基于数据挖掘的单机架冷轧轧制力模型参数优化方法
基于数据挖掘的单机架冷轧轧制力模型参数优化方法
【技术领域】
[0001] 本发明属于单机架冷轧过程控制技术领域，特别涉及一种基于数据挖掘的冷轧轧 制力模型参数优化的方法。
【背景技术】
[0002] 轧制力模型是整个单机架冷轧工艺控制的核心模型，模型的计算精度决定了轧制 过程控制精度、乳制过程稳定性和最终产品的质量。在冷轧过程控制中，乳制力设定计算精 度取决于轧件的变形抗力和摩擦系数的计算精度。轧制过程中各种轧制力影响因素，如：带 钢宽度、带钢的原料厚度、带钢道次入口厚度、带钢道次出口厚度、带钢的钢种、乳制速度、 辊径、前后张力等会随着时间过程与空间位置而变化。
[0003] 轧件的变形抗力往往采用拉伸实验的方法获得，摩擦系数是通过轧制试验方法或 专门的实验机测得。理论的变形抗力值和摩擦系数值与实际轧制工艺数据值有差别。同时， 随着轧机的使用，乳制过程的工况也会发生变化。系统的原有模型计算变形抗力值和摩擦 系数值也将与实际轧制数值有差别。因此在20世纪70年代，日本、前德国和我国的轧制前 辈们提出了，采用正常轧制工况下的采样数据估计变形抗力和摩擦系数的方法。
[0004] 在这种情况下，随着计算机技术的迅猛发展，在对轧制工艺理解的基础上，数据挖 掘技术在轧钢领域得到了广泛深入的研宄。数据挖掘方法与传统方法不同，它避开了以往 对轧制过程深层机理无止境的研宄，而是以事实和数据为依据，实现对优化过程的优化分 析和控制。这样就不必担心那一条基本假设脱离实际，也不必怀疑哪一步简化处理过于粗 糙，只要相信传感器，相信过去发生的事件、采集的数据是真实可靠的就有理由相信数据挖 掘的结果是准确的。
【发明内容】
[0005] 本发明的内容是提供一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法， 直接用于提高单机架冷轧过程轧制力的设定精度，间接地影响单机架冷轧轧制带钢的厚度 和板形等质量指标。
[0006] 本发明实时采集轧制过程当中的过程工艺数据，经过数据预处理后形成轧制工艺 参数优化数据挖掘的历史工艺数据文件库，经过已经建立的变形抗力的逆计算模型和摩擦 系数的逆计算模型计算反映实际轧制工况的变形抗力和摩擦系数。将逆计算得出的变形抗 力、摩擦系数和历史工艺数据文件库等海量数据代入到变形抗力模型参数和摩擦系数模型 参数中进行多项式非线性回归，计算不同钢种带钢的变形抗力模型参数和不同轧辊类型的 摩擦系数模型参数。将回归得出的变形抗力模型参数和摩擦系数模型参数带入到单机架冷 轧的过程系统当中进行在线的轧制生产。
[0007] 本发明采用数据挖掘的方法，获取单机架冷轧过程中Bland-Ford-Hill轧制力模 型当中计算变形抗力和摩擦系数的模型参数，来提高Bland-Ford-Hill乳制力模型在单机 架冷轧生产过程中的轧制力设定精度，，按照以下六个步骤进行：1、实际数据的采集和存 储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数和 摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验 证；6.变形抗力模型参数和摩擦系数模型参数的在线应用。各个步骤具体操作如下：
[0008] 1、实际数据的采集和存储，单机架冷轧过程中的各种轧制工艺参数（如：带钢的 钢种，带钢原料厚度，带钢的宽度，乳制道次，数据采集点的位置，乳制力，乳制速度，乳机的 前张力，乳机的后张力，带钢的入口厚度，带钢的出口厚度等）通过轧机上配备的各种传感 器进行采集之后发送到现场的过程控制系统，数据采集存储计算机采用TCP/IP协议与现 场的单机架冷轧过程控制系统进行通信，以1S的频率实时连续存储实际生产的过程工艺 数据和由三级每一个钢卷下发一次的PDI数据（主要包括钢种、带钢的宽度、带钢的重量、 带钢的成分等数据），和轧辊数据（轧辊的辊径、乳辊的长度、乳辊类型等数据），每一组数 据都包括该组数据采集的时间、采集位置、工艺参数值。在每一个数据的采集周期，该过程 会根据带钢的跟踪信息将本次采集到的所有实际数据与带钢位置相匹配，并以堆栈的方式 存入到系统数据的缓存区域，当一卷带钢的多个道次轧制完成卸卷后，从缓存区域中读取 该卷带钢数据，以钢卷为单位形成二进制文件进行存储；
[0009] 2、工艺数据的预处理和存储，从以钢卷为单位存储的实际过程数据二进制文件中 读取实际过程数据，这些数据直接来自环境恶略、干扰源众多的冷轧生产过程现场，因此含 有较多的干扰噪音信息，具有杂乱性、重复性和不完整性的特点。本过程以带钢轧制过程工 艺知识为指导，经过数据选取、数据集成和数据预处理等步骤重新组织实际过程数据，为后 面的数据挖掘提供干净、准确和更能反映轧制工艺机理的工艺数据，从而提高数据挖掘的 效率和准确度。工艺预处理的具体步骤如下：
[0010] (1)数据的选取：乳制过程当中的数据量巨大，所涵盖的范围也非常的广泛，本方 法研宄的目的是优化轧制力，在深入理解单机架冷轧生产工艺的基础上选取钢种、乳制道 次、原料厚度、带钢宽度、带钢道次入口厚度、带钢道次出口厚度、乳制速度、前张力、后张 力、工作辊辊径等与轧制力密切相关的工艺数据作为分析对象，将研宄对象限制在一定的 范围内；
[0011] (2)数据的集成：根据分析目的选取的工艺数据来自多个检测系统，数据集成完 成异构数据的转换问题，包括数据的命名、结构、单位、含义。同时多个检测系统的数据采集 时间和采集位置都不相同，也必须以带钢长度方向上的位置为基准，把实际数据对应起来 组成一组数据，在最低层次上加以转换、提炼和聚集，形成最初始的数据空间；
[0012] (3)数据的清理：主要解决实际数据中必然和广泛存在的数据空缺值、错误数据、 孤立点、噪声等问题。
[0013] (4)处理错误数据：对采集的实际数据经过极限检查，确认其有效性，超出极限范 围时用极限值代替；
[0014] (5)处理数据当中的奇异值：处理数据中的奇异项：针对实际数据序列中的奇异 项数据，采用一阶差分方法进行处理。判断奇异项的准则是：给定一个误差限W，若t时刻的 采样值为xt，预测值为t，当Ixt_x'11 >W时，则认为此采样值xt是奇异值应当予以剔除， 而应当予以剔除，而以预测值x't取代采样值xt。预测值x' t可以根据下式所示一阶差分 方程推算。
[0015] x?t =xt-!+(xt_rxt_2)
[0016] 式中：x't:t时刻的预测值；xt_1:t时刻前一个时刻的值；xt_2:t时刻前两个时刻 的值。
[0017] 本发明在该产线实施中，误差极限W取机械设备允许的控制参数单步变化量，例 如：入口厚度的极限误差取2mm〇
[0018] 数据的滤波处理：将算数平均值法和中值滤波法这两种方式结合，即先用中值滤 波法滤除由于脉冲干扰而有偏差的采样值，然后再作算数平均。这样既可以去除脉冲干扰， 又可以对采样值进行平滑处理。其原理如下式所示：
[0019] x2^? ? ?^xn3^N^5
[0020] Y=(x2+x3+? ?? +xN_i)/(N_2)
[0021] 3、变形抗力和摩擦系数逆计算，该过程以Bland-Ford-Hill乳制力模型为分析对 象建立变形抗力和摩擦系数的逆计算模型，具体过程如下：
[0022] (1)Bland-Ford-Hill轧制力模型：
[0026] 式中：P:乳制力；b:乳件宽度；kp:乳件的动态变形抗力；te:张力影响系数；Dp: 轧制过程的平面影响系数；R'轧辊的压扁半径；zp:轧制力的自学习系数；e:轧制过程中 轧件的道次压下率；y:摩擦系数；tf:轧件的道次前张力；tb:轧件的道次后张力；H:乳件
的入口厚度；h:乳件的出口厚度；ch:在模型当中取常值0.000214,由 V : 9 泊松常数，E:乳辊的弹性模量计算得出。
[0027] (2)由轧制力模型建立变形抗力的逆计算模型
[0028] 在式1中分析可得，通过乳制力进行变形抗力的计算，其中kp和te与带钢的动态 变形抗力密切相关，所以式1变形为：
[0030]令式2的右边等于
