CN115106384A - 一种基于随机森林的厚板轧制辊缝校正方法 - Google Patents

Abstract

本发明提供一种基于随机森林的厚板轧制辊缝校正方法，包括：根据现场经验及机理分析，选择影响精轧末道次辊缝设定值的过程变量；对字符型变量进行独热编码，提取厚度偏差特征，并对数值型变量进行归一化处理；将提取的厚度偏差特征和经过归一化处理的数值型变量作为输入变量，并基于随机森林构建辊缝设定值校正模型；利用构建的辊缝设定值校正模型对精轧末道次辊缝设定值进行校正。本发明的技术方案旨在基于厚板生产过程中积累的大量有效信息，利用随机森林算法挖掘板坯规格、厚度偏差、精轧过程变量与辊缝设定值的内在联系，实现对精轧末道次辊缝设定值的校正。

Description

一种基于随机森林的厚板轧制辊缝校正方法

技术领域

本发明涉及一种基于随机森林的厚板轧制辊缝校正方法，旨在利用随机森林算法对轧机精轧过程中的辊缝设定值进行校正。

背景技术

精轧过程是厚板生产过程中对厚度精度影响最大的工序，厚度精度是厚板生产的重要质量指标。厚度精度是否满足定单要求影响着板坯的脱合同率(即，生产的厚板的厚度精度不满足定单合同要求精度的比例)，进而影响钢铁厂的经济效益。随着厚板产品类型不断扩展及厚度公差要求愈加苛刻，仅靠自动厚度控制系统和一些厚度补偿方法不能保证厚板产品的厚度精度，还需要对精轧末道次的辊缝设定值进行校正以提高厚度精度、降低脱合同率。

在实际的生产中，精轧末道次的辊缝设定值由操作工进行校正。操作工利用现场监控屏幕上的厚度偏差信息及轧件的钢种、目标宽度、目标厚度、终轧目标温度等信息，通过人机接口对精轧末道次辊缝设定值进行校正以保证厚板产品的厚度精度。这种人工设定方式依赖于操作工的经验及其工作状态，是用有限的精力去监控无限的厚板生产，难以实现对厚度控制系统长期、连续和高效的优化与改进。

专利《利用穿带自适应修正热轧精轧机组辊缝的方法》提供了一种利用穿带自适应修正热轧精轧机组辊缝的方法，采用前三个机架实测与设定轧制力的偏差信息，判断变形抗力的调整类型，并分不同类型求得变形抗力调整量，最后求得后续机架的辊缝调整量并进行动态设定。但该专利需要对变形抗力的调整进行分类，且只考虑了变形抗力、轧制力，存在依赖于人的主观性且考虑的变量少的问题。

专利《不锈钢混轧的精轧辊缝的补偿方法》克服了现有热连轧不锈钢混轧的钢厚度超公差及废品现象，提供了热连轧产品的轧制方法，针对不锈钢混轧加入了辊缝补偿。但该专利局限于热连轧不锈钢混轧，不适用于规格、生产节奏变化频繁的厚板生产，且不能有效地利用积累了大量有效信息和知识的过程数据。

发明内容

根据上述提出厚板精轧过程中人工校正辊缝设定值的不足之处，提供一种基于随机森林的厚板轧制辊缝校正方法。本发明基于厚板生产过程中积累的大量有效信息，利用随机森林算法挖掘板坯规格、厚度偏差、精轧过程变量与辊缝设定值校正的内在联系，实现对精轧末道次辊缝设定值的校正，提高厚板产线对不断变化的生产状况、产品规格、定单的适应性。

