CN114472546B - 一种基于大数据对轧制力进行优化的方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据对轧制力进行优化的方法，其包括：(1)获取已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力的历史轧制数据；(2)预处理历史轧制数据并剔除异常数据；(3)由历史设定轧制力和历史实际轧制力获得轧制力偏差；(4)当待轧制钢板与历史轧制数据中已轧制钢板的化学成分相同时，执行步骤(4a)；当成分不同时，执行步骤(4b)；(4a)将第一调整系数与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板(4b)将第二调整系数与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

Description

一种基于大数据对轧制力进行优化的方法及系统

技术领域

本发明涉及一种钢铁热态轧制控制方法及系统，尤其涉及一种对轧制力进行优化的方法及系统。

背景技术

众所周知，轧制力是轧机轧制轧件过程中所需要的压力，其主要受轧件本身变形抗力的影响，并且还和轧制速度和轧件宽度呈正比关系。计算轧制力是轧制过程中相当重要的操作，其不仅是轧制过程设定的优先步骤，而且这一操作的精度也决定了轧件轧后的精度(包括尺寸精度和板形质量)。因此，针对计算轧制力这一步骤的优化工作是钢铁行业热态轧制过程提升轧制精度的必要工作。

在现有技术中，已经存在优化计算轧制力的方法，其主要分为：模型计算或预测轧制力精度优化轧制力和控制过程优化轧制力计算的两类方法。

例如：公开号为CN107908836A，公开日为2018年4月13日，名称为“一种轧制参数优化方法及装置”的中国专利文献；公开号为CN105290119A，公开日为2016年2月3日，名称为“基于相变的热轧带钢变形抗力预测方法”的中国专利文献；公开号为CN102294362A，公开日为2011年12月28日，名称为“一种中厚板厚度精度控制方法”的中国专利文献。

这些针对模型计算或预测轧制力精度优化类的专利，最初的方向主要围绕模型构建进行表述，讲述了计算模型产生的规律，由专门的计算模块来计算出变形抗力来计算轧制力。后续通过不断优化，又提出了多种轧制力计算的方法，包括通过利用神经元网络等数据方法提高计算精度的方法，通过根据化学成分划定钢族的方法再进行优化的方法，通过进行实验室热模拟试验做出钢的变形抗力曲线来提高计算精度的方法，通过仿真计算来获得轧机机构参数来提高轧制力计算精度的方法等等。

又例如：公开号为CN107520259B，公开日为2019年7月19日，名称为“一种冷轧新钢种变形抗力系数快速修正方法”的中国专利文献；公开号为CN108723099A，公开日为2018年11月2日，名称为“一种基于无头带钢生产线的铁素体轧制方法及装置”的中国专利文献。

这些针对控制过程优化轧制力计算的方法类专利，主要描述了在轧制过程中通过检测对比修正来提高轧制力计算精度的方法。这些方法涉及的机组主要为连续轧制机组，其包括通过利用前机组轧制力的偏差来修正后续轧制力计算的方法；通过轧机设备快速补偿以补偿速度引起的变形抗力变化的方法；通过轧制力和轧制温度相互迭代的计算提高轧制力精度的方法；通过以往生产钢板的数据变形抗力和摩擦系数逆计算来修正轧制力计算的方法；通过按钢种化学成分分类，再按照分类对计算轧制力进行优化的方法等。

然而，轧制力与材料变形抗力(包括变形量、变形速度和温度因素)、轧制宽度和轧机设备有关。在轧制规格和轧机设备一定的情况下，轧制力最大的影响因素便是变形抗力。变形抗力是钢本身属性所决定的，且主要受化学成分和温度影响，其中化学元素的影响非常复杂，温度影响趋势基本规律为温度越低，变形抗力越大。

需要说明的是，中厚板产线产品非常多样化，很难进行全钢种的实测变形抗力曲线，部分产线采用基础钢族法来模糊划定产品强度等级，还有很多变形抗力以模型计算得到，现有技术中常见的计算方法为与化学成分相关的神经元网络法。中厚板在轧制过程中有很大温度空间，由钢板轧制温度可以从1150℃到650℃范围分布，钢铁材料其变形抗力随温度变化的趋势差异很大，一般预测性计算方法很难满足如此大范围温度差异的计算精度。因此，现有技术中通用的两种常见的变形抗力计算方法无法涵盖所有化学成分的变形抗力计算也无法涵盖大范围温度差异的计算精度。