[00 32] 将张力影响系数te的计算过程带入到式（2)当中，与式（3)联立可得：
[0034] 式⑷变形为：
[0035] kp/ 2+ (-0. 75tbact-l. 25tfact-Ml)Xkp/ + (-1. 05tbactXtf-〇.ltfact2-MlXtfact+0. 15tbact2) = 0
[0036] (5)
[0037] 式（4)为以kp为变量的一元二次方程，可以采用韦达定理进行求解，求解过程如 下：
[0038] M2 = -1. 05Xtbact-〇. 1Xtfact_Ml
[0039] M3 =M2-1. 15Xtfact+0. 3Xtbact
[0041] 其中M3是一元二次方程的一次方系数；M4是常数项系数。
[0043] 在这里动态变形抗力约等于静态变形抗力，为了简化计算过程认为动态变形抗力 的计算结果就是静态变形抗力即：k' =kp'
[0044] 式中：k':逆计算的静态变形抗力；kp':逆计算的动态变形抗力；tfaet:实测的 单位前张力；tbaet:实测的单位后张力；Paet:实测的轧制力；baet:实际轧件宽度；R'act-M据实测数据计算的轧辊压扁半径；Hart:轧件的实际入口厚度；hac;t:乳件的实际出口厚度； Dp':根据实测数据计算的轧制过程中的平面影响系数；e':根据实测值计算轧件的压下 率；y':逆计算的摩擦系数；
[0045] (3)由轧制力模型建立摩擦系数的逆计算模型
[0046] 通过轧制力计算摩擦系数，在式（1)中分析可得DP是摩擦系数的函数，乳制力计 算过程与DP直接相关，通过轧制力先计算DP，再计算摩擦系数，因此摩擦系数的逆计算过 程如下：
[0049] 式中：y' ：逆计算的摩擦系数；Dp':根据实测数据计算的轧制过程中的平面影 响系数；e':根据实测值计算轧件的压下率；R'ac;t:根据实测数据计算的轧辊压扁半径； Hac;t:轧件的实际入口厚度；hart:乳件的实际出口厚度；kp':逆计算的动态变形抗力；te': 根据实测值计算的张力影响系数；
[0050] 在由轧制力计算变形抗力和摩擦系数的逆计算模型当中，变形抗力和摩擦系数相 互耦合，因此在计算过程采用迭代算法（1.将由摩擦系数逆计算模型计算的摩擦系数带 入到变形抗力逆计算模型当中进行变形抗力逆计算；2.将变形抗力逆计算模型的计算的 变形抗力带入到摩擦系数逆计算模型当中进行摩擦系数逆计算。）进行计算，在迭代计算 的过程中变形抗力相邻两次计算的差值小于0. 001，摩擦系数相邻两次计算的差值要小于 0. 00001或迭代计算次数达到50次迭代计算结束。
[0051] 将在2中处理过的每组工艺数据代入到变形抗力逆计算模型和摩擦系数逆计算 模型，计算静态变形抗力和摩擦系数，将经过处理的工艺数据和计算得出的变形抗力和摩 擦系数以数据产生的时间序列方式存储，此时的工艺数据来自于多个已轧钢卷，反映过去 一段时间的轧制工艺状况，与具体钢卷没关系。为了保证数据挖掘的执行效率，存储工艺数 据采用多个小数据文件的存储方式。
[0052] 4、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归，在该过程中分别 采用以下的数学模型进行变形抗力和摩擦系数的计算，具体的计算模型如下：
[0053]k=1 X (eps+m)n (8)
[0056] 式中：k:乳件的静态变形抗力；HQ:乳件原料厚度；H:乳件入口厚度；h:乳件的出 口厚度，；l、m、n:乳件静态变形抗力计算常数；eps:乳件累积真应变；srt:乳件本道次的累 积平均应变；srtp:计算应变系数；
[0058] 式中：U:基本模型计算的摩擦系数；v:当前轧制过程中，乳制速度；e:当前轧 制道次的压下率；nr:当前使用的工作棍轧制的钢卷数；y0、yl、y2、y3、y4、y5:摩擦 系数模型中的计算常数；
[0059] 从存储工艺数据的文件当中筛选出需要优化钢种的处理完成的工艺数据（即 钢种、带钢的入口厚度、出口厚度、原料厚度、变形抗力等工艺数据）采用全局收敛的 Levenberg-Marquardt修正的高斯牛顿法对变形抗力模型当中的l、m、n进行非线性多项式 回归。
[0060] 根据处理完成的工艺数据（轧辊类型、带钢的入口厚度、出口厚度、乳制速度和轧 制钢卷数量、摩擦系数等工艺数据）采用全局收敛的Levenberg-Marquardt修正的高斯牛 顿法对摩擦系数模型当中的y〇、yl、y2、y3、y4、y5进行非线性多项式回归。
[0061] 上述步骤计算产生的变形抗力模型参数和摩擦系数模型参数直接应用于过程控 制系统的在线控制系统设定计算，参与实际的单机架冷轧过程控制因此必须考虑计算结果 的精确性。对新计算的变形抗力模型参数和摩擦系数模型参数进行可信性检查，具体的检 查原则如下：
[0062] (1)基于冷轧过程中带钢加工硬化，预测的变形抗力模型参数计算的变形抗力要 大于材料本身的屈服强度。
[0063] (2)预测的变形抗力参数计算的变形抗力应当与带钢的材料属性相一致。
[0064] (3)对应于基本压下率的轧制变形抗力的预测值应当与基本压下率的变化趋势相 一致，即随着基本压下率的增加，乳制变形抗力也相应增加。
[0065] (4)预测的摩擦系数参数计算得出的摩擦系数的变化规律应当与冷轧过程当中的 变化规律相一致既随着轧制速度的增加，摩擦系数相应减小。
[0066] (5)预测的摩擦系数参数计算得出的摩擦系数的变化规律应当与轧辊本身的粗糙 度的变化规律相符合，随着粗糙度的增加，计算的摩擦系数值增大。
[0067] 5、变形抗力参数和摩擦系数模型参数的离线验证，将非线性多项式回归得出的目 标钢种的变形抗力模型参数l、m、n和目标轧辊类型的摩擦系数模型参数y0、yl、y2、 y3、y4、y5带入到轧制力模型当中利用收集到的在轧制该钢种的实际值数据（包括带钢 宽度、带钢原料厚度、带钢轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢 前张力，带钢后张力等参数）计算轧制力，然后将计算的轧制力与实际轧制力计算相对轧 制力偏差，如果轧制力偏差在6 %以内，则参数可以使用，否则需要重新进行优化计算。
[0068] 6、变形抗力模型参数和摩擦系数模型参数的在线应用，在该过程当中将过程4当 中非线性多元回归得出需要优化钢种的变形抗力模型参数和需要优化的轧辊类型的摩擦 系数模型参数带入到使用Bland-Ford-Hill轧制力模型的单机架冷轧的过程控制系统中 进行轧制生产的设定计算，并跟踪轧制带钢的产品质量。
[0069] 有益效果
[0070] 本发明与传统的优化轧制力的方法相比，具有如下的一些优势：
[0071] (1)充分利用了现在单机架冷轧生产线配备的先进的传感器，检测仪器和仪表，全 面的记录了轧制过程的有关工艺控制参数、设备控制参数、带钢的参数等获取了大量蕴含 实际轧制工况、带钢性能、设备性能的轧制信息。通过对这些数据的重新组织和可靠处理， 掌握了反映当前轧制状况的可靠数据；
[0072] (2)利用数据挖掘技术对单机架冷轧轧制力进行挖掘，将哪些机理复杂，难以理 解，不能由轧制数学模型直接反映的信息蕴含在海量的数据当中。利用这些来自现场的数 据，对轧制力参数进行优化，能够有效的提高轧制力的设定精度。
[0073] (3)避免了对轧制力机理无限的探索，和对轧制力模型无限修正。而是以实事和数 据为依据，通过对模型参数的优化来实现对轧制力模型的优化。
[0074] 因此，本发明是以单机架冷轧轧制工艺为基础，充分利用轧制过程工艺数据，有效 使用数据挖掘的数据采集、数据预处理、数据信息提取、数据存储、非线性多项式回归等算 法和手段。从海量数据中获取可靠的，有效的模型参数组合，达到提高轧制力设定精度、提 尚广品质量的目的
【附图说明】
[0075] 下面结合附图对本发明的具体方式作进一步说明
[0076]图1为本发明一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法的总体 流程图< br>[0077] 图2为本发明【具体实施方式】的具体实际数据采集和存储过程流程图。
[0078] 图3为本发明【具体实施方式】的工艺数据处理。
