CN117531845A - 中厚板平面形状控制方法及装置、存储介质、计算机设备 - Google Patents
中厚板平面形状控制方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN117531845A CN117531845A CN202410026220.5A CN202410026220A CN117531845A CN 117531845 A CN117531845 A CN 117531845A CN 202410026220 A CN202410026220 A CN 202410026220A CN 117531845 A CN117531845 A CN 117531845A
- Authority
- CN
- China
- Prior art keywords
- medium plate
- blank
- plane shape
- planar shape
- mill
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000005096 rolling process Methods 0.000 claims abstract description 99
- 238000005520 cutting process Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 description 13
- 239000010959 steel Substances 0.000 description 13
- 239000000523 sample Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本申请公开了一种中厚板平面形状控制方法及装置、存储介质、计算机设备，应用于中厚板轧制系统，沿轧制方向依次包括粗轧机及精轧机，粗轧机控制中厚板平面形状，通过粗轧机轧制后、进入精轧机轧制前的中厚板为中间坯，方法包括：控制粗轧机轧制中厚板后，基于中间坯图像提取中间坯轮廓数据；根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；当预测的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测的待裁弃端部平面形状面积满足裁弃要求。
Description
技术领域
本申请涉及冶金轧制技术领域，尤其是涉及到一种中厚板平面形状控制方法及装置、存储介质、计算机设备。
背景技术
中厚板平面形状控制是指在中厚板生产过程中，通过控制和调整板材的平面形状，来满足产品的要求，提高成材率。平面形状控制的基本思想是利用体积不变原理，将不规则形状的体积转化为在成形或展宽阶段末道次的超常厚度补偿量，这样的厚度补偿量可以在转钢后分别应用于成品的边部和头尾，以消除形状偏差。
在双机架轧制产线中，中厚板先后通过粗轧机及精轧机的轧制，粗轧机通过平面形状控制参数对板材的平面形状进行控制，经粗轧机轧制后的板材，其端部会呈现“凹形”趋势，在继续通过精轧机轧制完成后，需要切除成品的端部不规则区域，用以规整板材。通过设定合适的控制参数可以有效的控制板材头尾不规则区域的面积，进而降低板材切除损耗，但是目前，双机架轧制产线上的检测装置多放置于精轧机后，当轧制完成时，若发现需要切除的不规则端部区域面积较大，此时，在中间待温区仍有数块采取相同控制参数粗轧后的钢板（中厚板），这部分钢板（中厚板）的最终待切除端部面积依旧不符合切损预期，存在滞后性。
发明内容
有鉴于此，本申请提供了一种中厚板平面形状控制方法及装置、存储介质、计算机设备，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，通过获取中厚板的中间坯图像，并基于中间坯图像预测待裁弃端部平面形状，当预测出的待裁弃端部平面形状面积不满足裁弃要求时，可以及时调整粗轧机的平面形状控制参数，避免了由于预测位置靠后导致的“中间段”板材的切损量依旧很大的问题。
根据本申请的一个方面，提供了一种中厚板平面形状控制方法，所述中厚板平面形状控制方法包括：
控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
可选地，粗轧机基于平面形状控制参数轧制中厚板后，中间坯端部边缘为凹形，所述基于所述中间坯图像提取中间坯轮廓数据，包括：
基于所述中间坯图像确定中间坯的端部区域，其中，所述端部区域由凹形边缘线及区域分割线构成；
在所述端部区域中，确定凹形边缘线的谷点及峰点，并基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度；
相应地，所述根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状，包括：
根据平面形状预测模型、中间坯厚度、端部区域谷点高度、端部区域峰点高度、精轧机压下量、精轧机轧制道次、中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
可选地，所述预测中间坯通过精轧机轧制后的待裁弃端部平面形状之后，所述中厚板平面形状控制方法还包括：
计算待裁弃端部平面形状面积，当所述待裁弃端部平面形状面积大于裁弃标准面积时，不满足裁弃要求，其中，所述裁弃标准面积基于多个相同规格中厚板的历史裁弃面积平均值得到。
可选地，所述调整粗轧机的平面形状控制参数，包括：
根据平面形状控制模型、待裁弃端部平面形状面积、裁弃标准面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数，并基于预测出的平面形状控制参数调整粗轧机参数设置，其中，所述平面形状控制参数包括端部第一控制高度、端部第二控制高度、端部边缘平台段长度及端部边缘非稳态段长度；
相应地，所述取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求，包括：