通过上述分析，可以发现中厚板轧制力计算存在一定的难度，很难靠原设定一次优化得到完全正确的结果。因此现有技术中的一些产线采用了自适应计算的方式予以优化，例如第一道次计算轧制力小于实际测量轧制力，此时系统认为钢比原模型计算强度要高，就将第二道次计算轧制力的调整大一些，至于大多少由各个模型决定。

然而，此种方法只能应用在变形抗力趋势较稳定的情况，当变形抗力随温度变化趋势很大时，这种调整无法满足需求。而且，在中厚板产线生产过程中，控制温度的差异的确巨大，相同成分也存在很大差异的温度控制范围，因此自适应的模型优化有一定局限性。

基于此，为了克服现有技术中存在的缺陷，本发明期望获得一种基于大数据对轧制力进行优化的方法及系统，其针对中厚板产线产品多样且轧制温度范围跨度大的特点，通过大数据分析方法找到轧制力计算偏差和温度区间的规律，并对同规律下的品种进行聚类，从而形成可以对新生产钢板的轧制力计算进行修正的根据，进而按温度区间调整计算轧制力，从而改善某特定温度区间下的轧制力计算精度。

发明内容

本发明的目的之一在于提供一种基于大数据对轧制力进行优化的方法，本发明针对中厚板产线产品多样且轧制温度范围跨度大的特点，通过大数据分析方法找到轧制力计算偏差和温度区间的规律，并对同规律下的品种进行聚类，从而形成可以对新生产钢板的轧制力计算进行修正的根据，进而按温度区间调整计算轧制力，从而改善某特定温度区间下的轧制力计算精度。该方法可以在厚板厂以及热轧厂中推广应用，也可以以技术贸易的形式推广至国内外厚板和热轧的钢铁企业。

为了实现上述目的，本发明提供了一种基于大数据对轧制力进行优化的方法，其包括步骤：

(1)获取历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；

(2)对所述历史轧制数据进行预处理，以剔除异常数据；

(3)基于历史设定轧制力和历史实际轧制力获得轧制力偏差；将该轧制力偏差与对应的设定的轧制力偏差阈值进行比较，如果轧制力偏差的绝对值不超过轧制力偏差阈值，则设定第一调整系数α₁为1，如果轧制力偏差的绝对值超过轧制力偏差阈值，则设定第一调整系数α₁＝1+(轧制力偏差/历史设定轧制力)×λ，其中λ表示影响系数；

(4)当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分相同时，执行下述步骤(4a)；当待轧制的钢板与历史轧制数据中的钢板成分不同时，执行下述步骤(4b)；

(4a)将第一调整系数α₁与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板；

(4b)在历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据；

基于下式求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离：

其中Z_j表示待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的第j种已经轧制钢板的化学成分的欧式距离，1≤j≤m，m表示成分最接近的一类已经轧制钢板中有m种彼此成分不同的已经轧制钢板；n表示待轧制钢板中化学元素的种类数量，i表示第i种化学元素，x_i-y_i表示待轧制的钢板中的相应化学元素与已经轧制钢板中的相应化学元素之间的距离；

基于下式获得调整系数权重β_j：

基于下式获得第二调整系数α₂：

其中，α_1j表示所述第j种已经轧制钢板的第一调整系数；

将第二调整系数α₂与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

在本发明中，本发明所述的方法通过借鉴大数据来解决技术问题。在本技术领域内，一般默认实际测量的轧制力为准确的或稳定的，因此本发明所述的方法通过历史上大量实际轧制力、计算轧制力和轧制温度的关系大数据分析，以得到与温度对应的轧制力差异规律，形成化学成分和温度区间段的轧制计算规律。在本技术方案中，首先按待轧制钢板的化学成分和其控轧轧制温度区间判断轧制力是否需要调整，再跟根据对应的具体温度区间基于调整系数对历史设定轧制力或给定的设定轧制力进行调整，以对轧制力进行优化。

