CN112861394A - 基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统，该方法包括：获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；对原始疲劳曲线进行转化处理，通过对疲劳曲线进行平移叠加操作，获得待优化磨削量的冷轧轧辊的疲劳累积曲线；基于遗传粒子群算法，根据疲劳累积曲线和轧辊参数，结合待优化磨削量的冷轧轧辊的工艺参数，求解待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。本发明的方法收敛速度快，能有效降低冷轧轧辊磨削量，可以满足现场应用条件，降低冷轧轧辊消耗，达到节约资源、降低成本的目的。

Description

基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统

技术领域

本发明涉及冶金技术领域，特别涉及一种基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统。

背景技术

轧辊的表面质量与产品的成型质量和表面质量密切相关，为保证轧件质量并确保轧辊表面疲劳在安全范围内，必须定期对轧辊进行磨削。当前冷轧厂一般采用固定磨削量，或简单地采取与轧制长度成比例的磨削量对轧辊进行磨削，容易出现轧辊磨削过度的情况，造成轧辊浪费。而由于缺乏对轧辊疲劳的定量计算，难以对轧辊磨削制度进行改进。

关于轧辊磨削量的优化问题也有过相关的方案。申请号为201010518143.3的专利申请公开了一种对轧辊磨削进行补偿的方法，通过确定轧辊温度场的变化来确定轧辊的相对热膨胀量，根据所得相对热膨胀量确定温度补偿量，从而实现对轧辊磨削的预订磨削量进行补偿。

申请号为CN201911202412.2的专利申请公开了一种计算热轧轧辊辊耗的系统和方法，提供了一种长周期轧辊辊耗计算模型、短周期轧辊辊耗计算模型和综合轧辊辊耗计算模型的三级管理系统，该方法能计算出各品种轧辊消耗水平，以达到降低成本的目的。

文献1(熊旭.冷轧辊使用及维护技术中几个重要问题的思考[J].四川冶金,2014,36(06):22-25.)中，使用硬度检测和涡流探伤相结合的方法，进行大量基础数据检测，通过对数据进行回归统计，制定磨削量分配表，从而设计出最优冷轧轧辊磨削量。

文献2(孙建华,沈新玉,严珺洁,王玕.硅钢轧辊消耗分析与改进策略[J].中国冶金,2012,22(03):18-21.)中，通过建立辊系模型，对数据进行归一化处理，模拟支撑辊磨削过程，从而获得支撑辊新磨削制度的整体思想,实现了对磨削量的优化。

从上述现有方案中可以看出目前对轧辊磨削量的优化主要是从轧辊受力情况的角度进行分析，通过建立轧辊有限元模型的方法优化轧辊的磨削量，或者从轧辊材料性质的角度分析，通过控制轧辊物理性质和轧辊表面质量来优化轧辊的磨削量，但是缺少从轧辊疲劳程度角度分析，并且没有使用智能算法进行优化的方法。

发明内容

本发明提供了一种基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统，以解决对于轧辊的磨削量优化问题，现有技术缺少从轧辊疲劳程度角度分析，并且没有使用智能算法进行优化的技术问题，最终实现降低冷轧轧辊辊耗。

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遗传粒子群算法的冷轧轧辊磨削量优化方法，该基于遗传粒子群算法的冷轧轧辊磨削量优化方法包括：

获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

进一步地，所述轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力。

进一步地，对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线，包括：

将原始疲劳曲线的最高点定义为轧辊的疲劳程度；对原始疲劳曲线进行平移，将新增的疲劳曲线与平移后得到的疲劳曲线进行叠加，完成疲劳曲线的平移及叠加过程，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线。

进一步地，所述工艺参数包括：所述待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限以及疲劳程度危险阈值。

进一步地，所述遗传粒子群算法的初始数学模型为：

SGA＝(C,E,P₀,M,Φ,Γ,Ψ,T)

其中，C表示个体编码方法，E表示个体适应度评价函数，P₀表示初始种群，M表示种群规模，Φ表示选择算子，Γ表示交叉算子，Ψ表示变异算子，T表示终止条件。

进一步地，所述基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，包括：

结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值；

遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量；

根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，

表示粒子在第k次迭代时的第d维速度，

表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，

分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限；v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]；

