CN112893484A - 一种基于灰色关联度提取的热连轧轧制力自整定方法 - Google Patents

Abstract

本发明提供一种基于灰色关联度提取的热连轧轧制力自整定方法，涉及热连轧自动控制技术领域。首先确定坯料尺寸数据、产品目标尺寸、钢种牌号与化学成分、温度制度、轧机设备参数及轧制边界条件；然后针对当前需要计算轧制力的带钢轧制参数构建参考数列，并取已生产的N卷带钢的轧制参数构建比较数列；再对参考数列和比较数列进行归一化处理；通过计算得到参考数列与比较数列各个参数的关联系数和关联度。最后找到已生产的N卷带钢与当前正在生产的带钢关联度最高的带钢轧制力自学习系数，将新确定的带钢轧制力自学习系数代入轧制力计算模型，计算得出带钢生产最终需要设定轧制力。本发明方法大幅度提高了热连轧生产过程中的轧制力预测的精度。

Description

一种基于灰色关联度提取的热连轧轧制力自整定方法

技术领域

本发明涉及热连轧自动控制技术领域，尤其涉及一种基于灰色关联度提取的热连轧轧制力自整定方法。

背景技术

热轧板带是国民经济发展所必须的重要钢铁材料，被广泛应用于大直径输送管线、压力容器、船舶、桥梁、锅炉、海洋构件、建筑等领域。但在钢铁行业产能严重过剩的大背景下，面对严峻的市场形势，降本增效成为钢铁企业共同实施的一项重要举措，板带材生产企业从单纯的追求产量到重视产品质量、降低成本、能耗和原材料上来，提高产品厚度控制精度就是为了达到这个目的一种的重要手段。热轧带钢生产过程中，轧制力的预报精度对钢板的厚度精度至关重要，随着用户对带钢厚度、板形精度的要求越来越高，提高轧制力预设定精度也越来越迫切。

传统的轧制力计算是借助数学模型来进行的，由于模型本身结构的限制和现场环境千变万化，通过实测轧制力进行自学习是一个不可缺少的一个环节。在轧制力自学习过程中，同一批次的产品轧制时，采用上一卷产品的自学习系数修正下一卷钢卷的轧制力预测模型，从而实现轧制力预测模型的短期自学习。当产品换规格或换钢种时，采用已存储在模型层别表中的与当前批次相同规格和同钢种的自学习系数，修正当前钢卷的轧制力预测模型，从而实现轧制力预测模型的长期自学习，自学习逻辑的示意图如图1所示。由于中厚板轧制过程往往具有强非线性、不确定性、多变量强耦合，关键参数难于在线测量，机理复杂，工况变化频繁、难以用数学模型描述等综合复杂性，加上上述模型涉及大量的生产工艺、过程控制和生产过程管理的数据、信息以及知识，已有的建模理论与方法难以解决上述问题，这就要求对生产过程的自适应算法进行探索，研究新的自整定控制方法。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于灰色关联度提取的热连轧轧制力自整定方法，以达到提高不同规格和钢种的产品在不同的板坯温度、设备参数以及化学成分波动等工况时的轧制力设定精度。

为解决上述技术问题，本发明所采取的技术方案是：一种基于灰色关联度提取的热连轧轧制力自整定方法，包括以下步骤：

步骤1、确定坯料尺寸数据、产品目标尺寸、钢种牌号与化学成分、温度制度、轧机设备参数及轧制边界条件；

所述坯料尺寸数据，包括：坯料厚度、宽度和长度；所述产品目标尺寸，包括：产品目标厚度、目标宽度和目标长度；所述的温度制度，包括：坯料出炉温度和钢板进入精轧机组前的温度；所述的轧机设备参数，包括：轧机最大轧制力、轧机最大力矩、轧机最大功率和轧机刚度；所述轧制边界条件，包括：环境温度、冷却水温度和轧辊温度；