[0079]图4为本发明【具体实施方式】的变形抗力和摩擦系数逆计算及工艺数据文件存储。
[0080] 图5为本发明【具体实施方式】的变形抗力和摩擦系数的非线性多项式回归。
[0081] 图6为优化前后轧制力精度统计
【具体实施方式】
[0082] 本发明提出的一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，采用数 据挖掘算法获得良好的轧制力设定值，应用于单机架冷轧过程控制系统，结合附图和实例 详细说明如下：
[0083] 下面以一个具体的单机架冷轧产线为例，详细说明对其应用基于数据挖掘的单机 架冷轧轧制力模型参数优化方法。
[0084] 本实例选用的单机架冷轧生产线的主要参数为：
[0085] 单机架冷轧生产工艺段：某单机架六辊冷轧机冷轧生产线；
[0086] 轧辊类型：上下分别为一个支撑、一个中间辊、一个工作辊；
[0087] 原料厚度范围：2mm~3mm;
[0088] 原料宽度范围：0? 9m~1. 3m;
[0089] 产品厚度范围：0? 18mm~0? 5mm；
[0090] 产品宽度范围：0? 9m~1. 3m。
[0091] 本发明的基础和研宄对象是单机架冷轧过程控制数据，该实例单机架冷轧单机架 产线配备了先进的检测仪表，这为本发明的实施提供了坚实的数据保障，以下是该产线的 主要检测仪器和仪表。
[0092] (1)该生产线共配置了两台测厚仪，分别位于沿轧制方向机架的两侧，用于测量带 钢宽度方向中点入口侧和出口侧的厚度；
[0093] (2)该生产线共配置了两台激光测速仪，分别位于沿轧制方向机架轧制方向的两 侦牝用于测量带钢的出口速度和入口速度；
[0094] (3)该生产线配置了HYDAC压力传感器测量实际轧制力信息；
[0095] (4)该生产线在轧机前后配置了ABB压力监测仪，间接测量带钢张力；
[0096] 在该轧机的过程控制系统使用的是日立的单机架冷轧二级系统，该系统中采用 Bland-Ford-Hill乳制力模型进行乳制力设定计算：
[0097]Bland-Ford-Hill乳制力模型：
[0101] 式中：P:乳制力；b:轧件的宽度；kp:轧件的动态变形抗力；te:张力影响系 数；Dp:轧制过程的平面影响系数；R'轧辊的压扁半径；zp:轧制力的自学习系数；e: 轧制过程中轧件的道次压下率；y:摩擦系数；tf:轧件的道次前张力；tb:轧件的道次 后张力；H:乳件的入口厚度；h:乳件的出口厚度；ch:在模型当中取常值0.000214,由
v:泊松常数，E:乳辊的弹性模量计算得出。
[0102] 其中变形抗力模型的计算方法如下：
[0103] k= 1 X (eps+m)n
[0106] 式中：k:乳件的静态变形抗力；HQ:乳件原料厚度；H:乳件入口厚度；h:乳件的出 口厚度，；l、m、n:乳件静态变形抗力计算常数；eps:乳件累积真应变；srt:乳件本道次的累 积平均应变；srtp:计算应变系数；
[0107] 其中摩擦系数模型的计算方法如下：
[0109] 式中：U:基本模型计算的摩擦系数；v:当前轧制过程中，乳制速度；e:当前轧 制道次的压下率；nr:当前使用的工作棍轧制的钢卷数；y0、yl、y2、y3、y4、y5:摩擦 系数模型中的计算常数；
[0110] 本发明的一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法在实例单机 架冷轧生产线的应用总体过程如图1所示，共包含如下的六个步骤：1、实际数据的采集和 存储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数 和摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验 证；6、变形抗力模型参数和摩擦系数模型参数的在线应用。
[0111] ⑴实际数据的采集和存储；
[0112] 如附图2所示，产线配备的各种检测仪表和仪器，将单机架冷轧过程中的各种轧 制工艺参数发送到现场的过程控制系统，过程控制系统通过TCP/IP协议与该方法的数据 采集存储计算机通信，采集的数据包括三类数据：（1)以1S的频率实时连续采集实际生产 过程数据；（2)轧制过程的设定数据；（3)轧辊数据。以1S的频率实时连续采集实际生产过 程数据具体的数据采集项包括如下：乳制道次，数据采集点的位置，乳制力，乳辊两侧的轧 制力偏差，乳制速度，带钢的入口速度，带钢的出口速度，乳机的前张力，乳机的后张力，带 钢的入口厚度，带钢的出口厚度，辊缝液压缸的位置，乳机的电流，乳机的电压等。三级下发 的轧制过程的设定数据包括：带钢的钢种，带钢原料厚度，带钢的宽度，带钢的成品厚度等。 三级下发的轧辊数据包括：乳辊的类型、乳辊的辊径、乳辊的锥度、乳辊的长度等。
[0113] 将采集的数据以堆栈的方式存入所属的数据缓存区域，当该卷带钢多个道次轧制 完成卸卷后，从缓存区域读取该卷带钢的数据，以钢卷为单位进行存储。存储到以钢卷号为 标题的二进制文件当中。
[0114] (2)工艺数据的预处理和存储；
[0115] 如附图3所示，工艺数据处理过程从以钢卷为单位存储的实际过程数据文件中读 取实际过程数据，为了消除这些数据中的所具有的杂乱性、重复性和不完整性的缺陷，对这 些数据进行数据选取、数据集成和数据预处理等过程，重新组织实际过程数据为后面的数 据挖掘提供干净、准确和更有针对性的工艺数据。变形抗力和摩擦系数逆计算。
[0116] 将工艺数据预处理后的用于数据挖掘的工艺数据带入到变形抗力的逆计算模型 和摩擦系数的逆计算模型进行迭代计算计算变形抗力和摩擦系数。然后将工艺数据和计 算得出的变形抗力和摩擦系数，以工艺数据产生的时间序列方式存储，形成10个与钢卷无 关的 5M大小的数据文件TechData.anl、TechData.an2、TechData.an3、TechData.an4 和 TechData.an5,并且采用循环存储覆盖的方式，始终存储的是过去一天内的工艺数据。
[0117] (3)变形抗力模型参数和摩擦系数模型参数的非线性多项式回归；
[0118] 如图4所示，读取存储的轧制工艺数据文件，从中读取目标钢种的带钢的原料厚 度、乳制道次的入口厚度、乳制道次的出口厚度、带钢的道次变形抗力等数据使用全局收敛 的Levenberg-Marquardt修正的高斯牛顿法对乳制力设定计算中使用的变形抗力模型当 中的l、m、n进行非线性多项式回归。读取存储的轧制工艺数据文件，从中读取目标轧辊类 型、乳制带钢的轧制速度、工作辊轧制钢卷数、带钢的原料厚度、带钢的当前道次的入口厚 度、带钢当前道次的出口厚度等参数采用全局收敛的Levenberg-Marquardt修正的高斯牛 顿法对摩擦系数模型当中的y〇、yl、y2、y3、y4、y5进行拟合计算。
[0119] (4)变形抗力参数和摩擦系数模型参数的离线验证；
[0120] 将非线性多项式回归得出的目标钢种的变形抗力模型参数1、m、n和目标轧辊类 型的摩擦系数模型参数y〇、yl、y2、y3、y4、y5分别带入到轧制力模型的变形抗力模 型和摩擦系数模型当中利用收集到的在轧制该钢种的实际值数据（包括带钢宽度、带钢原 料厚度、带钢轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢前张力，带钢 后张力等参数）计算轧制力，然后将计算的轧制力与实际轧制力计算相对轧制力偏差，如 果轧制力偏差在6 %以内，则参数可以使用，否则需要重新进行优化计算。
[0121] (5)变形抗力模型参数和摩擦系数模型参数的在线应用。
[0122] 如图5所示，将拟合计算的某钢种带钢的变形抗力参数l、m、n，替代单机架冷轧过 程控制系统中该钢种的变形抗力参数1、m、n;将拟合计算的某种类型轧辊的摩擦系数模型 参数y〇、yl、y2、y3、y4、y5替代单机架冷轧过程控 制系统中的该种轧棍类型的摩擦 系数模型参数y〇、yl、y2、y3、y4、y5。用于单机架冷轧过程控制系统进行设定计算。 应用效果说明