取新的中厚板，返回至控制粗轧机轧制中厚板的步骤，控制粗轧机基于调整后的平面形状控制参数轧制新的中厚板，直至新的中厚板预测出的待裁弃端部平面形状面积满足裁弃要求。
可选地，所述基于所述中间坯图像确定中间坯的端部区域，包括：
灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，对所述中间坯去噪图像进行图像二值化处理，得到目标中间坯图像；
在所述目标中间坯图像中，提取凹形边缘线，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线，基于所述区域分割线及所述凹形边缘线确定中间坯的端部区域。
可选地，所述基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度，包括：
根据坐标转换公式对凹形边缘线中各像素点坐标进行坐标系转换，根据转换后的像素点实际坐标，计算谷点距离区域分割线的端部区域谷点高度，以及峰点距离区域分割线的端部区域峰点高度，其中，所述坐标转换公式为：
；
及/>分别为第i像素点的横坐标及纵坐标，/>及/>分别为转换后的第i像素点的实际横坐标及实际纵坐标，K为比例因子，K基于中间坯图像分辨率及中间坯实际尺寸计算得到。
可选地，所述中厚板平面形状控制方法还包括：
基于深度神经网络建立平面形状预测模型，获取头部和尾部对称率均在预设合格范围内的中厚板历史轧制数据；
根据所述中厚板历史轧制数据建立预测模型训练样本，并基于所述预测模型训练样本训练所述平面形状预测模型，其中，所述中厚板历史轧制数据包括中厚板原始坯料参数、中间坯厚度、精轧机轧制参数、中间坯的端部区域谷点高度及端部区域峰点高度。
根据本申请的另一方面，提供了一种中厚板平面形状控制装置，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，所述中厚板平面形状控制装置包括：
图像数据获取模块，用于控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
平面形状预测模块，用于根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
控制参数调整模块，用于当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述中厚板平面形状控制方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质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中厚板平面形状控制方法。
借由上述技术方案，本申请提供的一种中厚板平面形状控制方法及装置、存储介质、计算机设备，应用于中厚板轧制系统，中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，控制粗轧机轧制中厚板后，获取中间坯图像，基于中间坯图像提取中间坯轮廓数据；根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。通过在粗轧机后加装检测装置，结合后续的预测模型，可以提前预测最终产品的待裁弃端部平面形状，如果发现最终形状面积过大，说明会造成切损量过大，随即调整粗轧机的平面形状控制参数优化新投入的坯料，很好的解决了由于预测滞后性所带来的中间段板材不能及时调整的问题。
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
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种中厚板平面形状控制方法的流程示意图；
图2示出了本申请实施例提供的一种中厚板轧制系统示意图；
图3示出了本申请实施例提供的另一种中厚板平面形状控制方法的流程示意图；
图4示出了本申请实施例提供的一种中间坯端部平面形状示意图；
图5示出了本申请实施例提供的一种凹形边缘线谷点峰点示意图；
图6示出了本申请实施例提供的一种中间坯端部区域示意图；
图7示出了本申请实施例提供的又一种中厚板平面形状控制方法的流程示意图；
图8示出了本申请实施例提供的一种平面形状预测模型示意图；
图9示出了本申请实施例提供的一种平面形状控制模型示意图；
图10示出了本申请实施例提供的一种平面形状控制参数示意图；
图11示出了本申请实施例提供的一种利用预测模型预测的端部轮廓示意图；
图12示出了本申请实施例提供的一种利用控制模型优化后的端部轮廓示意图；
图13示出了本申请实施例提供的一种中厚板平面形状控制装置的结构示意图；
图14示出了本申请实施例提供的另一种中厚板平面形状控制装置的结构示意图。
其中，21-粗轧机，22-精轧机，23-第一摄像头，24-第二摄像头，501-图像数据获取模块，502-平面形状预测模块，503-控制参数调整模块，504-预测模型训练模块。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种中厚板平面形状控制方法，如图1所示，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，该中厚板平面形状控制方法包括：
步骤101，控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据。
随着智能制造技术快速发展，为了实现更高效率的平面形状控制，需要研发机器学习模型来代替传统以机理模型为主导的现状，钢铁工业发展自动化控制系统和研发设施，积累并可以提供大量的实验数据，为机器学习模型提供了更丰富的样本，这些海量数据中蕴含着轧制工艺当中的全部规律，可以建立准确的机器学习模型进行平面形状的精准预测，有效解决当下轧件切头尾和切边损失较大的问题，提高成材率。
在本申请上述实施例中，中厚板轧制系统如图2所示，图2中沿右至左为轧制方向，其在轧制生产线中安装有两个摄像头，第一摄像头23安装于粗轧机21出口处，当控制粗轧机21轧制中厚板后，第一摄像头23负责对中间坯图像进行采集，当第一摄像头23中刚刚出现中间坯时开始记录视频，当第一摄像头23中没有中间坯时停止记录视频，然后将记录的视频文件保存于磁盘中，再对视频进行图像识别技术获得中间坯图像存储于局域网的共享文件夹中。第二摄像头24安装于精轧机22的出口处，则主要负责对成品中厚板的头部图像和尾部图像进行采集，采集的图像数据可以作为大数据计算和模型训练的参考样本。
