CN115846421B - 一种金属轧机的张力智能控制方法及系统 - Google Patents

Abstract

本发明公开了一种金属轧机的张力智能控制方法及系统，涉及数据处理领域，其中，所述方法包括：基于连轧机架设置位置信息确定机架设置距离；将轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；获得机架区间内设置的张力测量设备，确定张力测量信息；判断张力测量信息是否满足张力控制要求，当满足时，持续当前控制信息；当不满足时，获得张力偏差值，基于张力偏差值对当前控制信息进行张力调整控制。解决了现有技术中针对金属轧机的张力控制准确性不足，进而造成金属轧机的张力控制效果不佳的技术问题。达到了提高金属轧机的张力控制准确性，提高金属轧机的张力控制质量等技术效果。

Description

一种金属轧机的张力智能控制方法及系统

技术领域

本发明涉及数据处理领域，具体地，涉及一种金属轧机的张力智能控制方法及系统。

背景技术

张力是金属轧机的重要工作参数之一，张力的影响贯穿金属轧机的整个工作流程。不恰当的张力不仅影响着带材轧制的厚度、平整度，还影响着金属轧机的工作质量及工作效率。如何对金属轧机进行有效地张力控制，受到人们的广泛关注。

现有技术中，存在针对金属轧机的张力控制准确性不足，进而造成金属轧机的张力控制效果不佳的技术问题。

发明内容

本申请提供了一种金属轧机的张力智能控制方法及系统。解决了现有技术中针对金属轧机的张力控制准确性不足，进而造成金属轧机的张力控制效果不佳的技术问题。达到了提高金属轧机的张力控制准确性，实现智能、适配高、实时性强的金属轧机的张力控制，提高金属轧机的张力控制质量，继而提高金属轧机的生产质量的技术效果。

鉴于上述问题，本申请提供了一种金属轧机的张力智能控制方法及系统。

第一方面，本申请提供了一种金属轧机的张力智能控制方法，其中，所述方法应用于一种金属轧机的张力智能控制系统，所述方法包括：获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；获得轧制要求参数、轧机入口原料参数；将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；获得机架区间内设置的张力测量设备，确定张力测量信息；判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

第二方面，本申请还提供了一种金属轧机的张力智能控制系统，其中，所述系统包括：距离设置模块，所述距离设置模块用于获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；轧制参数获得模块，所述轧制参数获得模块用于获得轧制要求参数、轧机入口原料参数；张力控制分析模块，所述张力控制分析模块用于将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；张力信息确定模块，所述张力信息确定模块用于获得机架区间内设置的张力测量设备，确定张力测量信息；张力判断模块，所述张力判断模块用于判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；张力调整控制模块，所述张力调整控制模块用于当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

第三方面，本申请还提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的一种金属轧机的张力智能控制方法。

第四方面，本申请还提供了一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时,实现本申请提供的一种金属轧机的张力智能控制方法。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过连轧机架设置位置信息确定机架设置距离；将轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；通过机架区间内设置的张力测量设备，确定张力测量信息；判断张力测量信息是否满足张力控制要求，当满足时，持续当前控制信息；当不满足时，获得张力偏差值，基于张力偏差值对当前控制信息进行张力调整控制。达到了提高金属轧机的张力控制准确性，实现智能、适配高、实时性强的金属轧机的张力控制，提高金属轧机的张力控制质量，继而提高金属轧机的生产质量的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。

图1为本申请一种金属轧机的张力智能控制方法的流程示意图；

图2为本申请一种金属轧机的张力智能控制方法中获得轧机入口原料参数的流程示意图；

图3为本申请一种金属轧机的张力智能控制系统的结构示意图；

图4为本申请示例性电子设备的结构示意图。

附图标记说明：距离设置模块11，轧制参数获得模块12，张力控制分析模块13，张力信息确定模块14，张力判断模块15，张力调整控制模块16，处理器31，存储器32，输入装置33，输出装置34。

