CN113649420A - 一种平整机轧制力获取方法及装置 - Google Patents

Abstract

本发明涉及金属压力加工控制领域，尤其涉及一种平整机轧制力获取方法及装置，方法包括：获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及初始模型参数，基于这些数据，获得第一计算轧制力，在第一计算轧制力与实际轧制力的差值满足第一预设条件时，获得预设模型的目标模型参数，将平整机轧制数据作为自变量，基于不同的钢种，将预设模型的模型参数作为因变量，得到对应于每个预设模型参数的目标函数，基于目标函数和目标模型参数，当前平整机轧制数据，获得第二计算轧制力，在第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值，获得对平整机设定的目标轧制力，从而获得精确的平整机设定轧制力。

Description

一种平整机轧制力获取方法及装置

技术领域

本发明涉及金属压力加工控制领域，尤其涉及一种平整机轧制力获取方法及装置。

背景技术

平整是薄带钢生产中一个关键环节，直接影响到产品表面质量、力学性能与板形质量。目前平整机大多没有轧制力设定二级模型，采用查表法，人为给定参数，使得轧制力设定与实际偏差大，导致延伸率波动，对产品性能、表面粗糙度与板形控制均会带来不利影响。

广泛应用的冷轧轧制力模型，如Stone公式、Bland-Ford公式、Band-Ford-Hill简化公式等，是基于轧辊在金属变形区内仍然是圆弧形的假设建立的。普通冷轧由于压下量较大，轧件主要发生塑性变形，其弹性变形相对塑性变形较小，忽略轧件的弹性变形对轧制压力的计算影响较小，此外，轧辊的轮廓也仍近似于圆弧形。平整轧制由于轧件塑性变形量较小，轧件的弹性变形和工作辊的弹性压扁对轧制压力分布有较大影响，此外，由于压下量及接触弧长较小，轧辊的接触弧轮廓已不再是圆弧形，因此，对于平整而言，通常的圆弧形轧辊轮廓假设不再合理。

最早由Orowan发现在某些轧制条件下，接触弧的中间部位存在一个“扁平区”，在此区域内压下量几乎为零。国内外多名学者，如连家创和Fleck等人提出将轧辊与带钢接触弧长分多个区处理，区分弹性变形与塑形变形，并认为辊缝变形区中存在较大的“弹性变形平坦区”，一般分为“入口弹性区”、“出口弹性区”与“塑形变形区”，基于接触压力分布函数的假设，对“出口弹性区”长度进行迭代求解，最终计算出总的轧制力。但是，基于变形机理的计算模型需要大量的迭代计算，计算时间长并且存在收敛困难的问题，难以适用于在线控制。

W.L.Roberts(罗伯茨)根据平整的工艺特点开发出一套平整轧制压力显式计算模型,但该模型的推导是基于大压下率的，不能直接用于延伸率小的轧制条件，需要修正。申请号200710185706.X一种平整轧制压力设定、预报及自学习方法，根据均方差最小原则，通过搜索方法确定罗伯茨模型中接触弧长修正参数a0和a1，过程复杂需要迭代计算。专利申请号201010206176.4极薄板平整机的轧制力预设定方法采用均方差最小的原则获得轧制力计算模型中修正系数的值，一个是修正变形抗力，另外一个是修正接触弧长，选择的是罗伯茨模型。申请号201310276037.2一种六辊平整机组轧制力优化设定方法，采用Matlab多维拟合函数方法，给出罗伯茨模型中的参数的具体数值。但是，上述方法直接根据大数据给出参数具体数值，没有和轧制工况参数直接相关联，适应性不强。除了罗伯茨模型外，广泛应用与冷轧轧制力计算的布兰德福特模型，经过修正其中的参数，也可以适用于平整轧制力计算。

所公布的专利中更多所采用的一种方法是根据多目标优化方法寻优，给出轧制力，如申请号201410198769.9适于双机架四辊平整机组轧制力与张力协调控制方法、专利申请号201310031951.0VC辊平整机湿平整过程中张力与轧制压力综合设定方法、申请号201810313793.0一种双平整机组基于成品粗糙度控制的轧制压力设定方法，根据目标板形、粗糙度与带钢机械性能等多个条件为优化目标，通过寻优算法给出轧制力。由于生产现场粗糙度测量与模型迭代寻优等过程使得在线应用需要验证。