接着，在中间坯图像中，提取中间坯轮廓数据，例如，可以根据梯度算法寻找中间坯的头端或尾端的轮廓，其基本思路为：将原始中间坯图像灰度化，接着去除图像干扰噪点，再接着进行图像二值化，过滤掉不合适的轮廓，最终提取中间坯轮廓数据，前述中间坯轮廓数据包括中间坯的头部形状轮廓数据和尾部形状轮廓数据，将识别到的头部形状轮廓数据和尾部形状轮廓数据分别存储于本地磁盘，方便后续分别针对头部和尾部进行平面形状预测。
步骤102，根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
再接着，采用DNN（Deep Neural Networks，深度神经网络）作为机器学习预测模型建立平面形状预测模型。DNN是一种具有多个隐藏层的深度神经网络模型，通过学习复杂的非线性关系，可以在中厚板平面形状方面实现高性能的预测能力。平面形状预测模型建立后，根据中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
步骤103，当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
当预测出的待裁弃端部平面形状面积不满足裁弃要求时，说明最终需要裁弃的板材面积过大，增加了板材损耗，随即调整粗轧机的平面形状控制参数，然后取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
通过应用本实施例的技术方案，控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。通过机器视觉技术及机器学习技术，实现自动对中间坯进行检测，能够实时检测中厚板最终平面形状是否符合预期结果，并及时调整粗轧机的平面形状控制参数，能够避免辊道上钢板（中厚板）预测滞后问题，自动化程度较高，提高了生产率以及经济效益。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种中厚板平面形状控制方法，如图3所示，该中厚板平面形状控制方法包括：
步骤301，控制粗轧机轧制中厚板后，获取中间坯图像，其中，粗轧机基于平面形状控制参数轧制中厚板后，中间坯端部边缘为凹形。
在本申请上述实施例中，控制粗轧机轧制中厚板后，基于粗轧机出口处的第一摄像头获取中间坯图像，其中，中厚板轧制系统通过对粗轧机设置平面形状控制参数来实现中厚板的平面形状控制，当中厚板基于粗轧机的平面形状控制参数轧制后，中间坯与轧制方向垂直侧的端部边缘呈现凹形，如图4所示。
步骤302，灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，对所述中间坯去噪图像进行图像二值化处理，得到目标中间坯图像。
步骤303，在所述目标中间坯图像中，提取凹形边缘线，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线。
步骤304，基于所述区域分割线及所述凹形边缘线确定中间坯的端部区域，其中，所述端部区域由凹形边缘线及区域分割线构成。
再接着，对中间坯图像进行图像预处理。具体的，灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，再对中间坯去噪图像进行图像二值化处理，得到目标中间坯图像，处理后的目标中间坯图像如图5所示，能够提取出凹形边缘线，为了方便后续对头部或尾部不规则区域的数据处理，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线，再通过区域分割线及凹形边缘线确定出端部区域，端部区域如图6所示。为此，通过定义左右同Y（纵坐标）值的两个坐标点不同时向内收缩的连接线为最优头尾端分割线（区域分割线），能够精准定位出端部区域，定位出的端部区域分为沿轧制方向的头部区域和与轧制方向相反的尾部区域，在进行待裁弃端部平面形状预测时，可分别针对头部和尾部进行单独预测。
步骤305，在所述端部区域中，确定凹形边缘线的谷点及峰点，并根据坐标转换公式对凹形边缘线中各像素点坐标进行坐标系转换，根据转换后的像素点实际坐标，计算谷点距离区域分割线的端部区域谷点高度，以及峰点距离区域分割线的端部区域峰点高度，其中，所述坐标转换公式为：
；
及/>分别为第i像素点的横坐标及纵坐标，/>及/>分别为转换后的第i像素点的实际横坐标及实际纵坐标，K为比例因子，K基于中间坯图像分辨率及中间坯实际尺寸计算得到。
再接着，由于提取的凹形边缘线中各点坐标均为像素坐标，需要将其转换为实际坐标，根据中间坯图像分辨率及中间坯实际尺寸计算比例因子K，然后根据坐标转换公式及比例因子K对端部区域中凹形边缘线的各像素点坐标进行坐标系转换，再基于转换后的像素点实际坐标，计算凹形边缘线谷点距离区域分割线的端部区域谷点高度，以及凹形边缘线峰点距离区域分割线的端部区域峰点高度。凹形边缘线谷点如图5所示中的B点，通过计算B点距离区域分割线的距离得到端部区域谷点高度，而对于端部区域峰点高度的计算，可以计算图5中左右两边峰点（A、C点）各自距离区域分割线距离的平均值得到。计算过程中的坐标数据及轧制规程信息可以使用数字存储方式储存于数据库中，并添加对应的钢板（中厚板）编号，方便后续平面形状预测模型的建立、训练样本的筛选和历史数据的调用等操作。
步骤306，根据平面形状预测模型、中间坯厚度、端部区域谷点高度、端部区域峰点高度、精轧机压下量、精轧机轧制道次、中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
步骤307，当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
