[发明专利]一种热轧带钢出口凸度预报方法

说明书

本发明的热轧带钢出口凸度预报方法包括：分层别采集热轧带钢生产过程中的带钢的生产数据；对生产数据进行降噪处理；将降噪后的生产数据分为训练集和测试集；将降噪后的生产数据进行降维处理；将降维后的标准化矩阵作为支持向量机模型的输入，采用基于杂交的粒子群优化算法对支持向量机模型的参数进行优化；采用最优参数组合构造支持向量机带钢出口凸度预报模型；用训练集训练预报模型，用测试集测试预报模型的泛化性能。本发明的预报方法通过杂交粒子群算法寻优确定支持向量机的最佳参数，使基于支持向量机建立的支持向量机带钢出口凸度预报模型的精度得到提高。预报模型基于大量生产数据，而生产数据的采集易于操作，模型的推广能力较强。

技术领域

本发明涉及一种热轧带钢品质控制技术，尤其涉及一种热轧带钢出口凸度预报方法。

背景技术

带钢热连轧在钢铁工业中具有十分重要的地位，大约世界钢铁总量的一半都来源与热连轧生产线。一条热连轧生产线包括了许多精密的设备，复杂的混合控制模型以及恶劣的工作环境，这都为产品质量的提高带来困难。但是，随着科学技术的发展，各行业，各部门对带钢的需求量愈来愈多，同时用户对带钢的质量也愈来愈高，尤其是对家电钢板、汽车钢板、镀锡钢板以及电工钢板等板形都提出了很高要求。如果带钢断面形状不好，出现过大凸度、局部凸起、楔形等都将严重影响用户产品的质量及寿命。热连轧机是—个非线性、大时滞、多变量、强耦合的动态系统。影响带钢出口凸度的因素很多，诸如：轧制力、弯辊力、辊形及轧辊的热膨胀、轧辊直径、来料板形、板宽、轧机的时滞、轧制速度、轧机节奏的变化、带材和冷却水的温度波动、轧机压下量的变化等。因此，要实现该系统的精确控制是一项艰难的任务。传统的办法是根据轧制理论利用传统的数学工具建立起板凸度关系模型，分析轧制状态下轧辊的挠曲、压扁、热膨胀等情况。为了便于建模，需简化系统的复杂程度，给出许多假设条件，却以降低模型精度为代价。随着现代制造技术对带钢形精度的要求逐渐提高，改善模型或控制精度的任务变得十分紧迫。为此，需要寻找新的方法来对轧机系统进行更精确的预测和建模，从而达到精确控制带钢出口凸度的目的。

发明内容

本发明实施例提出一种热轧带钢出口凸度预报方法，该方法通过杂交粒子群算法寻优确定支持向量机的最佳参数，使基于支持向量机建立的支持向量机带钢出口凸度预报模型的精度得到提高。

本发明提供一种热轧带钢出口凸度预报方法，包括以下步骤：

步骤1：分层别采集热轧带钢生产过程中的每一块带钢的p个生产数据并用一个p维向量进行表示，层别按照钢种、终轧带钢宽度以及终轧带钢厚度进行划分；

步骤2：采用统计学3σ原则对各层别的生产数据进行降噪处理；

步骤3：将降噪后的生产数据按一定的比例划分为训练集和测试集两个集合，集合划分要保持数据分布的一致性；

步骤4：将降噪后的各层别的生产数据构成观测值矩阵，并对观测值矩阵进行标准化变换和降维处理，获得降维后的标准化矩阵；

步骤5：将降维后的标准化矩阵作为支持向量机模型的输入，采用基于杂交的粒子群优化算法对支持向量机模型的参数进行优化；

步骤6：采用优化获得的最优参数组合构造支持向量机带钢出口凸度预报模型；

步骤7：用训练集训练支持向量机带钢出口凸度预报模型，用测试集测试支持向量机带钢出口凸度预报模型的泛化性能；

步骤8：采用决定系数R²，平均绝对误差MAE，平均绝对百分误差MAPE，均方根误差RMSE来评价支持向量机带钢出口凸度预报模型的整体性能。