另外两种方法是基于机理模型和设备条件给出轧制力计算结果，如专利申请号200510029206.8平整机轧制压力设定方法，采用了需要迭代计算的机理模型设定计算轧制力。专利申请号202011217088.4六辊平整机轧制力的计算方法，通过轧机液压系统与轧辊重力等条件计算轧制力。同样，这两个方法由于迭代和计算的合理性，也需要在线应用的验证。

在线用平整轧制力计算模型设定的精度，无论是采用罗伯茨模型还是布兰德福特模型，关键点均在于模型中关于接触弧长与变形抗力的参数如何准确确定。

如何获得更加准确的平整轧制力设定值是目前亟待解决的技术问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的平整机轧制力获取方法及装置。

第一方面，本发明提供了一种平整机轧制力获取方法，包括：

获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数；

基于所述多组历史平整机轧制数据、当前的设定轧制力和实际轧制力、所述初始模型参数，以及所述预设模型，获得第一计算轧制力；

通过调整所述预设模型的模型参数，以使在所述第一计算轧制力与所述实际轧制力的差值满足第一预设条件时，获得所述预设模型的目标模型参数；

基于不同的钢种，将平整机轧制数据作为自变量，将所述预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

基于所述目标函数和所述目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

在所述第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

基于所述预设模型的模型参数的值，获得对所述平整机设定的目标轧制力。

优选地，所述预设模型具体为如下任意一种：

罗伯茨模型、布兰德福特模型。

优选地，在基于所述预设模型的参数的值，获得目标计算轧制力的公式之后，还包括：

基于所述目标计算轧制力的公式以及初始自学习系数和初始长期遗传自学习系数，获得设定计算轧制力；

判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件；

若是，采用指数平滑法，对自学习系数和长期遗传自学习系数分别进行修正；

基于修正后的自学习系数和修正后的长期遗传自学习系数，对所述目标计算轧制力的公式进行修正。

优选地，判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件之后，还包括：

若否，基于布兰德福特模型反算摩擦系数，对摩擦系数进行修正。

优选地，所述多组历史平整机轧制数据中的每组历史平整机轧制数据均包括：

平整机带钢牌号、平整入口带钢厚度、平整出口带钢厚度、平整延伸率、带钢宽度、平整机工作辊直径、平整机入口张力、平整机出口张力、带钢屈服强度、轧制速度。

优选地，所述罗伯茨模型所对应的公式如下：

P＝f*B

其中，P为轧制力，f为单位轧制力，B为带钢宽度，L为接触弧长，D为工作辊直径，r为压下率，μ为摩擦系数，h₁为平整入口带钢厚度，h₂为平整出口带钢厚度，a₀和a₁为接触弧长修正系数，σ_p为变形抗力，σ_s为带钢屈服强度，

为应变速率，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，v为平整机速度，a、k1、k2和k3分别为相关系数。

优选地，所述布兰德福特模型所对应的公式如下：

其中，K_T为张力因子；K_P为变形抗力，Q_P为轧制力影响函数；h₁和h₂分别为平整入口和出口厚度，c为轧辊压扁系数；v_R为泊松比，E_R为轧辊弹性模量，R为轧辊半径，t_b和t_f分别为平整后张力和平整前张力，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，k₀、m、n和l分别为变形抗力模型参数，其中，k₀＝Y，Y为带钢屈服强度，V为轧制速度。

第二方面，本发明还提供了一种平整机轧制力获取装置，包括：

获取模块，用于获取历史多组平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数；

计算模块，用于基于所述多组历史平整机轧制数据、当前的设定轧制力和实际轧制力、所述初始模型参数，以及所述预设模型，获得第一计算轧制力；

第一获得模块，用于通过调整所述预设模型的模型参数，以使在所述第一计算轧制力与所述实际轧制力的差值满足第一预设条件时，获得所述预设模型的目标模型参数；

得到模块，用于基于不同的钢种，将所述多组平整机轧制数据作为自变量，将所述预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