步骤2、确定当前生产中的带钢的轧制参数组成的参考数列和已经生产过的N卷带钢的轧制参数组成的比较数列；所述带钢的轧制参数包括带钢在轧制时的轧机入口温度、轧机入口厚度、轧机入口宽度以及带钢的压下量、压下率、变形抗力、碳当量；

1)取当前正在生产的带钢轧制参数构建参考数列{D₀}＝{T₀,h₀,Δh₀,ε₀,σ₀,C₀,w₀}，其中，T₀是当前正在轧制带钢的轧机入口温度，h₀是当前正在轧制带钢的轧机入口厚度，Δh₀是当前正在轧制带钢的压下量，ε₀是当前正在轧制带钢的压下率，σ₀是当前正在轧制带钢的变形抗力，C₀是当前正在轧制带钢的碳当量，w₀是当前正在轧制带钢的轧机入口宽度；

2)取已生产的N卷带钢的轧制参数构建N个比较数列；其中，已生产的第i卷带钢的轧制参数构建的比较数列{D_i}＝{T_i,h_i,Δh_i,ε_i,σ_i,C_i,w_i}，i＝1,2,……,N，T_i是已生产的第i卷带钢在轧制时的轧机入口温度，h_i是已生产的第i卷带钢在轧制时的轧机入口厚度，Δh_i是已生产的第i卷带钢在轧制时的压下量，ε_i是已生产的第i卷带钢在轧制时的压下率，σ_i是已生产的第i卷带钢在轧制时的变形抗力，C_i是已生产的第i卷带钢在轧制时的碳当量，w_i是已生产的第i卷带钢在轧制时的轧机入口宽度；

步骤3、对参考数列和N个比较数列中各参数分别采用如下归一化处理模型进行归一化处理：

式中，d_min为数列中某参数的最小值，d_max为数列中某参数的最大值，d为数列中某参数归一化后的计算值，取值范围为(0，1)，则归一化后的参考数列和第i卷比较数列分别为：{D′₀}＝{T′₀,h′₀,Δh′₀,ε′₀,σ′₀,C′₀,w₀′}和{D′_i}＝{T_i′,h′_i,Δh′_i,ε′_i,σ′_i,C_i′,w_i′}，其中，T′₀、h₀、w₀′分别为归一下后的当前正在轧制带钢的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′₀,ε′₀,σ′₀,C′₀,分别为归一下后的当前正在轧制带钢的压下量、压下率、变形抗力和碳当量；T′_i、h′_i、w_i′分别为归一下后的已生产的第i卷带钢在轧制时的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′_i、ε′_i、σ′_i、C_i′分别为归一下后的已生产的第i卷带钢在轧制时的压下量、压下率、变形抗力和碳当量；

步骤4、计算归一化后的参考数列与各比较数列之间的灰色关联度，具体为：

步骤4.1、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值；

归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值，如下公式所示：

根据公式(2)-(8)得到参考数列与各比较数列中各对应参数差值绝对值的最小值数列

步骤4.2、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最大值；

归一化后的参考数列中各参数与第i个比较数列中各对应参数差值绝对值的最大值，如下公式所示：

根据公式(9)-(15)得到参考数列与各比较数列中各对应参数差值绝对值的最大值数列

步骤4.3、计算参考数列与各比较数列之间的关联系数；

参考数列与第i个比较数列之间的关联系数{ξ_i}，如下公式所示：

其中，

p为分辨系数；

步骤4.4：计算参考数列与各比较数列之间的灰色关联度；

参考数列与第i个比较数列之间的灰色关联度r_i({D′₀},{D′_i})，如下公式所示：

其中，M＝7为带钢的轧制参数；

步骤5、根据参考数列与各比较数列之间的灰色关联度，在轧制生产数据库中查询找到已生产的N卷带钢中与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数；

步骤6、将与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数代入轧制力计算模型，计算得出最终轧制需要设定的轧制力；

所述轧制力计算模型如下公式所示：

其中，F为轧制需要设定的轧制力，k_l为与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数，W为轧件宽度，R′为轧辊压扁半径，Δh为当前机架的压下量，σ为带钢的变形抗力，Q_p为带钢变形区形状影响系数，k_σ为带钢的变形抗力修正系数，k_m为带钢变形区形状影响函数修正系数，k_T为轧机入口温度修正系数；

