CN117574215A - 一种热轧带钢板形预测控制方法及装置 - Google Patents
一种热轧带钢板形预测控制方法及装置 Download PDFInfo
- Publication number
- CN117574215A CN117574215A CN202410066012.8A CN202410066012A CN117574215A CN 117574215 A CN117574215 A CN 117574215A CN 202410066012 A CN202410066012 A CN 202410066012A CN 117574215 A CN117574215 A CN 117574215A
- Authority
- CN
- China
- Prior art keywords
- curve
- data set
- template
- sequence
- strip steel
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 105
- 239000010959 steel Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012512 characterization method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000011217 control strategy Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims 1
- 239000000047 product Substances 0.000 description 10
- 238000005097 cold rolling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及一种热轧带钢板形预测控制方法及装置,包括:建立历史热轧带钢断面厚度曲线数据集;对断面厚度曲线数据集进行聚类处理,得到模板曲线数据集;对断面厚度曲线数据集进行预处理,得到断面厚度曲线重构数据集;对模板曲线数据集和断面厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;根据结果集计算不同热轧带钢断面厚度曲线形状的风险度,由风险度制定相应的板形预测控制策略。本发明基于历史热轧带钢断面厚度曲线数据集,建立模板曲线数据集,实现了热轧带钢断面厚度曲线形状标签的统一标注,并对热轧带钢断面厚度曲线数据进行去噪,对断面厚度曲线的形状进行分类,实现了断面厚度曲线形状的精准分类。
Description
技术领域
本发明涉及热轧带钢板形质量识别及过程管控技术领域,具体涉及一种热轧带钢板形预测控制方法及装置。
背景技术
板带钢作为钢铁工业的主干产品,具有产量多、用途广、规模大、品种全等特点,在国民经济中有着重要地位,对促进生产的发展起着重要作用。随着建筑、能源、军工、运输和航空航天等重要工业部门的不断发展,市场对板带钢的需求量越来越高,对其尺寸精度、表面质量和性能质量有了更高的要求。板形是板带产品的核心质量指标。传统评估板形的方式主要通过凸度、楔形和平坦度等指标进行判定,仅通过单一的指标难以精确评估板形质量。相同凸度、楔形的带钢的断面形状可能不同,而不同的断面形状特征会对下游冷轧工序高精度轧制造成不同的影响。此外,多数钢铁企业通过人工经验对板形质量进行判定,效率低且判定标准不统一,很难进行事后质量诊断与溯源。因此,针对热轧带钢板形质量精细表征技术领域,需要一种对带钢断面形状进行多维度特征提取与定量表征的自动化技术,使得下游冷轧工序能够根据不同的断面形状特征进行板形质量控制。
发明内容
本发明为了克服现有技术存在的上述问题,提供一种热轧带钢板形预测控制方法及装置。
本发明提供的技术方案如下:
一种热轧带钢板形预测控制方法,所述方法包括步骤:
S1.建立历史热轧带钢断面厚度曲线数据集;
S2.采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;
S3.对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
S4.根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
S5.根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S1包括:建立历史热轧带钢断面厚度曲线数据集和历史热轧带钢成品板形质量标签数据集/>,其中,/>,表示第/>块带钢第/>部分对应的断面厚度曲线数据,/>为热轧带钢的总块数, />,分别表示带钢头部、中部、尾部、全长对应的断面厚度曲线,/>为带钢宽度方向采样点的序号,/>为总采样点数目,/>为带钢在第/>个采样点上宽度方向的位置坐标值,/>为带钢在第/>个采样点上的厚度,/>, />表示第/>块带钢第/>部分板形异常,/>表示第/>块带钢第/>部分板形正常。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集,具体包括:
S21.选择步骤S1中的历史热轧带钢断面厚度曲线数据集,对曲线进行多尺度离散小波分解,选择分解得到的第级低频近似系数序列数据。其中,/>;对所述数据进行插值,使得插值后所有低频近似系数序列数据长度为/>;并对低频近似系数序列进行归一化,建立聚类数据集;
S22.对得到的聚类数据集进行聚类,设定初始聚类簇数为,进行/>聚类,得到/>个曲线簇和对应的簇中心曲线,记曲线簇中的曲线数目分别为;
S23.合并相似的簇中心曲线:设定相似度距离阈值为和相似度距离矩阵/>,遍历矩阵/>,若遍历的第/>行/>列个元素的值小于/>,则将第/>条簇中心曲线和第/>条簇中心曲线划分为同一类;遍历完毕后,将原有/>条簇中心曲线划分为/>类;对于划分后的类/>对应原有/>条簇中心曲线中的第/>条簇中心曲线,则新的第/>条簇中心曲线为类/>中所有簇中心曲线的加权平均和加权系数;设定新的/>条簇中心曲线为聚类初始簇中心,聚类簇数为/>,记聚类后曲线簇中的曲线数目分别为/>;
S24.重复S23的步骤,根据距离矩阵合并旧的簇中心曲线:当簇中心曲线类别数不再变化时,增加相似度距离阈值,增长步长为/>,直到簇中心曲线数量等于/>;
S25.对所述步骤S24得到的条簇中心曲线进行Min-Max归一化处理,将簇中心曲线数据映射在/>之间;
S26.选择归一化处理后的条簇中心曲线作为模板曲线,建立模板曲线数据集,设定第/>条模板曲线的形状标签为/>,其中,/>为第/>条模板曲线的数据集,/>为第/>条模板曲线数据点的序号,/>为第/>条模板曲线数据点的总数,/>为模板曲线在第/>个数据点上的位置,/>为模板曲线在第/>个数据点上的大小。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S3的具体步骤如下:
S31.定义断面厚度曲线中采样点宽度方向位置的最小值为/>,最大值为,去除边界采样点,选择宽度位置/>满足/>的采样点,处理后得到数据/>;其中,/>为边界点宽度位置阈值,/>,/>;
S32.提取所述步骤S31处理后的断面厚度曲线数据的厚度序列,进行多尺度离散小波分解,得到不同尺度的低频近似系数;
S33.对所述低频近似系数进行小波逆变换,重构得到不同尺度的曲线重构数据;
S34.提取第 级/>低频近似系数重构数据进行Min-Max归一化,得到重构数据/>。定义所述步骤S31处理后的断面厚度曲线数据的宽度方向位置坐标序列/>。建立第/>块带钢第/>部分的重构曲线数据集/>,为方便表示,记为/>。其中,曲线/>的长度,/>。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4包括:计算模板曲线数据集中的任一曲线和厚度曲线重构数据集中任一模板曲线/>的序列相似度、差分相似度、综合相似度及曲线/>的形状标签/>、最小相似度/>、严重程度值/>、不对称值/>,并得到关于该曲线的特征表征结果集:。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述计算序列相似度的过程如下:
S411.对第条模板曲线/>使用线性插值方法,使得插值后/>的长度等于曲线的长度/>,取插值后/>的纵坐标序列,记为/>。
S412.取步骤S3处理后曲线对应的纵坐标序列/>,取步骤S411处理后模板曲线/>的纵坐标序列/>。采用DTW算法计算序列/>和序列/>的相似度距离,具体为构造一个/>的矩阵/>作为累积距离矩阵,/>中元素/>的计算方式如下:
其中,为序列/>和序列/>从序列起点开始匹配,到序列/>中点/>和序列/>中点/>时的累积距离。曲线/>与模板曲线/>的序列相似度,即为序列/>和序列/>从序列起点开始匹配,到序列/>中点/>和序列/>中点/>时的累积距离。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,计算所述差分相似度的过程如下:
S421.将曲线转换为差分序列/>。取曲线/>对应的纵坐标序列,差分序列转换方式如下:
S422.将模板曲线转换为差分序列/>,差分序列的转换方式与所述步骤S421一致。
S43.使用步骤S41中所述的DTW算法计算曲线差分序列与模板曲线差分序列的差分相似度/>;
S44.使用算法计算任一曲线/>与任一模板曲线/>的综合相似度。/>计算公式如下:
其中,为加权参数,/>。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述和最小相似度/>,计算方式为/>,/>,,即模板/>与曲线/>的综合相似度最小。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,还要进行如下计算:
S45.计算曲线的严重程度值/>。其中,/>为曲线/>对应的纵坐标序列/>中的最大值,/>为曲线/>对应的纵坐标序列/>中的最小值;
S46.计算曲线的不对称值/>。其中,/>为人工设定的边界数据点序号;