具体实施方式

本申请通过提供一种金属轧机的张力智能控制方法及系统。解决了现有技术中针对金属轧机的张力控制准确性不足，进而造成金属轧机的张力控制效果不佳的技术问题。达到了提高金属轧机的张力控制准确性，实现智能、适配高、实时性强的金属轧机的张力控制，提高金属轧机的张力控制质量，继而提高金属轧机的生产质量的技术效果。

实施例一

请参阅附图1，本申请提供一种金属轧机的张力智能控制方法，其中，所述方法应用于一种金属轧机的张力智能控制系统，所述方法具体包括如下步骤：

步骤S100：获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；

具体而言，基于金属轧机进行参数查询，获得连轧机架设置位置信息，并根据其确定机架设置距离。其中，所述金属轧机是实现金属轧制过程的设备。所述金属轧机由连轧机架、轧辊、辊距调节装置、传动装置、润滑系统、控制系统等结构组成。所述连轧机架设置位置信息包括金属轧机的连轧机架的位置参数。所述机架设置距离包括金属轧机的连轧机架的架前设置距离参数、架后设置距离参数，以及机架与地面之间的距离参数。例如，所述机架设置距离包括连轧机架的架前有1.5m的空间,连轧机架的机架背面与墙壁之间的距离为1m，壁挂式连轧机架的机架底与地面之间的距离为500mm。达到了确定连轧机架设置位置信息、机架设置距离，为后续对金属轧机进行张力控制奠定基础的技术效果。

步骤S200：获得轧制要求参数、轧机入口原料参数；

进一步的，如附图2所示，本申请步骤S200还包括：

步骤S210：通过图像采集设备对轧机入口原料进行多角度图像采集，获得图像采集信息集；

步骤S220：对所述图像采集信息集按照预设分割大小进行网格分割；

步骤S230：将分割后的图像采集信息输入卷积核模型，利用预设图像特征对分割后的图像采集信息进行遍历比对，确定遍历特征比对结果；

步骤S240：基于所述遍历特征比对结果，确定原料各部位的尺寸信息、表面平整度信息；

步骤S250：根据所述原料各部位的尺寸信息、表面平整度信息，获得轧机入口原料参数。

具体而言，利用图像采集设备对金属轧机的轧机入口原料进行图像采集，获得图像采集信息集，并按照预设分割大小对图像采集信息集进行网格分割，获得分割后的图像采集信息。进一步，将分割后的图像采集信息作为输入信息，输入卷积核模型，卷积核模型通过预设图像特征对分割后的图像采集信息进行遍历比对，获得遍历特征比对结果，根据遍历特征比对结果，获得原料各部位的尺寸信息、表面平整度信息，继而确定轧机入口原料参数。此外，基于轧机入口原料参数进行轧制要求信息查询，获得轧制要求参数。

其中，所述图像采集设备包含于所述一种金属轧机的张力智能控制系统。所述图像采集设备可为现有技术中任意类型的能够采集获取图像信息的摄像装置或它们的结合。所述轧机入口原料包括金属轧机的钢、镁、铝、铜等轧制生产原材料。所述图像采集信息集包括轧机入口原料对应的图像数据信息。所述预设分割大小包括由所述一种金属轧机的张力智能控制系统预先设置的图像分割尺寸大小。所述分割后的图像采集信息包括按照预设分割大小对图像采集信息集进行网格分割之后的图像数据信息。所述卷积核模型具有对预设图像特征、分割后的图像采集信息进行匹配度评估、遍历比对的功能。基于分割后的图像采集信息、遍历特征比对结果进行历史数据查询，获得多个历史分割后的图像采集信息、多个历史遍历特征比对结果。且，多个历史分割后的图像采集信息与多个历史遍历特征比对结果具有对应关系。将多个历史分割后的图像采集信息、多个历史遍历特征比对结果进行不断的自我训练学习至收敛状态，即可获得卷积核模型。所述卷积核模型包括输入层、隐含层、输出层。卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。卷积核关注的是局部特征，即确定预设图像特征，根据局部特征部位的卷积核的数值大小，对预设图像特征的匹配度进行评估。所述预设图像特征包括预先设置确定的原料部位尺寸图像特征、原料表面平整度图像特征。所述遍历特征比对结果包括分割后的图像采集信息中，预设图像特征对应的图像数据信息。所述轧机入口原料参数包括原料各部位的尺寸信息、表面平整度信息。所述原料各部位的尺寸信息包括遍历特征比对结果对应的轧机入口原料的各部位结构参数、各部位尺寸参数。所述表面平整度信息包括遍历特征比对结果对应的轧机入口原料的表面平整度参数。所述轧制要求参数包括轧机入口原料对应的轧制厚度要求、轧制温度要求等轧制要求信息。达到了通过卷积核模型对轧机入口原料的图像采集信息集进行比对分析，确定轧机入口原料参数及轧制要求参数，从而提高对金属轧机进行张力控制的适配度、合理性的技术效果。

