一种基于数据驱动和机理模型融合的板带钢凸度预测方法与流程

技术特征：
1.一种基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，包括如下步骤：步骤1：采集出口板凸度的实际值、热连轧生产线与出口板凸度相关的实测数据及过程自动化级计算数据，将所述实测数据和计算数据作为建立带钢凸度预测dnn模型的输入数据；步骤2：建立热连轧出口板凸度机理模型，计算获得板带钢出口凸度的计算值作为出口板凸度的基准值，并计算出口板凸度的基准值与出口板凸度的实际值的偏差量作为建立带钢凸度预测dnn模型的输出数据；步骤3：将输入数据和输出数据构成的建模数据随机划分为训练集数据与测试集数据；步骤4：基于训练集数据构建带钢凸度预测dnn模型，选取模型参数，并对带钢凸度预测dnn模型进行训练；步骤5：采用测试集数据输入到训练完的带钢凸度预测dnn模型中进行参数预测，获得出口板凸度偏差量的预测值；步骤6：将出口板凸度偏差量的预测值与出口板凸度的基准值相加，获得最终的板凸度预测值，采用均方误差mse、均方根误差rmse、性能指标平均绝对误差mae、相关系数r评估预测结果，分析预测精度。2.如权利要求1所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，所述步骤1具体为：步骤1.1：选用精轧八机架连轧生产线，以板凸度机理为依据并结合热连轧轧制工艺，确定以下影响因素：轧件出口宽度、轧件入口温度、轧件出口温度、机架轧制力、机架弯辊力、机架轧辊磨损量、轧件出口速度、轧件出口厚度、轧件热膨胀量、轧件变形抗力；步骤1.2：根据影响因素从现场提取实测数据和过程自动化级计算数据，其中实测数据包括：精轧f8机架的轧件出口宽度、精轧f1机架的轧件入口温度、精轧f8机架的轧件出口温度、精轧f1-f8机架轧制力、精轧f1-f8机架弯辊力、精轧f8机架的轧件出口厚度、精轧f1-f8机架的轧件出口速度、精轧f8机架的轧件出口板凸度；过程自动化级计算数据包括精轧f1-f8机架的轧件变形抗力、精轧f1-f7机架的轧件出口厚度、精轧f1-f8机架的轧制公里数、精轧过程轧件热膨胀量。3.如权利要求1所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，所述步骤2具体包括：步骤2.1：建立热连轧出口板凸度机理模型，数学公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，为板带钢出口凸度；、分别为使辊系发生弯曲变形的机架轧制力和机架弯辊力；、分别为轧机横向刚度、弯辊横向刚度；为可控辊型辊凸度；为由轧辊热膨胀导致的轧辊热凸度；为由轧辊磨损导致的轧辊磨损凸度；为轧辊初始辊凸度；为入口带钢凸度；为入口板凸度系数、为可控辊型辊凸度系数、为综合凸度系数；步骤2.2：根据下式计算由轧辊热膨胀导致的轧辊热凸度：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，为轧辊的热膨胀系数；为轧辊的泊松系数；为坐标位于处的温度，r为沿轧辊半径方向的变量，z为沿轧辊长度方向的变量；为轧辊初始温度；对模型进行简化处理，将轧辊温度看作均匀分布；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为带钢在温度变化为时的热膨胀量；为膨胀前的长度；步骤2.3：根据下式计算轧辊磨损量：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，为轧辊磨损量；为与轧辊材质和带钢材质有关的系数，为第n架轧机轧第i卷钢时的轧制力；为第n架轧机轧第i卷钢时的轧后长度；为轧辊磨损系数；x为磨损量的位置；为带钢宽度；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式中，、、分别为第n架轧机轧第i卷钢时的轧后长度、宽度、厚度，、、分别为带钢轧前长度、宽度、厚度；步骤2.4：根据下式计算由轧辊磨损导致的轧辊磨损凸度：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）式中，为轧辊磨损凸度，表示磨损量的位置x=0时的轧辊磨损量，表示磨损量的位置x=
±
1时的轧辊磨损量；当x=0时，对应带钢中心线处，此时：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）当x=
