论文部分内容阅读
本文针对热轧板带质量控制过程中多变量、非线性、强耦合和时变性等问题,以某1580mm热连轧CVC轧机生产线为数据支撑,人工智能算法为实现手段,探讨了热轧带钢的主要变形机理,围绕轧制机理和数据的融合机制展开研究,并将轧制机理融入机器学习（Machine Learning,ML）过程中,旨在建立机理融合数据的高精度板带质量预测模型。最后提出了遗传算法优化下的M-SVR和WP-M-SVR两种预测及优化控制模型,为热连轧板带质量的预测和精准调控提供了一种新的解决思路且满足实际生产要求。本文主要研究内容如下:（1）综合考虑影响带钢厚度和板形的主要特征参数,采集大量轧制过程数据,包括轧制头尾部数据。为了避免样本数据发散,减弱噪声的影响,采用Pauta标准对数据进行处理,通过对样本数据的分析和过滤,提取出重要信息,并剔除无效异常点,保证样本数据完整性与可靠性。（2）为了解决数据模型在复杂轧制环境变化下的不稳定问题,研究了带钢的主要变形机理,分别从板形的控制机理、温度变化下带钢内部转换规律以及相邻机架张力作用下的带钢变形方面分析,建立了带钢临界翘曲模型、金属热膨胀模型以及机架间二次变形模型,为建立具有较高鲁棒性的机理融合数据预测模型提供理论支撑,进一步提高模型的预测精度。（3）以热连轧生产线为数据支撑,分析工艺参数对板形的影响,建立了基于数据驱动的多输出支持向量回归（Multi-output Support vector Regression,M-SVR）预测模型,并采用带有精英策略的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm,NSGA-Ⅱ）优化M-SVR模型多个参数,预测了热连轧精轧出口处的带钢宽度和厚度。实验结果表明,所提出的基于数据驱动的机器学习M-SVR板带宽度-厚度预测模型预测效果良好且具有较强的适用性。（4）针对热轧板带质量控制过程的多变量、非线性、强耦合以及时变的特性,将轧制机理数据与过程数据通过加权融合处理（Weighted Processing,WP）的方法,对特征信息进行加权平均,得到的融合值参与模型训练,目的是增加强相关性特征与模型之间的联系。基于WP建立轧制机理引导机器学习的热连轧带钢厚度-板形预测模型（WP-M-SVR）,并采用NSGA-ⅡI对M-SVR的多个参数进行目标优化,提高预测模型的性能。实验结果证明,基于轧制机理融合数据的方法所建立的WP-M-SVR模型显示出较高的预测精度,为实现热连轧板带的质量提升和精确控制提供了解决思路。