[0123] 以该单机架产线生产的某一钢种在轧制力模型参数优化前后所有5个道次轧制 力精度的具体实例进行说明。
[0124] 将模型参数修改之前连续轧制的100卷该钢种的实际值数据进行数据的收集，同 时，并对这1〇〇卷钢卷进行乳制力精度的相对统计，得出的1〇〇卷的5个道次乳制力相对偏 差的平均值如图6和轧制力精度统计表所示。
[0125] 利用收集的这100卷的实际数据进行轧制力优化模型参数的计算，并将优化得出 的参数进行在线应用。收集轧制过程的实际数据，对优化后的100卷钢卷进行轧制力精度 的相对统计，得出100卷的5个道次轧制力相对偏差的平均值如图6和轧制力精度统计表 所示。
[0126] 优化前的轧制力模型参数：
[0127] 变形抗力模型参数
[0129] 摩擦系数模型参数
[0131] 优化后的轧制力模型参数：
[0132] 变形抗力模型参数
[0134] 摩擦系数模型参数
[0136] 轧制力精度统计（相对轧制力偏差％ )
【主权项】
1. 一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，其特征在于：该方法包 括6个步骤：步骤一、实际数据的采集和存储；步骤二、工艺数据的预处理和存储；步骤三、 变形抗力和摩擦系数逆计算；步骤四、变形抗力模型参数和摩擦系数模型参数的非线性多 项式回归；步骤五、变形抗力参数和摩擦系数模型参数的离线验证；步骤六、变形抗力模型 参数和摩擦系数模型参数的在线应用； 步骤一、实际数据的采集和存储：单机架冷轧过程中的轧制工艺通过轧机上配备的传 感器进行采集之后发送到现场的过程控制系统，过程控制系统通过TCP/IP协议与该方法 的数据采集存储计算机通信，以IS/次的频率实时连续收集实际生产过程数据和由三级每 一个钢卷下发一次的PDI数据和轧辊数据存入数据采集进程的数据缓存区域，当该卷带钢 轧制完成卸卷后，从缓存区域读取该卷带钢的数据，以钢卷为单位进行二进制文件存储； 所述的轧制工艺参数包括带钢的钢种、带钢原料厚度、带钢的宽度、数据采集点的位 置、乳制力、乳制速度、乳机的前张力、乳机的后张力、带钢的入□厚度、带钢的出□厚度； 所述的PDI数据包括钢种、带钢的宽度、带钢的重量、带钢的成分； 所述的轧辊数据包括轧辊的辊径、乳辊的长度、乳辊类型； 步骤二、工艺数据的预处理和存储：从以钢卷为单位存储的实际过程数据二进制文件 中读取实际过程数据，从读取的实际工艺数据中确定计算轧制力需要的工艺数据包括带钢 的钢种、带钢宽度、数据采集点的位置、轧制力、乳制速度、轧机的前张力、乳机的后张力、带 钢的入口厚度、带钢的出口厚度、工作辊辊径、工作辊类型，然后将选取的数据集成完成实 际值数据、PDI数据、乳辊数据的异构数据转换之后清理数据当中的数据空缺值、错误数据、 孤立点、噪声，并对剩下的数据进行有效性检查，剔除数据当中的奇异值并对数据进行补 充； 步骤三、变形抗力和摩擦系数逆计算；将工艺数据预处理后的用于数据挖掘的工艺数 据带入到变形抗力逆计算模型和摩擦系数逆计算模型当中进行迭代计算，计算变形抗力和 摩擦系数，然后将工艺数据和计算得出的变形抗力和摩擦系数，以工艺数据产生的时间序 列在数据采集存储计算机的硬盘上以文本文件的形式存储； 步骤四、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程：读取存储 的轧制工艺实际值数据，分钢种分轧辊类型分别对变形抗力模型参数和摩擦系数模型参数 进行非线性多项式回归，得到目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模 型参数； 所述的轧制工艺实际值数据包括带钢的钢种、带钢原料厚度、带钢的入口厚度、带钢出 口厚度、带钢轧制速度、乳辊辊径、乳辊类型； 步骤五、变形抗力模型参数和摩擦系数模型参数的离线验证：将非线性多项式回归得 出的目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模型参数带入到轧制力模 型当中利用收集到的在轧制该钢种的实际值数据计算轧制力，然后将计算得到的轧制力与 实际轧制力计算相对轧制力偏差，如果相对轧制力偏差在6%以内，则验证成功，参数可以 使用，否则需要重新采集数据进行优化计算； 所述的轧制该钢种的实际值数据包括带钢宽度、带钢原料厚度、数据采集点位置、带钢 轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢前张力，带钢后张力； 步骤六、变形抗力模型参数和摩擦系数模型参数的在线应用：将非线性多元回归得出 的目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模型参数带入到单机架冷轧 的过程控制系统中进行轧制生产实验，并跟踪轧制带钢的产品质量。2. 如权利要求1所述的参数优化方法，其特征在于：所述的变形抗力逆计算模型：式中：k':逆计算的静态变形抗力；kp':逆计算的动态变形抗力；tfac;t:实测的单位 前张力；tbaet:实测的单位后张力；Paet:实测的轧制力；baet:实际轧件宽度；R' aet:根据实 测数据计算的轧辊压扁半径；Haet:轧件的实际入口厚度；haet:乳件的实际出口厚度；Dp': 根据实测数据计算的轧制过程中的平面影响系数；ε ':根据实测值计算轧件的压下率； μ ':逆计算的摩擦系数； 所述的摩擦系数逆计算模型：式中：:逆计算的摩擦系数；Dp':根据实测数据计算的轧制过程中的平面影响系 数；^ :根据实测值计算轧件的压下率；f art:根据实测数据计算的轧辊压扁半径；H ac;t:轧件的入口厚度；hart:乳件的出口厚度；kp':逆计算模型计算的变形抗力；te':根据实测 值计算的张力影响系数； 所述的迭代计算是在计算变形抗力和摩擦系数的计算过程当中，建立的两个逆计算模 型采用相互迭代计算的方法，以消除两个模型相互耦合的影响；在迭代计算的过程中变形 抗力相邻两次计算的差值小于〇. 001，摩擦系数相邻两次计算的差值要小于〇. OOOOl或迭 代计算次数达到50次迭代，完成迭代。3. 如权利要求1所述的参数优化方法，其特征在于：所述的变形抗力模型如下：式中：k :乳件的静态变形抗力；Hci:乳件原料厚度；H :乳件入口厚度；h :乳件的出口厚 度，；l、m、n :乳件静态变形抗力计算常数；eps :乳件累积真应变；srt :乳件本道次的累积平 均应变；srtp :计算应变系数； 所述的摩擦系数模型如下：式中：μ :基本模型计算的摩擦系数；V:当前轧制过程中，乳制速度；ε :当前轧制道 次的压下率；nr:当前使用的工作棍轧制的钢卷数；μ 0、μ 1、μ 2、μ 3、μ 4、μ 5:摩擦系数 模型中的计算常数； 变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程当中的某一钢种变 形抗力计算时读取该轧制该钢种的工艺数据进行该钢种变形抗力回归；某一类型轧辊的摩 擦系数计算时读取该种类型的轧辊轧制时形成的工艺数据进行该种类型轧辊工艺数据的 回归； 变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程的变形抗力模型参 数回归计算读取的工艺参数是目标优化钢种的工艺参数；摩擦系数模型参数回归计算读取 的工艺参数是目标优化轧辊类型的工艺参数。
【专利摘要】一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，属于单机架冷轧过程控制技术领域。具体的实现过程包括以下六个步骤：1、实际数据的采集和存储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验证；6.变形抗力模型参数和摩擦系数模型参数的在线应用。该方法使轧制力模型中的假设造成的误差得到了有效的弥补，提高轧制力的设定精度，减少带钢的厚度和板形头尾超差长度，提高单机架冷轧带钢的合格率和成材率。
【IPC分类】G05B13/04
【公开号】CN104898430
【申请号】CN201510300991
【发明人】王彦辉, 高雷, 郭立伟, 王佃龙, 李书昌, 刘维兆, 陈丹
