《基于穿带自适应的首根钢命中率控制方法.pdf》由会员分享，可在线阅读，更多相关《基于穿带自适应的首根钢命中率控制方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310578691.2(22)申请日 2023.05.22(71)申请人 北京冶自欧博科技发展有限公司地址 100071 北京市丰台区西四环南路88号(72)发明人 纪岩申铁强唐诗淳(74)专利代理机构 北京卓爱普专利代理事务所(特殊普通合伙)11920专利代理师 王玉松(51)Int.Cl.B21B 37/00(2006.01)B21B 37/58(2006.01)G06F 30/17(2020.01)G06F 30/27(2020.01)G06F 119/18(2020.01)G06F 。
2、119/14(2020.01)(54)发明名称一种基于穿带自适应的首根钢命中率控制方法(57)摘要本发明涉及一种热轧带钢设备的首根钢命中率控制方法，所述热轧带钢设备包括N个可供带钢穿带的机架和首根钢命中率控制系统；其特征在于，所述一种热轧带钢设备的首根钢命中率控制方法包括所述首根钢命中率控制系统执行的如下步骤：以零值自学习模块接收首根钢大数据模块发送的历次首根钢数据，获得零值自学习值Li；估算各机架轧制力的变形抗力偏差平均值ki；估算各机架的厚度偏差hi；本发明在穿带自适应模型的基础上，结合多种算法，更精确的计算轧制力、弯辊力、辊缝的偏差修正系数，采集并综合考虑多次首根钢命中偏差，获得零值自学。
3、习系数；可以获得超过前三个机架的设定次数，提高了首根钢的命中率。权利要求书2页 说明书5页 附图4页CN 116603868 A2023.08.18CN 116603868 A1.一种热轧带钢设备的首根钢命中率控制方法，所述热轧带钢设备包括N个可供带钢穿带的机架和首根钢命中率控制系统；其特征在于，所述一种热轧带钢设备的首根钢命中率控制方法包括所述首根钢命中率控制系统执行的如下步骤：以零值自学习模块接收首根钢大数据模块发送的历次首根钢数据，最终获得零值自学习值Li，发送所述零值自学习值Li至预设定模块和动态设定模块；以修正计算模块接收机架穿带时的实测轧制力与预设定轧制力偏差，估算机架轧制力的变形。
4、抗力偏差平均值ki，根据所述机架轧制力的变形抗力偏差平均值ki对机架轧制力进行修正；以所述修正计算模块接收所述机架穿带时的实测轧制力与所述预设定轧制力偏差，估算机架辊缝的厚度偏差hi，根据所述厚度偏差hi对机架辊缝进行修正；以所述修正计算模块计算拟合修正系数并将其输出至所述动态设定模块。2.根据权利要求1所述零值自学习模块，其特征在于，所述零值自学习值Li按照式(I)进行：Limi1*f(i1)+mi2*f(i2)+mi3*f(i3)+mi3*f(in)(I)式中，Li表示第i次设定零值自学习值；f(i1)表示第i1次首支钢大数据处理后的值；mi1表示第i1次首支钢大数据处理值占第i次零值自学。
5、习值的权重系数。3.根据权利要求1所述一种热轧带钢设备的首根钢命中率控制方法，其特征在于，所述的变形抗力偏差平均值ki，按照式II进行：kiFi/Fi(II)式中，Fi表示机架实测轧制力与预设定轧制力偏差；Fi表示机架预设定轧制力；i表示机架序号，i1,2,n。4.根据权利要求1所述一种热轧带钢设备的首根钢命中率控制方法，其特征在于，所述机架的厚度偏差hi，按照式III进行：hiSi+Fi/Mi(III)式中，Si为机架实测辊缝与预报辊缝偏差；Fi为机架实测轧制力与预设定轧制力偏差；Mi为机架轧机刚度。5.根据权利要求1所述一种热轧带钢设备的首根钢命中率控制方法，其特征在于，所述一种热轧带钢设。