对于带钢的变形抗力σ，影响因素有钢种、温度、变形率以及变形速率，采用如下公式计算：

其中，α和β为带钢的硬度系数，ε为带钢的变形率，

为带钢的变形速率，m，n分别为带钢的变形率和变形速率影响系数，T为轧机入口处带钢的温度。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于灰色关联度提取的热连轧轧制力自整定方法，解决了传统轧制力自学习在换钢种及换规格时设定精度偏低的问题，通过灰色关联系数和灰色关联度的计算，在生产过的海量历史大数据中，找到与当前钢卷关联度最高的钢卷自学习数据，将高相似度的轧制力自学习系数代入到轧制力计算模型中，使得轧制力设定精度大幅度提高。与传统轧制力自学习方法相比，该方法可将轧制力预测精度提高2.0％以上，可以广泛推广到板带热连轧生产企业中，以提中厚板产品的厚度控制精度。

附图说明

图1为本发明实施例提供的短期自学习和长期自学习的示意图，其中，(a)为短期自学习，(b)为长期自学习；

图2为本发明实施例提供的精轧机组的设备布置图；

图3为本发明实施例提供的一种基于灰色关联度提取的热连轧轧制力自整定方法流程图；

图4为本发明实施例提供的F1-F7机架生产带钢的轧制力预测对比图，其中，(a)为F1机架，(b)为F2机架，(c)为F3机架，(d)为F4机架，(e)为F5机架，(f)为F6机架，(g)为F7机架。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例中，针对如图2所示的精轧机组进行带钢轧制生产，图中F1-F7为生产带钢的机架，采用本发明的基于灰色关联度提取的热连轧轧制力自整定方法计算出轧制需要设定的轧制力。

本实施例中，一种基于灰色关联度提取的热连轧轧制力自整定方法，如图3所示，包括以下步骤：

步骤1、确定坯料尺寸数据、产品目标尺寸、钢种牌号与化学成分、温度制度、轧机设备参数及轧制边界条件；

所述坯料尺寸数据，包括：坯料厚度、宽度和长度；所述产品目标尺寸，包括：产品目标厚度、目标宽度和目标长度；所述的温度制度，包括：坯料出炉温度和钢板进入精轧机组前的温度；所述的轧机设备参数，包括：轧机最大轧制力、轧机最大力矩、轧机最大功率和轧机刚度；所述轧制边界条件，包括：环境温度、冷却水温度和轧辊温度；

本发明实施例中，确定坯料尺寸数据为：轧件坯料厚度为220mm，坯料宽度为1500mm，坯料长度为10000mm；确定产品目标尺寸数据为：目标厚度为2.53mm，目标宽度为1500mm；确定温度制度为：坯料出炉温度为1200℃，钢板进入精轧机组前的温度为1030℃；确定轧机设备参数为：轧机最大轧制力是30000kN、轧机最大力矩是2200kN.m、轧机最大功率是3800kW×2，轧机刚度是4800kN/mm；钢种为Q345B，化学成分为：C：0.13％，Si：0.51％，Mn：1.65％，P：0.033％，S：0.035％，V:0.02％，Nb:0.015％，Ti:0.02％；确定轧制边界条件：包括环境温度为30℃，冷却水温度为25℃，轧辊温度为80℃。

本实施例中，根据上述轧制参数计算的精轧机组轧制规程如表1所示：

表1精轧机组轧制规程表

步骤2、确定当前生产中的带钢的轧制参数组成的参考数列和已经生产过的N卷带钢的轧制参数组成的比较数列，所述带钢的轧制参数包括带钢在轧制时的轧机入口温度、轧机入口厚度、轧机入口宽度以及带钢的压下量、压下率、变形抗力、碳当量；