再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

另一方面，本发明还提供了一种基于遗传粒子群算法的冷轧轧辊磨削量优化系统，该基于遗传粒子群算法的冷轧轧辊磨削量优化系统包括：

数据获取模块，用于获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

数据处理模块，用于对所述数据获取模块所获取的原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

冷轧轧辊磨削量最优解求解模块，用于基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

进一步地，所述轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力；

所述工艺参数包括：所述待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限以及疲劳程度危险阈值；

所述数据处理模块具体用于：

将原始疲劳曲线的最高点定义为轧辊的疲劳程度；对原始疲劳曲线进行平移，将新增的疲劳曲线与平移后得到的疲劳曲线进行叠加，完成疲劳曲线的平移及叠加过程，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线。

进一步地，所述遗传粒子群算法的初始数学模型为：

SGA＝(C,E,P₀,M,Φ,Γ,Ψ,T)

其中，C表示个体编码方法，E表示个体适应度评价函数，P₀表示初始种群，M表示种群规模，Φ表示选择算子，Γ表示交叉算子，Ψ表示变异算子，T表示终止条件。

进一步地，所述冷轧轧辊磨削量最优解求解模块具体用于：

结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值；

遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量；

根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，

表示粒子在第k次迭代时的第d维速度，

表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，

分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限；v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]；

再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

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：

本发明通过获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；对原始疲劳曲线进行转化处理，通过对疲劳曲线进行平移叠加操作，获得待优化磨削量的冷轧轧辊的疲劳累积曲线；基于遗传粒子群算法，根据疲劳累积曲线和轧辊参数，结合待优化磨削量的冷轧轧辊的工艺参数，求解待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化；从而实现了根据冷轧轧辊的疲劳分布情况，使用遗传粒子群算法对磨削量进行优化，在给定危险阈值的情况下，将冷轧轧辊的磨削量降至最小，本发明的方法具有收敛速度快，能有效降低冷轧轧辊磨削量，可满足现场应用条件，降低冷轧轧辊消耗的效果，可达到节约资源、降低成本的目的。

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是本发明实施例提供的基于遗传粒子群算法的冷轧轧辊磨削量优化方法的流程示意图；

图2是本发明实施例提供的径向疲劳分布曲线平移—叠加过程示意图；

图3是本发明实施例提供的遗传粒子群算法流程图；

图4是本发明实施例提供的某生产线的S1支撑辊的原始疲劳曲线示意图；

图5是本发明实施例提供的遗传粒子群算法计算结果曲线示意图。

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遗传粒子群算法的冷轧轧辊磨削量优化方法，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。该方法的执行流程如图1所示，包括以下步骤：

S101，获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

具体地，在本实施例中，上述S101的实现过程如下：

从在线疲劳预测模型中获取原始疲劳曲线，再从轧机生产过程数据采集系统的数据库中提取轧辊参数，将数据进行处理转化，使数据符合计算要求。

其中，轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力等。

S102，对原始疲劳曲线进行转化处理，通过对原始疲劳曲线进行平移叠加操作，获得待优化磨削量的冷轧轧辊的疲劳累积曲线；

具体地，在本实施例中，上述S102的实现过程如下：

将曲线的最高点定义为轧辊的疲劳程度；对疲劳分布曲线进行平移，将新增的疲劳分布曲线与平移后的疲劳分布曲线进行叠加，完成疲劳曲线的平移—叠加过程，如图2所示，获得待优化磨削量的冷轧轧辊的疲劳累积曲线。

S103，基于遗传粒子群算法，根据疲劳累积曲线和轧辊参数，结合待优化磨削量的冷轧轧辊的工艺参数，求解待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

其中，在本实施例中，实现上述方案所需要获取及处理的相关数据包括：待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限、疲劳程度危险阈值，以及NP，gen，P_c，P_m等算法参数。

进一步地，本实施例所建立的初始数学模型为：

SGA＝(C,E,P₀,M,Φ,Γ,Ψ,T)

其中，C表示个体编码方法，E表示个体适应度评价函数，P₀表示初始种群，M表示种群规模，Φ表示选择算子，Γ表示交叉算子，Ψ表示变异算子，T表示终止条件。

具体地，如图3所示，在本实施例中，上述S103的实现过程如下：

1、结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值。

2、遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量。适应度函数fit(x)越大，则可能解的总磨削量最少。