±
1时，对应带钢边部，此时：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）步骤2.5：将热连轧出口板凸度机理模型中除了机架轧制力、机架弯辊力、轧辊热凸度和轧辊磨损凸度之外的其余变量看作定值，计算板带钢出口凸度值，并将板带钢出口凸度值作为出口板凸度的基准值。4.如权利要求1所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，所述步骤4具体为：
步骤4.1：设计带钢凸度预测dnn模型的前向传播算法，并确定激活函数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式中，为矩阵法表示下的第1层输出；为矩阵法表示下的第l层输出，其中，l为神经网络总层数；、为第l层的矩阵，为第l层的偏倚向量；x为输入向量；为激活函数；激活函数具体为sigmoid激活函数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）式中，d为激活函数的输入；步骤4.2：设计带钢凸度预测dnn模型的反向传播算法中的损失函数：采用均方差函数来度量训练集数据的输出损失：
ꢀꢀꢀ
（12）式中，y为带钢凸度预测dnn模型的目标输出；步骤4.3：采用adam优化算法，更新和计算模型参数，从而最小化损失函数；步骤4.4：采用基于不等间隔退火策略的余弦退火算法对带钢凸度预测dnn模型的学习率进行调节；步骤4.5：采用控制变量法选取网络隐含层个数，选取隐含层节点数和每次训练时所使用的数据组数，完成对带钢凸度预测dnn模型的训练。5.如权利要求4所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，构建的带钢凸度预测dnn模型的隐含层个数为3层，隐含层节点数为50个，一次训练所选取的数据组数为128组。6.如权利要求1所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，所述步骤6具体为：步骤6.1：将出口板凸度偏差量的预测值与出口板凸度的基准值相加，获得基于带钢凸度预测dnn模型的板凸度预测值；步骤6.2：将出口板凸度直接作为dnn模型的输出并进行预测得到基于dnn模型的板凸度预测值；步骤6.3：根据热连轧出口板凸度机理模型计算获得出口板凸度计算值；步骤6.4：采用均方误差mse、均方根误差rmse、性能指标平均绝对误差mae、相关系数r评估步骤6.1-6.3的预测结果，分析预测精度。7.如权利要求6所述的基于数据驱动和机理模型融合的板带钢凸度预测方法，其特征在于，所述步骤6.4中：所述均方误差mse根据下式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）
所述均方根误差rmse根据下式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（14）所述性能指标平均绝对误差mae根据下式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（15）所述相关系数r根据下式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）式中，为出口板凸度的实际值，为通过相应模型获得的预测值，为出口板凸度的实际值的均值，n为测试集数据中数据的总组数。

技术总结
本发明属于带钢产品品质控制技术领域，涉及一种基于数据驱动和机理模型融合的板带钢凸度预测方法，通过建立热连轧出口板凸度机理模型，将机理模型与DNN模型结合建立带钢凸度预测DNN模型，以机理模型计算值作为出口板凸度的基准值，并将基准值与出口板凸度的实际值的偏差量作为带钢凸度预测DNN模型的输出，再将基于带钢凸度预测DNN模型的预测值与基准值的和作为最终的板带钢凸度预测值。本发明方法将计算值和实际值的偏差作为DNN模型输出，可减小预测误差范围，为更精准的板形控制提供保障。现阶段热连轧生产线在工业数据的收集与存储方面皆较为完善，因此本发明有较强的推广能力，为提高板带钢出口板凸度的精度提供新方法。法。法。


技术研发人员：李旭 陈楠 丁敬国 栾峰 吴艳 马冰冰 高坤 霍利锋 王海深 李伟
受保护的技术使用者：东北大学
技术研发日：2022.01.04
技术公布日：2022/2/8