【申请人】北京首钢自动化信息技术有限公司
【公开日】2015年9月9日
【申请日】2015年6月3日
【技术领域】
[0001] 本发明属于单机架冷轧过程控制技术领域，特别涉及一种基于数据挖掘的冷轧轧 制力模型参数优化的方法。
【背景技术】
[0002] 轧制力模型是整个单机架冷轧工艺控制的核心模型，模型的计算精度决定了轧制 过程控制精度、乳制过程稳定性和最终产品的质量。在冷轧过程控制中，乳制力设定计算精 度取决于轧件的变形抗力和摩擦系数的计算精度。轧制过程中各种轧制力影响因素，如：带 钢宽度、带钢的原料厚度、带钢道次入口厚度、带钢道次出口厚度、带钢的钢种、乳制速度、 辊径、前后张力等会随着时间过程与空间位置而变化。
[0003] 轧件的变形抗力往往采用拉伸实验的方法获得，摩擦系数是通过轧制试验方法或 专门的实验机测得。理论的变形抗力值和摩擦系数值与实际轧制工艺数据值有差别。同时， 随着轧机的使用，乳制过程的工况也会发生变化。系统的原有模型计算变形抗力值和摩擦 系数值也将与实际轧制数值有差别。因此在20世纪70年代，日本、前德国和我国的轧制前 辈们提出了，采用正常轧制工况下的采样数据估计变形抗力和摩擦系数的方法。
[0004] 在这种情况下，随着计算机技术的迅猛发展，在对轧制工艺理解的基础上，数据挖 掘技术在轧钢领域得到了广泛深入的研宄。数据挖掘方法与传统方法不同，它避开了以往 对轧制过程深层机理无止境的研宄，而是以事实和数据为依据，实现对优化过程的优化分 析和控制。这样就不必担心那一条基本假设脱离实际，也不必怀疑哪一步简化处理过于粗 糙，只要相信传感器，相信过去发生的事件、采集的数据是真实可靠的就有理由相信数据挖 掘的结果是准确的。
【发明内容】
[0005] 本发明的内容是提供一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法， 直接用于提高单机架冷轧过程轧制力的设定精度，间接地影响单机架冷轧轧制带钢的厚度 和板形等质量指标。
[0006] 本发明实时采集轧制过程当中的过程工艺数据，经过数据预处理后形成轧制工艺 参数优化数据挖掘的历史工艺数据文件库，经过已经建立的变形抗力的逆计算模型和摩擦 系数的逆计算模型计算反映实际轧制工况的变形抗力和摩擦系数。将逆计算得出的变形抗 力、摩擦系数和历史工艺数据文件库等海量数据代入到变形抗力模型参数和摩擦系数模型 参数中进行多项式非线性回归，计算不同钢种带钢的变形抗力模型参数和不同轧辊类型的 摩擦系数模型参数。将回归得出的变形抗力模型参数和摩擦系数模型参数带入到单机架冷 轧的过程系统当中进行在线的轧制生产。
[0007] 本发明采用数据挖掘的方法，获取单机架冷轧过程中Bland-Ford-Hill轧制力模 型当中计算变形抗力和摩擦系数的模型参数，来提高Bland-Ford-Hill乳制力模型在单机 架冷轧生产过程中的轧制力设定精度，，按照以下六个步骤进行：1、实际数据的采集和存 储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数和 摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验 证；6.变形抗力模型参数和摩擦系数模型参数的在线应用。各个步骤具体操作如下：
[0008] 1、实际数据的采集和存储，单机架冷轧过程中的各种轧制工艺参数（如：带钢的 钢种，带钢原料厚度，带钢的宽度，乳制道次，数据采集点的位置，乳制力，乳制速度，乳机的 前张力，乳机的后张力，带钢的入口厚度，带钢的出口厚度等）通过轧机上配备的各种传感 器进行采集之后发送到现场的过程控制系统，数据采集存储计算机采用TCP/IP协议与现 场的单机架冷轧过程控制系统进行通信，以1S的频率实时连续存储实际生产的过程工艺 数据和由三级每一个钢卷下发一次的PDI数据（主要包括钢种、带钢的宽度、带钢的重量、 带钢的成分等数据），和轧辊数据（轧辊的辊径、乳辊的长度、乳辊类型等数据），每一组数 据都包括该组数据采集的时间、采集位置、工艺参数值。在每一个数据的采集周期，该过程 会根据带钢的跟踪信息将本次采集到的所有实际数据与带钢位置相匹配，并以堆栈的方式 存入到系统数据的缓存区域，当一卷带钢的多个道次轧制完成卸卷后，从缓存区域中读取 该卷带钢数据，以钢卷为单位形成二进制文件进行存储；
[0009] 2、工艺数据的预处理和存储，从以钢卷为单位存储的实际过程数据二进制文件中 读取实际过程数据，这些数据直接来自环境恶略、干扰源众多的冷轧生产过程现场，因此含 有较多的干扰噪音信息，具有杂乱性、重复性和不完整性的特点。本过程以带钢轧制过程工 艺知识为指导，经过数据选取、数据集成和数据预处理等步骤重新组织实际过程数据，为后 面的数据挖掘提供干净、准确和更能反映轧制工艺机理的工艺数据，从而提高数据挖掘的 效率和准确度。工艺预处理的具体步骤如下：
[0010] (1)数据的选取：乳制过程当中的数据量巨大，所涵盖的范围也非常的广泛，本方 法研宄的目的是优化轧制力，在深入理解单机架冷轧生产工艺的基础上选取钢种、乳制道 次、原料厚度、带钢宽度、带钢道次入口厚度、带钢道次出口厚度、乳制速度、前张力、后张 力、工作辊辊径等与轧制力密切相关的工艺数据作为分析对象，将研宄对象限制在一定的 范围内；
[0011] (2)数据的集成：根据分析目的选取的工艺数据来自多个检测系统，数据集成完 成异构数据的转换问题，包括数据的命名、结构、单位、含义。同时多个检测系统的数据采集 时间和采集位置都不相同，也必须以带钢长度方向上的位置为基准，把实际数据对应起来 组成一组数据，在最低层次上加以转换、提炼和聚集，形成最初始的数据空间；
[0012] (3)数据的清理：主要解决实际数据中必然和广泛存在的数据空缺值、错误数据、 孤立点、噪声等问题。
[0013] (4)处理错误数据：对采集的实际数据经过极限检查，确认其有效性，超出极限范 围时用极限值代替；
[0014] (5)处理数据当中的奇异值：处理数据中的奇异项：针对实际数据序列中的奇异 项数据，采用一阶差分方法进行处理。判断奇异项的准则是：给定一个误差限W，若t时刻的 采样值为xt，预测值为t，当Ixt_x'11 >W时，则认为此采样值xt是奇异值应当予以剔除， 而应当予以剔除，而以预测值x't取代采样值xt。预测值x' t可以根据下式所示一阶差分 方程推算。
[0015] x?t =xt-!+(xt_rxt_2)
[0016] 式中：x't:t时刻的预测值；xt_1:t时刻前一个时刻的值；xt_2:t时刻前两个时刻 的值。
[0017] 本发明在该产线实施中，误差极限W取机械设备允许的控制参数单步变化量，例 如：入口厚度的极限误差取2mm〇
[0018] 数据的滤波处理：将算数平均值法和中值滤波法这两种方式结合，即先用中值滤 波法滤除由于脉冲干扰而有偏差的采样值，然后再作算数平均。这样既可以去除脉冲干扰， 又可以对采样值进行平滑处理。其原理如下式所示：
[0019] x2^? ? ?^xn3^N^5
[0020] Y=(x2+x3+? ?? +xN_i)/(N_2)
[0021] 3、变形抗力和摩擦系数逆计算，该过程以Bland-Ford-Hill乳制力模型为分析对 象建立变形抗力和摩擦系数的逆计算模型，具体过程如下：
[0022] (1)Bland-Ford-Hill轧制力模型：
[0026] 式中：P:乳制力；b:乳件宽度；kp:乳件的动态变形抗力；te:张力影响系数；Dp: 轧制过程的平面影响系数；R'轧辊的压扁半径；zp:轧制力的自学习系数；e:轧制过程中 轧件的道次压下率；y:摩擦系数；tf:轧件的道次前张力；tb:轧件的道次后张力；H:乳件
的入口厚度；h:乳件的出口厚度；ch:在模型当中取常值0.000214,由 V : 9 泊松常数，E:乳辊的弹性模量计算得出。
[0027] (2)由轧制力模型建立变形抗力的逆计算模型
[0028] 在式1中分析可得，通过乳制力进行变形抗力的计算，其中kp和te与带钢的动态 变形抗力密切相关，所以式1变形为：
[0030]令式2的右边等于
[00 32] 将张力影响系数te的计算过程带入到式（2)当中，与式（3)联立可得：
[0034] 式⑷变形为：
[0035] kp/ 2+ (-0. 75tbact-l. 25tfact-Ml)Xkp/ + (-1. 05tbactXtf-〇.ltfact2-MlXtfact+0. 15tbact2) = 0
[0036] (5)
[0037] 式（4)为以kp为变量的一元二次方程，可以采用韦达定理进行求解，求解过程如 下：
[0038] M2 = -1. 05Xtbact-〇. 1Xtfact_Ml
[0039] M3 =M2-1. 15Xtfact+0. 3Xtbact
[0041] 其中M3是一元二次方程的一次方系数；M4是常数项系数。
[0043] 在这里动态变形抗力约等于静态变形抗力，为了简化计算过程认为动态变形抗力 的计算结果就是静态变形抗力即：k' =kp'
[0044] 式中：k':逆计算的静态变形抗力；kp':逆计算的动态变形抗力；tfaet:实测的 单位前张力；tbaet:实测的单位后张力；Paet:实测的轧制力；baet:实际轧件宽度；R'act-M据实测数据计算的轧辊压扁半径；Hart:轧件的实际入口厚度；hac;t:乳件的实际出口厚度； Dp':根据实测数据计算的轧制过程中的平面影响系数；e':根据实测值计算轧件的压下 率；y':逆计算的摩擦系数；
[0045] (3)由轧制力模型建立摩擦系数的逆计算模型
[0046] 通过轧制力计算摩擦系数，在式（1)中分析可得DP是摩擦系数的函数，乳制力计 算过程与DP直接相关，通过轧制力先计算DP，再计算摩擦系数，因此摩擦系数的逆计算过 程如下：
[0049] 式中：y' ：逆计算的摩擦系数；Dp':根据实测数据计算的轧制过程中的平面影 响系数；e':根据实测值计算轧件的压下率；R'ac;t:根据实测数据计算的轧辊压扁半径； Hac;t:轧件的实际入口厚度；hart:乳件的实际出口厚度；kp':逆计算的动态变形抗力；te': 根据实测值计算的张力影响系数；
[0050] 在由轧制力计算变形抗力和摩擦系数的逆计算模型当中，变形抗力和摩擦系数相 互耦合，因此在计算过程采用迭代算法（1.将由摩擦系数逆计算模型计算的摩擦系数带 入到变形抗力逆计算模型当中进行变形抗力逆计算；2.将变形抗力逆计算模型的计算的 变形抗力带入到摩擦系数逆计算模型当中进行摩擦系数逆计算。）进行计算，在迭代计算 的过程中变形抗力相邻两次计算的差值小于0. 001，摩擦系数相邻两次计算的差值要小于 0. 00001或迭代计算次数达到50次迭代计算结束。
[0051] 将在2中处理过的每组工艺数据代入到变形抗力逆计算模型和摩擦系数逆计算 模型，计算静态变形抗力和摩擦系数，将经过处理的工艺数据和计算得出的变形抗力和摩 擦系数以数据产生的时间序列方式存储，此时的工艺数据来自于多个已轧钢卷，反映过去 一段时间的轧制工艺状况，与具体钢卷没关系。为了保证数据挖掘的执行效率，存储工艺数 据采用多个小数据文件的存储方式。
[0052] 4、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归，在该过程中分别 采用以下的数学模型进行变形抗力和摩擦系数的计算，具体的计算模型如下：
[0053]k=1 X (eps+m)n (8)
[0056] 式中：k:乳件的静态变形抗力；HQ:乳件原料厚度；H:乳件入口厚度；h:乳件的出 口厚度，；l、m、n:乳件静态变形抗力计算常数；eps:乳件累积真应变；srt:乳件本道次的累 积平均应变；srtp:计算应变系数；
[0058] 式中：U:基本模型计算的摩擦系数；v:当前轧制过程中，乳制速度；e:当前轧 制道次的压下率；nr:当前使用的工作棍轧制的钢卷数；y0、yl、y2、y3、y4、y5:摩擦 系数模型中的计算常数；
[0059] 从存储工艺数据的文件当中筛选出需要优化钢种的处理完成的工艺数据（即 钢种、带钢的入口厚度、出口厚度、原料厚度、变形抗力等工艺数据）采用全局收敛的 Levenberg-Marquardt修正的高斯牛顿法对变形抗力模型当中的l、m、n进行非线性多项式 回归。
[0060] 根据处理完成的工艺数据（轧辊类型、带钢的入口厚度、出口厚度、乳制速度和轧 制钢卷数量、摩擦系数等工艺数据）采用全局收敛的Levenberg-Marquardt修正的高斯牛 顿法对摩擦系数模型当中的y〇、yl、y2、y3、y4、y5进行非线性多项式回归。
[0061] 上述步骤计算产生的变形抗力模型参数和摩擦系数模型参数直接应用于过程控 制系统的在线控制系统设定计算，参与实际的单机架冷轧过程控制因此必须考虑计算结果 的精确性。对新计算的变形抗力模型参数和摩擦系数模型参数进行可信性检查，具体的检 查原则如下：
[0062] (1)基于冷轧过程中带钢加工硬化，预测的变形抗力模型参数计算的变形抗力要 大于材料本身的屈服强度。
[0063] (2)预测的变形抗力参数计算的变形抗力应当与带钢的材料属性相一致。
[0064] (3)对应于基本压下率的轧制变形抗力的预测值应当与基本压下率的变化趋势相 一致，即随着基本压下率的增加，乳制变形抗力也相应增加。
[0065] (4)预测的摩擦系数参数计算得出的摩擦系数的变化规律应当与冷轧过程当中的 变化规律相一致既随着轧制速度的增加，摩擦系数相应减小。
[0066] (5)预测的摩擦系数参数计算得出的摩擦系数的变化规律应当与轧辊本身的粗糙 度的变化规律相符合，随着粗糙度的增加，计算的摩擦系数值增大。
[0067] 5、变形抗力参数和摩擦系数模型参数的离线验证，将非线性多项式回归得出的目 标钢种的变形抗力模型参数l、m、n和目标轧辊类型的摩擦系数模型参数y0、yl、y2、 y3、y4、y5带入到轧制力模型当中利用收集到的在轧制该钢种的实际值数据（包括带钢 宽度、带钢原料厚度、带钢轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢 前张力，带钢后张力等参数）计算轧制力，然后将计算的轧制力与实际轧制力计算相对轧 制力偏差，如果轧制力偏差在6 %以内，则参数可以使用，否则需要重新进行优化计算。
[0068] 6、变形抗力模型参数和摩擦系数模型参数的在线应用，在该过程当中将过程4当 中非线性多元回归得出需要优化钢种的变形抗力模型参数和需要优化的轧辊类型的摩擦 系数模型参数带入到使用Bland-Ford-Hill轧制力模型的单机架冷轧的过程控制系统中 进行轧制生产的设定计算，并跟踪轧制带钢的产品质量。
[0069] 有益效果
[0070] 本发明与传统的优化轧制力的方法相比，具有如下的一些优势：
[0071] (1)充分利用了现在单机架冷轧生产线配备的先进的传感器，检测仪器和仪表，全 面的记录了轧制过程的有关工艺控制参数、设备控制参数、带钢的参数等获取了大量蕴含 实际轧制工况、带钢性能、设备性能的轧制信息。通过对这些数据的重新组织和可靠处理， 掌握了反映当前轧制状况的可靠数据；
[0072] (2)利用数据挖掘技术对单机架冷轧轧制力进行挖掘，将哪些机理复杂，难以理 解，不能由轧制数学模型直接反映的信息蕴含在海量的数据当中。利用这些来自现场的数 据，对轧制力参数进行优化，能够有效的提高轧制力的设定精度。
[0073] (3)避免了对轧制力机理无限的探索，和对轧制力模型无限修正。而是以实事和数 据为依据，通过对模型参数的优化来实现对轧制力模型的优化。
[0074] 因此，本发明是以单机架冷轧轧制工艺为基础，充分利用轧制过程工艺数据，有效 使用数据挖掘的数据采集、数据预处理、数据信息提取、数据存储、非线性多项式回归等算 法和手段。从海量数据中获取可靠的，有效的模型参数组合，达到提高轧制力设定精度、提 尚广品质量的目的
【附图说明】
[0075] 下面结合附图对本发明的具体方式作进一步说明
[0076]图1为本发明一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法的总体 流程图< br>[0077] 图2为本发明【具体实施方式】的具体实际数据采集和存储过程流程图。
[0078] 图3为本发明【具体实施方式】的工艺数据处理。
[0079]图4为本发明【具体实施方式】的变形抗力和摩擦系数逆计算及工艺数据文件存储。
[0080] 图5为本发明【具体实施方式】的变形抗力和摩擦系数的非线性多项式回归。
[0081] 图6为优化前后轧制力精度统计
【具体实施方式】
[0082] 本发明提出的一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，采用数 据挖掘算法获得良好的轧制力设定值，应用于单机架冷轧过程控制系统，结合附图和实例 详细说明如下：
[0083] 下面以一个具体的单机架冷轧产线为例，详细说明对其应用基于数据挖掘的单机 架冷轧轧制力模型参数优化方法。
[0084] 本实例选用的单机架冷轧生产线的主要参数为：
[0085] 单机架冷轧生产工艺段：某单机架六辊冷轧机冷轧生产线；
[0086] 轧辊类型：上下分别为一个支撑、一个中间辊、一个工作辊；
[0087] 原料厚度范围：2mm~3mm;
[0088] 原料宽度范围：0? 9m~1. 3m;
[0089] 产品厚度范围：0? 18mm~0? 5mm；
[0090] 产品宽度范围：0? 9m~1. 3m。
[0091] 本发明的基础和研宄对象是单机架冷轧过程控制数据，该实例单机架冷轧单机架 产线配备了先进的检测仪表，这为本发明的实施提供了坚实的数据保障，以下是该产线的 主要检测仪器和仪表。
[0092] (1)该生产线共配置了两台测厚仪，分别位于沿轧制方向机架的两侧，用于测量带 钢宽度方向中点入口侧和出口侧的厚度；
[0093] (2)该生产线共配置了两台激光测速仪，分别位于沿轧制方向机架轧制方向的两 侦牝用于测量带钢的出口速度和入口速度；
[0094] (3)该生产线配置了HYDAC压力传感器测量实际轧制力信息；
[0095] (4)该生产线在轧机前后配置了ABB压力监测仪，间接测量带钢张力；
[0096] 在该轧机的过程控制系统使用的是日立的单机架冷轧二级系统，该系统中采用 Bland-Ford-Hill乳制力模型进行乳制力设定计算：
[0097]Bland-Ford-Hill乳制力模型：
[0101] 式中：P:乳制力；b:轧件的宽度；kp:轧件的动态变形抗力；te:张力影响系 数；Dp:轧制过程的平面影响系数；R'轧辊的压扁半径；zp:轧制力的自学习系数；e: 轧制过程中轧件的道次压下率；y:摩擦系数；tf:轧件的道次前张力；tb:轧件的道次 后张力；H:乳件的入口厚度；h:乳件的出口厚度；ch:在模型当中取常值0.000214,由
v:泊松常数，E:乳辊的弹性模量计算得出。
[0102] 其中变形抗力模型的计算方法如下：
[0103] k= 1 X (eps+m)n
[0106] 式中：k:乳件的静态变形抗力；HQ:乳件原料厚度；H:乳件入口厚度；h:乳件的出 口厚度，；l、m、n:乳件静态变形抗力计算常数；eps:乳件累积真应变；srt:乳件本道次的累 积平均应变；srtp:计算应变系数；
[0107] 其中摩擦系数模型的计算方法如下：
[0109] 式中：U:基本模型计算的摩擦系数；v:当前轧制过程中，乳制速度；e:当前轧 制道次的压下率；nr:当前使用的工作棍轧制的钢卷数；y0、yl、y2、y3、y4、y5:摩擦 系数模型中的计算常数；
[0110] 本发明的一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法在实例单机 架冷轧生产线的应用总体过程如图1所示，共包含如下的六个步骤：1、实际数据的采集和 存储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数 和摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验 证；6、变形抗力模型参数和摩擦系数模型参数的在线应用。
[0111] ⑴实际数据的采集和存储；
[0112] 如附图2所示，产线配备的各种检测仪表和仪器，将单机架冷轧过程中的各种轧 制工艺参数发送到现场的过程控制系统，过程控制系统通过TCP/IP协议与该方法的数据 采集存储计算机通信，采集的数据包括三类数据：（1)以1S的频率实时连续采集实际生产 过程数据；（2)轧制过程的设定数据；（3)轧辊数据。以1S的频率实时连续采集实际生产过 程数据具体的数据采集项包括如下：乳制道次，数据采集点的位置，乳制力，乳辊两侧的轧 制力偏差，乳制速度，带钢的入口速度，带钢的出口速度，乳机的前张力，乳机的后张力，带 钢的入口厚度，带钢的出口厚度，辊缝液压缸的位置，乳机的电流，乳机的电压等。三级下发 的轧制过程的设定数据包括：带钢的钢种，带钢原料厚度，带钢的宽度，带钢的成品厚度等。 三级下发的轧辊数据包括：乳辊的类型、乳辊的辊径、乳辊的锥度、乳辊的长度等。
[0113] 将采集的数据以堆栈的方式存入所属的数据缓存区域，当该卷带钢多个道次轧制 完成卸卷后，从缓存区域读取该卷带钢的数据，以钢卷为单位进行存储。存储到以钢卷号为 标题的二进制文件当中。
[0114] (2)工艺数据的预处理和存储；
[0115] 如附图3所示，工艺数据处理过程从以钢卷为单位存储的实际过程数据文件中读 取实际过程数据，为了消除这些数据中的所具有的杂乱性、重复性和不完整性的缺陷，对这 些数据进行数据选取、数据集成和数据预处理等过程，重新组织实际过程数据为后面的数 据挖掘提供干净、准确和更有针对性的工艺数据。变形抗力和摩擦系数逆计算。
[0116] 将工艺数据预处理后的用于数据挖掘的工艺数据带入到变形抗力的逆计算模型 和摩擦系数的逆计算模型进行迭代计算计算变形抗力和摩擦系数。然后将工艺数据和计 算得出的变形抗力和摩擦系数，以工艺数据产生的时间序列方式存储，形成10个与钢卷无 关的 5M大小的数据文件TechData.anl、TechData.an2、TechData.an3、TechData.an4 和 TechData.an5,并且采用循环存储覆盖的方式，始终存储的是过去一天内的工艺数据。
[0117] (3)变形抗力模型参数和摩擦系数模型参数的非线性多项式回归；
[0118] 如图4所示，读取存储的轧制工艺数据文件，从中读取目标钢种的带钢的原料厚 度、乳制道次的入口厚度、乳制道次的出口厚度、带钢的道次变形抗力等数据使用全局收敛 的Levenberg-Marquardt修正的高斯牛顿法对乳制力设定计算中使用的变形抗力模型当 中的l、m、n进行非线性多项式回归。读取存储的轧制工艺数据文件，从中读取目标轧辊类 型、乳制带钢的轧制速度、工作辊轧制钢卷数、带钢的原料厚度、带钢的当前道次的入口厚 度、带钢当前道次的出口厚度等参数采用全局收敛的Levenberg-Marquardt修正的高斯牛 顿法对摩擦系数模型当中的y〇、yl、y2、y3、y4、y5进行拟合计算。
[0119] (4)变形抗力参数和摩擦系数模型参数的离线验证；
[0120] 将非线性多项式回归得出的目标钢种的变形抗力模型参数1、m、n和目标轧辊类 型的摩擦系数模型参数y〇、yl、y2、y3、y4、y5分别带入到轧制力模型的变形抗力模 型和摩擦系数模型当中利用收集到的在轧制该钢种的实际值数据（包括带钢宽度、带钢原 料厚度、带钢轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢前张力，带钢 后张力等参数）计算轧制力，然后将计算的轧制力与实际轧制力计算相对轧制力偏差，如 果轧制力偏差在6 %以内，则参数可以使用，否则需要重新进行优化计算。
[0121] (5)变形抗力模型参数和摩擦系数模型参数的在线应用。
[0122] 如图5所示，将拟合计算的某钢种带钢的变形抗力参数l、m、n，替代单机架冷轧过 程控制系统中该钢种的变形抗力参数1、m、n;将拟合计算的某种类型轧辊的摩擦系数模型 参数y〇、yl、y2、y3、y4、y5替代单机架冷轧过程控 制系统中的该种轧棍类型的摩擦 系数模型参数y〇、yl、y2、y3、y4、y5。用于单机架冷轧过程控制系统进行设定计算。 应用效果说明