S47.建立曲线特征表征结果集/>。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S5的风险度计算公式为:
其中,表示热轧带钢第/>部分形状标签为/>的风险度,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>的曲线数目,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>且历史热轧带钢成品板形质量标签数据集/>中对应曲线板形质量标签为1的曲线数目。
所述预测控制为:根据不同热轧带钢断面厚度曲线形状的风险度及曲线特征表征结果,制定以下判定规则:
(1)曲线形状风险度大于设定风险度阈值;
(2)对于不对称型曲线形状,曲线特征表征结果集中不对称值超出设定不对称值/>阈值。
(3)对于对称型曲线形状,若曲线测量凸度值、/>均超过设定凸度值/>阈值、/>阈值。
若某条热轧带钢断面厚度曲线满足两条判定规则,则板形预测为严重异常,需要现场工作人员通过平整分卷机组进行处理;若某条热轧带钢断面厚度曲线满足一条判定规则,则板形预测为轻微异常,需要现场工作人员根据表征结果判定是否进行干预。
本发明还提供了一种热轧带钢板形预测控制装置,所述装置用于实现所述的方法,所述装置包括:
建立模块,用于建立历史热轧带钢断面厚度曲线数据集;
聚类处理模块,用于采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;
预处理模块,用于对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
融合计算模块,用于根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
预测控制模块,用于根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
有益效果
本发明的热轧带钢板形预测控制方法,包括:建立历史热轧带钢断面厚度曲线数据集;采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。本发明基于历史热轧带钢断面厚度曲线数据集,通过预聚类方式建立模板曲线数据集,实现了热轧带钢断面厚度曲线形状标签的统一标注。通过离散小波分解与重构的方法对热轧带钢断面厚度曲线数据进行去噪,使用模板匹配的方法对断面厚度曲线的形状进行分类,实现了断面厚度曲线形状的精准分类。本发明通过预置模板匹配的方式,解决了工作人员人工判定标准不统一的问题,实现断面厚度曲线形状的高效判定。此外,本发明还提供多种特征值计算方法提取断面厚度曲线的多维度特征,综合断面厚度曲线形状特征,最终形成规范化特征表征结果。基于历史热轧带钢断面厚度曲线特征表征结果集,建立板形预测控制策略,针对不同部分的热轧带钢断面形状给出风险度以及相应的板形控制策略,使得下游冷轧工序能够根据不同的断面形状特征进行板形质量控制,从而提高带钢板形质量,为后续产品质量在线监控及工艺优化提供数据支持。
附图说明
图1为本发明的实施例提供的一种热轧带钢板形预测控制方法的流程示意图;
图2为本发明的实施例提供的预聚类模板曲线的示意图;
图3为本发明的实施例提供的曲线特征表征结果示意图。
具体实施方式
为了更好的理解本发明的技术方案,本发明内容包括但不限于下文中的具体实施方式,相似的技术和方法都应该视为本发明保护的范畴之内。为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
应当明确,本发明所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
如图1所示,本发明提供了一种热轧带钢板形预测控制方法,包括:
1).建立历史热轧带钢断面厚度曲线数据集;
2).采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;
3).对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
4).根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
5).根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
具体来说,本发明的方法如下:
S1.建立历史热轧带钢断面厚度曲线数据集;
S2.采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集,实现了热轧带钢断面厚度曲线形状标签的统一标注;
S3.对所述断面厚度曲线数据集进行预处理,对断面厚度曲线进行数据清洗和去噪,得到厚度曲线重构数据集;
S4.根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集,从多维度对厚度曲线进行特征表征;
S5.根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略,使得下游冷轧工序能够根据不同的断面形状特征进行板形质量控制。