步骤S300：将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；

进一步的，本申请步骤S300还包括：

步骤S310：获得金属轧机轧制工作记录，其中，所述金属轧机轧制工作记录中包括轧制要求参数、轧机入口原料参数以及对应的张力控制信息；

具体而言，对金属轧机进行轧制工作参数采集，获得金属轧机轧制工作记录。其中，所述金属轧机轧制工作记录包括多个历史轧制要求参数、多个历史轧机入口原料参数，以及多个历史轧制要求参数、多个历史轧机入口原料参数对应的多个历史张力控制参数。同时，所述金属轧机轧制工作记录还包括轧制要求参数、轧机入口原料参数，以及轧制要求参数、轧机入口原料参数对应的多个历史张力控制信息。此处，轧制要求参数、轧机入口原料参数对应的张力控制信息即为轧制要求参数、轧机入口原料参数对应的多个历史张力控制信息。达到了获得金属轧机轧制工作记录，为后续构建张力控制分析模型夯实基础的技术效果。

步骤S320：对所述金属轧机轧制工作记录进行降噪、补齐预处理；

进一步的，本申请步骤S320还包括：

步骤S321：对所述金属轧机轧制工作记录进行趋势平滑度分析，确定平滑度阈值范围；

步骤S322：判断金属轧机轧制工作记录的平滑度是否超出所述平滑度阈值范围或存在缺失数据，当超出或存在时，确定异常节点；

步骤S323：根据所述异常节点，确定关联记录数据；

步骤S324：根据所述关联记录数据对所述异常节点进行平滑处理、补齐处理。

具体而言，基于金属轧机轧制工作记录进行趋势平滑度分析，获得金属轧机轧制工作记录的平滑度。进一步，对金属轧机轧制工作记录的平滑度是否超出平滑度阈值范围进行判断，对金属轧机轧制工作记录是否存在缺失数据进行判断。当金属轧机轧制工作记录的平滑度超出平滑度阈值范围时，或，金属轧机轧制工作记录存在缺失数据时，确定异常节点，并根据异常节点对金属轧机轧制工作记录进行匹配，获得关联记录数据。继而，按照关联记录数据对异常节点进行平滑处理、补齐处理，获得预处理后的金属轧机轧制工作记录。示例性地，可按照关联记录数据对异常节点重新进行数据采集。也可对关联记录数据进行函数关系分析，按照关联记录数据的函数关系对异常节点进行数据补充。其中，所述金属轧机轧制工作记录的平滑度是用于表征金属轧机轧制工作记录的稳定性的参数信息。例如，在对金属轧机轧制工作记录进行数据采集时，受到噪音干扰或数据采集设备异常时，获得的金属轧机轧制工作记录中出现了数据骤增、数据骤减的情况，此时，金属轧机轧制工作记录的稳定性较差，对应的金属轧机轧制工作记录的平滑度较低。所述平滑度阈值范围包括预先设置确定的平滑度阈值区间信息。所述异常节点包括金属轧机轧制工作记录的平滑度超出平滑度阈值范围时，对应的数据采集时间；以及金属轧机轧制工作记录存在缺失数据时，对应的数据采集时间。所述关联记录数据包括金属轧机轧制工作记录中，异常节点对应的数据信息。达到了通过对金属轧机轧制工作记录进行降噪、补齐预处理，获得预处理后的金属轧机轧制工作记录，提高金属轧机轧制工作记录的数据可靠性，从而提高张力控制分析模型的准确性的技术效果。

