一种跨工序的适用于连退平整机组板带钢板形前馈控制的方法

本发明涉及板带钢轧制生产，特别是涉及一种跨工序的适用于连退平整机组板带钢板形前馈控制的方法。

背景技术：

1、板带比是衡量一个国家钢铁行业技术水平的关键指标，板形又是板带钢产品的核心技术指标，随着高端冷轧带钢产品的不断出现，用户对产品的质量指标要求不断严苛。同时连退平整机组是多数冷轧带钢成品的末道工序，关键且重要，保证连退平整机组带钢板形质量愈发重要。目前多数连退平整机组配置的平整机为6辊平整机或4辊平整机，且大多数没有配置板形仪等检测设备，导致了连退平整机组的平整机无法实现板形质量的闭环反馈控制，只能依靠预设定或前馈控制实现板带钢板形控制，而连退平整机组中平整机预设定或前馈都尚未考虑来料带钢板形的遗传，因此无法根据冷硬带钢退火后带钢板形质量实时在线前馈调节，制约了板形质量的进一步提升。

2、目前国内大多数冷轧带钢产品生产工艺流程包括酸洗、冷轧、退火、平整，平整作为带钢成品前最后一道工序，对成品带钢的板形质量尤为重要，但目前国内的多数连退平整机组的平整机都没有配置板形仪等检测设备，导致连退平整机组的平整机无法实现板形质量的闭环反馈控制，只能依靠预设定或前馈控制实现板带钢板形控制，为了更好地保证平整机组带钢板形质量，亟需提出了一种跨工序的适用于连退平整机组板带钢板形前馈控制的方法。

技术实现思路

1、本发明的目的是提出一种跨工序的适用于连退平整机组板带钢板形前馈控制的方法，以解决上述现有技术存在的问题，通过数值仿真建模，生产大数据累积，以及借助先进的机器学习等方法建立从酸轧机组到平整机入口跨工序的带钢板形遗传与演变的预测模型，在此基础上开展平整机板形前馈控制，解决现有技术中连退平整机组板形控制控制精度差的问题，从而显著提高板带钢产品的板形质量。

2、为实现上述目的，本发明提供了如下方案：

3、一种跨工序的适用于连退平整机组板带钢板形前馈控制的方法，包括：

4、对冷连轧机组出口带钢板形进行模式识别；

5、基于识别的冷连轧机组出口带钢板形模式，利用预设的缺陷预测模型，预测冷连轧机组出口带钢板形的浪形缺陷数据；其中，所述缺陷预测模型基于长短时记忆神经网络构建；

6、基于所述浪形缺陷数据，利用预设的连续退火前后带钢板形质量遗传与演变的质量预测模型，预测连续退火后带钢的实物板形质量；其中，所述质量预测模型基于stacking集成学习模型构建；

7、将所述实物板形质量换算为平整机入口带钢的iu值分布，基于所述平整机入口带钢的iu值分布，进行带钢板形的弯辊力前馈控制。

8、可选地，对冷连轧机组出口带钢板形进行模式识别包括：

9、获取冷连轧机组出口带钢板形分布iu值：将带钢的宽度和厚度按照预设范围进行划分，每个钢种按照宽度和厚度的划分统计出板形iu均值；

10、基于板形分布iu值，利用勒让德正交多项式，识别冷连轧机组出口带钢板形模式。

11、可选地，利用勒让德正交多项式，识别冷连轧机组出口带钢板形模式包括：

12、对板形分布iu值去均值处理；

13、基于去均值处理后的板形分布iu值，计算板形偏差，计算板形偏差的最大值；

14、对板形偏差归一化，获取归一化样本；

15、提取板形基本模式系数；

16、比较板形基本模式系数的大小、正负；

17、确定最大的板形基本模式系数，最大模式系数所对应的板形缺陷为该带钢的板形缺陷。

18、可选地，利用预设的缺陷预测模型，预测冷连轧机组出口带钢板形的浪形缺陷数据包括：

19、基于识别的冷连轧机组出口带钢板形模式，进行冷轧带钢前屈曲与后屈曲的有限元仿真建模；

20、基于冷轧带钢前屈曲与后屈曲的有限元仿真，将各类典型板形缺陷的iu值分布换算为实物板形缺陷的形式，获得各板形iu值分布对应实物板形缺陷的浪高、浪距与浪宽；

21、基于有限元仿真计算获得的各类典型浪形缺陷，带钢初始iu值，带钢厚度与带钢宽度对应浪高、浪距以及浪宽，构建屈曲数据库；

22、利用所述屈曲数据库对长短时记忆神经网络进行训练，获取所述缺陷预测模型；

23、将带钢的宽度、厚度及iu值，输入所述缺陷预测模型，预测冷连轧机组出口带钢板形的浪形缺陷数据；其中，所述浪形缺陷数据包括：浪高、浪距与浪宽。

24、可选地，进行冷轧带钢前屈曲与后屈曲的有限元仿真建模包括：

25、构建屈曲模型；

26、基于所述屈曲模型进行浪形的前屈曲行为分析，获取中浪、边浪、四分之一浪、边中复合浪的一阶屈曲模态；

27、基于所述屈曲模型进行浪形的后屈曲行为分析，获取带钢的后屈曲路径。

28、可选地，构建所述屈曲模型包括：

29、设置边界约束条件；

30、设置温度场函数及分布形式；

31、所述边界约束条件为：

32、

33、其中，u(l,y)为带钢x＝l处的x方向位移，u(-l,y)为带钢x＝-l处的y方向位移，v(l,y)为带钢x＝l处的y方向位移，v(-l,y)为带钢x＝l处的y方向位移，w(l,y)为带钢x＝l处的z方向位移，w(-l,y)为带钢x＝l处的z方向位移，u(0,0)为带钢中心点处的x方向位移，v(0,0)为带钢中心点处的y方向位移；x，y是指带钢的坐标；

34、所述温度场函数及分布形式为：

35、中浪

36、边浪

37、四分之一浪

38、边中复合浪

39、其中，y为带钢不同宽度，t为温度场函数。

40、可选地，预测连续退火后带钢的实物板形质量包括：

41、采集原始数据；其中，所述原始数据包括：冷轧出口浪形数据、在线平台数据和人工观测数据；

42、对所述原始数据进行清洗及归一化处理；

43、对处理后的所述原始数据进行特征提取；

44、利用提取的特征对stacking集成学习模型进行训练，获取连续退火前后带钢板形质量遗传与演变的质量预测模型。

45、可选地，利用提取的特征对stacking集成学习模型进行训练包括：

46、第1阶段，利用提取的特征训练若干个体机器学习模型，获取若干预测结果；其中，若干个体机器学习模型包括：多层感知机、支持向量机以及随机森林算法；

47、第2阶段，利用若干预测结果训练多元线性回归模型；

48、基于训练后的若干个体机器学习模型和训练后的多元线性回归模型，构成连续退火前后带钢板形质量遗传与演变的质量预测模型。

49、可选地，所述冷轧出口浪形数据包括：钢板形iu值；

50、所述在线平台数据包括：各带钢规格、退火炉各处平均温度、入口出口张力差；

51、所述人工观测数据包括：各退火炉入口带钢板形等级和退火炉出口带钢板形等级。

52、本发明的有益效果为：

53、本发明对冷连轧机组出口带钢板形进行模式识别；可将板形仪实测带钢板形iu值的分布具象化为各类实物板形缺陷，并分类汇总；本发明基于识别的冷连轧机组出口带钢板形模式，利用预设的缺陷预测模型，预测冷连轧机组出口带钢板形的浪形缺陷数据，获得各板形iu值分布对应实物板形缺陷的浪高、浪距与浪宽，并基于此形成基于仿真的大数据库；本发明基于大数据库，利用预设的连续退火前后带钢板形质量遗传与演变的质量预测模型，预测连续退火后带钢的实物板形质量；本发明基于退火后预测得到的带钢实物板形缺陷，将其换算为带钢板形iu值的分布，并基于平整机板形调控功效，实现带钢板形的弯辊力前馈控制，即根据来料带钢板形缺陷实时调整平整机弯辊力。最终实现平整机组板形质量的控制与提升。这一综合控制思路有效地结合了数据分析、预测模型和实时控制技术，为连退平整机的板形控制提供了科学和智能化的解决方案。