再接着，根据平面形状预测模型、中厚板原始坯料参数（中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度）、中间坯厚度、端部区域谷点高度、端部区域峰点高度及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状，当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
通过应用本实施例的技术方案，在中间坯位置加装检测装置，结合平面形状预测模型，经过机器视觉技术实时监测，采集钢板（中厚板）轮廓数据以及输入轧制参数对中厚板的待裁弃端部平面形状面积进行预测，预测结果如果符合预期效果则生产继续进行，如果不符合预期，则及时调整参数确保后续钢板（中厚板）的待裁弃端部平面形状面积符合预期裁弃要求，避免了原来平面形状控制工艺滞后的问题。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了又一种中厚板平面形状控制方法，如图7所示，该中厚板平面形状控制方法包括：
步骤401，基于深度神经网络建立平面形状预测模型，获取头部和尾部对称率均在预设合格范围内的中厚板历史轧制数据。
步骤402，根据所述中厚板历史轧制数据建立预测模型训练样本，并基于所述预测模型训练样本训练所述平面形状预测模型，其中，所述中厚板历史轧制数据包括中厚板原始坯料参数、中间坯厚度、精轧机轧制参数、中间坯的端部区域谷点高度及端部区域峰点高度。
在本申请上述实施例中，基于DNN深度神经网络建立平面形状预测模型，并通过中厚板历史轧制数据作为模型训练样本，训练平面形状预测模型，由于样本的质量决定模型精度的上限，所以在数据库中调用样本数据时需要进行预处理和筛选，经过测试发现，对称率好的样本可以使模型的预测效果更好，故可以选择头尾端对称率均在0.97至1.03范围内的1096块中厚板历史轧制数据作为样本建立预测模型，拟合优度为99%。
构建后的平面形状预测模型如图8所示，平面形状预测模型输入端为8个参数：
端部区域峰点高度；
端部区域谷点高度；
中厚板原始坯料的厚度；
中厚板原始坯料的宽度；
中厚板原始坯料的长度；
中间坯厚度；
精轧机压下量；
精轧机轧制道次。
平面形状预测模型输出101个预测出的中厚板端部边缘轮廓点，由101个轮廓点共同组成预测的待裁弃端部平面形状。
特别地，101个点组合的曲线通过积分算出的面积和实测得到的面积相比误差较小，故用101个轮廓点拟合出的平面形状具有很好的拟合性，能够满足精度误差需求。平面形状预测模型的输入输出参数如表一所示：
表一
步骤403，控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据。
步骤404，根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
再接着，控制粗轧机轧制中厚板后，获取中间坯图像，然后提取中间坯轮廓数据，由于坯料经过粗轧机控制阶段，此时头尾部形状已经有了类似最终形状的凹形趋势，再根据平面形状预测模型、中厚板原始坯料参数（中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度）、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
步骤405，计算待裁弃端部平面形状面积，当所述待裁弃端部平面形状面积大于裁弃标准面积时，不满足裁弃要求，其中，所述裁弃标准面积基于多个相同规格中厚板的历史裁弃面积平均值得到。
接着，预测出待裁弃端部平面形状后，计算待裁弃端部平面形状面积，当待裁弃端部平面形状面积大于标准裁弃面积时，说明需要裁剪的板材面积过多，容易造成板材损耗，不满足裁弃要求，因此需要对平面形状控制参数作出调整。标准裁弃面积可以通过计算多个相同规格中厚板的历史裁弃面积平均值得到，其历史裁弃面积，可以基于架设在精轧机出口处的第二摄像头所获取到的图像数据来计算。
步骤406，当预测出的待裁弃端部平面形状面积不满足裁弃要求时，根据平面形状控制模型、待裁弃端部平面形状面积、裁弃标准面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数。
步骤407，基于预测出的平面形状控制参数调整粗轧机参数设置。
步骤408，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤，控制粗轧机基于调整后的平面形状控制参数轧制新的中厚板，直至新的中厚板预测出的待裁弃端部平面形状面积满足裁弃要求，其中，所述平面形状控制参数包括端部第一控制高度、端部第二控制高度、端部边缘平台段长度及端部边缘非稳态段长度。
若预测出的待裁弃端部平面形状面积不满足裁弃要求，则可以根据平面形状控制模型、待裁弃端部平面形状面积、标准裁弃面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数。
平面形状控制模型也可根据DNN建立，如图9所示，基于深度神经网络建立平面形状控制模型，获取中厚板历史轧制数据中的待裁弃端部平面形状面积、标准裁弃面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，建立控制模型训练样本，基于控制模型训练样本训练平面形状控制模型后，平面形状控制模型的输入参数包括：
待裁弃端部平面形状面积；
标准裁弃面积；
中厚板原始坯料的厚度；
中厚板原始坯料的宽度；
中厚板原始坯料的长度；
中厚板原始坯料的展宽比；
中厚板原始坯料的延伸比。
中厚板的平面形状控制采用七点控制法，以轧件宽度中心线为对称轴，沿板宽（Wid）方向对称分布，其平面形状控制参数为4个，分别为：端部第一控制高度Dh_b、端部第二控制高度G_b、凹形边缘平台段长度L1_b和凹形边缘非稳态段长L2_b，如图10所示。
平面形状控制模型的输入输出参数如表二所示。
表二
通过应用本实施例的技术方案，中厚板经过粗轧机的轧制后，中间坯的头尾部形状已经有了类似最终形状的凹形趋势，通过机器视觉采集中间坯图像，然后利用图像处理算法处理数据，再根据平面形状预测模型预测待裁弃端部平面形状，如果预测结果没有达到预期结果，说明最终的裁弃损耗较大，那么通过平面形状控制模型自动给出优化方案，对粗轧机的平面形状控制参数进行调整，优化从下一块及之后的钢板（中厚板）的平面形状，能够避免预测靠后导致的中间段板材不能及时作出调整的问题。