步骤S330：按照预设数据分配比例将预处理后的金属轧机轧制工作记录进行数据随机分配，获得训练数据集、测试数据集；

步骤S340：构建神经网络结构，利用所述训练数据集、测试数据集对所述神经网络结构进行训练、测试，获得所述张力控制分析模型。

具体而言，按照预设数据分配比例对预处理后的金属轧机轧制工作记录进行随机划分，获得训练数据集、测试数据集。其中，所述预设数据分配比例为预先设置确定数据划分比例。训练数据集、测试数据集包括于预处理后的金属轧机轧制工作记录。例如，所述预设数据分配比例为7：3。则训练数据集包括预处理后的金属轧机轧制工作记录中随机的70％的数据信息。测试数据集包括预处理后的金属轧机轧制工作记录中剩余的随机30％的数据信息。进一步，基于神经网络结构，将训练数据集进行不断的自我训练学习至收敛状态，获得张力控制分析模型。继而，并将测试数据集作为输入信息，输入张力控制分析模型，通过测试数据集对张力控制分析模型进行参数更新、迭代优化。所述神经网络结构包括输入层、中间层、输出层。所述张力控制分析模型满足神经网络结构。达到了通过训练数据集、测试数据集对神经网络结构进行训练、测试，获得准确的张力控制分析模型的技术效果。

进一步的，本申请步骤S340之后，还包括：

步骤S350：获得轧机流程信息；

步骤S360：根据所述轧机流程信息、连轧机架设置位置信息，构建流程链条，其中流程链条中包括多个节点，每个节点与张力测量设备设置位置相匹配；

步骤S370：获得轧辊设置参数，并基于各流程链条节点的所述轧辊设置参数、轧机入口原料参数、张力控制信息对应关系，构建马尔科夫链预测模型；

步骤S380：将所述张力控制分析模型的输入数据、输出结果，输入所述马尔科夫链预测模型进行验证，判断达到轧制要求参数的概率是否达到预设要求；

步骤S390：当达到时，确定所述张力控制分析模型。

具体而言，基于轧机流程信息、连轧机架设置位置信息，构建流程链条。进一步，基于各流程链条节点的轧辊设置参数、轧机入口原料参数、张力控制信息对应关系，构建马尔科夫链预测模型。进而，将张力控制分析模型的输入数据、输出结果，输入马尔科夫链预测模型进行验证，判断达到轧制要求参数的概率是否达到预设要求，当达到轧制要求参数的概率达到预设要求时，获得张力控制分析模型。其中，所述轧机流程信息包括金属轧机的多个轧辊对应的工作顺序信息。所述流程链条包括多个节点，多个节点包括轧机流程信息。且，多个节点中每个节点与连轧机架设置位置信息、张力测量设备设置位置具有对应关系。张力测量设备设置位置包括张力测量设备的位置参数信息。所述轧辊设置参数包括金属轧机的轧辊数量参数、轧辊直径参数、轧辊长度参数、轧辊硬度参数、轧辊材质参数、轧辊转速参数等轧辊参数信息。各流程链条节点包括流程链条中多个节点。所述马尔科夫链预测模型包括各流程链条节点的轧辊设置参数、轧机入口原料参数、张力控制信息对应关系。马尔科夫链预测模型描述了一种状态序列，其每个状态值取决于前面有限个状态。即，当各流程链条节点的轧辊设置参数、张力控制信息作用在轧机入口原料参数上，轧机入口原料参数就会产生变化，从而轧机入口原料达到新的状态，获得轧机入口原料对应的状态值，轧机入口原料对应的状态值包括轧机入口原料对应的轧制厚度。所述张力控制分析模型的输入数据为轧制要求参数、轧机入口原料参数。所述张力控制分析模型的输出结果为张力控制要求。达到轧制要求参数的概率是指使用张力控制分析模型的输入数据、输出结果对金属轧机进行控制时，金属轧机的轧机入口原料参数对应的轧制产品达到轧制要求参数的可能性。所述预设要求包括预先设置确定的达到轧制要求参数的概率阈值。达到了通过马尔科夫链预测模型对张力控制分析模型进行验证，获得精准性高、泛化性能强的张力控制分析模型，从而提高对金属轧机进行张力控制的准确性的技术效果。