第二获得模块，用于基于所述目标函数和所述目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

第三获得模块，用于在所述第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

第四获得模块，用于基于所述预设模型的模型参数的值，获得对所述平整机设定的目标轧制力。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法步骤。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供了一种平整机轧制力获取方法，包括：获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数，基于这些数据以及采用一种预设模型，获得第一计算轧制力，在该第一计算轧制力与实际轧制力的差值满足第一预设条件时，获得预设模型的目标模型参数，基于不同的钢种，将平整机轧制数据作为自变量，将预设模型的模型参数作为因变量，得到对应于每个预设模型参数的目标函数，然后，基于该目标函数和目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力，在第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值，基于该预设模型的模型参数的值，获得对平整机设定的目标轧制力，从而获得精确的平整机设定轧制力。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中平整机轧制力获取方法的步骤流程示意图；

图2示出了本发明实施例中采用罗伯茨模型在采用大数据回归得到的参数计算结果与实际轧制力偏差的统计结果示意图；

图3示出了本发明实施例中采用布兰德福特模型在采用大数据回归得到的参数计算结果与实际轧制力偏差的统计结果示意图；

图4示出了本发明实施例中以生产钢种为AC061001为例，规格为0.98*1085mm的平整轧制力设定计算结果为例的示意图；

图5示出了本发明实施例中平整机轧制力获取装置的结构示意图；

图6示出了本发明实施例中实现以平整机轧制力获取方法的计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

本发明的第一实施例提供了一种平整机轧制力获取方法，如图1所示，包括：

S101，获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数。

S102，基于多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，该初始模型参数，以及预设模型，获得第一计算轧制力；

S103，通过调整预设模型的模型参数，以使在第一计算轧制力与实际轧制力的差值满足第一预设条件时，获得预设模型的目标模型参数；

S104，基于不同的钢种，将平整机轧制数据作为自变量，将预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

S105，基于该目标函数和目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

S106，在第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

S107，基于预设模型的模型参数的值，获得对平整机设定的模型参数的目标轧制力。

在具体的实施方式中，该平整机轧制数据具体为：平整带钢牌号、平整出口带钢厚度、平整延伸率、带钢宽度、平整机工作辊直径、平整机入口张力、平整机出口张力、带钢屈服强度、轧制速度。

同时，还需要获得采用预设模型计算轧制力时所采用的初始模型参数，由于所采用的预设模型具体可以是罗伯茨模型或者是布兰德福特模型，若采用罗伯茨模型，则初始模型参数a＝51.6，a₀＝1.9，a₁＝0.2。若采用布兰德福特模型，则初始模型参数m＝0.6、n＝0.4、l＝0.16。上述这些模型中的摩擦系数值μ＝0.3。

在获取这些数据和参数之后，执行S102，基于这些数据和参数，采用上述任意一种计算轧制力的模型来获得第一计算轧制力。

若采用罗伯茨模型，将多组历史平整机轧制数据输入该罗伯茨模型中，利用上述的初始模型参数a＝51.6，a₀＝1.9，a₁＝0.2，计算第一计算轧制力：

P＝f*B

其中，P为第一计算轧制力，f为单位轧制力，B为带钢宽度，L为接触弧长，D为工作辊直径，r为压下率，μ为摩擦系数，h₁为平整入口带钢厚度，h₂为平整出口带钢厚度，a₀和a₁为接触弧长修正系数，σ_p为变形抗力，σ_s为带钢屈服强度，

为应变速率，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，v为平整机速度，a、k₁、k₂和k₃分别为相关系数。

其中，k₃＝1.155，k₁＝k₂＝0.5。

若采用布兰德福特模型，将多组历史平整机轧制数据输入该布兰德福特模型中，利用上述的初始模型参数m＝0.6、n＝0.4、l＝0.16，计算第一计算轧制力：

其中，K_T为张力因子；K_P为变形抗力，Q_P为轧制力影响函数；h₁和h₂分别为平整入口和出口厚度，c为轧辊压扁系数；v_R为泊松比，E_R为轧辊弹性模量，R为轧辊半径，t_b和t_f分别为平整后张力和平整前张力，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，k₀、m、n和l分别为变形抗力模型参数，其中，k₀＝Y，Y为带钢屈服强度，V为轧制速度。

