[发明专利]一种基于冷轧全流程数据的硅钢铁损预测方法

说明书

本发明一种基于冷轧全流程数据的硅钢铁损预测方法，其对冷轧硅钢进行全流程物料跟踪，以基于聚类算法分类，并选取代表性工艺作为神经网络的训练集来对冷轧硅钢铁损进行预测，以探明冷轧各机组工艺对冷轧硅钢铁损的影响。

技术领域

本发明涉及冷轧硅钢技术领域，具体是涉及一种基于冷轧全流程数据的硅钢铁损预测方法。

背景技术

铁损是冷轧硅钢最重要的质量参数，其直接决定冷轧硅钢的使用性能。目前的文献主要认为炼钢成分与温度、热轧加热与冷却制度对硅钢铁损影响较大，如《新钢50W1300铁损不良原因分析及控制方法》文章中通过分析发现50W1300铁损不良的原因主要是与热轧加热炉加热温度偏高、板坯和加热炉水梁接触处温度偏低、加热炉加热温度不均等有关。又如《炼钢工艺和成分体系对B50A1300硅钢铁损的影响》探讨了精炼RH吹氧量、w[Mn]²/w[Si]比值、FeAl预脱氧效果以及连铸钢水镇静时间等对B50A1300硅钢铁损的影响。

然而实际生产发现，冷轧硅钢生产各工序，包括常化酸洗机组，轧机，连续退火涂层机组等对冷轧硅钢的铁损也有较大影响，但是目前尚没有建立冷轧各机组工艺与冷轧硅钢铁损的机理模型，甚至未发现相关的定量分析的数据模型。

发明内容

本发明旨在提供一种基于冷轧全流程数据的硅钢铁损预测方法，以探明冷轧各机组工艺对冷轧硅钢铁损的影响。

具体方案如下：

一种基于冷轧全流程数据的硅钢铁损预测方法，包括如下步骤：

S1、对冷轧硅钢进行全流程物料跟踪，其至少包括常化酸洗机组、轧机、连续退火涂层机组的工艺数据，完成钢卷所经历各机组的工艺数据采集，以及硅钢的在线铁损数据采集，并通过机组间长度映射，得到原料各处所对应的各机组长度位置及该位置处的工艺参数及最终铁损值，每一卷钢的每个原料位置得到一组数据d，且其包括输入数据di(工艺数据)及输出数据do(铁损数据)；

S2、针对每个原料卷，获取它们的所有组数据d，构成一个数据集D；其中数据集D包括输入数据集Di及输出数据集Do；

使用DBSCAN聚类方法对Di进行聚类分析，得到N1个聚类；

使用DBSCAN聚类方法对Do进行聚类分析，得到N2个聚类；

S3、步骤S2中的Di、Do两次聚类是完全独立运行的，其得到N1×N2＝M种聚类组合，即每个数据d都属于M种聚类组合的其中之一，在M种聚类中各挑选现有的cnt组数据，形成新的数据集D；若该聚类包括的数据d个数小于cnt，则选择全部数据d；

S4、对训练数据集进行BP神经网络训练，其中BP神经网络的输入数据为输入数据集Di，输出数据为输出数据集Do；BP神经网络采用三层网络，首层神经元个数为工艺数据个数E，隐层神经元个数为E/2.5并取整数，且保证其大于6小于15，输出层神经元个数为1；

S5、使用建立的神经网络对新的硅钢钢卷进行铁损预报。

进一步的，步骤S3中挑选数据过程如下：

S31、计算各组数据相对零点的欧式距离；

S32、按照距离升序排列；

S33、然后根据距离等间隔挑选。

本发明提供的基于冷轧全流程数据的硅钢铁损预测方法与现有技术相比较具有以下优点：

1、建立了冷轧硅钢铁损的影响模型，以探明冷轧各机组工艺对冷轧硅钢铁损的影响。

2、基于冷轧全流程数据对冷轧硅钢铁损进行预测，能有效提高冷轧硅钢的质量。

3、采用神经网络建立了冷轧各机组工艺对冷轧硅钢铁损的影响，克服了机理模型研究过程的技术瓶颈。