进一步的，本申请步骤S390还包括：

步骤S391：当未达到时，根据马尔科夫链预测模型，获得验证概率差值；

步骤S392：基于所述验证概率差值，确定张力调整范围与控制信息的关系；

步骤S393：利用所述张力调整范围、张力调整范围与控制信息的关系对所述张力控制分析模型进行增量学习。

具体而言，在判断达到轧制要求参数的概率是否达到预设要求时，如果达到轧制要求参数的概率未达到预设要求，则基于达到轧制要求参数的概率、预设要求确定验证概率差值。进而，基于验证概率差值，获得张力调整范围与控制信息的关系，并根据张力调整范围、张力调整范围与控制信息的关系对张力控制分析模型进行增量学习。其中，所述验证概率差值包括达到轧制要求参数的概率、预设要求之间的差值信息。所述张力调整范围包括金属轧机的张力调整区间信息。所述张力调整范围与控制信息的关系包括张力调整范围与控制参数之间的关系。例如，所述张力调整范围与控制信息的关系包括要实现某个张力调整时，该张力调整对应的控制参数信息。增量学习是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。通过张力调整范围、张力调整范围与控制信息的关系对张力控制分析模型进行增量学习，保留了张力控制分析模型的基本功能，实现了张力控制分析模型的性能更新，从而进一步提高张力控制分析模型的精准性，保障张力控制分析的可靠性。

进一步的，本申请步骤S300还包括：

步骤S3100：当轧机入口原料参数中表面平整度信息存在不平整问题；

步骤S31100：基于所述表面平整度信息对轧机入口原料进行平整度分区；

步骤S31200：根据平整度分区结果，确定分区差值；

步骤S31300：根据所述分区差值，确定轧辊设置参数；

步骤S31400：根据所述轧辊设置参数、分区差值进行张力需求分析，确定张力需求信息；

步骤S31500：根据所述张力需求信息对所述张力控制要求进行调整。

具体而言，将轧制要求参数、轧机入口原料参数作为输入信息，输入张力控制分析模型，获得张力控制要求。进一步，基于已获得的轧机入口原料参数中的表面平整度信息，对轧机入口原料参数中表面平整度信息是否存在不平整问题进行判断，如果轧机入口原料参数中表面平整度信息存在不平整问题，则根据表面平整度信息对轧机入口原料进行平整度分区，获得平整度分区结果，并根据其确定分区差值，继而确定轧辊设置参数。基于轧辊设置参数、分区差值进行张力需求分析，获得张力需求信息，并按照张力需求信息对张力控制要求进行调整。

其中，所述张力控制要求包括轧制要求参数、轧机入口原料参数对应的张力控制大小参数。所述平整度分区结果包括多个平整度分区，每个平整度分区包括表面平整度相同的轧机入口原料。所述分区差值包括平整度分区结果中多个平整度分区之间的表面平整度差值。所述轧辊设置参数包括分区差值对应的轧辊转速参数。分区差值越大，对应的轧辊转速参数差异越大。所述张力需求信息包括轧辊设置参数、分区差值对应的张力需求大小。达到了通过张力控制分析模型，获得张力控制要求，并根据轧机入口原料参数中表面平整度信息对张力控制要求进行适应性地调整，从而提高金属轧机的张力控制精确度的技术效果。

