一种基于机理和数据融合模型的冷轧轧制力预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115815342A(43)申请公布日2023.03.21(21)申请号202211433391.7(22)申请日2022.11.16(71)申请人北京科技大学地址100083北京市海淀区学院路30号(72)发明人赵剑威李京栋郄浩堂武则栋王晓晨杨荃(74)专利代理机构北京市广友专利事务所有限责任公司11237专利代理师张仲波付忠林(51)Int.Cl.B21B37/58(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于机理和数据融合模型的冷轧轧制力预测方法(57)摘要本发明公开了一种基于机理和数据融合模型的冷轧轧制力预测方法，包括：获取带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；计算出轧制力的实测值与机理模型计算值之间的偏差；基于上述数据，采用预设的神经网络模型构建数据驱动的冷轧轧制力偏差预报模型；结合冷轧轧制力机理模型与冷轧轧制力偏差预报模型，对冷轧轧制力进行实时计算。与轧制力机理模型相比，本方法兼备机理模型具有严格物理意义的特点以及数据驱动算法自适应能力强、可忽略机理问题复杂性的优势，可解决传统依托冷轧单工序建立的轧制力机理模型设定精度低的问题，具备更强的轧制力预测能力，可实现冷轧轧制力的在线预测，满足高精度轧制生产要求，提高冷轧带钢成品质量。CN115815342ACN115815342A权利要求书1/2页1.一种基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，包括：获取带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据；基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，然后计算出轧制力的实测值与机理模型计算值之间的偏差；以获取的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据为输入，以计算出的轧制力的实测值与机理模型计算值之间的偏差为输出，对预设的神经网络模型进行训练，得到数据驱动的冷轧轧制力偏差预报模型；结合所述冷轧轧制力机理模型与所述冷轧轧制力偏差预报模型，对目标机架的冷轧轧制力进行实时计算，得到所述目标机架的冷轧轧制力预测值。2.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述带钢冷轧轧制过程中的生产数据包括：轧机入口带钢厚度、轧机出口带钢厚度、轧辊压扁半径、机架前张力、机架后张力、道次压下率、轧制速度、变形抗力以及带钢宽度的实际值和设定值。3.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述热轧历史生产质量数据包括：热连轧机组的精轧出口温度、热连轧机组的卷取温度以及热轧来料厚度的实际值。4.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述基于冷轧轧制过程中的生产数据，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，具体为：基于冷轧轧制过程中的生产数据的设定值，采用冷轧轧制力机理模型计算出轧制力的机理模型计算值，公式如下：其中，Pm为轧制力的机理模型计算值；B为带钢宽度；H为轧机入口带钢厚度；h为轧机出口带钢厚度；R'为轧辊压扁半径；kp为变形抗力，kT为张力因子；Qp为应力状态系数；kT和Qp的计算公式分别如下：其中，tf和tb分别为当前机架的前后张力；r为道次压下率；μ为摩擦系数。5.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述以获取的带钢冷轧轧制过程中的生产数据和热轧历史生产质量数据为输入，以计算出的轧制力的实测值与机理模型计算值之间的偏差为输出，对预设的神经网络模型进行训练，得到数据驱动的冷轧轧制力偏差预报模型，包括：以冷轧当前机架的入口带钢厚度、出口带钢厚度、带钢宽度、前张力、后张力、工作辊半径、轧制速度和变形抗力的实际值，以及热连轧机组的精轧出口温度、热连轧机组的卷取温度和热轧来料厚度的实际值作为输入变量；以计算出的冷轧轧制力的实测值与机理模型计算值之间的偏差作为输出变量；对所述输入变量和所述输出变量进行归一化处理；2CN115815342A权利要求书2/2页采用归一化处理后的输入变量和输出变量对预设的神经网络模型进行训练，将训练好的模型作为数据驱动的冷轧轧制力偏差预报模型。6.如权利要求5所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，所述预设的神经网络模型为T‑S模糊神经网络模型。7.如权利要求5所述的基于机理和数据融合模型的冷轧轧制力预测方法，其特征在于，对所述输入变量和所述输出变量进行归一化处理表示为：其中，xi'为归一化处理后得到的标准化数据值；max{xj}和min{xj}分别为数据集中的最大和最小数据点；xi为当前处理的数据；n为数据集中的数据总数。8.如权利要求1所述的基于机理和数据融合模型的冷轧轧制力预测方法