1)取当前正在生产的带钢轧制参数构建参考数列{D₀}＝{T₀,h₀,Δh₀,ε₀,σ₀,C₀,w₀}，其中，T₀是当前正在轧制带钢的轧机入口温度，℃，h₀是当前正在轧制带钢的轧机入口厚度，mm，Δh₀是当前正在轧制带钢的压下量，mm，ε₀是当前正在轧制带钢的压下率，σ₀是当前正在轧制带钢的变形抗力，MPa，C₀是当前正在轧制带钢的碳当量，w₀是当前正在轧制带钢的轧机入口宽度，mm；

2)取已生产的N卷带钢的轧制参数构建N个比较数列；其中，已生产的第i卷带钢的轧制参数构建的比较数列{D_i}＝{T_i,h_i,Δh_i,ε_i,σ_i,C_i,w_i}，i＝1,2,……,N，T_i是已生产的第i卷带钢在轧制时的轧机入口温度，℃，h_i是已生产的第i卷带钢在轧制时的轧机入口厚度，mm，Δh_i是已生产的第i卷带钢在轧制时的压下量，mm，ε_i是已生产的第i卷带钢在轧制时的压下率，σ_i是已生产的第i卷带钢在轧制时的变形抗力，MPa，C_i是已生产的第i卷带钢在轧制时的碳当量，w_i是已生产的第i卷带钢在轧制时的轧机入口宽度，mm；

本实施例中，确定精轧机组的F1机架至F7机架的参考数列，具体如下：

F1机架:

F2机架:

F3机架:

F4机架:

F5机架:

F6机架:

F7机架:

取半年内生产的9800卷带钢的轧制数据，与参考数列的构建方法类似，确定的F1机架至F7机架的比较数列各有9800条。

步骤3、由于数列中各参数的物理意义不同，导致数据的量纲也不一定相同，不便于比较，因此在进行灰色关联度分析时，需要对参考数列和N个比较数列中各参数分别采用如下归一化处理模型进行归一化处理：

式中，d_min为数列中某参数的最小值，d_max为数列中某参数的最大值，d为数列中某参数归一化后的计算值，取值范围为(0，1)，则归一化后的参考数列和第i卷比较数列分别为：{D′₀}＝{T′₀,h′₀,Δh′₀,ε′₀,σ′₀,C′₀,w₀′}和{D′_i}＝{T_i′,h′_i,Δh′_i,ε′_i,σ′_i,C_i′,w_i′}，其中，T′₀、h₀、w₀′分别为归一下后的当前正在轧制带钢的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′₀,ε′₀,σ′₀,C′₀,分别为归一下后的当前正在轧制带钢的压下量、压下率、变形抗力和碳当量；T′_i、h′_i、w_i′分别为归一下后的已生产的第i卷带钢在轧制时的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′_i、ε′_i、σ′_i、C_i′分别为归一下后的已生产的第i卷带钢在轧制时的压下量、压下率、变形抗力和碳当量；