6、备的首根钢命中率控制方法还包括所述首根钢命中率控制系统执行的如下步骤：以修正计算模块根据变化后的机架带钢出口厚度hi和前滑系数fi重新计算机架速度Vpi，并与设定速度Vmi比较，差值用于机架速度修正。6.根据权利要求1所述首根钢大数据模块，其特征在于，首根钢大数据模块接收的首根钢数据，进行数据采集、存储和分析，提取出关键指标并利用机器学习、深度学习技术，建立厚度命中率控制模型，并将处理后的数据以固定格式存储及发送。7.根据权利要求1所述修正计算模块，其特征在于，还包括算法库接口，所述算法库被配置为：使用线性回归、非线性回归、神经元网络、机器学习、深度学习算法，多种算法相结合计算拟合轧制力偏差、。
7、辊缝偏差、速度偏差在所述动态设定模块中的修正系数。8.根据权利要求1所述一种热轧带钢设备的首根钢命中率控制方法，其特征在于，所述权利要求书1/2 页2CN 116603868 A2一种热轧带钢设备的首根钢命中率控制方法包括如下步骤：首根钢准备穿带、开始运行N组轧辊机构；历次首根钢数据，输入零值自学习模块进行零值自学习；进行动态设定和预设定；进行数据采集；将数据输入修正计算模块，进行修正系数计算、轧制力再计算、辊缝再计算和速度再计算；修正系数输入动态设定模块。9.根据权利要求1所述一种热轧带钢设备的首根钢命中率控制方法，其特征在于，所述动态设定包括N个机架中的前三机架和/或其他机架。10.一种热。
8、轧带钢设备的首根钢命中率控制系统，所述系统包括至少一个处理器；以及存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施按照权利要求19任一项所述的方法的步骤。权利要求书2/2 页3CN 116603868 A3一种基于穿带自适应的首根钢命中率控制方法技术领域0001本发明属于热轧生产技术领域，具体涉及一种热轧带钢设备的首根钢命中率控制方法。背景技术0002传统的穿带自适应动态模型在前三个机架即F1F3起作用，考虑实测轧制力与设定轧制力偏差和实测辊缝与设定辊缝的偏差，采用平滑处理来修正这些偏差。随着热轧带钢领域技术和水平的提升，在模型计算和自学习两种方法相结合的作用下，每支带钢的宽度、。
9、厚度等各项指标均能准确稳定的满足协议要求。如此以来，虽然能够在一定程度上提升带钢头部的厚度命中率，而首根钢由于来料厚度、温度、设备磨削质量等不确定因素较多，限制了模型计算的准确性，无法满足当前的厚度要求。发明内容0003针对上述技术问题，本发明一方面涉及了一种热轧带钢设备的首根钢命中率控制方法，所述热轧带钢设备包括N个可供带钢穿带的机架和首根钢命中率控制系统；其特征在于，所述一种热轧带钢设备的首根钢命中率控制方法包括所述首根钢命中率控制系统执行的如下步骤：0004以大数据模块接收，计算并存储历次首根钢数据；0005以零值自学习模块接收首根钢大数据模块发送的历次首根钢数据，最终获得零值自学习值L。
10、i，发送所述零值自学习值Li至预设定模块和动态设定模块；0006以修正计算模块接收机架穿带时的实测轧制力与预设定轧制力偏差，估算机架轧制力的变形抗力偏差平均值ki，根据所述机架轧制力的变形抗力偏差平均值ki对机架轧制力进行修正；0007以所述修正计算模块接收所述机架穿带时的实测轧制力与所述预设定轧制力偏差，估算机架辊缝的厚度偏差hi，根据所述厚度偏差hi对机架辊缝进行修正；0008以所述修正计算模块计算拟合修正系数并将其输出至所述动态设定模块。0009本发明第二方面涉及一种热轧带钢设备的首根钢命中率控制系统，包括至少一个处理器；以及存储器，其存储有指令，通过至少一个处理器来执行该指令。0010。
11、本发明的有益效果在于，在穿带自适应模型的基础上，结合大数据、机器学习等人工智能算法，更精确的计算轧制力、弯辊力、辊缝的偏差修正系数，采集并综合考虑多次首根钢命中偏差，获得零值自学习系数，获得超过前三个机架的设定次数，大大提高了首根钢的命中率。附图说明0011图1：控制模型流程示意图；0012图2：控制流程示意图；说明书1/5 页4CN 116603868 A40013图3：本发明控制方法与原有方法的首根钢数据对比图；0014(a)实测厚度与目标厚度偏差值；0015(b)成材率；0016A表示原有方法；0017B表示本发明控制方法；0018图4：带钢(首根钢)、硬件设备、控制系统关系图。具体实施。
12、方式0019以下实施例进一步说明本发明的内容，但不应理解为对本发明的限制。在不背离本发明精神和实质的情况下，对本发明方法、步骤或条件所作的修改或替换，均属于本发明的范围。0020术语解释0021前机架：第一机架、第二机架和第三机架，即F1至F3；0022后机架：第五机架、第六机架和第七机架，即F5至F7；亦可以直接用F1至F7来代表第一至第七机架。0023传统的穿带自适应动态模型在前三个机架即F1F3起作用，考虑实测轧制力与设定轧制力偏差和实测辊缝与设定辊缝的偏差，采用平滑处理来修正这些偏差。随着热轧带钢领域技术和水平的提升，在模型计算和自学习两种方法相结合的作用下，每支带钢的宽度、厚度等各项。
13、指标均能准确稳定的满足协议要求。如此以来，虽然能够在一定程度上提升带钢头部的厚度命中率，而首根钢由于来料厚度、温度、设备磨削质量等不确定因素较多，限制了模型计算的准确性，无法满足当前的厚度要求。0024进一步的说，传统的穿带自适应动态模型还存在以下问题：00251.传统的穿带自适应动态模型仅在F1F3起作用，调整范围有限。00262.只考虑了实测轧制力与设定轧制力偏差和实测辊缝与设定辊缝的偏差，参考数据量过少。00273.只采用了简单的平滑处理来修正偏差，精确度不足。0028以下结合附图对本发明提供的具体实施方式进行详细说明。0029针对现有技术中的技术问题，一些实施例中，如图1所示，一种热轧。
14、带钢设备的首根钢命中率控制方法，所述热轧带钢设备包括N个可供带钢穿带的机架和首根钢命中率控制系统；一种热轧带钢设备的首根钢命中率控制方法包括所述首根钢命中率控制系统执行的如下步骤：0030以零值自学习模块接收首根钢大数据模块发送的历次首根钢数据，最终获得零值自学习值Li，发送所述零值自学习值Li至预设定模块和动态设定模块；0031以修正计算模块接收机架穿带时的实测轧制力与预设定轧制力偏差，估算机架轧制力的变形抗力偏差平均值ki，根据所述机架轧制力的变形抗力偏差平均值ki对机架轧制力进行修正；0032以所述修正计算模块接收所述机架穿带时的实测轧制力与所述预设定轧制力偏差，估算机架辊缝的厚度偏差h。
15、i，根据所述厚度偏差hi对机架辊缝进行修正；0033以所述修正计算模块计算拟合修正系数并将其输出至所述动态设定模块。说明书2/5 页5CN 116603868 A50034在一些实施例中，零值自学习模块中所述零值自学习值Li按照式(I)进行：0035Limi1*f(i1)+mi2*f(i2)+mi3*f(i3)+(I)0036式中，Li表示第i次设定零值自学习值；f(i1)表示第i1次首支钢大数据处理后的值；mi1表示第i1次首支钢大数据处理值占第i次零值自学习值的权重系数。0037在一些实施例中，如图1和图2所示，以修正计算模块接收机架穿带时的实测轧制力与预设定轧制力偏差，估算机架轧制力的变。
16、形抗力偏差平均值ki，根据所述机架轧制力的变形抗力偏差平均值ki对机架轧制力进行修正；0038在一些实施例中，如图1和如图2所示，以修正计算模块接收所述机架穿带时的实测轧制力与所述预设定轧制力偏差，估算机架辊缝的厚度偏差hi，根据所述厚度偏差hi对机架辊缝进行修正；0039以修正计算模块计算拟合修正系数并将其输出至所述动态设定模块。0040在另一些实施例中，变形抗力偏差平均值ki，按照式II进行：0041kiFi/Fi(II)0042式中，Fi表示机架实测轧制力与预设定轧制力偏差；Fi表示机架预设定轧制力；i表示机架序号，i1,2,n。0043机架的厚度偏差hi，按照式III进行：0044hi。
17、Si+Fi/Mi(III)0045式中，Si为机架实测辊缝与预报辊缝偏差；Fi为机架实测轧制力与预设定轧制力偏差；Mi为机架轧机刚度。0046在一些实施例中，一种热轧带钢设备的首根钢命中率控制方法还包括所述首根钢命中率控制系统执行的如下步骤：0047以修正计算模块根据变化后的机架带钢出口厚度hi和前滑系数fi重新计算机架速度Vpi，并与设定速度Vmi比较，差值用于机架速度修正。辊缝的变化与机架轧制速度是相匹配的，以保证机架间秒流量相等。0048在一些实施例中，首根钢大数据模块接收的首根钢数据，进行数据采集、存储和分析，提取出关键指标并利用机器学习、深度学习技术，建立厚度命中率控制模型，并将处理。
18、后的数据以固定格式存储及发送。0049通过对历次首根钢生产数据进行数据采集和清洗、存储和深入分析，提取出关键指标并利用机器学习、深度学习等技术，建立厚度命中率控制模型，并将处理后的数据以固定格式呈现出来，作为后续使用的基础。0050在一些实施例中，如图1所示，一种热轧带钢设备的首根钢命中率控制方法，其还包括算法库接口，所述算法库被配置为：0051使用线性回归、非线性回归、神经元网络、机器学习、深度学习算法，多种算法相结合计算拟合轧制力偏差、辊缝偏差、速度偏差在所述动态设定模块中的修正系数。0052下面分别介绍各算法在提高首根钢厚度命中率方面的应用。0053(1)线性回归可以用来预测首根钢厚度命。
19、中率与其他因素之间的线性关系。例如，可以利用历史数据预测首根钢厚度命中率与轧制力、温度、速度等因素之间的关系。其效果受到特征选择、数据预处理等因素的影响，常用的评价指标有均方误差、R2等。其主要参数包括截距项和特征系数。说明书3/5 页6CN 116603868 A60054(2)非线性回归可以用来预测首根钢厚度命中率与非线性因素之间的关系。例如，可以利用历史数据预测首根钢厚度命中率与轧制力的高次方项、温度的指数项等因素之间的关系。其效果与模型选择、特征工程、模型调参等因素有关，常用的评价指标包括均方误差、R2等。其主要参数包括截距项、特征系数、正则化参数等。0055(3)神经元网络可以用来预。
20、测首根钢厚度命中率与多个因素之间的非线性关系。例如，可以利用历史数据预测首根钢厚度命中率与轧制力、温度、速度等因素之间的复杂关系。神经元网络通常采用前向传播算法或反向传播算法进行训练，常用的激活函数包括sigmoid函数、ReLU函数、tanh函数等。其效果与网络结构、学习率、正则化参数等因素有关，常用的评价指标包括准确率、精度、召回率等。其主要参数包括输入层、隐藏层、输出层节点数、学习率、正则化参数等。0056(4)机器学习算法可以用来预测首根钢厚度命中率与多个因素之间的关系。例如，可以利用决策树、支持向量机等算法进行建模，实现多维度、非线性预测。在参数选择和模型优化方面，可以通过交叉验证、。
21、网格搜索等方法进行调整，常用的评价指标包括准确率、精度、召回率等。其主要参数包括特征选择、模型选择、正则化参数等。0057(5)深度学习算法可以用来预测首根钢厚度命中率与多个因素之间的非线性关系。例如，可以利用卷积神经网络、循环神经网络等深度学习算法进行建模，实现高维度、复杂关系的预测。在参数选择和模型优化方面，可以通过反向传播、梯度下降等方法进行调整，常用的评价指标包括准确率、精度、召回率等。其主要参数包括网络层数、节点数、激活函数、学习率等。0058多种算法相结合计算拟合轧制力偏差、辊缝偏差、速度偏差在动态设定模型中的修正系数。0059在一些实施例中，如图1所示，一种热轧带钢设备的首根钢命。
22、中率控制方法还包括以下步骤：0060首根钢准备穿带、开始运行N组轧辊机构；历次首根钢数据，输入零值自学习模块进行零值自学习；进行动态设定和预设定；进行数据采集；将数据输入修正计算模块，进行修正系数计算、轧制力再计算、辊缝再计算和速度再计算；修正系数输入动态设定模块。0061在一些实施例中，一种热轧带钢设备的首根钢命中率控制方法，动态设定包括N个机架中的前三机架和/或其他机架。0062在一些实施例中，在穿带自适应模型的基础上，结合大数据、机器学习等人工智能算法，更精确的计算轧制力、弯辊力、辊缝的偏差修正系数，采集并综合考虑多次首根钢命中偏差，获得零值自学习系数，可以获得超过F1F3的设定次数，如。
23、图3所示，大大提高了首根钢的命中率。0063精轧自适应穿带模型是建立在精轧设定模型的基础之上，共享轧件的原始数据及设定参数，具体控制过程是在本机架穿带时，精轧二级系统根据机架咬钢信号，在规定的起止时间内完成自适应穿带计算所需的实测值采集，自适应穿带模型将精轧设定模型的计算结果与实测参数比较，并通过有效性检验完成对轧制参数的计算，然后下发规程至一级对其后续各机架的辊缝和速度进行修正。由于受机架间距离和轧制速度的影响，精轧自适应穿带功能无法在每个机架都能投用，由精轧首机架开始，咬钢后准备自适应穿带设定所需的相关参数，并对咬钢机架的后续机架进行参数修正和动态设定。说明书4/5 页7CN 116603。
24、868 A70064精轧自适应穿带模型就是指在精轧轧制过程中将穿带机架的实测轧制力、辊缝和速度等参数与预设定模型的预报参数进行对比，完成数据有效性检验后，对下游机架的轧制力、速度和辊缝进行补偿，消除由于中间坯参数失真或设定模型的预报参数偏差大时造成的精轧轧制参数预报不准带来的不良影响，保证精轧末机架出口带钢头部厚度精度，提高精轧模型对轧制参数的预报精度，同时保证各机架秒流量相匹配，使轧制状态稳定，产品实物质量提高。0065如图3所示，选取大量历次首支钢厚度尺寸中的部分数据，经过数据处理得到首支钢实测厚度与目标厚度偏差值，以及首支钢成材率值，制作图表对本发明控制方法与原有方法的首根钢数据进行对比。
25、。采用本发明控制方法后，厚度偏差波动小于使用原有方法生产的首支钢，并且成材率有了很大提升。因此，本发明控制方法可以有效提高首支钢带钢头部的厚度命中率，同时有助于提高产量。0066如图4所示，本说明书中描述的主题的实施方式和功能性操作可以在以下中实施：带钢(即首根钢)在加热炉中加热到一定温度后，依次经过粗轧、精轧各机组设备轧制到一定厚度尺寸后，再由卷取机组弯曲成钢卷，在这个过程中自动化控制系统，包括传感器、计算机、控制器、通信设备等，用于监测和控制整个生产过程。控制系统可以根据生产数据和指令进行钢卷厚度和质量的调整，以确保产品符合要求。0067本说明书中提到的控制系统包括但不限制于数字电子电路，。
26、有形实施的计算机软件或者固件，计算机硬件，包括本说明书中公开的结构及其结构等同体，或者上述中的一者以上的组合。本说明书中描述的主题的实施方式可以被实施为一个或多个计算机程序，即一个或多个有形非暂时性程序载体上编码的计算机程序指令的一个或多个模块，用以被数据处理单元执行或者控制数据处理设备的操作。0068作为替代或者附加，程序指令可以被编码在人工生成的传播信号上，例如，机器生成的电信号、光信号或者电磁信号，上述信号被生成为编码信息以传递到用数据处理设备执行的适当的接收器设备。计算机存储介质可以是机器可读存储装置、机器可读的存储基片、随机或者串行存取存储器装置或者上述装置中的一种或多种的组合。00。
27、69包含所有种类的用于处理数据的设备、装置以及机器，作为实例，包括可编程处理器、计算机或者多重处理器或者多重计算机。设备可以包括专用逻辑电路，例如，FPGA(现场可编程门阵列)或者ASIC(专用集成电路)。设备除了包括硬件之外，还可以包括创建相关计算机程序的执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者它们中的一种或多种的组合代码。说明书5/5 页8CN 116603868 A8图1说明书附图1/4 页9CN 116603868 A9图2说明书附图2/4 页10CN 116603868 A10图3说明书附图3/4 页11CN 116603868 A11图4说明书附图4/4 页12CN 116603868 A12。