需要说明的是，当新生产钢板的生产数量达到一定规模后，再进行上述大数据分析过程，可以获取新的规律，从而实现轧制工艺的改进。

进一步地，在本发明所述的基于大数据对轧制力进行优化的方法中，在步骤(2)中，基于历史实际轧制力反算变形抗力，以获得与各轧制温度区段对应的变形抗力分布，从变形抗力分布中剔除变形抗力异常的数据所对应的样本。

进一步地，在本发明所述的基于大数据对轧制力进行优化的方法中，所述变形抗力异常是指变形抗力超过±2个西格玛。

进一步地，在本发明所述的基于大数据对轧制力进行优化的方法中，所述设定的轧制力偏差阈值与各轧制温度区段相对应。

进一步地，在本发明所述的基于大数据对轧制力进行优化的方法中，历史轧制数据中的钢板成分分类基于化学成分聚类的方法而获得。

进一步地，在本发明所述的基于大数据对轧制力进行优化的方法中，影响系数λ的取值范围为0.8-1.2。

相应地，本发明的另一目的在于提供一种基于大数据对轧制力进行优化的系统，该基于大数据对轧制力进行优化的系统可以有效用于实施本发明上述的方法，其具有十分重要的现实意义。

为了实现上述目的，本发明提出了一种基于大数据对轧制力进行优化的系统，其包括数据库和轧制力优化控制模块，其中：

所述数据库存储历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；

所述轧制力优化控制模块执行下述步骤：

(1)获取所述历史轧制数据；

(2)对所述历史轧制数据进行预处理，以剔除异常数据；

(3)基于历史设定轧制力和历史实际轧制力获得轧制力偏差；将该轧制力偏差与对应的设定的轧制力偏差阈值进行比较，如果轧制力偏差的绝对值不超过轧制力偏差阈值，则设定第一调整系数α₁为1，如果轧制力偏差的绝对值超过轧制力偏差阈值，则设定第一调整系数α₁＝1+(轧制力偏差/历史设定轧制力)×λ，其中λ表示影响系数；

(4)当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分相同时，所述轧制力优化控制模块执行下述步骤(4a)；当待轧制的钢板与历史轧制数据中的钢板成分不同时，所述轧制力优化控制模块执行下述步骤(4b)：

(4a)将第一调整系数α₁与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板；

(4b)在历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据；

基于下式求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离：

其中Z_j表示待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的第j种已经轧制钢板的化学成分的欧式距离，1≤j≤m，m表示成分最接近的一类已经轧制钢板中有m种彼此成分不同的已经轧制钢板；n表示待轧制钢板中化学元素的种类数量，i表示第i种化学元素，x_i-y_i表示待轧制的钢板中的相应化学元素与已经轧制钢板中的相应化学元素之间的距离；

基于下式获得调整系数权重β_j：

基于下式获得第二调整系数α₂：

其中，α_1j表示所述第j种已经轧制钢板的第一调整系数；

将第二调整系数α₂与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

进一步地，在本发明所述的基于大数据对轧制力进行优化的系统中，所述轧制力优化控制模块基于历史实际轧制力反算变形抗力，以获得与各轧制温度区段对应的变形抗力分布，从而从变形抗力分布中剔除变形抗力异常的数据所对应的样本。

进一步地，在本发明所述的基于大数据对轧制力进行优化的系统中，所述变形抗力异常是指变形抗力超过±2个西格玛。

进一步地，在本发明所述的基于大数据对轧制力进行优化的系统中，影响系数λ的取值范围为0.8-1.2。

本发明所述的基于大数据对轧制力进行优化的方法及系统相较于现有技术具有如下所述的优点以及有益效果：

本发明所述的基于大数据对轧制力进行优化的方法，针对中厚板产线产品多样且轧制温度范围跨度大的特点，通过大数据分析方法找到轧制力计算偏差和温度区间的规律，并对同规律下的品种进行聚类，从而形成可以对新生产钢板的轧制力计算进行修正的根据，进而按温度区间调整计算轧制力，从而改善某特定温度区间下的轧制力计算精度。该方法可以在厚板厂以及热轧厂中推广应用，也可以以技术贸易的形式推广至国内外厚板和热轧的钢铁企业。

采用本发明所述的基于大数据对轧制力进行优化的方法，可实现厚板轧制生产线轧制力精度的提升，并能够循环改进。在部分模型计算差异大的温度阶段，可大幅缩小计算轧制力和实测轧制力差异，提高轧制稳定性，提升轧制尺寸精度和板形质量。