本发明采用的技术手段如下：

一种基于随机森林的厚板轧制辊缝校正方法，包括：

S1、根据现场经验及机理分析，选择影响精轧末道次辊缝设定值的过程变量；

S2、对字符型变量进行独热编码，提取厚度偏差特征，并对数值型变量进行归一化处理；

S3、将提取的厚度偏差特征和经过归一化处理的数值型变量作为输入变量，并基于随机森林构建辊缝设定值校正模型；

S4、利用构建的辊缝设定值校正模型对精轧末道次辊缝设定值进行校正。

进一步地，所述步骤S1中，现场经验和机理分析的过程包括：

根据调研所得现场经验，目标宽度、目标厚度、钢种、终轧温度、倒数第三道次厚度偏差对末道次辊缝设定值校正的影响大；具体的：

弹跳方程是自动厚度控制系统的核心，弹跳方程描述了板坯实际轧出厚度与预调辊缝值和轧机弹跳量的关系；

CVC轧辊呈S形曲线，上辊和下辊形状相同但错位180°布置，形成一个中心对称的辊缝形状，上下辊反方向轴向移动以改变辊缝形状；

弯辊力用于调整轧辊的实际凸度和实际挠度，以满足一定的横向厚度差的要求，用来改善板形和缩小横向厚度差。

进一步地，所述弹跳方程，具体如下式：

其中，h表示板坯实际轧出厚度，s₀表示预调辊缝值，Δs表示轧机弹跳量，P表示轧制力；K_m表示轧机刚度。

进一步地，所述步骤S1中，选择影响精轧末道次辊缝设定值的过程变量包括：

精轧倒数第三道次厚度测量值、钢种、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值。

进一步地，所述步骤S2中，对字符型变量进行独热编码，提取厚度偏差特征，具体包括：

S21、厚板生产过程中钢种繁多且钢种为字符型变量，将字符型变量采用独热编码进行表示，记为u；

S22、去除沿板坯长度方向头尾各1m范围内的厚度测量值，将精轧倒数第三道次厚度测量值与倒数第三道次厚度目标值作差，得到厚度偏差向量；

S23、分别对厚度偏差向量求平均、方差，以及厚度偏差向量保留小数点后一位所得到的厚度偏差众数，取这三个变量作为板坯倒数第三道次厚度测量值的三个特征，即厚度偏差特征。

进一步地，所述步骤S2中，对数值型变量进行归一化处理，其中：

所述数值型变量包括厚度偏差平均值、方差、众数、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值；

归一化处理的公式，具体如下式：

上式中，v_i表示进行归一化的数值型变量；

表示相应数值型变量的最小值；

表示相应数值型变量的最大值；

表示完成归一化的数值型变量。

进一步地，所述步骤S3中，基于随机森林构建辊缝设定值校正模型的具体过程如下：

S31、将提取的厚度偏差特征u和经过归一化处理的数值型变量

作为输入变量x，将精轧末道次辊缝校正值作为输出变量y，并将x与y组成原始样本集S；

S32、生成最小二乘回归树；

S33、基于原始样本集S，进行有放回采样，分别得到子样本集D₁,D₂,…,D_k，对于每一子样本集调用步骤S32生成的最小二乘回归树，得到最小二乘回归树T₁,T₂,…,T_k；

S34、对于输入变量x，得到输出变量y：

进一步地，所述步骤S32的具体实现过程如下：

S321、选择最优切分变量j与切分点s，求解下式：

遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的(j,s)；

S322、用选择的(j,s)划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝{x|x^(j)＞s}

S323、继续对两个子区域调用步骤S321和步骤S322，直至满足停止条件；

S324、所得最小二乘回归树将输入空间划分为M个区域R₁,R₂,…,R_m，如下：

较现有技术相比，本发明具有以下优点：

1、本发明提供的基于随机森林的厚板轧制辊缝校正方法，可以代替操作人员进行辊缝设定值的校正，降低操作人员劳动强度，减少生产成本；

2、本发明提供的基于随机森林的厚板轧制辊缝校正方法，可以提高厚板产线的智能化水平，有助于实现对自动厚度控制系统长期、连续和高效的优化与改进。

3、本发明提供的基于随机森林的厚板轧制辊缝校正方法，基于厚板生产过程中积累的大量有效信息，利用随机森林算法挖掘板坯规格、厚度偏差、精轧过程变量与辊缝设定值校正的内在联系，实现对精轧末道次辊缝设定值的校正，提高厚板产线对不断变化的生产状况、产品规格、定单的适应性。

基于上述理由本发明可在厚板轧制辊缝校正等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的本发明方法得到的辊缝校正值与人工辊缝校正值的比较图。

图3为本发明实施例提供的本发明方法得到的精轧末道次辊缝校正值与人工的辊缝校正值之间的偏差图。

图4为本发明实施例提供的本发明方法得到的辊缝校正值作用下的板坯厚度偏差。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明的实施例为国内某大型钢铁企业的精轧机运行数据。板坯在精轧阶段需要轧制7个道次或者9个道次。在精轧机出口侧有测厚仪，测厚仪沿着板坯长度方向测量若干个点的厚度值。如图1所示，本发明提供了一种基于随机森林的厚板轧制辊缝校正方法，包括：