在一种具体的实施例中，应用于双机架中厚板生产线，选择生产过程中的一块中厚板原始坯料进行预测。
中厚板原始坯料的板坯尺寸如表三所示：
表三
首先进行机器视觉采集图像，经过第一摄像头采集粗轧机轧制后的中间坯图像，采用中间坯端部识别算法，分别识别出中间坯的头端和尾端，进行灰度化，去除干扰噪点，再通过Gamma图像增强、Canny边缘提取等算法组合完成阈值的调整，采用自适应阈值调节的钢板（中厚板）图像阈值处理的方法，提取中间坯端部凹形边缘线。
由于像素坐标需要转换为实际坐标，根据实际工厂采集到的辊道图像，分辨率为1126pi×600pi，投影变换后的区域长为一个轧辊，宽为三个辊缝的距离，根据图纸尺寸可知，实际图像尺寸为3380mm×1800mm，故比例因子K的计算过程为：
；
计算出比例因子k为3后，针对中间坯端部区域像素点坐标（295pi,150pi）的坐标系转换过程如下所示：
；
其他像素点坐标也利用比例因子k进行转换，然后以中间坯板宽方向等长取101个点代表端部的形状轮廓，采用DNN神经网络建立平面形状预测模型，对中厚板的待裁弃端部平面形状进行预测，平面形状预测模型的输入参数如表四所示：
表四
预测出的最终待裁弃端部平面形状如图11所示，图11中显示出钢板（中厚板）的待裁弃端部平面形状不符合预期效果，切损量过大，需要对粗轧机的平面形状控制参数作出调整，随即在平面形状控制模型中输入参数，平面形状控制模型的输入参数如表五所示：
表五
平面形状控制模型自动优化后的平面形状控制参数如表六所示：
表六
最终，优化后的待裁弃端部平面形状轮廓如图12所示，图12中上面曲线为未优化的待裁弃端部平面形状轮廓，对不规则区域面积计算后，得到优化后面积为26250.2mm2，未优化之前为37962.61mm2，相比优化以前，不规则区域减少31%，符合预期，则此后同一批次钢板（中厚板）均采用优化后的平面形状控制参数。
进一步的，作为图1中厚板平面形状控制方法的具体实现，本申请实施例提供了一种中厚板平面形状控制装置，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，如图13所示，该中厚板平面形状控制装置包括：
图像数据获取模块501，用于控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
平面形状预测模块502，用于根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
控制参数调整模块503，用于当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
可选地，粗轧机基于平面形状控制参数轧制中厚板后，中间坯端部边缘为凹形，所述图像数据获取模块501，还用于：
基于所述中间坯图像确定中间坯的端部区域，其中，所述端部区域由凹形边缘线及区域分割线构成；
在所述端部区域中，确定凹形边缘线的谷点及峰点，并基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度。
可选地，所述平面形状预测模块502，还用于：
根据平面形状预测模型、中间坯厚度、端部区域谷点高度、端部区域峰点高度、精轧机压下量、精轧机轧制道次、中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
可选地，所述平面形状预测模块502，还用于：
计算待裁弃端部平面形状面积，当所述待裁弃端部平面形状面积大于裁弃标准面积时，不满足裁弃要求，其中，所述裁弃标准面积基于多个相同规格中厚板的历史裁弃面积平均值得到。
可选地，所述控制参数调整模块503，还用于：
根据平面形状控制模型、待裁弃端部平面形状面积、裁弃标准面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数，并基于预测出的平面形状控制参数调整粗轧机参数设置，其中，所述平面形状控制参数包括端部第一控制高度、端部第二控制高度、端部边缘平台段长度及端部边缘非稳态段长度；
取新的中厚板，返回至控制粗轧机轧制中厚板的步骤，控制粗轧机基于调整后的平面形状控制参数轧制新的中厚板，直至新的中厚板预测出的待裁弃端部平面形状面积满足裁弃要求。
可选地，所述图像数据获取模块501，还用于：
灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，对所述中间坯去噪图像进行图像二值化处理，得到目标中间坯图像；
在所述目标中间坯图像中，提取凹形边缘线，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线，基于所述区域分割线及所述凹形边缘线确定中间坯的端部区域。
可选地，所述图像数据获取模块501，还用于：
根据坐标转换公式对凹形边缘线中各像素点坐标进行坐标系转换，根据转换后的像素点实际坐标，计算谷点距离区域分割线的端部区域谷点高度，以及峰点距离区域分割线的端部区域峰点高度，其中，所述坐标转换公式为：
；
及/>分别为第i像素点的横坐标及纵坐标，/>及/>分别为转换后的第i像素点的实际横坐标及实际纵坐标，K为比例因子，K基于中间坯图像分辨率及中间坯实际尺寸计算得到。
进一步的，本申请实施例提供了另一种中厚板平面形状控制装置，如图14所示，该中厚板平面形状控制装置包括：
图像数据获取模块501，用于控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
平面形状预测模块502，用于根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
控制参数调整模块503，用于当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