步骤S400：获得机架区间内设置的张力测量设备，确定张力测量信息；

步骤S500：判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；

步骤S600：当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

具体而言，按照张力控制要求对金属轧机进行轧制生产控制，并通过张力测量设备对金属轧机进行实时张力测量，获得张力测量信息。进一步，对张力测量信息是否满足张力控制要求进行判断，如果张力测量信息满足张力控制要求，持续当前控制信息，即继续按照张力控制要求对金属轧机进行轧制生产控制。如果张力测量信息不满足张力控制要求，基于张力测量信息、张力测量信息进行差值计算，获得张力偏差值，并按照张力偏差值对当前控制信息进行张力调整控制，即按照张力偏差值对张力控制要求进行张力调整控制。其中，所述张力测量设备可以为设置在连轧机架内的张力测量仪。所述张力测量信息为实时张力参数。所述张力偏差值包括张力测量信息与张力测量信息之间的差值。达到了通过对张力测量信息是否满足张力控制要求进行判断，适应性地对当前控制信息进行张力调整控制，提高金属轧机的张力控制质量的技术效果。

综上所述，本申请所提供的一种金属轧机的张力智能控制方法具有如下技术效果：

1.通过连轧机架设置位置信息确定机架设置距离；将轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；通过机架区间内设置的张力测量设备，确定张力测量信息；判断张力测量信息是否满足张力控制要求，当满足时，持续当前控制信息；当不满足时，获得张力偏差值，基于张力偏差值对当前控制信息进行张力调整控制。达到了提高金属轧机的张力控制准确性，实现智能、适配高、实时性强的金属轧机的张力控制，提高金属轧机的张力控制质量，继而提高金属轧机的生产质量的技术效果。

2.通过卷积核模型对轧机入口原料的图像采集信息集进行比对分析，确定轧机入口原料参数及轧制要求参数，从而提高对金属轧机进行张力控制的适配度、合理性。

3.通过马尔科夫链预测模型对张力控制分析模型进行验证，获得精准性高、泛化性能强的张力控制分析模型，从而提高对金属轧机进行张力控制的准确性。

4.通过张力调整范围、张力调整范围与控制信息的关系对张力控制分析模型进行增量学习，保留了张力控制分析模型的基本功能，实现了张力控制分析模型的性能更新，从而进一步提高张力控制分析模型的精准性，保障张力控制分析的可靠性。

实施例二

基于与前述实施例中一种金属轧机的张力智能控制方法，同样发明构思，本发明还提供了一种金属轧机的张力智能控制系统，请参阅附图3，所述系统包括：

距离设置模块11，所述距离设置模块11用于获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；

轧制参数获得模块12，所述轧制参数获得模块12用于获得轧制要求参数、轧机入口原料参数；

张力控制分析模块13，所述张力控制分析模块13用于将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；

张力信息确定模块14，所述张力信息确定模块14用于获得机架区间内设置的张力测量设备，确定张力测量信息；

张力判断模块15，所述张力判断模块15用于判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；

张力调整控制模块16，所述张力调整控制模块16用于当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

进一步的，所述系统还包括：

图像采集模块，所述图像采集模块用于通过图像采集设备对轧机入口原料进行多角度图像采集，获得图像采集信息集；

图像分割模块，所述图像分割模块用于对所述图像采集信息集按照预设分割大小进行网格分割；

遍历特征比对结果确定模块，所述遍历特征比对结果确定模块用于将分割后的图像采集信息输入卷积核模型，利用预设图像特征对分割后的图像采集信息进行遍历比对，确定遍历特征比对结果；

部位信息模块，所述部位信息模块用于基于所述遍历特征比对结果，确定原料各部位的尺寸信息、表面平整度信息；

原料参数获得模块，所述原料参数获得模块用于根据所述原料各部位的尺寸信息、表面平整度信息，获得轧机入口原料参数。

进一步的，所述系统还包括：

工作记录获得模块，所述工作记录获得模块用于获得金属轧机轧制工作记录，其中，所述金属轧机轧制工作记录中包括轧制要求参数、轧机入口原料参数以及对应的张力控制信息；

预处理模块，所述预处理模块用于对所述金属轧机轧制工作记录进行降噪、补齐预处理；

数据随机分配模块，所述数据随机分配模块用于按照预设数据分配比例将预处理后的金属轧机轧制工作记录进行数据随机分配，获得训练数据集、测试数据集；

模型获得模块，所述模型获得模块用于构建神经网络结构，利用所述训练数据集、测试数据集对所述神经网络结构进行训练、测试，获得所述张力控制分析模型。

进一步的，所述系统还包括：

轧机流程确定模块，所述轧机流程确定模块用于获得轧机流程信息；

流程链条构建模块，所述流程链条构建模块用于根据所述轧机流程信息、连轧机架设置位置信息，构建流程链条，其中流程链条中包括多个节点，每个节点与张力测量设备设置位置相匹配；