接着，执行S103，通过调整预设模型的模型参数，以使在第一计算轧制力与实际轧制力的差值满足第一预设条件时，获得预设模型的目标模型参数，

具体是在MATLAB软件中，将采用上述任意一种预设模型获得的第一计算轧制力与实际轧制力进行比较，在该第一计算轧制力与实际轧制力之差满足≤±5％时，由此获得预设模型的目标模型参数，即a，a₀，a₁或者m、n、l。

在获得该目标模型参数之后，即获得该目标模型参数的值之后，执行S104，基于不同的钢种，将平整机轧制数据作为自变量，将预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数。

具体地，通过将钢种按照钢种牌号进行区分，将预设模型的模型参数作为因变量，将平整机轧制数据作为自变量，分别得到对应于每个预设模型的模型参数的目标函数。

将带钢平整后的厚度h，平整延伸率E、工作辊直径D、平整入口张力Tb，平整出口张力Tf、带钢屈服强度Y与轧制速度V作为自变量，基于不同的钢种，将对应牌号的大数据进行计算，得到相关自变量的系数，具体是得到模型参数a，a₀，a₁为轧制工况参数的函数，或者模型参数m、n、l为轧制工况参数的函数。

比如，对于采用罗伯茨模型来说，得到该模型中接触弧长L计算公式中的修正系数a₀＝b₀+b₁*h+b₂*E+b₃*D+b₄*Tb+b₅*Tf+b₆*Y+b₁V；

a₁＝c₀+c₁*h+c₂*E+c₃*D+c₄*Tb+c₅*Tf+c₆*Y+c₁V。

其中，方程系数的取值范围为：b₀：0.0～2.0，b₁：-0.09～0.1；b₂：-0.2～0.05；b₃：-0.002～0.001；b₄：-0.002～0.01；b₅：-0.002～0.002；b₆：-0.0003～0.02；b₇：-1.8E-5～1.0E-4；c₀:0.0～0.3；c₁：-0.1～0.1；c₂：-0.02～0.18；c₃：-0.00035～0.00015；c₄：-0.0008～0.002；c₅：-0.002～0.0015；c₆：-5.0E-5～0.003；c₇：-0.0002～1.9E-5。

比如，对于采用布兰德福特模型来说，得到材料变形抗力计算公式中的修正系数m、n、l方程如下：

m＝d₀+d₁*h+d₂*E+d₃*D+d₄*Tb+d₅*Tf+d₆*Y+d₇*V；

n＝e₀+e₁*h+e₂*E+e₃*D+e₄*Tb+e₅*Tf+e₆*Y+e₇*V；

l＝f₀+f₁*h+f₂*E+f₃*D+f₄*Tb+f₅*Tf+f₆*Y+f₇*V；

其中，上述方程各系数的取值范围如下：

d₀：-0.09～1.2；d₁：-0.36～0.07；d₂：-0.3～0.19；d₃：-0.0015～0.0012；d₄：-0.038～0.004；d₅：-0.005～0.04；d₆：-0.0008～0.01；d₇：-0.0006～0.0006；e₀：-0.2～0.7；e₁：-0.08～0.41；e₂：-0.18～0.25；e₃：-0.0013～0.00029；e₄：-0.004～0.036；e₅：-0.037～0.0045；e₆：-0.0015～0.0075；e₇：-0.00056～0.00062；f₀：-0.065～0.745；f₁：-0.37～0.065；f₂：-0.24～0.175；f₃：-0.00063～0.0013；f₄：-0.0368～0.0040；f₅：-0.0042～0.0359；f₆：-0.0025～0.0043；f₇：-0.00058～0.00056。