本实施例中，确定的精轧机组F1机架至F7机架的参考数列和比较数列共9801条数据各参数的最大值和最小值，具体如下：

F1机架:轧机入口温度T最大值：1087.3℃，轧机入口温度T最小值：903.6℃；轧机入口厚度h最大值：25.34mm，轧机入口厚度h最小值：12.43mm；压下量最大值Δh：18.33mm，压下量最小值Δh：6.75mm；压下率ε最大值：0.45，压下率ε最小值：0.24；变形抗力σ最大值：245.36MPa，变形抗力σ最小值：58.43MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F2机架:轧机入口温度T最大值：1072.74℃，轧机入口温度T最小值：893.5℃；轧机入口厚度h最大值：22.12mm，轧机入口厚度h最小值：9.53mm；压下量最大值Δh：14.54mm，压下量最小值Δh：4.54mm；压下率ε最大值：0.45，压下率ε最小值：0.21；变形抗力σ最大值：253.45MPa，变形抗力σ最小值：62.49MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F3机架:轧机入口温度T最大值：1055.34℃，轧机入口温度T最小值：873.45℃；轧机入口厚度h最大值：19.43mm，轧机入口厚度h最小值：6.22mm；压下量最大值Δh：12.34mm，压下量最小值Δh：3.23mm；压下率ε最大值：0.43，压下率ε最小值：0.18；变形抗力σ最大值：263.34MPa，变形抗力σ最小值：68.34MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F4机架:轧机入口温度T最大值：1041.76℃，轧机入口温度T最小值：856.85℃；轧机入口厚度h最大值：17.34mm，轧机入口厚度h最小值：4.28mm；压下量最大值Δh：11.56mm，压下量最小值Δh：2.36mm；压下率ε最大值：0.40，压下率ε最小值：0.15；变形抗力σ最大值：263.34MPa，变形抗力σ最小值：73.43MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F5机架:轧机入口温度T最大值：1034.86℃，轧机入口温度T最小值：839.35℃；轧机入口厚度h最大值：16.66mm，轧机入口厚度h最小值：3.68mm；压下量最大值Δh：10.86mm，压下量最小值Δh：1.21mm；压下率ε最大值：0.35，压下率ε最小值：0.12；变形抗力σ最大值：269.77MPa，变形抗力σ最小值：77.49MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F6机架:轧机入口温度T最大值：1025.66℃，轧机入口温度T最小值：835.57℃；轧机入口厚度h最大值：16.00mm，轧机入口厚度h最小值：2.21mm；压下量最大值Δh：6.05mm，压下量最小值Δh：0.33mm；压下率ε最大值：0.30，压下率ε最小值：0.09；变形抗力σ最大值：283.44MPa，变形抗力σ最小值：89.86MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

F7机架:轧机入口温度T最大值：1014.22℃，轧机入口温度T最小值：800.3℃；轧机入口厚度h最大值：15.66mm，轧机入口厚度h最小值：1.48mm；压下量最大值Δh：4.86mm，压下量最小值Δh：0.21mm；压下率ε最大值：0.22，压下率ε最小值：0.05；变形抗力σ最大值：296.47MPa，变形抗力σ最小值：102.89MPa；碳当量C的最大值：2.45％，碳当量C的最小值：0.323％；轧机入口宽度w最大值：1934mm,轧机入口宽度w最小值：1048mm。

因此，归一化后的参考数列为：

F1机架:

F2机架:

F3机架:

F4机架:

F5机架:

F6机架:

F7机架:

步骤4、计算归一化后的参考数列与各比较数列之间的灰色关联度，具体为：

步骤4.1、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值；

归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值，如下公式所示：

根据公式(2)-(8)得到参考数列与各比较数列中各对应参数差值绝对值的最小值数列

步骤4.2、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最大值；

归一化后的参考数列中各参数与第i个比较数列中各对应参数差值绝对值的最大值，如下公式所示：

根据公式(9)-(15)得到参考数列与各比较数列中各对应参数差值绝对值的最大值数列

步骤4.3、计算参考数列与各比较数列之间的关联系数；

参考数列与第i个比较数列之间的关联系数{ξ_i}，如下公式所示：

其中，

p为分辨系数；

步骤4.4：计算参考数列与各比较数列之间的灰色关联度；

参考数列与第i个比较数列之间的灰色关联度r_i({D′₀},{D′_i})，如下公式所示：

其中，M＝7为带钢的轧制参数；

本实施例中，确定的F1机架至F7机架的参考数列和9800条比较数列之间的关联系数，具体如下：

F1机架:

F2机架:

F3机架:

F4机架:

F5机架:

F6机架:

F7机架:

上述每个机架的关联系数矩阵共9800行，根据关联系数矩阵，可计算出每一行的灰色关联度，可得到F1到F7机架参考数列和9800条比较数列之间的灰色关联度，每个机架均为9800个，具体如下：

F1机架:{0.69,0.862,...,0.921,0.843}

F2机架:{0.765,0.866,...,0.864,0.578}

F3机架:{0.467,0.854,...,0.865,0.674}

F4机架:{0.678,0.865,...,0.858,0.843}

F5机架:{0.856,0.675,...,0.689,0.869}

F6机架:{0.774,0.856,...,0.977,0.543}

F7机架:{0.888,0.864,...,0.677,0.886}

步骤5、根据参考数列与各比较数列之间的灰色关联度，在轧制生产数据库中查询找到已生产的N卷带钢中与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数；

在F1到F7机架的9800条灰色关联度数列中，分别找出各个机架所生产的带钢的灰色关联度最大值，具体为：

{0.995,0.987,0.994,0.995,0.964,0.945,0.992}

进而找到上述F1到F7机架所生产的带钢的灰色关联度最大值所对应的轧制力自学习系数，具体为：

{1.054,1.043,1.003,0.998,1.043,0.984,0.994}

步骤6、将与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数代入轧制力计算模型，计算得出最终轧制需要设定的轧制力；

所述轧制力计算模型如下公式所示：

其中，F为轧制需要设定的轧制力，k_l为与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数，W为轧件宽度，R′为轧辊压扁半径，Δh为当前机架的压下量，σ为带钢的变形抗力，Q_p为带钢变形区形状影响系数，k_σ为带钢的变形抗力修正系数，k_m为带钢变形区形状影响函数修正系数，k_T为轧机入口温度修正系数；

对于带钢的变形抗力σ，影响因素有钢种、温度、变形率以及变形速率，采用如下公式计算：

其中，α和β为带钢的硬度系数，ε为带钢的变形率，

为带钢的变形速率，m，n分别为带钢的变形率和变形速率影响系数，T为轧机入口处带钢的温度。

本实施例将步骤5中得到的轧制力自学习系数应用到轧制力计算模型中，可计算出F1到F7机架生产带钢需要设定的轧制力，将其计算值与实际测量值进行对比，如表2所示：

通过表2中的计算轧制力和实际测量轧制力的对比值可以看到，轧制力的预测误差可控制到±3％以内。将该方法应用到实际热连轧生产中，轧制力预测精度明显提高，如图4所示，各个机架的轧制力的预测误差可控制到±3％以内。

表2采用灰色关联度提取轧制力自学习系数的轧制规程

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (7)

1.一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：包括以下步骤：

步骤1、确定坯料尺寸数据、产品目标尺寸、钢种牌号与化学成分、温度制度、轧机设备参数及轧制边界条件；

步骤2、确定当前生产中的带钢的轧制参数组成的参考数列和已经生产过的N卷带钢的轧制参数组成的比较数列；

步骤3、对参考数列和N个比较数列中各参数分别进行归一化处理；

步骤4、计算归一化后的参考数列与各比较数列之间的灰色关联度；

步骤5、根据参考数列与各比较数列之间的灰色关联度，在轧制生产数据库中查询找到已生产的N卷带钢中与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数；

步骤6、将与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数代入轧制力计算模型，计算得出最终轧制需要设定的轧制力。

2.根据权利要求1所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：步骤1所述坯料尺寸数据，包括：坯料厚度、宽度和长度；所述产品目标尺寸，包括：产品目标厚度、目标宽度和目标长度；所述的温度制度，包括：坯料出炉温度和钢板进入精轧机组前的温度；所述的轧机设备参数，包括：轧机最大轧制力、轧机最大力矩、轧机最大功率和轧机刚度；所述轧制边界条件，包括：环境温度、冷却水温度和轧辊温度。

3.根据权利要求2所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：步骤2所述带钢的轧制参数包括带钢在轧制时的轧机入口温度、轧机入口厚度、轧机入口宽度以及带钢的压下量、压下率、变形抗力、碳当量。

4.根据权利要求3所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：所述步骤2的具体方法为：

1)取当前正在生产的带钢轧制参数构建参考数列{D₀}＝{T₀,h₀,Δh₀,ε₀,σ₀,C₀,w₀}，其中，T₀是当前正在轧制带钢的轧机入口温度，h₀是当前正在轧制带钢的轧机入口厚度，Δh₀是当前正在轧制带钢的压下量，ε₀是当前正在轧制带钢的压下率，σ₀是当前正在轧制带钢的变形抗力，C₀是当前正在轧制带钢的碳当量，w₀是当前正在轧制带钢的轧机入口宽度；