预测模型训练模块504，用于基于深度神经网络建立平面形状预测模型，获取头部和尾部对称率均在预设合格范围内的中厚板历史轧制数据，根据所述中厚板历史轧制数据建立预测模型训练样本，并基于所述预测模型训练样本训练所述平面形状预测模型，其中，所述中厚板历史轧制数据包括中厚板原始坯料参数、中间坯厚度、精轧机轧制参数、中间坯的端部区域谷点高度及端部区域峰点高度。
可选地，粗轧机基于平面形状控制参数轧制中厚板后，中间坯端部边缘为凹形，所述图像数据获取模块501，还用于：
基于所述中间坯图像确定中间坯的端部区域，其中，所述端部区域由凹形边缘线及区域分割线构成；
在所述端部区域中，确定凹形边缘线的谷点及峰点，并基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度。
可选地，所述平面形状预测模块502，还用于：
根据平面形状预测模型、中间坯厚度、端部区域谷点高度、端部区域峰点高度、精轧机压下量、精轧机轧制道次、中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
可选地，所述平面形状预测模块502，还用于：
计算待裁弃端部平面形状面积，当所述待裁弃端部平面形状面积大于裁弃标准面积时，不满足裁弃要求，其中，所述裁弃标准面积基于多个相同规格中厚板的历史裁弃面积平均值得到。
可选地，所述控制参数调整模块503，还用于：
根据平面形状控制模型、待裁弃端部平面形状面积、裁弃标准面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数，并基于预测出的平面形状控制参数调整粗轧机参数设置，其中，所述平面形状控制参数包括端部第一控制高度、端部第二控制高度、端部边缘平台段长度及端部边缘非稳态段长度；
取新的中厚板，返回至控制粗轧机轧制中厚板的步骤，控制粗轧机基于调整后的平面形状控制参数轧制新的中厚板，直至新的中厚板预测出的待裁弃端部平面形状面积满足裁弃要求。
可选地，所述图像数据获取模块501，还用于：
灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，对所述中间坯去噪图像进行图像二值化处理，得到目标中间坯图像；
在所述目标中间坯图像中，提取凹形边缘线，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线，基于所述区域分割线及所述凹形边缘线确定中间坯的端部区域。
可选地，所述图像数据获取模块501，还用于：
根据坐标转换公式对凹形边缘线中各像素点坐标进行坐标系转换，根据转换后的像素点实际坐标，计算谷点距离区域分割线的端部区域谷点高度，以及峰点距离区域分割线的端部区域峰点高度，其中，所述坐标转换公式为：
；/>
及/>分别为第i像素点的横坐标及纵坐标，/>及/>分别为转换后的第i像素点的实际横坐标及实际纵坐标，K为比例因子，K基于中间坯图像分辨率及中间坯实际尺寸计算得到。
需要说明的是，本申请实施例提供的一种中厚板平面形状控制装置所涉及各功能单元的其他相应描述，可以参考图1、图3及图7所示中厚板平面形状控制方法中的对应描述，在此不再赘述。
基于上述如图1、图3及图7所示中厚板平面形状控制方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1、图3及图7所示中厚板平面形状控制方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施场景所述的方法。
基于上述如图1、图3及图7所示中厚板平面形状控制方法，以及图13、图14所示中厚板平面形状控制装置，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1、图3及图7所示中厚板平面形状控制方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频（RadioFrequency，RF）电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏（Display）、输入单元比如键盘（Keyboard）等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口（如蓝牙接口、WI-FI接口）等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。通过机器视觉技术及机器学习技术，实现自动对中间坯进行检测，能够实时检测中厚板最终待裁弃平面形状面积是否符合预期结果，并及时调整粗轧机的平面形状控制参数，能够避免辊道上钢板（中厚板）预测滞后问题，自动化程度较高，提高了生产率以及经济效益。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种中厚板平面形状控制方法，其特征在于，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，所述中厚板平面形状控制方法包括：
控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
2.根据权利要求1所述中厚板平面形状控制方法，其特征在于，粗轧机基于平面形状控制参数轧制中厚板后，中间坯端部边缘为凹形，所述基于所述中间坯图像提取中间坯轮廓数据，包括：
基于所述中间坯图像确定中间坯的端部区域，其中，所述端部区域由凹形边缘线及区域分割线构成；
在所述端部区域中，确定凹形边缘线的谷点及峰点，并基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度；
相应地，所述根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状，包括：
根据平面形状预测模型、中间坯厚度、端部区域谷点高度、端部区域峰点高度、精轧机压下量、精轧机轧制道次、中厚板原始坯料的厚度、中厚板原始坯料的宽度及中厚板原始坯料的长度，预测中间坯通过精轧机轧制后的待裁弃端部平面形状。