上述的参数范围是指对应不同牌号的钢种所适用的范围。

下表为某镀锌生产线上部分钢种牌号的罗伯茨模型与布兰德福特模型中模型参数：

然后，执行S105，基于该目标函数和目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力。

具体地，将目标函数以及目标模型参数带入该第二计算轧制力的公式中，从而获得第二计算轧制力。

接着，执行S106，在第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值。

通过比较第二计算轧制力与实际轧制力的差值，在该差值满足≤10％的要求时，由此，获得预设模型的模型参数的值。

如图2、图3所示，给出了罗伯茨模型与布兰德福特模型在采用大数据回归得到的参数计算结果与实际轧制力偏差的统计结果，要求该第二计算轧制力与实际轧制力的差值满足±10％以内，以满足生产现场的控制要求。

S107，根据上述得到模型参数的值，获得对平整机设定的目标轧制力。

具体是采用C++进行在线控制模型编程，通过输入如下参数：带钢牌号、平整入口带钢厚度、平整出口带钢厚度，平整延伸率，带钢宽度、平整机工作辊直径、平整机入口张力、平整机出口张力、带钢屈服强度、轧制速度、摩擦系数0.3，然后，控制预设模型中的模型参数的值，得到目标计算轧制力的公式。

以生产钢种为AC061001为例，规格为0.98*1085mm的平整轧制力设定计算结果为例，如图4所示，实际轧制力与设定轧制力偏差在10％以内。

由此得到目标计算轧制力的公式，针对每种牌号的钢种来说，所对应的目标计算轧制力的公式是不同的。

在S107之后，为了补偿现场工况变化导致的模型计算存在的偏差，根据该目标计算轧制力的公式以及初始自学习系数和初始长期遗传自学习系数，获得设定计算轧制。

然后，判断该设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件，若是，则采用指数平滑法，对自学习系数和长期遗传自学习系数分别进行修正；基于修正后的自学习系数和修正后的长期遗传自学习系数，对目标计算轧制力的公式进行修正。

具体是将该目标计算轧制力的公式乘以初始自学习系数ZB以及长期自学习系数ZL，从而得到设定计算轧制力Psetup。

Psetup＝ZB*ZL*P

其中，该初始自学习系数ZB和长期遗传自学习系数ZL均为1.0，在钢卷轧制完成之后，在该设定计算轧制力Psetup与实际轧制力Pact之比Zi满足0.8～1.2时，对该初始自学习系数ZB以及长期自学习系数ZL进行修正。

ZB_new＝ZB_old+beitaB*(Zi-ZB_old)

其中，ZB_old为初始自学习系数，具体为1.0，beita_B为平滑系数，具体为0.9，该平滑系数还可以根据现场情况修改，增大或者减小学习速度。ZB_new为修正后的自学习系数。

在当前轧制钢卷为当前执行计划中的第j卷，则第j卷的长期遗传自学习系数为

采用指数平滑法对长期遗传自学习系数ZL进行更新：

ZL_new＝ZL_old+beita_L*(ZLi-ZL_old)

其中，ZL_old为初始长期遗传自学习系数，具体为1.0，beita_L为平滑系数，具体为0.8,该平滑系数还可以根据现场情况修改，增大或者减小学习速度。

因此，在当前钢卷的实际轧制力与计算轧制力之间的关系不满足第三预设条件时，此时表明现场工况已超出大数据回归得到的模型参数的范围，因此，基于布兰德福特模型反算模型的摩擦系数的功能，将实际轧制力作为输入，通过布兰德福特模型的公式，求出轧制力影响函数Q_p，基于该轧制力影响函数Q_p与摩擦系数μ的函数关系，由此得到摩擦系数，从而对摩擦系数进行修正，对后续带钢计算轧制力进行修正，保证轧制力计算的精度。

最后，基于该修正后的自学习系数和修正后的长期遗传自学习系数，对目标计算轧制力的公式进行修正。

本发明不仅通过大数据的多元回归分析算法优化轧制力计算模型的参数，通过长期和短期自学习、摩擦系数的调整功能，实现平整机在线轧制力的自动设定功能，解决人工设定误差大的问题，改进生产效率和产品质量。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供了一种平整机轧制力获取方法，包括：获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数，基于这些数据以及采用一种预设模型，获得第一计算轧制力，在该第一计算轧制力与实际轧制力的差值满足第一预设条件时，获得预设模型的目标模型参数，基于不同的钢种，将平整机轧制数据作为自变量，将预设模型的模型参数作为因变量，得到对应于每个预设模型参数的目标函数，然后，基于该目标函数和目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力，在第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值，基于该预设模型的模型参数的值，获得对平整机设定的目标轧制力，从而获得精确的平整机设定轧制力。