预测模型构建模块，所述预测模型构建模块用于获得轧辊设置参数，并基于各流程链条节点的所述轧辊设置参数、轧机入口原料参数、张力控制信息对应关系，构建马尔科夫链预测模型；

概率判断模块，所述概率判断模块用于将所述张力控制分析模型的输入数据、输出结果，输入所述马尔科夫链预测模型进行验证，判断达到轧制要求参数的概率是否达到预设要求；

第一执行模块，所述第一执行模块用于当达到时，确定所述张力控制分析模型。

进一步的，所述系统还包括：

概率差值获得模块，所述概率差值获得模块用于当未达到时，根据马尔科夫链预测模型，获得验证概率差值；

第二执行模块，所述第二执行模块用于基于所述验证概率差值，确定张力调整范围与控制信息的关系；

增量学习模块，所述增量学习模块用于利用所述张力调整范围、张力调整范围与控制信息的关系对所述张力控制分析模型进行增量学习。

进一步的，所述系统还包括：

第三执行模块，所述第三执行模块用于当轧机入口原料参数中表面平整度信息存在不平整问题；

平整度分区模块，所述平整度分区模块用于基于所述表面平整度信息对轧机入口原料进行平整度分区；

分区差值确定模块，所述分区差值确定模块用于根据平整度分区结果，确定分区差值；

轧辊设置参数确定模块，所述轧辊设置参数确定模块用于根据所述分区差值，确定轧辊设置参数；

张力需求分析模块，所述张力需求分析模块用于根据所述轧辊设置参数、分区差值进行张力需求分析，确定张力需求信息；

调整模块，所述调整模块用于根据所述张力需求信息对所述张力控制要求进行调整。

进一步的，所述系统还包括：

平滑度分析模块，所述平滑度分析模块用于对所述金属轧机轧制工作记录进行趋势平滑度分析，确定平滑度阈值范围；

平滑度判断模块，所述平滑度判断模块用于判断金属轧机轧制工作记录的平滑度是否超出所述平滑度阈值范围或存在缺失数据，当超出或存在时，确定异常节点；

关联数据确定模块，所述关联数据确定模块用于根据所述异常节点，确定关联记录数据；

异常节点处理模块，所述异常节点处理模块用于根据所述关联记录数据对所述异常节点进行平滑处理、补齐处理。

本发明实施例所提供的一种金属轧机的张力智能控制系统可执行本发明任意实施例所提供的一种金属轧机的张力智能控制方法，具备执行方法相应的功能模块和有益效果。

所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例三

图4为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图4中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种金属轧机的张力智能控制方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种金属轧机的张力智能控制方法。

本申请提供了一种金属轧机的张力智能控制方法，其中，所述方法应用于一种金属轧机的张力智能控制系统，所述方法包括：通过连轧机架设置位置信息确定机架设置距离；将轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；通过机架区间内设置的张力测量设备，确定张力测量信息；判断张力测量信息是否满足张力控制要求，当满足时，持续当前控制信息；当不满足时，获得张力偏差值，基于张力偏差值对当前控制信息进行张力调整控制。解决了现有技术中针对金属轧机的张力控制准确性不足，进而造成金属轧机的张力控制效果不佳的技术问题。达到了提高金属轧机的张力控制准确性，实现智能、适配高、实时性强的金属轧机的张力控制，提高金属轧机的张力控制质量，继而提高金属轧机的生产质量的技术效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种金属轧机的张力智能控制方法，其特征在于，所述方法包括：