相应地，本发明所述的基于大数据对轧制力进行优化的系统可以用于实施本发明的上述方法，其具有相同的优点以及有益效果。

附图说明

图1示意性地显示了本发明所述基于大数据对轧制力进行优化的方法的流程示意图。

图2为本发明所述的基于大数据对轧制力进行优化的系统在一种实施方式中轧制力优化控制模块通过聚类得到的8类不锈钢类产品化学成分。

具体实施方式

下面将结合具体的实施例对本发明所述的基于大数据对轧制力进行优化的方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。

图1示意性地显示了本发明所述基于大数据对轧制力进行优化的方法的流程示意图。

如图1所示，在本实施方式中，本发明所述的基于大数据对轧制力进行优化的方法，其具体可以包括如下步骤：

(1)获取历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；

(2)对所述历史轧制数据进行预处理，以剔除异常数据；

(3)基于历史设定轧制力和历史实际轧制力获得轧制力偏差；将该轧制力偏差与对应的设定的轧制力偏差阈值进行比较，如果轧制力偏差的绝对值不超过轧制力偏差阈值，则设定第一调整系数α₁为1，如果轧制力偏差的绝对值超过轧制力偏差阈值，则设定第一调整系数α₁＝1+(轧制力偏差/历史设定轧制力)×λ，其中λ表示影响系数，影响系数λ的取值范围为0.8-1.2，所述设定的轧制力偏差阈值与各轧制温度区段相对应；

(4)当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分相同时，执行下述步骤(4a)；当待轧制的钢板与历史轧制数据中的钢板成分不同时，执行下述步骤(4b)：

(4a)将第一调整系数α₁与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板；

(4b)在历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据；

基于下式求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离：

其中Z_j表示待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的第j种已经轧制钢板的化学成分的欧式距离，1≤j≤m，m表示成分最接近的一类已经轧制钢板中有m种彼此成分不同的已经轧制钢板；n表示待轧制钢板中化学元素的种类数量，i表示第i种化学元素，x_i-y_i表示待轧制的钢板中的相应化学元素与已经轧制钢板中的相应化学元素之间的距离。

基于下式获得调整系数权重β_j：

基于下式获得第二调整系数α₂：

其中，α_1j表示所述第j种已经轧制钢板的第一调整系数；

将第二调整系数α₂与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

需要说明的是，在本发明上述的方法中的步骤(4)中，本发明基于大数据对轧制力进行优化的方法可以分析待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分，并判断是否是新的化学成分。当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分不相同时，可以从历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据，并基于公式

求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离。

例如，若钢种中所述主要化学成分有：C、Mn、Si、AL、Nb、V、Ti、Cr、Ni、Mo、Cu、B、Co、S、P、N、O、Mg、Re、Ca。新钢种X的化学成分为：X_C、X_Mn、X_Si、X_AL、X_Nb、X_V、X_Ti、X_Cr、X_Ni、X_Mo、X_Cu、X_B、X_Co、X_S、X_P、X_N、X_O、X_Mg、X_Re、X_Ca。原有钢种Y，其化学成分为：Y_C、Y_Mn、Y_Si、Y_AL、Y_Nb、Y_V、Y_Ti、Y_Cr、Y_Ni、Y_Mo、Y_Cu、Y_B、Y_Co、Y_S、Y_P、Y_N、Y_O、Y_Mg、Y_Re、Y_Ca。则计算欧式距离为：

L＝[(X_C-Y_C)²+(X_Mn-Y_Mn)²+(X_Si-Y_Si)²+(X_Al-Y_Al)²+(X_Nb-Y_Nb)²+(X_V-Y_V)²+(X_Ti-Y_Ti)²+(X_Cr-Y_Cr)²+(X_Ni-Y_Ni)²+(X_Mo-Y_Mo)²+(X_Cu-Y_Cu)²+(X_B-Y_B)²+(X_Co-Y_Co)²+(X_S-Y_S)²+(X_P-Y_P)²+(X_N-Y_N)²+(X_O-Y_O)²+(X_Mg-Y_Mg)²+(X_Re-Y_Re)²+(X_Ca-Y_Ca)²]^1/2。