进一步地,所述步骤S1具体为:建立历史热轧带钢断面厚度曲线数据集,第/>块带钢第/>部分对应的断面厚度曲线数据为/>,历史热轧带钢在下游加工后成品板形质量标签数据集/>。
其中,为热轧带钢的总块数,/>,分别表示带钢头部、中部、尾部、全长对应的断面厚度曲线;/>为带钢宽度方向采样点的序号,/>为总采样点数目,/>为带钢在第/>采样点上宽度方向的位置,/>为带钢在第/>采样点上的厚度;/>,表示第/>块带钢第/>部分经下游加工后板形异常,/>表示第/>块带钢第/>部分经下游加工后板形正常。
进一步地,所述步骤S2具体包括:
S21.选择步骤S1中的历史热轧带钢断面厚度曲线数据集,对曲线进行多尺度离散小波分解,选择分解得到的第级低频近似系数序列数据。其中,/>;对所述数据进行插值,使得插值后所有低频近似系数序列数据长度为/>;并对低频近似系数序列进行归一化,建立聚类数据集;
S22.对得到的聚类数据集进行聚类,设定初始聚类簇数为,进行/>聚类,得到/>个曲线簇和对应的簇中心曲线。记曲线簇中的曲线数目分别为;
S23.合并相似的簇中心曲线:设定相似度距离阈值为,相似度距离度量方式为欧式距离,将相似度距离低于/>的簇中心曲线合并为新的簇中心曲线,具体计算方式为:计算相似度距离矩阵/>,/>的大小为/>,/>中的第/>行第/>列个元素为第/>条簇中心曲线与第/>条簇中心曲线的相似度距离;从上到下,从左至右遍历矩阵/>,若遍历的第/>行/>列个元素的值小于/>,则将第/>条簇中心曲线和第/>条簇中心曲线划分为同一类;遍历完毕后,将原有/>条簇中心曲线划分为/>类;对于划分后的类/>对应原有/>条簇中心曲线中的第/>条簇中心曲线,则新的第/>条簇中心曲线为类/>中所有簇中心曲线的加权平均。其中,第/>条簇中心曲线的加权系数为/>, 同理可以计算出类/>中其他簇中心曲线的加权系数。同理可以计算出其他划分后的类对应的新的簇中心曲线;使用/>方法对聚类数据集聚类,设定新的/>条簇中心曲线为聚类初始簇中心,聚类簇数为/>,记聚类后曲线簇中的曲线数目分别为/>。
S24.重复S23的步骤,根据距离矩阵合并旧的簇中心曲线:当簇中心曲线类别数不再变化时,增加相似度距离阈值,增长步长为/>,直到簇中心曲线数量等于/>;
S25.对所述步骤S24得到的条簇中心曲线进行Min-Max归一化处理,将簇中心曲线数据映射在/>之间;
S26.选择归一化处理后的条簇中心曲线作为模板曲线,建立模板曲线数据集,设定第/>条模板曲线的形状标签为/>,其中,为第/>条模板曲线的数据集,/>为第/>条模板曲线数据点的序号,/>为第/>条模板曲线数据点的总数,/>为模板曲线在第/>个数据点上的位置,/>为模板曲线在第/>个数据点上的大小。
进一步地,所述步骤S3具体为:对所述步骤S1中的历史热轧带钢断面厚度曲线数据集进行数据预处理,第/>块带钢第/>部分的断面厚度曲线数据/>处理后为/>,处理后的数据集记为/>。具体步骤如下:
S31.定义断面厚度曲线中采样点宽度方向位置的最小值为/>,最大值为/>,去除边界采样点,选择宽度位置/>满足/>的采样点,处理后得到数据/>;其中,/>为边界点宽度位置阈值,/>,/>;
S32.提取所述步骤S31处理后的断面厚度曲线数据的厚度序列,进行多尺度离散小波分解,得到不同尺度的低频近似系数;
S33.对所述低频近似系数进行小波逆变换,重构得到不同尺度的曲线重构数据;
S34.提取第级/>低频近似系数重构数据进行Min-Max归一化,得到重构数据/>。定义所述步骤S31处理后的断面厚度曲线数据/>的宽度方向位置坐标序列/>。建立第/>块带钢第/>部分的重构曲线数据集,为方便表示,记为/>。其中,曲线/>的长度,/>。
进一步地,所述步骤S4具体为:基于步骤S3处理后得到的历史热轧带钢断面厚度曲线数据集和步骤S2所述的模板曲线数据集/>,经过计算得到历史热轧带钢断面厚度曲线特征表征结果集/>,所述步骤S4的具体步骤为:
S41.计算任一曲线与任一模板曲线/>的序列相似度/>,具体步骤如下:
S411.对第条模板曲线/>使用线性插值方法,使得插值后/>的长度为曲线/>的长度/>,取插值后/>的纵坐标序列,记为/>。
S412.取步骤S3处理后曲线对应的纵坐标序列/>,取步骤S411处理后模板曲线/>的纵坐标序列/>。采用计算序列和序列/>的相似度距离,具体为构造一个/>的矩阵/>作为累积距离矩阵,中元素/>的计算方式如下:
其中,为序列/>和序列/>从序列起点开始匹配,到序列/>中点/>和序列/>中点/>时的累积距离。曲线/>与模板曲线/>的序列相似度,即为序列/>和序列/>从序列起点开始匹配,到序列中点/>和序列/>中点/>时的累积距离;
S42.计算任一曲线与任一模板曲线数据/>的差分相似度/>,具体步骤如下:
S421.将曲线转换为差分序列/>。取曲线/>对应的纵坐标序列,差分序列转换方式如下:
S422.将模板曲线转换为差分序列/>,差分序列的转换方式与所述步骤S421一致。
S43.使用步骤S41中所述的DTW算法计算曲线差分序列与模板曲线差分序列/>的差分相似度/>。
S44.使用算法计算任一曲线/>与任一模板曲线/>的综合相似度。/>计算公式如下:
其中,为加权参数,/>。