3.根据权利要求1所述中厚板平面形状控制方法，其特征在于，所述预测中间坯通过精轧机轧制后的待裁弃端部平面形状之后，所述中厚板平面形状控制方法还包括：
计算待裁弃端部平面形状面积，当所述待裁弃端部平面形状面积大于裁弃标准面积时，不满足裁弃要求，其中，所述裁弃标准面积基于多个相同规格中厚板的历史裁弃面积平均值得到。
4.根据权利要求3所述中厚板平面形状控制方法，其特征在于，所述调整粗轧机的平面形状控制参数，包括：
根据平面形状控制模型、待裁弃端部平面形状面积、裁弃标准面积、中厚板原始坯料的厚度、中厚板原始坯料的宽度、中厚板原始坯料的长度、中厚板原始坯料的展宽比及中厚板原始坯料的延伸比，预测使得中厚板满足裁弃要求的平面形状控制参数，并基于预测出的平面形状控制参数调整粗轧机参数设置，其中，所述平面形状控制参数包括端部第一控制高度、端部第二控制高度、端部边缘平台段长度及端部边缘非稳态段长度；
相应地，所述取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求，包括：
取新的中厚板，返回至控制粗轧机轧制中厚板的步骤，控制粗轧机基于调整后的平面形状控制参数轧制新的中厚板，直至新的中厚板预测出的待裁弃端部平面形状面积满足裁弃要求。
5.根据权利要求2所述中厚板平面形状控制方法，其特征在于，所述基于所述中间坯图像确定中间坯的端部区域，包括：
灰度化处理中间坯图像，并对灰度化处理后的中间坯图像进行去噪处理，得到中间坯去噪图像，对所述中间坯去噪图像进行图像二值化处理，得到目标中间坯图像；
在所述目标中间坯图像中，提取凹形边缘线，遍历凹形边缘线中各像素点坐标，当纵坐标相同的两个像素点所在轮廓线不同时向内收缩时，连接两个不同时向内收缩的像素点，得到端部区域与非端部区域的区域分割线，基于所述区域分割线及所述凹形边缘线确定中间坯的端部区域。
6.根据权利要求2所述中厚板平面形状控制方法，其特征在于，所述基于谷点与区域分割线间的距离，计算端部区域谷点高度，以及基于峰点与区域分割线间的距离，计算端部区域峰点高度，包括：
根据坐标转换公式对凹形边缘线中各像素点坐标进行坐标系转换，根据转换后的像素点实际坐标，计算谷点距离区域分割线的端部区域谷点高度，以及峰点距离区域分割线的端部区域峰点高度，其中，所述坐标转换公式为：
；
及/>分别为第i像素点的横坐标及纵坐标，/>及/>分别为转换后的第i像素点的实际横坐标及实际纵坐标，K为比例因子，K基于中间坯图像分辨率及中间坯实际尺寸计算得到。
7.根据权利要求1至6中任一项所述中厚板平面形状控制方法，其特征在于，所述中厚板平面形状控制方法还包括：
基于深度神经网络建立平面形状预测模型，获取头部和尾部对称率均在预设合格范围内的中厚板历史轧制数据；
根据所述中厚板历史轧制数据建立预测模型训练样本，并基于所述预测模型训练样本训练所述平面形状预测模型，其中，所述中厚板历史轧制数据包括中厚板原始坯料参数、中间坯厚度、精轧机轧制参数、中间坯的端部区域谷点高度及端部区域峰点高度。
8.一种中厚板平面形状控制装置，其特征在于，应用于中厚板轧制系统，所述中厚板轧制系统沿轧制方向依次包括粗轧机及精轧机，粗轧机用于中厚板的平面形状控制，通过粗轧机轧制后、进入精轧机轧制前的中厚板，为中间坯，所述中厚板平面形状控制装置包括：
图像数据获取模块，用于控制粗轧机轧制中厚板后，获取中间坯图像，基于所述中间坯图像提取中间坯轮廓数据；
平面形状预测模块，用于根据平面形状预测模型、中厚板原始坯料参数、中间坯厚度、中间坯轮廓数据及精轧机轧制参数，预测中间坯通过精轧机轧制后的待裁弃端部平面形状；
控制参数调整模块，用于当预测出的待裁弃端部平面形状面积不满足裁弃要求时，调整粗轧机的平面形状控制参数，取新的中厚板，返回至控制粗轧机轧制中厚板的步骤对新的中厚板进行轧制，直至预测出的待裁弃端部平面形状面积满足裁弃要求。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述中厚板平面形状控制方法。
10.一种计算机设备，包括存储介质、处理器及存储在存储介质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计算机程序时实现权利要求1至7中任一项所述中厚板平面形状控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026220.5A CN117531845B (zh) | 2024-01-09 | 2024-01-09 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026220.5A CN117531845B (zh) | 2024-01-09 | 2024-01-09 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117531845A true CN117531845A (zh) | 2024-02-09 |
| CN117531845B CN117531845B (zh) | 2024-03-15 |
Family
ID=89786495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410026220.5A Active CN117531845B (zh) | 2024-01-09 | 2024-01-09 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117531845B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS594910A (ja) * | 1982-07-01 | 1984-01-11 | Kawasaki Steel Corp | シ−トバ−先後端のクロツプ抑制方法 |
| KR19980049286A (ko) * | 1996-12-19 | 1998-09-15 | 김종진 | 압연크롭형상 검출장치 및 그 방법 |
| JP2002059207A (ja) * | 2000-08-16 | 2002-02-26 | Kobe Steel Ltd | 厚板の圧延方法 |