同时将目标函数取为：

f(x)＝G(x)

采用罚函数法避免变异过程中产生超越约束条件的个体，当新一代个体不满足限制条件是，降低该个体被选中的概率，经修改后的适应度函数为：

3、根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，

表示粒子在第k次迭代时的第d维速度，

表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，

分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

同时，在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限。

4、设计粒子速度上限v_max和速度下限v_min，v_max和v_min关系，一对合适的v_max和v_min可以保证粒子群算法搜索速度和搜索精度的平衡。v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]。

5、再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

通过绘制遗传粒子群算法迭代及优化曲线，发现通过本实施例的方法优化后冷轧轧辊磨削量降低，且本实施例的方法收敛速度快，可以满足实际要求；在轧辊疲劳值不超过危险阈值的情况下，有效降低了冷轧轧辊磨削量，更能满足实际生产中的要求，达到节约资源、降低成本的目的。

下面，以某生产线的S1支撑辊为例来进一步说明本实施例方法的效果。

从系统数据库提取了1个S1支撑辊原始疲劳曲线如图4所示。

从数据库中提取轧辊信息(长度,平均轧制宽度,平均轧制力)如表1所示。

表1轧辊信息

机架号	辊类型	轧制长度/km	平均轧制宽度/mm	平均轧制力/kN
					1	支撑辊	2100	1300	18000

选取工艺参数如表2所示。

表2工艺参数

程序变量名	变量中文名	值
			M	总磨削次数	60
T	工作层厚度/mm	100
			G<sub>min</sub>	单次磨削量下限/mm	1.20
G<sub>max</sub>	单次磨削量上限/mm	2.00
			D	危险阈值/％	70

选取算法参数如表3所示。

表3遗传粒子群算法参数

取轧辊上机60次总磨削量为迭代起始量，使用遗传粒子群算法进行计算，经过优化计算得到结果曲线如图5所示。

遗传粒子群算法在迭代起始位置的磨削总量为89.70mm，经优化计算后磨削总量为76.60mm。且对单次磨削量而言，当前制度的支撑辊单次平均磨削量为1.50mm，优化后的支撑辊单次平均磨削量约为1.29mm，辊耗降低了14％。该算法优化后的单次磨削量均在给定的范围之内，确保轧辊得到了充分的磨削，保证了轧辊的安全性。由此可见，本实施例的上述方法起到了降低辊耗的作用，且符合现场实际生产要求，达到了节约资源、降低成本的目的。

第二实施例

本实施例提供了一种基于遗传粒子群算法的冷轧轧辊磨削量优化系统，该基于遗传粒子群算法的冷轧轧辊磨削量优化系统包括以下模块：

基于遗传粒子群算法的冷轧轧辊磨削量优化系统，该基于遗传粒子群算法的冷轧轧辊磨削量优化系统包括：

数据获取模块，用于获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

数据处理模块，用于对所述数据获取模块所获取的原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

冷轧轧辊磨削量最优解求解模块，用于基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

本实施例的基于遗传粒子群算法的冷轧轧辊磨削量优化系统与上述第一实施例的基于遗传粒子群算法的冷轧轧辊磨削量优化方法相对应；其中，本实施例的基于遗传粒子群算法的冷轧轧辊磨削量优化系统中的各功能模块所实现的功能与上述第一实施例的基于遗传粒子群算法的冷轧轧辊磨削量优化方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

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，以实现第一实施例的方法。

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。

第四实施例

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，以实现上述第一实施例的方法。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)

1.一种基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述基于遗传粒子群算法的冷轧轧辊磨削量优化方法包括：

获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

2.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力。

3.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，对所述原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线，包括：

将原始疲劳曲线的最高点定义为轧辊的疲劳程度；对原始疲劳曲线进行平移，将新增的疲劳曲线与平移后得到的疲劳曲线进行叠加，完成疲劳曲线的平移及叠加过程，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线。

4.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述工艺参数包括：所述待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限以及疲劳程度危险阈值。

5.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述遗传粒子群算法的初始数学模型为：

SGA＝(C,E,P₀,M,Φ,Γ,Ψ,T)