综上所述，本发明所述的基于大数据对轧制力进行优化的方法通过历史上大量实际轧制力、计算轧制力和轧制温度的关系大数据分析，以得到与温度对应的轧制力差异规律，形成化学成分和温度区间段的轧制计算规律。在本技术方案中，首先按待轧制钢板的化学成分和其控轧轧制温度区间判断轧制力是否需要调整，再跟根据对应的具体温度区间基于调整系数对历史设定轧制力或给定的设定轧制力进行调整，以对轧制力进行优化。当新生产钢板的生产数量达到一定规模后，再进行上述大数据分析过程，可以获取新的规律，从而实现轧制工艺的改进。

为了更好地说明本发明所述的基于大数据对轧制力进行优化的方法的应用情况，分别利用两种不同的实施方式进行测试实验，以进行进一步说明。

在实际操作过程中，采用了一种基于大数据对轧制力进行优化的系统，其包括数据库和轧制力优化控制模块，其中：数据库存储历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；轧制力优化控制模块用于执行本发明所述的基于大数据对轧制力进行优化的方法中的步骤。

当本发明所述基于大数据对轧制力进行优化的系统中的轧制力优化控制模块执行本发明上述的方法中的步骤(2)中时，需要对历史轧制数据进行预处理，以剔除异常数据。

在本实施方式中，轧制力优化控制模块可以根据轧制力计算的模型公式，并由历史实际轧制力反算变形抗力σ，以获得与各轧制温度区段对应的变形抗力分布，并从变形抗力分布中筛选剔除变形抗力异常的数据所对应的样本。其中，变形抗力异常是指变形抗力超过±2个西格玛，将变形抗力超过±2个西格玛以外的样本进行删除。

本技术方案中的反算变形抗力的过程可以采用现有技术中已知的变形抗力计算方法和公式，例如《中国中厚板轧制技术与装备》4.1节轧制力模型(王国栋主编，冶金工业出版社，2009.10)中对此具有详细记载，因此本文在此不再赘述。

实施例1：

使用本发明上述的基于大数据对轧制力进行优化的系统，以某低温终轧轧制产品为研究对象，产品名设为A-tm(相近化学成分标记号)，其是现有产品，数据库中已有的A-tm历史轧制数据。

首先从本发明所述系统的存储历史轧制数据的数据库中获取A-tm历史轧制数据，通过轧制力优化控制模块汇总A-tm历史轧制数据，并以温度进行分界，设置好轧制力偏差阈值Cv。

在历史数据库中，当温度在900℃及以上时，轧制力偏差阈值Cv_900up＝250t；当温度处于800～900℃(含800℃)时，轧制力偏差阈值Cv_800～900＝300t；当温度在800℃以下时，设定轧制力偏差阈值Cv_800d＝350t。针对上述参数，当温度处于800℃以上时，按每50℃分一档，作为温度范围区间；当温度处于800℃以下时，按每20℃分一档，作为温度范围区间。轧制力优化控制模块判断轧制力偏差是否超过阈值。

经过计算，在温度处于900～1150℃的5档中，轧制力偏差均值分别为-100t，-34t，20t，50t,-20t，其绝对值均在Cv_900up范围内，因此第一调整系数α1＝1。当温度处于800～900℃(含800℃)的2档中，轧制力偏差分别为-280t和-150t，其绝对值均在Cv_800～900范围内，因此第一调整系数α1＝1。当温度处于800℃以下，实际温度范围为740～800℃之间时，共3档，其轧制力偏差分别为-405t、-380t和-320t；其中740～760℃和760～780℃这两档的轧制力偏差绝对值均超过了轧制力偏差阈值Cv_800d，并且λ取值均为0.95，经过计算后的第一调整系数α1均为0.85。

在本实施方式中，出钢后，系统中的轧制力优化控制模块收到A-tm的信息，首先查询数据库，获得对应获取A-tm产品的历史轧制数据，并对所述历史轧制数据进行上述预处理，以剔除异常数据，并获得轧制力偏差和对应温度段内的调整系数α。

在本实施方式中，待轧制钢板A-tm与历史轧制数据中的已经轧制钢板的化学成分相同，轧制力优化控制模块将计算的轧制力按照温度区间与数据库中调整系数乘积作为下发设定轧制力。