实施例二

基于相同的发明构思，本发明实施例提供了一种平整机轧制力获取装置，如图5所示，包括：

获取模块501，用于获取历史多组平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数；

计算模块502，用于基于所述多组历史平整机轧制数据、当前的设定轧制力和实际轧制力、所述初始模型参数，以及所述预设模型，获得第一计算轧制力；

第一获得模块503，用于通过调整所述预设模型的模型参数，以使在所述第一计算轧制力与所述实际轧制力的差值满足第一预设条件时，获得所述预设模型的目标模型参数；

得到模块504，用于基于不同的钢种，将所述多组平整机轧制数据作为自变量，将所述预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

第二获得模块505，用于基于所述目标函数和目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

第三获得模块506，用于在所述第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

第四获得模块507，用于基于所述预设模型的模型参数的值，获得对所述平整机设定的目标轧制力。

在一种可选的实施方式中，所述预设模型具体为如下任意一种：

罗伯茨模型、布兰德福特模型。

在一种可选的实施方式中，还包括：

第六获得模块，用于基于所述目标计算轧制力的公式以及初始自学习系数和初始长期遗传自学习系数，获得设定计算轧制力；

判断模块，用于判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件；

第一修正模块，用于若是，采用指数平滑法，对自学习系数和长期遗传自学习系数分别进行修正；

第二修正模块，用于基于修正后的自学习系数和修正后的长期遗传自学习系数，对所述目标计算轧制力的公式进行修正。

在一种可选的实施方式中，还包括：

第三修正模块，用于判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件之后，若否，基于布兰德福特模型反算摩擦系数，对摩擦系数进行修正。

在一种可选的实施方式中，所述多组历史平整机轧制数据中的每组历史平整机轧制数据均包括：

平整机带钢牌号、平整入口带钢厚度、平整出口带钢厚度、平整延伸率、带钢宽度、平整机工作辊直径、平整机入口张力、平整机出口张力、带钢屈服强度、轧制速度。

在一种可选的实施方式中，所述罗伯茨模型所对应的公式如下：

P＝f*B

其中，P为轧制力，f为单位轧制力，B为带钢宽度，L为接触弧长，D为工作辊直径，r为压下率，μ为摩擦系数，h₁为平整入口带钢厚度，h₂为平整出口带钢厚度，a₀和a₁为接触弧长修正系数，σ_p为变形抗力，σ_s为带钢屈服强度，

为应变速率，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，v为平整机速度，a、k1、k2和k3分别为相关系数。

在一种可选的实施方式中，所述布兰德福特模型所对应的公式如下：

其中，K_T为张力因子；K_P为变形抗力，Q_P为轧制力影响函数；h₁和h₂分别为平整入口和出口厚度，c为轧辊压扁系数；v_R为泊松比，E_R为轧辊弹性模量，R为轧辊半径，t_b和t_f分别为平整后张力和平整前张力，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，k₀、m、n和l分别为变形抗力模型参数，其中，k₀＝Y，Y为带钢屈服强度，V为轧制速度。

实施例三

基于相同的发明构思，本发明实施例提供了一种计算机设备，如图6所示，包括存储器604、处理器602及存储在存储器604上并可在处理器602上运行的计算机程序，所述处理器602执行所述程序时实现上述平整机轧制力获取方法的步骤。

其中，在图6中，总线架构(用总线600来代表)，总线600可以包括任意数量的互联的总线和桥，总线600将包括由处理器602代表的一个或多个处理器和存储器604代表的存储器的各种电路链接在一起。总线600还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口606在总线600和接收器601和发送器603之间提供接口。接收器601和发送器603可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器602负责管理总线600和通常的处理，而存储器604可以被用于存储处理器602在执行操作时所使用的数据。

实施例四

基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述平整机轧制力获取方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的平整机轧制力获取装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种平整机轧制力获取方法，其特征在于，包括：