进一步地,计算曲线的形状标签/>和最小相似度/>,计算方式为,/>。其中,/>,即模板/>与曲线/>的综合相似度最小。
进一步地,还要进行如下计算:
S45.计算曲线的严重程度值/>。其中,/>为曲线对应的纵坐标序列/>中的最大值,/>为曲线/>对应的纵坐标序列/>中的最小值;
S46.计算曲线的不对称值/>。其中,/>为人工设定的边界数据点序号。
S47.建立曲线特征表征结果集/>。
进一步地,所述步骤S5包括:
计算不同部分的热轧带钢断面厚度曲线形状使得下游加工为成品板形异常的风险度。风险度计算公式为:
其中,表示热轧带钢第/>部分形状标签为/>的风险度,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>的曲线数目,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>且历史热轧带钢成品板形质量标签数据集/>中对应曲线板形质量标签为1的曲线数目。
根据不同热轧带钢断面厚度曲线形状的风险度及曲线特征表征结果,制定以下判定规则:
(1)曲线形状风险度大于设定风险度阈值;
(2)对于不对称型曲线形状,曲线特征表征结果集中不对称值超出设定不对称值/>阈值。
(3)对于对称型曲线形状,若曲线测量凸度值、/>均超过设定凸度值/>阈值、/>阈值;
若某条热轧带钢断面厚度曲线满足两条判定规则,则板形预测为严重异常,需要现场工作人员通过平整分卷机组进行处理;若某条热轧带钢断面厚度曲线满足一条判定规则,则板形预测为轻微异常,需要现场工作人员根据表征结果判定是否进行干预。
下面举例说明:
一种热轧带钢板形预测控制方法,所述方法包括步骤:
建立历史热轧带钢断面厚度曲线数据集和历史热轧带钢成品板形质量标签数据集。本实施例共选取41474块热轧带钢,导出成品板形质量标签数据及对应的165896条断面厚度曲线数据。
基于上述导出的历史热轧带钢断面厚度曲线数据集进行处理后聚类,建立模板曲线数据集,得到的模板曲线数据如图2所示。具体步骤为:对每条曲线进行多尺度离散小波分解,选择分解得到的第5级低频近似系数序列数据。使用线性插值方法进行插值,使得插值后所有低频近似系数序列数据长度为60。使用Min-Max归一化方法对低频近似系数序列进行归一化,建立聚类数据集;使用K-Means聚类方法对聚类数据集进行聚类,设定初始聚类簇数为100,得到100条簇中心曲线;合并相似的簇中心曲线。距离度量方法为欧式距离,计算簇中心曲线的距离矩阵。设定相似度距离阈值为1.2,将距离低于1.2的簇中心曲线合并为新的簇中心曲线,新的簇中心曲线为旧的簇中心曲线的加权平均;根据距离矩阵不断合并旧的簇中心曲线。当新的簇中心曲线数不再变化时,增加相似度距离阈值,增长步长为0.1,直到新的簇中心曲线数量等于12;对得到的12条簇中心曲线进行Min-Max归一化。
对历史热轧带钢断面厚度曲线数据集进行数据预处理,得到厚度曲线重构数据集。去除热轧带钢断面厚度曲线首尾25毫米内的数据点;接着进行多尺度离散小波分解,得到不同尺度的低频近似系数。选择第5级低频近似系数进行曲线重构;使用Min-Max归一化对重构后的曲线进行归一化,建立厚度曲线重构数据集。
根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集。本实施例设定算法的加权参数/>为0.5,曲线不对称值的设定边界数据点序号/>为20。
本实施例提供了两条曲线的特征表征结果示意图,如图3所示。
传统方法主要通过凸度指标,如、/>等指标对板带钢的断面形状进行评估。曲线1测量得到的/>,/>。曲线2测量得到的/>,。通过本发明提供的一种热轧带钢板形预测控制方法对曲线进行特征表征,得到曲线1的特征表征结果集/>,其中形状标签/>,最小相似度/>,,/>。曲线2的特征表征结果集/>,其中形状标签/>,最小相似度/>,严重程度值/>,不对称值。曲线1和曲线2测量得到的/>值和/>值相近,但实际的断面形状特征差别较大,从而对下游冷轧工序的高精度轧制造成不同的影响。/>
本实施例中,基于计算得到的历史热轧带钢断面厚度曲线特征表征结果集,通过风险度公式计算,最终得到的热轧带钢各部分风险度结果如表1所示。由表1可以看出,各部分断面形状为类型的热轧带钢在下游加工时成品板形异常的风险度最高。
表1 热轧带钢各部分断面形状风险度
根据表1中的热轧带钢各部分风险度结果,设定曲线形状风险度阈值为2%。基于历史热轧带钢断面厚度曲线特征表征结果集,设定不对称值阈值/>为0.03,凸度值阈值为0.08、/>为0.07。
根据不同热轧带钢断面厚度曲线形状的风险度及曲线特征表征结果,制定以下板形预测控制规则:
(1)曲线形状风险度大于设定风险度阈值;
(2)对于不对称型曲线形状,如、/>、/>等曲线形状,曲线特征表征结果集中不对称值/>超出设定不对称值/>阈值。
(3)对于对称型曲线形状,如、/>、/>等曲线形状,曲线测量凸度值/>、/>均超过设定凸度值/>阈值、/>阈值。
若某条热轧带钢断面厚度曲线满足上述两条判定规则,则板形预测为严重异常,需要现场工作人员通过平整分卷机组进行处理;若某条热轧带钢断面厚度曲线满足一条判定规则,则板形预测为轻微异常,需要现场工作人员根据表征结果判定是否进行干预。