2)取已生产的N卷带钢的轧制参数构建N个比较数列；其中，已生产的第i卷带钢的轧制参数构建的比较数列{D_i}＝{T_i,h_i,Δh_i,ε_i,σ_i,C_i,w_i}，i＝1,2,……,N，T_i是已生产的第i卷带钢在轧制时的轧机入口温度，h_i是已生产的第i卷带钢在轧制时的轧机入口厚度，Δh_i是已生产的第i卷带钢在轧制时的压下量，ε_i是已生产的第i卷带钢在轧制时的压下率，σ_i是已生产的第i卷带钢在轧制时的变形抗力，C_i是已生产的第i卷带钢在轧制时的碳当量，w_i是已生产的第i卷带钢在轧制时的轧机入口宽度。

5.根据权利要求1所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：所述步骤3采用如下归一化处理模型对参考数列和N个比较数列中各参数分别进行归一化处理：

式中，d_min为数列中某参数的最小值，d_max为数列中某参数的最大值，d为数列中某参数归一化后的计算值，取值范围为(0，1)，则归一化后的参考数列和第i卷比较数列分别为：{D′₀}＝{T′₀,h′₀,Δh′₀,ε′₀,σ′₀,C′₀,w₀′}和{D′_i}＝{T′_i,h′_i,Δh′_i,ε′_i,σ′_i,C_i′,w_i′}，其中，T′₀、h₀、w₀′分别为归一下后的当前正在轧制带钢的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′₀,ε′₀,σ′₀,C′₀,分别为归一下后的当前正在轧制带钢的压下量、压下率、变形抗力和碳当量；T′_i、h′_i、w_i′分别为归一下后的已生产的第i卷带钢在轧制时的轧机入口温度、轧机入口厚度和轧机入口宽度，Δh′_i、ε′_i、σ′_i、C_i′分别为归一下后的已生产的第i卷带钢在轧制时的压下量、压下率、变形抗力和碳当量。

6.根据权利要求5所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：所述步骤4的具体方法为：

步骤4.1、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值；

归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最小值，如下公式所示：

根据公式(2)-(8)得到参考数列与各比较数列中各对应参数差值绝对值的最小值数列

步骤4.2、计算归一化后的参考数列中各参数与各比较数列中各对应参数差值绝对值的最大值；

归一化后的参考数列中各参数与第i个比较数列中各对应参数差值绝对值的最大值，如下公式所示：

根据公式(9)-(15)得到参考数列与各比较数列中各对应参数差值绝对值的最大值数列

步骤4.3、计算参考数列与各比较数列之间的关联系数；

参考数列与第i个比较数列之间的关联系数{ξ_i}，如下公式所示：

其中，

p为分辨系数；

步骤4.4：计算参考数列与各比较数列之间的灰色关联度；

参考数列与第i个比较数列之间的灰色关联度r_i({D′₀},{D′_i})，如下公式所示：

其中，M＝7为带钢的轧制参数。

7.根据权利要求6所述的一种基于灰色关联度提取的热连轧轧制力自整定方法，其特征在于：步骤6所述轧制力计算模型如下公式所示：

其中，F为轧制需要设定的轧制力，k_l为与当前正在生产的带钢灰色关联度最高的带钢所对应的轧制力自学习系数，W为轧件宽度，R′为轧辊压扁半径，Δh为当前机架的压下量，σ为带钢的变形抗力，Q_p为带钢变形区形状影响系数，k_σ为带钢的变形抗力修正系数，k_m为带钢变形区形状影响函数修正系数，k_T为轧机入口温度修正系数；

对于带钢的变形抗力σ，影响因素有钢种、温度、变形率以及变形速率，采用如下公式计算：

其中，α和β为带钢的硬度系数，ε为带钢的变形率，

为带钢的变形速率，m，n分别为带钢的变形率和变形速率影响系数，T为轧机入口处带钢的温度。

Images