其中，C表示个体编码方法，E表示个体适应度评价函数，P₀表示初始种群，M表示种群规模，Φ表示选择算子，Γ表示交叉算子，Ψ表示变异算子，T表示终止条件。

6.如权利要求1所述的基于遗传粒子群算法的冷轧轧辊磨削量优化方法，其特征在于，所述基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，包括：

结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值；

遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量；

根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，

表示粒子在第k次迭代时的第d维速度，

表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，

分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限；v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]；

再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

7.一种基于遗传粒子群算法的冷轧轧辊磨削量优化系统，其特征在于，所述基于遗传粒子群算法的冷轧轧辊磨削量优化系统包括：

数据获取模块，用于获取待优化磨削量的冷轧轧辊的原始疲劳曲线和轧辊参数；

数据处理模块，用于对所述数据获取模块所获取的原始疲劳曲线进行转化处理，通过对所述原始疲劳曲线进行平移叠加操作，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线；

冷轧轧辊磨削量最优解求解模块，用于基于遗传粒子群算法，根据所述疲劳累积曲线和轧辊参数，结合所述待优化磨削量的冷轧轧辊的工艺参数，求解所述待优化磨削量的冷轧轧辊的最优磨削量，以在保证冷轧轧辊疲劳程度安全的情况下，对冷轧轧辊磨削量进行优化。

8.如权利要求7所述的基于遗传粒子群算法的冷轧轧辊磨削量优化系统，其特征在于，所述轧辊参数包括：轧制长度、平均轧制宽度以及平均轧制力；

所述工艺参数包括：所述待优化磨削量的冷轧轧辊的磨削次数、工作层厚度、单次磨削量下限、单次磨削量上限以及疲劳程度危险阈值；

所述数据处理模块具体用于：

将原始疲劳曲线的最高点定义为轧辊的疲劳程度；对原始疲劳曲线进行平移，将新增的疲劳曲线与平移后得到的疲劳曲线进行叠加，完成疲劳曲线的平移及叠加过程，获得所述待优化磨削量的冷轧轧辊的疲劳累积曲线。

9.如权利要求7所述的基于遗传粒子群算法的冷轧轧辊磨削量优化系统，其特征在于，所述遗传粒子群算法的初始数学模型为：

SGA＝(C,E,P₀,M,Φ,Γ,Ψ,T)

其中，C表示个体编码方法，E表示个体适应度评价函数，P₀表示初始种群，M表示种群规模，Φ表示选择算子，Γ表示交叉算子，Ψ表示变异算子，T表示终止条件。

10.如权利要求7所述的基于遗传粒子群算法的冷轧轧辊磨削量优化系统，其特征在于，所述冷轧轧辊磨削量最优解求解模块具体用于：

结合冷轧轧辊的当前磨削制度，确定遗传粒子群算法的迭代初始值；

遗传粒子群算法根据预设的适应度函数，对种群中的个体进行从高到低的排序，完成种群初始化工作；其中，所述适应度函数的表达式为：

其中，G(x)表示种群中某个个体的总磨削量；

根据预设的适应度函数计算种群中每个个体的适应度，根据下式，更新种群中每个个体的位置、速度、个体最优位置以及全局最优位置：

其中，

表示粒子在第k次迭代时的第d维速度，

表示粒子在第k次迭代中第d维的当前位置，i＝1,2,3…M表示种群规模，c₁，c₂表示学习因子，rand₁，rand₂表示在[0,1]之间的随机变化的一个数，

分别表示粒子在第k次迭代中第d维的个体及全局的最优位置；ω^k表示粒子在第k次迭代的惯性权重；

ω^k＝ω_max-k(ω_max-ω_min)/gen

其中，ω_max、ω_min分别表示惯性权重的上、下限值；gen表示总迭代次数；

在迭代全程中，粒子的速度v和位置x都有如下限制：

其中，v_max和v_min分别表示速度变量变化范围的上限和下限，x_max和x_min分别表示位置变量变化范围的上限和下限；v_max和v_min的计算公式为：

v_max＝k(x_max-x_min)

v_min＝-v_max

其中，k是常数且k∈[0.1,0.2]；

再次根据预设的适应度函数，计算种群中每个个体的适应度，得到新一代的个体；判断迭代是否达到迭代最大次数且满足约束条件，若全部满足，则结束迭代并输出优化的结果，否则继续执行迭代循环直至满足迭代终止条件。

Images