作为本发明公开的实施例,本发明还提供了一种热轧带钢板形预测控制装置,所述装置用于实现所述的方法,所述装置包括:
建立模块,用于建立历史热轧带钢断面厚度曲线数据集;
聚类处理模块,用于采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;
预处理模块,用于对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
融合计算模块,用于根据模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
预测控制模块,用于根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求书的保护范围内。
Claims (10)
1.一种热轧带钢板形预测控制方法,其特征在于,所述方法包括步骤:
S1.建立历史热轧带钢断面厚度曲线数据集;
S2.采用曲线模板构建模型,对所述断面厚度曲线数据集进行聚类处理,得到模板曲线数据集;
S3.对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
S4.对模板曲线数据集和断面厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
S5.根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
2.根据权利要求1所述的热轧带钢板形预测控制方法,其特征在于,所述S1包括:建立历史热轧带钢断面厚度曲线数据集 和历史热轧带钢成品板形质量标签数据集 />,其中,,表示第/>块带钢第/>部分对应的断面厚度曲线数据,/>为热轧带钢的总块数,/>分别表示带钢头部、中部、尾部、全长对应的断面厚度曲线,/>为带钢宽度方向采样点的序号,/>为总采样点数目,/>为带钢在第/>个采样点上宽度方向的位置坐标值,/>为带钢在第/>个采样点上的厚度,/>, />表示第/>块带钢第/>部分板形异常,/>表示第/>块带钢第/>部分板形正常。
3.根据权利要求1所述的热轧带钢板形预测控制方法,其特征在于,所述S2采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集,具体包括:
S21.选择步骤S1中的历史热轧带钢断面厚度曲线数据集,对曲线进行多尺度离散小波分解,选择分解得到的第级低频近似系数序列数据,其中,/>,对所述数据进行插值,使得插值后所有低频近似系数序列数据长度为/>;并对低频近似系数序列进行归一化,建立聚类数据集;
S22.对得到的聚类数据集进行聚类,设定初始聚类簇数为,进行/>聚类,得到/>个曲线簇和对应的簇中心曲线,记曲线簇中的曲线数目分别为/>;
S23.合并相似的簇中心曲线:设定相似度距离阈值为和相似度距离矩阵/>,遍历矩阵/>,若遍历的第/>行/>列个元素的值小于/>,则将第/>条簇中心曲线和第/>条簇中心曲线划分为同一类;遍历完毕后,将原有/>条簇中心曲线划分为/>类;对于划分后的类对应原有/>条簇中心曲线中的第/>条簇中心曲线,则新的第/>条簇中心曲线为类/>中所有簇中心曲线的加权平均和加权系数;设定新的/>条簇中心曲线为聚类初始簇中心,聚类簇数为/>,记聚类后曲线簇中的曲线数目分别为/>;
S24.重复S23的步骤,根据距离矩阵合并旧的簇中心曲线:当簇中心曲线类别数不再变化时,增加相似度距离阈值,增长步长为/>,直到簇中心曲线数量等于/>;
S25.对所述步骤S24得到的条簇中心曲线进行Min-Max归一化处理,将簇中心曲线数据映射在/>之间;
S26.选择归一化处理后的条簇中心曲线作为模板曲线,建立模板曲线数据集,设定第/>条模板曲线的形状标签为/>,其中,为第/>条模板曲线的数据集,/>为第/>条模板曲线数据点的序号, />为第/>条模板曲线数据点的总数,/>为模板曲线在第/>个 数据点上的位置,/>为模板曲线在第/>个数据点上的大小。
4.根据权利要求1所述的热轧带钢板形预测控制方法,其特征在于,所述S3的具体步骤如下:
S31.定义断面厚度曲线中采样点宽度方向位置的最小值为/>,最大值为/>,去除边界采样点,选择宽度位置/>满足/>的采样点,处理后得到数据/>;其中,/>为边界点宽度位置阈值,,/>;
S32.提取断面厚度曲线数据的厚度序列/>,对其进行多尺度离散小波分解,得到不同尺度的低频近似系数;
S33.对所述低频近似系数进行小波逆变换,重构得到不同尺度的曲线重构数据;
S34.提取第级低频近似系数重构数据进行Min-Max归一化,得到重构数据,其中,/>,定义所述步骤S31处理后的断面厚度曲线数据/>的宽度方向位置坐标序列/>,建立第/>块带钢第/>部分的重构曲线数据集/>,记为/>,其中,曲线/>的长度/>,。
5.根据权利要求4所述的热轧带钢板形预测控制方法,其特征在于,所述S4包括:计算模板曲线数据集中的任一曲线和厚度曲线重构数据集中任一模板曲线/>的序列相似度、差分相似度、综合相似度及曲线/>的形状标签/>、最小相似度/>、严重程度值/>、不对称值/>,并得到相应的特征表征结果集:/>。
6.根据权利要求5所述的热轧带钢板形预测控制方法,其特征在于,所述计算序列相似度的过程如下:
S411.对第条模板曲线/>使用线性插值方法,使得插值后/>的长度等于曲线/>的长度/>,取插值后/>的纵坐标序列,记为/>;
S412.取步骤S3处理后曲线对应的纵坐标序列/>,取步骤S411处理后模板曲线/>的纵坐标序列/>;计算序列/>和序列/>的相似度距离,具体为构造一个/>的矩阵/>作为累积距离矩阵,/>中元素/>的计算方式如下:
;
其中,为序列/>和序列/>从序列起点开始匹配,到序列/>中点/>和序列/>中点/>时的累积距离;曲线/>与模板曲线/>的序列相似度/>,即为序列/>和序列/>从序列起点开始匹配,到序列/>中点/>和序列/>中点/>时的累积距离。
7.根据权利要求6所述的热轧带钢板形预测控制方法,其特征在于,计算所述差分相似度的过程如下:
S421.将曲线转换为曲线差分序列/>;
S422.将模板曲线转换为模板曲线差分序列/>;
S43.计算曲线差分序列与模板曲线差分序列/>的相似度/>;
S44.计算任一曲线与任一模板曲线/>的综合相似度/>,公式如下:,其中,/>为加权参数,/>。
8.根据权利要求7所述的热轧带钢板形预测控制方法,其特征在于,所述形状标签、最小相似度/>的计算方式为/>,/>;其中,,即模板/>与曲线/>的综合相似度最小。
9.根据权利要求1所述的热轧带钢板形预测控制方法,其特征在于,所述S5采用的风险度计算公式为:
;
其中,表示热轧带钢第/>部分形状标签为/>的风险度,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>的曲线数目,/>表示历史热轧带钢断面厚度曲线特征表征结果集/>中第/>部分形状标签为/>且历史热轧带钢成品板形质量标签数据集中对应曲线板形质量标签为1的曲线数目;
所述预测控制策略为:根据不同热轧带钢断面厚度曲线形状的风险度及曲线特征表征结果,制定以下判定规则:
(1)曲线形状风险度大于设定风险度阈值;
(2)对于不对称型曲线形状,曲线特征表征结果集中不对称值超出设定不对称值/>阈值;
(3)对于对称型曲线形状,曲线测量凸度值、/>均超过设定凸度值/>阈值、/>阈值;
若某条热轧带钢断面厚度曲线满足上述两条判定规则,则板形预测为严重异常,需要现场人工通过平整分卷机组进行处理;
若某条热轧带钢断面厚度曲线满足上述一条判定规则,则板形预测为轻微异常,需要现场人工根据表征结果判定是否进行干预。
10.一种热轧带钢板形预测控制装置,其特征在于,所述装置用于实现权利要求1-9任一项所述的方法,所述装置包括:建立模块,用于建立历史热轧带钢断面厚度曲线数据集;
聚类处理模块,用于采用曲线模板构建模型,对所述厚度曲线数据集进行聚类处理,得到模板曲线数据集;
预处理模块,用于对所述断面厚度曲线数据集进行预处理,得到厚度曲线重构数据集;
融合计算模块,用于对模板曲线数据集和厚度曲线重构数据集进行融合计算,得到历史热轧带钢断面厚度曲线特征表征结果集;
预测控制模块,用于根据所述结果集计算不同热轧带钢断面厚度曲线形状的风险度,根据所述风险度制定相应的板形预测控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066012.8A CN117574215B (zh) | 2024-01-17 | 2024-01-17 | 一种热轧带钢板形预测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410066012.8A CN117574215B (zh) | 2024-01-17 | 2024-01-17 | 一种热轧带钢板形预测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574215A true CN117574215A (zh) | 2024-02-20 |
CN117574215B CN117574215B (zh) | 2024-04-02 |
Family
ID=89888603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410066012.8A Active CN117574215B (zh) | 2024-01-17 | 2024-01-17 | 一种热轧带钢板形预测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574215B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107321801A (zh) * | 2017-06-26 | 2017-11-07 | 北京首钢股份有限公司 | 一种热轧带钢的判定方法及热轧在线质量判定系统 |
US20190377841A1 (en) * | 2018-06-06 | 2019-12-12 | Wuhan University Of Science And Technology | Classification optimization method for steel grade family of steel rolling model |