例如：当温度为980℃时，历史设定轧制力为2800t，此时第一调整系数α1＝1，则设定轧制力为2800*1＝2800t；当温度为790℃时，轧历史设定轧制力为3100t，第一调整系数α1＝0.925，则设定轧制力为3150*0.925＝2913t；当温度为760℃时，历史设定轧制力为3350t，此时第一调整系数α1＝0.85，则设定轧制力为3350*0.85＝2847t。

实施例2：

使用本发明上述的基于大数据对轧制力进行优化的系统，以某新品不锈钢为例，产品名假设为B04。在产品B04的设计成分中，Cr含量和Ni含量均为20％左右，为第一次生产。

在本实施方式中，本发明所述的系统中的轧制力优化控制模块可以基于化学成分聚类的方法而获得原不锈钢类产品历史轧制数据中的钢板成分的化学成分。按照聚类方法，共生成A、B、C、D、E、F、G、H这8类(方法和规则不同可生成不同数量类)，如图2所示。图2为本发明所述的基于大数据对轧制力进行优化的系统在一种实施方式中轧制力优化控制模块通过聚类得到的8类不锈钢类产品化学成分。

如图2所示，通过分析可知，产品B04分类落在D类中。在此类别下，D类中共有三个产品310S、UNS N08367和S31254。通过轧制力优化控制模块计算产品B04的化学成分到此三个产品化学成分的欧式距离，并基于到此三个产品化学成分的欧式距离获得调整系数权重，得到：本产品B04到310S的调整系数权重为3％；本产品B04到UNS N08367的调整系数权重为70％；本产品B04到S31254的调整系数权重为27％。

通过查询数据库中310S、UNS N08367和S31254三个产品的历史轧制数据在1050～1150温度段，得到产品310S在1050～1150温度段的第一调整系数α1＝1.7，产品UNS N08367在1050～1150温度段的第一调整系数α1＝2.3，S31254：产品S31254在1050～1150温度段的第一调整系数α1＝2.0。

由此可以计算得出本实施方式产品B04在1050～1150温度段的第二调整系数，即α2＝1.7*3％+2.3*70％+2.0*27％＝2.2；其他温度段依次类推，并建立B04的调整逻辑。当产品B04在1050～1150温度段轧制时，本发明所述系统中的轧给定轧制力为2000t，则设定轧制力为2000*2.2＝4400t，其他温度段以此类推。

综上所述可以看出，本发明所述的基于大数据对轧制力进行优化的方法，针对中厚板产线产品多样且轧制温度范围跨度大的特点，通过大数据分析方法找到轧制力计算偏差和温度区间的规律，并对同规律下的品种进行聚类，从而形成可以对新生产钢板的轧制力计算进行修正的根据，进而按温度区间调整计算轧制力，从而改善某特定温度区间下的轧制力计算精度。

采用本发明所述的基于大数据对轧制力进行优化的方法，可实现厚板轧制生产线轧制力精度的提升，并能够循环改进。在部分模型计算差异大的温度阶段，可大幅缩小计算轧制力和实测轧制力差异，提高轧制稳定性，提升轧制尺寸精度和板形质量。

相应地，本发明所述的基于大数据对轧制力进行优化的系统可以用于实施本发明的上述方法，其具有相同的优点以及有益效果。

需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (10)

1.一种基于大数据对轧制力进行优化的方法，其特征在于，包括步骤：

(1)获取历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；

(2)对所述历史轧制数据进行预处理，以剔除异常数据；

(3)基于历史设定轧制力和历史实际轧制力获得轧制力偏差；将该轧制力偏差与对应的设定的轧制力偏差阈值进行比较，如果轧制力偏差的绝对值不超过轧制力偏差阈值，则设定第一调整系数α₁为1，如果轧制力偏差的绝对值超过轧制力偏差阈值，则设定第一调整系数α₁＝1+(轧制力偏差/历史设定轧制力)×λ，其中λ表示影响系数；

(4)当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分相同时，执行下述步骤(4a)；当待轧制的钢板与历史轧制数据中的钢板成分不同时，执行下述步骤(4b)：