| CN104747891A (zh) * | 2013-12-30 | 2015-07-01 | 福建三钢闽光股份有限公司 | 一种中厚板生产的末道次展宽后的中间坯轧件形状 |
| CN109491325A (zh) * | 2017-09-12 | 2019-03-19 | 宝山钢铁股份有限公司 | 一种镰刀弯厚板最佳分段剪切控制系统 |
| CN116612176A (zh) * | 2023-05-31 | 2023-08-18 | 华中科技大学 | 一种轧制棒线材剪切废料尺寸的测量方法和装置 |
-
2024
- 2024-01-09 CN CN202410026220.5A patent/CN117531845B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS594910A (ja) * | 1982-07-01 | 1984-01-11 | Kawasaki Steel Corp | シ−トバ−先後端のクロツプ抑制方法 |
| KR19980049286A (ko) * | 1996-12-19 | 1998-09-15 | 김종진 | 압연크롭형상 검출장치 및 그 방법 |
| JP2002059207A (ja) * | 2000-08-16 | 2002-02-26 | Kobe Steel Ltd | 厚板の圧延方法 |
| CN104747891A (zh) * | 2013-12-30 | 2015-07-01 | 福建三钢闽光股份有限公司 | 一种中厚板生产的末道次展宽后的中间坯轧件形状 |
| CN109491325A (zh) * | 2017-09-12 | 2019-03-19 | 宝山钢铁股份有限公司 | 一种镰刀弯厚板最佳分段剪切控制系统 |
| CN116612176A (zh) * | 2023-05-31 | 2023-08-18 | 华中科技大学 | 一种轧制棒线材剪切废料尺寸的测量方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 矫志杰: "中厚板轧制过程高精度智能化控制系统的研发进展与应用", 《轧钢》, vol. 39, no. 6, 31 December 2022 (2022-12-31), pages 52 - 60 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117531845B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115035106B (zh) | 一种带钢缺陷智能检测方法 | |
| CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
| CN113112470B (zh) | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 | |
| CN112100745A (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
| CN113962997A (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
| CN115255048A (zh) | 一种折弯机智能控制方法及系统 | |
| CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
| CN115690105A (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
| CN116307195A (zh) | 一种基于深度学习的带钢精轧宽展预测方法和系统 | |
| CN107657620B (zh) | 一种带纹理的金属凝固区域识别的方法及系统 | |
| CN117531845B (zh) | 中厚板平面形状控制方法及装置、存储介质、计算机设备 | |
| CN113222941B (zh) | 连铸铸坯的切割状态确定方法、系统、设备及介质 | |
| CN112836305B (zh) | 一种宽厚板剪切策略计算方法 | |
| CN115446125B (zh) | 一种基于机器视觉的中厚板自动转钢控制方法 | |
| He et al. | Whole process prediction model of silicon steel strip on transverse thickness difference based on Takagi-Sugeno fuzzy network | |
| CN112365538A (zh) | 一种自动上卷系统的高效目标检测方法 | |
| CN111318579A (zh) | 一种基于数据驱动的粗轧镰刀弯控制方法 | |
| CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
| CN115035117A (zh) | 基于人工智能的带钢重叠检测分析方法与系统 | |
| CN115511812A (zh) | 基于深度学习的工业产品表面缺陷检测方法 | |
| CN112712077B (zh) | 一种钢流轮廓确定方法、系统、终端及介质 | |
| CN108399184B (zh) | 一种钢材的表面处理方法 | |
| CN111209872B (zh) | 一种基于动态规划和多目标优化的实时滚动指纹拼接方法 | |
| CN111079735B (zh) | 一种铸坯端面字符识别方法及装置 | |
| Zhao et al. | Image capturing and segmentation method for characters marked on hot billets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |