CN117055487B - 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 - Google Patents

Abstract

本发明公开了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，包括：获取二辊斜轧穿孔生产工序的生产过程数据；其中，生产过程数据包括：生产工艺参数、毛管质量参数和穿孔参数的实际值；基于毛管质量参数筛选出符合预设要求的样本，并计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据；基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型；基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数。与传统的机理模型设定方法相比，该方法充分利用了现场的实际生产数据，实现了对传统机理模型的迭代优化，提升了设定精度，进一步地提升了毛管的外径控制精度。

Description

一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法

技术领域

本发明涉及机械自动化控制技术领域，特别涉及一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法。

背景技术

管坯经过二辊斜轧穿孔后成为毛管，外径控制精度是决定毛管质量控制的重要指标。传统的二辊斜轧穿孔生产过程尚未形成闭环控制系统，无法根据毛管质量实现穿孔过程参数的优化自适应。生产现场通常采用离线的机理模型对轧辊间距、导板间距及顶头前伸量进行预计算，手动输入至HMI中下发至L1，然后通过毛管质量判定结果对轧辊间距、导板间距及顶头前伸量进行人工修正，依赖于人工经验，无法实现每支管坯的穿孔过程参数的自适应优化，降低了毛管外径控制精度，从而影响最终成品质量。

基于上述可知，目前亟需开发一种二辊斜轧穿孔参数优化方法，能够根据毛管的外径质量，实现对每支管坯穿孔过程的过程参数自适应优化，形成穿孔过程的闭环控制，提升毛管生产过程的质量稳定性。

发明内容

本发明提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，以解决现有技术依赖于人工经验，无法实现每支管坯的穿孔过程参数的自适应优化，降低了毛管外径控制精度，从而影响最终成品质量的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，所述基于机理数据混合驱动的二辊斜轧穿孔参数优化方法包括：

获取二辊斜轧穿孔生产工序的生产过程数据；其中，所述生产过程数据包括：生产工艺参数、毛管质量参数以及穿孔参数的实际值；

基于所述毛管质量参数筛选出符合预设要求的样本，并针对筛选出的样本，计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据；

基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型，得到训练好的偏差预测模型；其中，所述偏差预测模型的输入为生产工艺参数，所述偏差预测模型的输出为穿孔参数的实际值与机理模型设定值之间的偏差数据；

基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数。

进一步地，所述生产工艺参数包括：顶头直径、送进角、管坯直径、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角以及毛管内径目标值；

所述毛管质量参数包括毛管外径；

所述穿孔参数包括：轧辊间距、导板间距以及顶头前伸量。

进一步地，基于所述毛管质量参数筛选出符合预设要求的样本，并针对筛选出的样本，计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据，包括：

基于所述毛管质量参数筛选出符合预设要求的样本；

针对筛选出的样本，基于样本对应的生产工艺参数，利用机理模型计算出每一样本的穿孔参数的机理模型设定值；

计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据：

△b＝b_a-b

△l＝l_a-l

△y＝y_a-y

其中，△b、△l和△y分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差；b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值；b_a、l_a、y_a分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值。

进一步地，基于所述毛管质量参数筛选出符合预设要求的样本，包括：

筛选出毛管外径符合以下公式的样本：

|d_h-d_t|≤0.5％×d_t

其中，d_h表示样本的毛管外径的实际值；d_t为毛管目标外径。

进一步地，所述针对筛选出的样本，基于样本对应的生产工艺参数，利用机理模型计算出每一样本的穿孔参数的机理模型设定值，公式如下：

b＝(1-δ)·d_b

D＝d_m-(0.075-0.00135s_t)·d_t

其中，δ为压缩带处压缩量；d_b为管坯直径；d_t为毛管目标外径；d₁为顶头鼻部直径；D为顶头直径；η₀为轴向滑移系数；η_T为切向滑移系数；α为送进角；s_t为毛管壁厚目标值；β为轧辊出口锥角；d_m为毛管内径目标值。

进一步地，所述偏差预测模型的输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值；所述偏差预测模型的输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据。

进一步地，所述偏差预测模型为支持向量回归模型。

进一步地，所述基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数，包括：

将待加工管坯对应的毛管目标外径、顶头直径、送进角、管坯直径和毛管壁厚目标值输入训练好的偏差预测模型，预测出待加工管坯穿孔过程的轧辊间距的偏差Δb_i、导板间距的偏差Δl_i及顶头前伸量的偏差Δy_i；

利用所述机理模型计算出待加工管坯穿孔过程的轧辊间距的机理模型设定值b_i、导板间距的机理模型设定值l_i以及顶头前伸量的机理模型设定值y_i；

计算待加工管坯穿孔时的最优工艺参数，公式如下：

b^opt＝b_i+Δb_i

l^opt＝l_i+Δl_i

y^opt＝y_i+Δy_i

其中，b^opt为待加工管坯穿孔时的轧辊间距最优设定值；l^opt为待加工管坯穿孔时的导板间距最优设定值；y^opt为待加工管坯穿孔时的顶头前伸量最优设定值。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明提供的基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，充分利用了现场的生产历史数据，建立了机理数据混合驱动的管坯穿孔工艺参数优化模型，可实现二辊斜轧穿孔工艺参数的动态优化，提升毛管的外径控制精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于机理数据混合驱动的二辊斜轧穿孔参数优化方法的执行流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，以充分利用现场的生产历史数据，建立机理数据混合驱动的管坯穿孔工艺参数优化模型，实现二辊斜轧穿孔工艺参数的动态优化，提升毛管的外径控制精度。该方法可由电子设备实现，该方法执行流程如图1所示，包括以下步骤：

S1，获取二辊斜轧穿孔生产工序的生产过程数据；其中，所述生产过程数据包括：生产工艺参数、毛管质量参数以及穿孔参数的实际值；

具体地，在本实施例中，生产工艺参数包括：顶头直径、送进角、管坯直径、毛管壁厚、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角及毛管内径目标值；毛管质量参数包括毛管外径；穿孔参数包括：轧辊间距、导板间距及顶头前伸量。

S2，基于所述毛管质量参数筛选出符合预设要求的样本，并针对筛选出的样本，计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据；

具体地，在本实施例中，上述S2的实现过程如下：

S21，基于S1获取的毛管外径数据，首先通过下式，根据毛管外径控制精度筛选出优秀样本：

|d_h-d_t|≤0.5％×d_t

其中，d_h表示样本的毛管外径的实际值；d_t为毛管目标外径。

当毛管的外径满足上述公式时，即为优秀样本。

S22，针对筛选出的样本，基于样本对应的生产工艺参数，利用以下轧辊间距、导板间距以及顶头前伸量机理模型分别计算其穿孔参数设定值：

b＝(1-δ)·d_b

D＝d_m-(0.075-0.00135s_t)·d_t

其中，b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值；δ为压缩带处压缩量；d_b为管坯直径；d_t为毛管目标外径；d₁为顶头鼻部直径；D为顶头直径；η₀为轴向滑移系数；η_T为切向滑移系数；α为送进角；s_t为毛管壁厚目标值；β为轧辊出口锥角；d_m为毛管内径目标值。

S23，计算出每一优秀样本的轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差，公式如下：

△b＝b_a-b

△l＝l_a-l

△y＝y_a-y

其中，△b、△l和△y分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差；b_a、l_a、y_a分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值。

S3，基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型，得到训练好的偏差预测模型；其中，所述偏差预测模型的输入为生产工艺参数，输出为穿孔参数的实际值与机理模型设定值之间的偏差数据；

具体地，在本实施例中，上述偏差预测模型为支持向量回归模型SVR；

所述偏差预测模型的构建过程包括：确定模型的输入层节点X、输出层节点Y、惩罚因子C以及核函数g。具体地，在本实施例中，其输入层节点X＝[d_a,D,α,d_b,s_a]，共5维；输出层节点Y＝[Δb,Δl,Δy]，共3维。其输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值；输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据。

S4，基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数；

具体地，在本实施例中，上述S4的实现过程如下：

S41，获取第i支管坯的d_t,D,α,d_b,s_t输入至训练完成的SVR模型中；

S42，基于SVR模型，预测第i支管坯穿孔过程的轧辊间距的偏差Δb_i、导板间距的偏差Δl_i及顶头前伸量的偏差Δy_i；；

S43，根据S2中的轧辊间距、导板间距及顶头前伸量机理模型分别计算第i支毛管穿孔过程的轧辊间距的机理模型设定值b_i、导板间距的机理模型设定值l_i以及顶头前伸量的机理模型设定值y_i；

S44，得到第i支管坯穿孔时的最优工艺参数设定值：

b^opt＝b_i+Δb_i

l^opt＝l_i+Δl_i

y^opt＝y_i+Δy_i

其中，b^opt为待加工管坯穿孔时的轧辊间距最优设定值；l^opt为待加工管坯穿孔时的导板间距最优设定值；y^opt为待加工管坯穿孔时的顶头前伸量最优设定值。

下面，为了验证本方法的有效性，将其应用于某钢管厂二辊斜轧穿孔机；该钢管厂二辊斜轧穿孔机的现场数据包括：毛管外径d_a、顶头直径D、送进角α、管坯直径d_b、毛管壁厚s_a、轧辊间距b_a、导板间距l_a及顶头前伸量y_a；

本方法在该钢管厂二辊斜轧穿孔机的实施过程如下：

S1，获取二辊斜轧穿孔生产的工艺过程数据及质量数据，如表1所示：

表1现场各样本的参数

S2，计算出轧辊间距、导板间距及顶头前伸量实际值与机理模型设定值之间的偏差，计算结果如表2所示：

表2各样本的工艺参参数偏差

S3，将表1及表2所述数据输入至支持向量回归模型(SVR)中进行训练，构建支持向量回归模型(SVR)包括：输入层节点X、输出层节点Y、惩罚因子C及核函数g。输入层节点X＝[d_a,D,α,d_b,s_a]，共5维；输出层节点Y＝[Δb,Δl,Δy]，共3维；(C,g)的搜索范围设置为[1^-10,1¹⁰]。

S4，基于上述模型，得到后续管坯穿孔时的最优工艺参数，具体如下：

(1)管坯的d_t,D,α,d_b,s_t，分别如表3所示：

表3管坯穿孔参数设定值及质量目标值

(2)基于SVR模型，预测上述管坯穿孔过程的Δb,Δl,Δy，如表4所示：

表4SVR预测结果

(3)根据上述的轧辊间距、导板间距及顶头前伸量机理模型分别计算管坯穿孔过程的b、l、y；

(4)计算管坯穿孔时的最优工艺参数设定值，如表5所示：

表5最优工艺参数设定值

综上，本实施例提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，该方法充分利用了现场的生产历史数据，建立了机理数据混合驱动的管坯穿孔工艺参数优化模型，能够实现二辊斜轧穿孔工艺参数的动态优化，提升毛管的外径控制精度。实践证明，该二辊斜轧穿孔参数优化方法在某钢管厂应用后，与传统机理模型参数设定而后采用人工修正的方法相比，毛管外径平均控制精度提升0.15％，这充分证明了该二辊斜轧穿孔参数优化方法的有效性。

第二实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第三实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (2)

1.一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，其特征在于，所述基于机理数据混合驱动的二辊斜轧穿孔参数优化方法包括：

获取二辊斜轧穿孔生产工序的生产过程数据；其中，所述生产过程数据包括：生产工艺参数、毛管质量参数以及穿孔参数的实际值；

基于所述毛管质量参数筛选出符合预设要求的样本，并针对筛选出的样本，计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据；

基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型，得到训练好的偏差预测模型；其中，所述偏差预测模型的输入为生产工艺参数，所述偏差预测模型的输出为穿孔参数的实际值与机理模型设定值之间的偏差数据；

基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数；

所述生产工艺参数包括：顶头直径、送进角、管坯直径、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角以及毛管内径目标值；

所述毛管质量参数包括毛管外径；

所述穿孔参数包括：轧辊间距、导板间距以及顶头前伸量；

基于所述毛管质量参数筛选出符合预设要求的样本，并针对筛选出的样本，计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据，包括：

基于所述毛管质量参数筛选出符合预设要求的样本；

针对筛选出的样本，基于样本对应的生产工艺参数，利用机理模型计算出每一样本的穿孔参数的机理模型设定值；

计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据：

Δb＝b_a-b

Δl＝l_a-l

Δy＝y_a-y

其中，Δb、Δl和Δy分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差；b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值；b_a、l_a、y_a分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值；

基于所述毛管质量参数筛选出符合预设要求的样本，包括：

筛选出毛管外径符合以下公式的样本：

|d_h-d_t|≤0.5％×d_t

其中，d_h表示样本的毛管外径的实际值；d_t为毛管目标外径；

所述针对筛选出的样本，基于样本对应的生产工艺参数，利用机理模型计算出每一样本的穿孔参数的机理模型设定值，公式如下：

b＝(1-δ)·d_b

D＝d_m-(0.075-0.00135s_t)·d_t

其中，δ为压缩带处压缩量；d_b为管坯直径；d_t为毛管目标外径；d₁为顶头鼻部直径；D为顶头直径；η₀为轴向滑移系数；η_T为切向滑移系数；α为送进角；s_t为毛管壁厚目标值；β为轧辊出口锥角；d_m为毛管内径目标值；

所述偏差预测模型的输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值；所述偏差预测模型的输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据；

所述偏差预测模型为支持向量回归模型；所述偏差预测模型的输入层节点共5维；输出层节点共3维；(C,g)的搜索范围设置为[1^-10,1¹⁰]，其中，C表示惩罚因子，g表示核函数。

2.如权利要求1所述的基于机理数据混合驱动的二辊斜轧穿孔参数优化方法，其特征在于，所述基于待加工管坯的生产工艺参数，利用机理模型，结合训练好的偏差预测模型，得到待加工管坯穿孔时的最优工艺参数，包括：

将待加工管坯对应的毛管目标外径、顶头直径、送进角、管坯直径和毛管壁厚目标值输入训练好的偏差预测模型，预测出待加工管坯穿孔过程的轧辊间距的偏差Δb_i、导板间距的偏差Δl_i及顶头前伸量的偏差Δy_i；

利用所述机理模型计算出待加工管坯穿孔过程的轧辊间距的机理模型设定值b_i、导板间距的机理模型设定值l_i以及顶头前伸量的机理模型设定值y_i；

计算待加工管坯穿孔时的最优工艺参数，公式如下：

b^opt＝b_i+Δb_i

l^opt＝l_i+Δl_i

y^opt＝y_i+Δy_i

其中，b^opt为待加工管坯穿孔时的轧辊间距最优设定值；l^opt为待加工管坯穿孔时的导板间距最优设定值；y^opt为待加工管坯穿孔时的顶头前伸量最优设定值。