CN112547807A (zh) * | 2020-10-30 | 2021-03-26 | 北京科技大学 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
-
2024
- 2024-01-17 CN CN202410066012.8A patent/CN117574215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107321801A (zh) * | 2017-06-26 | 2017-11-07 | 北京首钢股份有限公司 | 一种热轧带钢的判定方法及热轧在线质量判定系统 |
US20190377841A1 (en) * | 2018-06-06 | 2019-12-12 | Wuhan University Of Science And Technology | Classification optimization method for steel grade family of steel rolling model |
CN112547807A (zh) * | 2020-10-30 | 2021-03-26 | 北京科技大学 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
Non-Patent Citations (2)
Title |
---|
TING LI ET AL.: "A Novel Two-Stage Method for Collaboratively Scheduling of Steel Production and Energy in Steelmaking and Continuous Casting Processes", 《IEEE XPLORE》, 16 May 2019 (2019-05-16) * |
李天伦 等: "基于Copula函数的热轧支持辊健康状态预测模型", 工程科学学报, no. 06, 2 June 2020 (2020-06-02) * |
Also Published As
Publication number | Publication date |
---|---|
CN117574215B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796173B (zh) | 一种基于改进kmeans的负荷曲线形态聚类算法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
Ji et al. | Application of SVM and PCA-CS algorithms for prediction of strip crown in hot strip rolling | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
Dong et al. | A simple approach to multivariate monitoring of production processes with non-Gaussian data | |
Peng et al. | A novel curve pattern recognition framework for hot-rolling slab camber | |
CN117574215B (zh) | 一种热轧带钢板形预测控制方法及装置 | |
CN114896735A (zh) | 改进偏最小二乘的热轧带钢头部浪形缺陷原因识别方法 | |
CN114091352A (zh) | 基于Elman神经网络的热连轧出口板凸度动态预测方法 | |
CN111860863B (zh) | 一种基于协方差矩阵的主动学习方法 | |
CN110910528B (zh) | 纸页抗张强度的预测方法及装置 | |
CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN114565209A (zh) | 一种基于聚类的流程工业能耗状态评估方法 | |
CN112508259A (zh) | 一种针对独立用户类别的中长期用电量预测方法及系统 | |
CN110399885B (zh) | 一种基于局部几何感知的图像目标分类方法 | |
CN111967489A (zh) | 一种基于质量数据流形特征的制造过程异常监测方法 | |
Chen et al. | An intelligent online detection approach based on big data for mechanical properties of hot-rolled strip |
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 |