获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；

获得轧制要求参数、轧机入口原料参数；

将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；

其中，将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型之前，包括：

获得金属轧机轧制工作记录，其中，所述金属轧机轧制工作记录中包括轧制要求参数、轧机入口原料参数以及对应的张力控制信息；

对所述金属轧机轧制工作记录进行降噪、补齐预处理；

按照预设数据分配比例将预处理后的金属轧机轧制工作记录进行数据随机分配，获得训练数据集、测试数据集；

构建神经网络结构，利用所述训练数据集、测试数据集对所述神经网络结构进行训练、测试，获得所述张力控制分析模型；

其中，获得所述张力控制分析模型之后，包括：

获得轧机流程信息；

根据所述轧机流程信息、连轧机架设置位置信息，构建流程链条，其中流程链条中包括多个节点，每个节点与张力测量设备设置位置相匹配；

获得轧辊设置参数，并基于各流程链条节点的所述轧辊设置参数、轧机入口原料参数、张力控制信息对应关系，构建马尔科夫链预测模型；

将所述张力控制分析模型的输入数据、输出结果，输入所述马尔科夫链预测模型进行验证，判断达到轧制要求参数的概率是否达到预设要求；

其中，所述判断达到轧制要求参数的概率是否达到预设要求之后，包括：

当未达到时，根据马尔科夫链预测模型，获得验证概率差值；

基于所述验证概率差值，确定张力调整范围与控制信息的关系；

利用所述张力调整范围、张力调整范围与控制信息的关系对所述张力控制分析模型进行增量学习；

当达到时，确定所述张力控制分析模型；

获得机架区间内设置的张力测量设备，确定张力测量信息；

判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；

当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

通过图像采集设备对轧机入口原料进行多角度图像采集，获得图像采集信息集；

对所述图像采集信息集按照预设分割大小进行网格分割；

将分割后的图像采集信息输入卷积核模型，利用预设图像特征对分割后的图像采集信息进行遍历比对，确定遍历特征比对结果；

基于所述遍历特征比对结果，确定原料各部位的尺寸信息、表面平整度信息；

根据所述原料各部位的尺寸信息、表面平整度信息，获得轧机入口原料参数。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

当轧机入口原料参数中表面平整度信息存在不平整问题；

基于所述表面平整度信息对轧机入口原料进行平整度分区；

根据平整度分区结果，确定分区差值；

根据所述分区差值，确定轧辊设置参数；

根据所述轧辊设置参数、分区差值进行张力需求分析，确定张力需求信息；

根据所述张力需求信息对所述张力控制要求进行调整。

4.如权利要求1所述的方法，其特征在于，对所述金属轧机轧制工作记录进行降噪、补齐预处理，包括：

对所述金属轧机轧制工作记录进行趋势平滑度分析，确定平滑度阈值范围；

判断金属轧机轧制工作记录的平滑度是否超出所述平滑度阈值范围或存在缺失数据，当超出或存在时，确定异常节点；

根据所述异常节点，确定关联记录数据；

根据所述关联记录数据对所述异常节点进行平滑处理、补齐处理。

5.一种金属轧机的张力智能控制系统，其特征在于，所述系统用于执行权利要求1至4任一项所述的一种金属轧机的张力智能控制方法，所述系统包括：

距离设置模块，所述距离设置模块用于获得连轧机架设置位置信息，基于所述连轧机架设置位置信息确定机架设置距离；

轧制参数获得模块，所述轧制参数获得模块用于获得轧制要求参数、轧机入口原料参数；

张力控制分析模块，所述张力控制分析模块用于将所述轧制要求参数、轧机入口原料参数输入张力控制分析模型，获得张力控制要求；

张力信息确定模块，所述张力信息确定模块用于获得机架区间内设置的张力测量设备，确定张力测量信息；

张力判断模块，所述张力判断模块用于判断所述张力测量信息是否满足所述张力控制要求，当满足时，持续当前控制信息；

张力调整控制模块，所述张力调整控制模块用于当不满足时，获得张力偏差值，基于所述张力偏差值对当前控制信息进行张力调整控制。

6.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至4任一项所述的一种金属轧机的张力智能控制方法。

7.一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至4中任一项所述的一种金属轧机的张力智能控制方法。

Images