及时发现轧机轧辊缺陷提供数据基础。

第三实施例

本实施例提供了一种基于热轧带钢轧制力的轧辊偏心自动识别系统，该基于热轧带钢轧制力的轧辊偏心自动识别系统包括以下模块：

轧制力波动获取模块，用于获取带钢长度方向上的轧机轧制力波动数据；

波动数据计算模块，用于根据辊径计算每个轧辊周长区间轧制力波动数据；

相似度计算模块，用于计算相邻两个轧辊周长区间轧制力波动数据相似度；

轧辊偏心自动识别模块，用于根据预设的标准阈值对所述相似度计算模块计算出的相似度进行评分，得到轧辊偏心状态评分，并通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

本实施例的基于热轧带钢轧制力的轧辊偏心自动识别系统与上述实施例的基于热轧带钢轧制力的轧辊偏心自动识别方法相对应；其中，本实施例的基于热轧带钢轧制力的轧辊偏心自动识别系统中的各功能模块所实现的功能与上述实施例的轧辊偏心自动识别方法中的各流程步骤一一对应；故，在此不再赘述。

第四实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第五实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，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。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，包括：

获取带钢长度方向上的轧机轧制力波动数据；

根据辊径计算每个轧辊周长区间轧制力波动数据；

计算相邻两个轧辊周长区间轧制力波动数据的相似度；

根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

2.如权利要求1所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述获取带钢长度方向上的轧机轧制力波动数据，包括：

实时采集带钢长度方向上的轧机轧制力相关数据，所述轧制力相关数据包括：轧机轧辊辊径、轧机咬钢及抛钢信号、轧机轧制力和轧制速度实测数据；

当检测到预设事件发生时，对轧机轧制力和轧制速度实测数据进行预处理，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data；

基于分布矩阵F_data，对轧制力进行二次采样并对采样结果进行多项式拟合；

基于所述分布矩阵F_data和多项式拟合结果，消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据，得到带钢长度方向上的轧机轧制力波动数据。

3.如权利要求2所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述检测到预设事件发生，包括：检测到轧机咬钢及抛钢信号。

4.如权利要求2所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述对轧机轧制力和轧制速度实测数据进行预处理，包括：

对轧机轧制力实测数据进行数据滤波处理，对轧机轧制速度实测数据按照采样时间进行离散积分，得到轧机轧制力数据沿带钢长度方向的分布矩阵F_data：

其中，F_force[i]为轧机轧制力数据，F_speed[i]为轧机轧制速度数据，i表示采样点编号，最大值为采样点总数N，F_data[i,0]表示采样点编号为i时轧制力所在的位置数据，F_data[i,1]表示采样点编号为i时轧机轧制力数据，t表示采样间隔。

5.如权利要求4所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述对轧制力进行二次采样并对采样结果进行多项式拟合，包括：

按照下式对轧制力进行二次采样：

Fit[k,0]＝F_data[10k,0]

Fit[k,1]＝F_data[10k,1]

k＝0,1,2,3,...,N//n

按照下式对采样结果进行多项式拟合：

x＝Fit[:,0]

y＝Fit[:,1]

其中，Fit[:,0]表示二次采样位置数据，Fit[:,1]表示二次采样轧制力数据，n表示二次采样间隔，k表示二次采样点编号，最大值为N//n，Y(x,y)表示拟合函数，用二次采样位置数据x＝Fit[:,0]表示自变量数据，用二次采样轧制力数据y＝Fit[:,1]表示因变量数据，m表示拟合次数。

6.如权利要求5所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述消除轧制力随带钢厚度变化趋势数据保留轧制力随轧辊波动数据，得到带钢长度方向上的轧机轧制力波动数据，包括：

将F_data[i,0]表示的轧制力所在的位置数据带入Y(x,y)拟合函数中，得到轧制力随带钢厚度变化趋势数据：

F_{data_fake}[i,0]＝F_data[i,0]

F_{data_fake}[i,1]＝Y(F_data[i,0])

消除轧制力随带钢厚度变化趋势数据，得到轧制力波动数据F_{data_new}：

F_{data_new}＝F_data-F_{data_fake}

其中，F_{data_fake}表示轧制力随带钢厚度变化趋势数据。

7.如权利要求6所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述根据辊径计算每个轧辊周长区间轧制力波动数据，包括：

通过计算得到t₁,t₂,...,t_n为轧辊周长区间节点的采样点编号，n表示轧辊轧制圈数：

F_round[i]＝F_{data_new}[t_i:t_i+1,1]

F_round[i]＝normorlize(F_round[i])

其中，F_round[i]表示每个轧辊周长区间内的轧制力波动数据，normorlize表示归一化算法。

8.如权利要求7所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述计算相邻两个轧辊周长区间轧制力波动数据的相似度，包括：

用相邻两个轧制周长区间的轧制力数据差的绝对值做离散积分，与两个轧制周长区间的轧制力离散积分中较大的相比，得到相邻两个轧辊周长区间轧制力波动数据的相似度similarity；其中，similarity的数据范围为[0,1]，similarity越接近1，则表示两个轧制周长区间的轧制力波动情况越相似，similarity越接近0，则表示两个轧制周长区间的轧制力波动情况越不相似。

9.如权利要求8所述的基于热轧带钢轧制力的轧辊偏心自动识别方法，其特征在于，所述根据预设的标准阈值对计算出的相似度进行评分，得到轧辊偏心状态评分，通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心，包括：

通过下式对计算出的相似度进行评分，得到轧辊偏心状态评分：

score＝100/num

其中，num表示相似度结果数量，score表示相似度单项基础评分，Score表示轧辊偏心状态评分结果；

将轧辊偏心状态评分结果Score与预设阈值比较大小，如果Score的值低于预设阈值，则判断轧机存在轧辊偏心，否则，判断轧机不存在轧辊偏心。

10.一种基于热轧带钢轧制力的轧辊偏心自动识别系统，其特征在于，所述基于热轧带钢轧制力的轧辊偏心自动识别系统包括：

轧制力波动获取模块，用于获取带钢长度方向上的轧机轧制力波动数据；

波动数据计算模块，用于根据辊径计算每个轧辊周长区间轧制力波动数据；

相似度计算模块，用于计算相邻两个轧辊周长区间轧制力波动数据相似度；

轧辊偏心自动识别模块，用于根据预设的标准阈值对所述相似度计算模块计算出的相似度进行评分，得到轧辊偏心状态评分，并通过将所述轧辊偏心状态评分与预设阈值比较大小，判断出是否存在轧辊偏心。

Images