[0123] 以该单机架产线生产的某一钢种在轧制力模型参数优化前后所有5个道次轧制 力精度的具体实例进行说明。
[0124] 将模型参数修改之前连续轧制的100卷该钢种的实际值数据进行数据的收集，同 时，并对这1〇〇卷钢卷进行乳制力精度的相对统计，得出的1〇〇卷的5个道次乳制力相对偏 差的平均值如图6和轧制力精度统计表所示。
[0125] 利用收集的这100卷的实际数据进行轧制力优化模型参数的计算，并将优化得出 的参数进行在线应用。收集轧制过程的实际数据，对优化后的100卷钢卷进行轧制力精度 的相对统计，得出100卷的5个道次轧制力相对偏差的平均值如图6和轧制力精度统计表 所示。
[0126] 优化前的轧制力模型参数：
[0127] 变形抗力模型参数
[0129] 摩擦系数模型参数
[0131] 优化后的轧制力模型参数：
[0132] 变形抗力模型参数
[0134] 摩擦系数模型参数
[0136] 轧制力精度统计（相对轧制力偏差％ )
【主权项】
1. 一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，其特征在于：该方法包 括6个步骤：步骤一、实际数据的采集和存储；步骤二、工艺数据的预处理和存储；步骤三、 变形抗力和摩擦系数逆计算；步骤四、变形抗力模型参数和摩擦系数模型参数的非线性多 项式回归；步骤五、变形抗力参数和摩擦系数模型参数的离线验证；步骤六、变形抗力模型 参数和摩擦系数模型参数的在线应用； 步骤一、实际数据的采集和存储：单机架冷轧过程中的轧制工艺通过轧机上配备的传 感器进行采集之后发送到现场的过程控制系统，过程控制系统通过TCP/IP协议与该方法 的数据采集存储计算机通信，以IS/次的频率实时连续收集实际生产过程数据和由三级每 一个钢卷下发一次的PDI数据和轧辊数据存入数据采集进程的数据缓存区域，当该卷带钢 轧制完成卸卷后，从缓存区域读取该卷带钢的数据，以钢卷为单位进行二进制文件存储； 所述的轧制工艺参数包括带钢的钢种、带钢原料厚度、带钢的宽度、数据采集点的位 置、乳制力、乳制速度、乳机的前张力、乳机的后张力、带钢的入□厚度、带钢的出□厚度； 所述的PDI数据包括钢种、带钢的宽度、带钢的重量、带钢的成分； 所述的轧辊数据包括轧辊的辊径、乳辊的长度、乳辊类型； 步骤二、工艺数据的预处理和存储：从以钢卷为单位存储的实际过程数据二进制文件 中读取实际过程数据，从读取的实际工艺数据中确定计算轧制力需要的工艺数据包括带钢 的钢种、带钢宽度、数据采集点的位置、轧制力、乳制速度、轧机的前张力、乳机的后张力、带 钢的入口厚度、带钢的出口厚度、工作辊辊径、工作辊类型，然后将选取的数据集成完成实 际值数据、PDI数据、乳辊数据的异构数据转换之后清理数据当中的数据空缺值、错误数据、 孤立点、噪声，并对剩下的数据进行有效性检查，剔除数据当中的奇异值并对数据进行补 充； 步骤三、变形抗力和摩擦系数逆计算；将工艺数据预处理后的用于数据挖掘的工艺数 据带入到变形抗力逆计算模型和摩擦系数逆计算模型当中进行迭代计算，计算变形抗力和 摩擦系数，然后将工艺数据和计算得出的变形抗力和摩擦系数，以工艺数据产生的时间序 列在数据采集存储计算机的硬盘上以文本文件的形式存储； 步骤四、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程：读取存储 的轧制工艺实际值数据，分钢种分轧辊类型分别对变形抗力模型参数和摩擦系数模型参数 进行非线性多项式回归，得到目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模 型参数； 所述的轧制工艺实际值数据包括带钢的钢种、带钢原料厚度、带钢的入口厚度、带钢出 口厚度、带钢轧制速度、乳辊辊径、乳辊类型； 步骤五、变形抗力模型参数和摩擦系数模型参数的离线验证：将非线性多项式回归得 出的目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模型参数带入到轧制力模 型当中利用收集到的在轧制该钢种的实际值数据计算轧制力，然后将计算得到的轧制力与 实际轧制力计算相对轧制力偏差，如果相对轧制力偏差在6%以内，则验证成功，参数可以 使用，否则需要重新采集数据进行优化计算； 所述的轧制该钢种的实际值数据包括带钢宽度、带钢原料厚度、数据采集点位置、带钢 轧制入口厚度，带钢轧制出口厚度，乳制速度，工作辊半径，带钢前张力，带钢后张力； 步骤六、变形抗力模型参数和摩擦系数模型参数的在线应用：将非线性多元回归得出 的目标钢种的变形抗力模型参数和目标轧辊类型的摩擦系数模型参数带入到单机架冷轧 的过程控制系统中进行轧制生产实验，并跟踪轧制带钢的产品质量。2. 如权利要求1所述的参数优化方法，其特征在于：所述的变形抗力逆计算模型：式中：k':逆计算的静态变形抗力；kp':逆计算的动态变形抗力；tfac;t:实测的单位 前张力；tbaet:实测的单位后张力；Paet:实测的轧制力；baet:实际轧件宽度；R' aet:根据实 测数据计算的轧辊压扁半径；Haet:轧件的实际入口厚度；haet:乳件的实际出口厚度；Dp': 根据实测数据计算的轧制过程中的平面影响系数；ε ':根据实测值计算轧件的压下率； μ ':逆计算的摩擦系数； 所述的摩擦系数逆计算模型：式中：:逆计算的摩擦系数；Dp':根据实测数据计算的轧制过程中的平面影响系 数；^ :根据实测值计算轧件的压下率；f art:根据实测数据计算的轧辊压扁半径；H ac;t:轧件的入口厚度；hart:乳件的出口厚度；kp':逆计算模型计算的变形抗力；te':根据实测 值计算的张力影响系数； 所述的迭代计算是在计算变形抗力和摩擦系数的计算过程当中，建立的两个逆计算模 型采用相互迭代计算的方法，以消除两个模型相互耦合的影响；在迭代计算的过程中变形 抗力相邻两次计算的差值小于〇. 001，摩擦系数相邻两次计算的差值要小于〇. OOOOl或迭 代计算次数达到50次迭代，完成迭代。3. 如权利要求1所述的参数优化方法，其特征在于：所述的变形抗力模型如下：式中：k :乳件的静态变形抗力；Hci:乳件原料厚度；H :乳件入口厚度；h :乳件的出口厚 度，；l、m、n :乳件静态变形抗力计算常数；eps :乳件累积真应变；srt :乳件本道次的累积平 均应变；srtp :计算应变系数； 所述的摩擦系数模型如下：式中：μ :基本模型计算的摩擦系数；V:当前轧制过程中，乳制速度；ε :当前轧制道 次的压下率；nr:当前使用的工作棍轧制的钢卷数；μ 0、μ 1、μ 2、μ 3、μ 4、μ 5:摩擦系数 模型中的计算常数； 变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程当中的某一钢种变 形抗力计算时读取该轧制该钢种的工艺数据进行该钢种变形抗力回归；某一类型轧辊的摩 擦系数计算时读取该种类型的轧辊轧制时形成的工艺数据进行该种类型轧辊工艺数据的 回归； 变形抗力模型参数和摩擦系数模型参数的非线性多项式回归过程的变形抗力模型参 数回归计算读取的工艺参数是目标优化钢种的工艺参数；摩擦系数模型参数回归计算读取 的工艺参数是目标优化轧辊类型的工艺参数。
【专利摘要】一种基于数据挖掘的单机架冷轧轧制力模型参数优化方法，属于单机架冷轧过程控制技术领域。具体的实现过程包括以下六个步骤：1、实际数据的采集和存储；2、工艺数据的预处理和存储；3、变形抗力和摩擦系数逆计算；4、变形抗力模型参数和摩擦系数模型参数的非线性多项式回归；5、变形抗力参数和摩擦系数模型参数的离线验证；6.变形抗力模型参数和摩擦系数模型参数的在线应用。该方法使轧制力模型中的假设造成的误差得到了有效的弥补，提高轧制力的设定精度，减少带钢的厚度和板形头尾超差长度，提高单机架冷轧带钢的合格率和成材率。
【IPC分类】G05B13/04
【公开号】CN104898430
【申请号】CN201510300991
【发明人】王彦辉, 高雷, 郭立伟, 王佃龙, 李书昌, 刘维兆, 陈丹
【申请人】北京首钢自动化信息技术有限公司
【公开日】2015年9月9日
【申请日】2015年6月3日
最新回复(0)