(4a)将第一调整系数α₁与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板；

(4b)在历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据；

基于下式求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离：

其中Z_j表示待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的第j种已经轧制钢板的化学成分的欧式距离，1≤j≤m，m表示成分最接近的一类已经轧制钢板中有m种彼此成分不同的已经轧制钢板；n表示待轧制钢板中化学元素的种类数量，i表示第i种化学元素，x_i-y_i表示待轧制的钢板中的相应化学元素与已经轧制钢板中的相应化学元素之间的距离；

基于下式获得调整系数权重β_j：

基于下式获得第二调整系数α₂：

其中，α_1j表示所述第j种已经轧制钢板的第一调整系数；

将第二调整系数α₂与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

2.如权利要求1所述的基于大数据对轧制力进行优化的方法，其特征在于，在步骤(2)中，基于历史实际轧制力反算变形抗力，以获得与各轧制温度区段对应的变形抗力分布，从变形抗力分布中剔除变形抗力异常的数据所对应的样本。

3.如权利要求2所述的基于大数据对轧制力进行优化的方法，其特征在于，所述变形抗力异常是指变形抗力超过±2个西格玛。

4.如权利要求1所述的基于大数据对轧制力进行优化的方法，其特征在于，所述设定的轧制力偏差阈值与各轧制温度区段相对应。

5.如权利要求1所述的基于大数据对轧制力进行优化的方法，其特征在于，历史轧制数据中的钢板成分分类基于化学成分聚类的方法而获得。

6.如权利要求1所述的基于大数据对轧制力进行优化的方法，其特征在于，影响系数λ的取值范围为0.8-1.2。

7.一种基于大数据对轧制力进行优化的系统，其特征在于，其包括数据库和轧制力优化控制模块，其中：

所述数据库存储历史轧制数据，所述历史轧制数据包括：已经轧制钢板的化学成分、与各轧制温度区段对应的历史设定轧制力和历史实际轧制力；

所述轧制力优化控制模块执行下述步骤：

(1)获取所述历史轧制数据；

(2)对所述历史轧制数据进行预处理，以剔除异常数据；

(3)基于历史设定轧制力和历史实际轧制力获得轧制力偏差；将该轧制力偏差与对应的设定的轧制力偏差阈值进行比较，如果轧制力偏差的绝对值不超过轧制力偏差阈值，则设定第一调整系数α₁为1，如果轧制力偏差的绝对值超过轧制力偏差阈值，则设定第一调整系数α₁＝1+(轧制力偏差/历史设定轧制力)×λ，其中λ表示影响系数；

(4)当待轧制钢板与历史轧制数据中的已经轧制钢板的化学成分相同时，所述轧制力优化控制模块执行下述步骤(4a)；当待轧制的钢板与历史轧制数据中的钢板成分不同时，所述轧制力优化控制模块执行下述步骤(4b)：

(4a)将第一调整系数α₁与与其对应的历史设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板；

(4b)在历史轧制数据中寻找与待轧制钢板成分最接近的一类已经轧制钢板的历史轧制数据；

基于下式求取待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的所有已经轧制钢板的化学成分的欧式距离：

其中Z_j表示待轧制钢板的化学成分与成分最接近的一类已经轧制钢板中的第j种已经轧制钢板的化学成分的欧式距离，1≤j≤m，m表示成分最接近的一类已经轧制钢板中有m种彼此成分不同的已经轧制钢板；n表示待轧制钢板中化学元素的种类数量，i表示第i种化学元素，x_i-y_i表示待轧制的钢板中的相应化学元素与已经轧制钢板中的相应化学元素之间的距离；

基于下式获得调整系数权重β_j：

基于下式获得第二调整系数α₂：

其中，α_1j表示所述第j种已经轧制钢板的第一调整系数；

将第二调整系数α₂与对应的给定的设定轧制力相乘，以获得新的设定轧制力，并将该新的设定轧制力下发给待轧制钢板。

8.如权利要求7所述的基于大数据对轧制力进行优化的系统，其特征在于，所述轧制力优化控制模块基于历史实际轧制力反算变形抗力，以获得与各轧制温度区段对应的变形抗力分布，从而从变形抗力分布中剔除变形抗力异常的数据所对应的样本。

9.如权利要求8所述的基于大数据对轧制力进行优化的系统，其特征在于，所述变形抗力异常是指变形抗力超过±2个西格玛。

10.如权利要求7所述的基于大数据对轧制力进行优化的系统，其特征在于，影响系数λ的取值范围为0.8-1.2。

Images