获取多组历史平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数；

基于所述多组历史平整机轧制数据、当前的设定轧制力和实际轧制力、所述初始模型参数，以及所述预设模型，获得第一计算轧制力；

通过调整所述预设模型的模型参数，以使在所述第一计算轧制力与所述实际轧制力的差值满足第一预设条件时，获得所述预设模型的目标模型参数；

基于不同的钢种，将平整机轧制数据作为自变量，将所述预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

基于所述目标函数和所述目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

在所述第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

基于所述预设模型的模型参数的值，获得对所述平整机设定的目标轧制力。

2.如权利要求1所述的方法，其特征在于，所述预设模型具体为如下任意一种：

罗伯茨模型、布兰德福特模型。

3.如权利要求1所述的方法，其特征在于，在基于所述预设模型的参数的值，获得目标计算轧制力的公式之后，还包括：

基于所述目标计算轧制力的公式以及初始自学习系数和初始长期遗传自学习系数，获得设定计算轧制力；

判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件；

若是，采用指数平滑法，对自学习系数和长期遗传自学习系数分别进行修正；

基于修正后的自学习系数和修正后的长期遗传自学习系数，对所述目标计算轧制力的公式进行修正。

4.如权利要求3所述的方法，其特征在于，判断所述设定计算轧制力与实际轧制力之间的关系是否满足第三预设条件之后，还包括：

若否，基于布兰德福特模型反算摩擦系数，对摩擦系数进行修正。

5.如权利要求1所述的方法，其特征在于，所述多组历史平整机轧制数据中的每组历史平整机轧制数据均包括：

平整机带钢牌号、平整入口带钢厚度、平整出口带钢厚度、平整延伸率、带钢宽度、平整机工作辊直径、平整机入口张力、平整机出口张力、带钢屈服强度、轧制速度。

6.如权利要求2所述的方法，其特征在于，所述罗伯茨模型所对应的公式如下：

P＝f*B

其中，P为轧制力，f为单位轧制力，B为带钢宽度，L为接触弧长，D为工作辊直径，r为压下率，μ为摩擦系数，h₁为平整入口带钢厚度，h₂为平整出口带钢厚度，a₀和a₁为接触弧长修正系数，σ_p为变形抗力，σ_s为带钢屈服强度，

为应变速率，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，v为平整机速度，a、k1、k2和k3分别为相关系数。

7.如权利要求2所述的方法，其特征在于，所述布兰德福特模型所对应的公式如下：

其中，K_T为张力因子；K_P为变形抗力，Q_P为轧制力影响函数；h₁和h₂分别为平整入口和出口厚度，c为轧辊压扁系数；v_R为泊松比，E_R为轧辊弹性模量，R为轧辊半径，t_b和t_f分别为平整后张力和平整前张力，σ₁＝T_b/(B*h/(1-E/100))*1000与σ₂＝T_f/(B*h)*1000分别为平整机入口和出口张力，k₀、m、n和l分别为变形抗力模型参数，其中，k₀＝Y，Y为带钢屈服强度，V为轧制速度。

8.一种平整机轧制力获取装置，其特征在于，包括：

获取模块，用于获取历史多组平整机轧制数据、当前的设定轧制力和实际轧制力，以及采用预设模型的初始模型参数；

计算模块，用于基于所述多组历史平整机轧制数据、当前的设定轧制力和实际轧制力、所述初始模型参数，以及所述预设模型，获得第一计算轧制力；

第一获得模块，用于通过调整所述预设模型的模型参数，以使在所述第一计算轧制力与所述实际轧制力的差值满足第一预设条件时，获得所述预设模型的目标模型参数；

得到模块，用于基于不同的钢种，将所述多组平整机轧制数据作为自变量，将所述预设模型的模型参数作为因变量，分别得到对应于每个预设模型的模型参数的目标函数；

第二获得模块，用于基于所述目标函数和所述目标模型参数，以及当前平整机轧制数据，获得第二计算轧制力；

第三获得模块，用于在所述第二计算轧制力与实际轧制力的差值满足第二预设条件时，获得预设模型的模型参数的值；

第四获得模块，用于基于所述预设模型的模型参数的值，获得对所述平整机设定的目标轧制力。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一权利要求所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。

Images