S1、根据现场经验及机理分析，选择影响精轧末道次辊缝设定值的过程变量；

所述步骤S1中，现场经验和机理分析的过程包括：

根据调研所得现场经验，目标宽度、目标厚度、钢种、终轧温度、倒数第三道次厚度偏差对末道次辊缝设定值校正的影响大；具体的：

弹跳方程是自动厚度控制系统的核心，弹跳方程描述了板坯实际轧出厚度与预调辊缝值和轧机弹跳量的关系；所述弹跳方程，具体如下式：

其中，h表示板坯实际轧出厚度，s₀表示预调辊缝值，Δs表示轧机弹跳量，P表示轧制力；K_m表示轧机刚度。

CVC轧辊呈S形曲线，上辊和下辊形状相同但错位180°布置，形成一个中心对称的辊缝形状，上下辊反方向轴向移动以改变辊缝形状；

弯辊力用于调整轧辊的实际凸度和实际挠度，以满足一定的横向厚度差的要求，用来改善板形和缩小横向厚度差。

所述步骤S1中，选择影响精轧末道次辊缝设定值的过程变量包括：

精轧倒数第三道次厚度测量值、钢种、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值。

S2、对字符型变量进行独热编码，提取厚度偏差特征，并对数值型变量进行归一化处理；

所述步骤S2中，对字符型变量进行独热编码，提取厚度偏差特征，具体包括：

S21、厚板生产过程中钢种繁多且钢种为字符型变量，将字符型变量采用独热编码进行表示，记为u；

S22、去除沿板坯长度方向头尾各1m范围内的厚度测量值，将精轧倒数第三道次厚度测量值与倒数第三道次厚度目标值作差，得到厚度偏差向量；

S23、分别对厚度偏差向量求平均、方差，以及厚度偏差向量保留小数点后一位所得到的厚度偏差众数，取这三个变量作为板坯倒数第三道次厚度测量值的三个特征，即厚度偏差特征。

所述步骤S2中，对数值型变量进行归一化处理，其中：

所述数值型变量包括厚度偏差平均值、方差、众数、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值；

归一化处理的公式，具体如下式：

上式中，v_i表示进行归一化的数值型变量；

表示相应数值型变量的最小值；

表示相应数值型变量的最大值；

表示完成归一化的数值型变量。

S3、将提取的厚度偏差特征和经过归一化处理的数值型变量作为输入变量，并基于随机森林构建辊缝设定值校正模型；

所述步骤S3中，基于随机森林构建辊缝设定值校正模型的具体过程如下：

S31、将提取的厚度偏差特征u和经过归一化处理的数值型变量

作为输入变量x，将精轧末道次辊缝校正值作为输出变量y，并将x与y组成原始样本集S；

S32、生成最小二乘回归树；

所述步骤S32的具体实现过程如下：

S321、选择输入变量x的第j个分量x^(j)和它的取值s，作为切分变量和切分点，求解下式：

遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的(j,s)；上式中，y_i表示输入实列x_i对应的输出，R₁(j,s)＝{x|x^(j)≤s}表示满足分量x^(j)≤s的所有实例x_i的集合，R₂(j,s)＝{x|x^(j)＞s}表示满足分量x^(j)＞s的所有实例x_i的集合，c₁表示R₁(j,s)上所有实例x_i对应的输出y_i的均值，c₂表示R₂(j,s)上所有实例x_i对应的输出y_i的均值。

S322、用选择的(j,s)划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝{x|x^(j)＞s}

上式中，x^(j)表示输入变量x的第j个分量，

表示R_m(j,s)上所有实例x_i对应的输出y_i的均值，N_m表示属于R_m(j,s)的实列x_i的个数，m表示划分区域的编号。

S323、继续对两个子区域调用步骤S321和步骤S322，直至满足停止条件；

S324、所得最小二乘回归树将输入空间划分为M个区域R₁,R₂,…,R_m，如下：

上式中，I表示指示函数，即x∈R_m时，I(x∈R_m)＝1，否则为0；M表示所得最小二乘树将输入空间划分区域的个数。

S33、基于原始样本集S，进行有放回采样，分别得到子样本集D₁,D₂,…,D_k，对于每一子样本集调用步骤S32生成的最小二乘回归树，得到最小二乘回归树T₁,T₂,…,T_k；

S34、对于输入变量x，得到输出变量y：

S4、利用构建的辊缝设定值校正模型对精轧末道次辊缝设定值进行校正。

图2为本发明实施例提供的本发明方法得到的精轧末道次辊缝校正值与人工的辊缝校正值，图3为本发明实施例提供的本发明方法得到的精轧末道次辊缝校正值与人工的辊缝校正值之间的偏差图，两者之间的均方根误差(RMSE)为0.025，可以看出，本发明方法与人工设定的辊缝校正值比较吻合。而在人工设定的辊缝校正值的作用下，所选测试样本在轧制结束的厚度精度满足定单合同要求，因此本发明方法能够获得与人工设定相当的效果，从而保证厚板的厚度精度。图4为本发明实施例提供的本发明方法得到的辊缝校正值作用下的板坯厚度偏差，可以看出满足合同定单要求的厚度公差范围。从以上案例可以看出，基于随机森林的厚板轧制辊缝校正方法可以有效给出精轧末道次辊缝校正值，能够挖掘板坯规格、厚度偏差、精轧过程变量与辊缝校正值的内在联系。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。

Claims (8)

1.一种基于随机森林的厚板轧制辊缝校正方法，其特征在于，包括：

S1、根据现场经验及机理分析，选择影响精轧末道次辊缝设定值的过程变量；

S2、对字符型变量进行独热编码，提取厚度偏差特征，并对数值型变量进行归一化处理；

S3、将提取的厚度偏差特征和经过归一化处理的数值型变量作为输入变量，并基于随机森林构建辊缝设定值校正模型；

S4、利用构建的辊缝设定值校正模型对精轧末道次辊缝设定值进行校正。

2.根据权利要求1所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S1中，现场经验和机理分析的过程包括：

根据调研所得现场经验，目标宽度、目标厚度、钢种、终轧温度、倒数第三道次厚度偏差对末道次辊缝设定值校正的影响大；具体的：

弹跳方程是自动厚度控制系统的核心，弹跳方程描述了板坯实际轧出厚度与预调辊缝值和轧机弹跳量的关系；

CVC轧辊呈S形曲线，上辊和下辊形状相同但错位180°布置，形成一个中心对称的辊缝形状，上下辊反方向轴向移动以改变辊缝形状；

弯辊力用于调整轧辊的实际凸度和实际挠度，以满足一定的横向厚度差的要求，用来改善板形和缩小横向厚度差。

3.根据权利要求2所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述弹跳方程，具体如下式：

其中，h表示板坯实际轧出厚度，s₀表示预调辊缝值，Δs表示轧机弹跳量，P表示轧制力；K_m表示轧机刚度。

4.根据权利要求1所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S1中，选择影响精轧末道次辊缝设定值的过程变量包括：

精轧倒数第三道次厚度测量值、钢种、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值。

5.根据权利要求1所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S2中，对字符型变量进行独热编码，提取厚度偏差特征，具体包括：

S21、厚板生产过程中钢种繁多且钢种为字符型变量，将字符型变量采用独热编码进行表示，记为u；

S22、去除沿板坯长度方向头尾各1m范围内的厚度测量值，将精轧倒数第三道次厚度测量值与倒数第三道次厚度目标值作差，得到厚度偏差向量；

S23、分别对厚度偏差向量求平均、方差，以及厚度偏差向量保留小数点后一位所得到的厚度偏差众数，取这三个变量作为板坯倒数第三道次厚度测量值的三个特征，即厚度偏差特征。

6.根据权利要求1所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S2中，对数值型变量进行归一化处理，其中：

所述数值型变量包括厚度偏差平均值、方差、众数、目标宽度、目标厚度、终轧目标温度、精轧倒数第三道次实测的轧制力、弯辊力、压下量、CVC轧辊窜动位置、扭矩、精轧倒数第三道次预设的轧制力、弯辊力、压下量、CVC轧制窜动位置、换工作辊后轧制板坯的块数、连续轧制的前五块板坯的精轧末道次辊缝校正值；

归一化处理的公式，具体如下式：

上式中，v_i表示进行归一化的数值型变量；

表示相应数值型变量的最小值；

表示相应数值型变量的最大值；

表示完成归一化的数值型变量。

7.根据权利要求1所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S3中，基于随机森林构建辊缝设定值校正模型的具体过程如下：

S31、将提取的厚度偏差特征u和经过归一化处理的数值型变量

作为输入变量x，将精轧末道次辊缝校正值作为输出变量y，并将x与y组成原始样本集S；

S32、生成最小二乘回归树；

S33、基于原始样本集S，进行有放回采样，分别得到子样本集D₁,D₂,…,D_k，对于每一子样本集调用步骤S32生成的最小二乘回归树，得到最小二乘回归树T₁,T₂,…,T_k；

S34、对于输入变量x，得到输出变量y：

8.根据权利要求7所述的基于随机森林的厚板轧制辊缝校正方法，其特征在于，所述步骤S32的具体实现过程如下：

S321、选择最优切分变量j与切分点s，求解下式：

遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的(j,s)；

S322、用选择的(j,s)划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝{x|x^(j)＞s}

S323、继续对两个子区域调用步骤S321和步骤S322，直至满足停止条件；

S324、所得最小二乘回归树将输入空间划分为M个区域R₁,R₂,…,R_m，如下：

Images