一种带钢的拉矫处理方法及装置与流程

本发明涉及轧钢技术领域，尤其涉及一种带钢的拉矫处理方法及装置。

背景技术：

镀锌拉矫工艺在改善带材力学性能、提高产品板形质量等方面起到关键作用，通过给带材施加一定的拉矫延伸率，一方面达到成品带材所需要的性能，另外可以消除拉矫前带材存在的浪形、翘曲缺陷，达到改善板形质量的目的。

影响拉矫质量的参数包括矫直辊插入量、拉矫延伸率、拉矫张力，拉矫机使用模式包括张力模式和延伸率模式。

1)当使用延伸率模式时，延伸率与插入量决定了拉矫张力值大小，通过自动反馈控制实现拉矫张力的稳定，拉矫张力存在预设定值，但当预设定与实际所需张力值相差较大时，导致张力调整过程过长，拉矫延伸率波动大，拉矫效果差。

2)当使用张力模式时，拉矫张力设定值的大小，直接决定了拉矫延伸率值大小，因此对最终产品板形及性能至关重要。

目前产线拉矫张力值都依靠操作工经验设定，不同操作工设定值差异较大，对最终成品质量影响巨大。

因此，如何提高带钢的成品质量是亟待解决的技术问题。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的带钢的拉矫处理方法及装置。

本发明实施例提供一种带钢的拉矫处理方法，所述方法包括：

基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型：

其中，σ'f为计算拉矫张力，σs为带材屈服强度、h为带材厚度、ε为拉矫延伸率、δ为矫直辊插入量，a2、a3为厚度影响系数；a4、a5、a6为屈服强度影响系数；a7、a8、a9为拉矫延伸率影响系数；a10、a11为矫直辊插入量影响系数；a1、a12为综合影响系数；

基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵，所述拉矫参数包括拉矫张力、带材屈服强度、带材厚度、拉矫延伸率、矫直辊插入量：

基于所述拉矫参数矩阵，对所述拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，得到优化的拉矫张力的数学模型。

优选的，所述基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型，具体为：

基于所述拉矫张力与所述带材屈服强度、拉矫延伸率成二次函数关系，所述拉矫张力与带材厚度h成指数函数关系，所述拉矫张力与所述矫直辊插入量成一次函数关系，建立拉矫张力的数学模型。

优选的，n的取值范围为[1500，2500]。

优选的，所述基于所述拉矫参数矩阵，对所述拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，具体包括：

对拉矫张力的数学模型的系数的值预设初始值；

将所述预设初始值和拉矫参数矩阵代入所述拉矫张力的数学模型，获得n组计算拉矫张力值；

基于所述n组计算拉矫张力值与n组实际拉矫张力值，获得基于所述预设初始值的适应度结果；

在基于所述预设初始值的适应度结果小于预设值时，对所述预设初始值采用遗传算法计算，获得迭代后的第一代预测系数值；

基于所述第一子代系数值、所述拉矫参数矩阵s以及拉矫张力的数学模型，获得基于所述第一子代系数值的适应度结果；

判断基于所述第一子代系数值的适应度结果是否大于预设值；

在小于所述预设值时，继续对所述第一子代系数值采用遗传算法进行迭代，直至获得的第n子代系数值的适应度结果大于所述预设值时，获得所述优化后的拉矫张力的数学模型的系数的值。

优选的，所述基于所述预设初始值的适应度结果的计算公式如下：

其中，σf为n组实际生产中的拉矫张力值中的第i组实际拉矫张力值，σ'f为n组计算拉矫张力值中的第i组计算拉矫张力值。

本发明实施例还提供一种带钢的拉矫处理装置，包括：

拉矫张力的数学模型建立模块，用于基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型：

其中，σ'f为计算拉矫张力，σs为带材屈服强度、h为带材厚度、ε为拉矫延伸率、δ为矫直辊插入量，a2、a3为厚度影响系数；a4、a5、a6为屈服强度影响系数；a7、a8、a9为拉矫延伸率影响系数；a10、a11为矫直辊插入量影响系数；a1、a12为综合影响系数；

拉矫参数矩阵建立模块，用于基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵，所述拉矫参数包括拉矫张力、带材屈服强度、带材厚度、拉矫延伸率、矫直辊插入量：

优化模块，用于基于所述拉矫参数矩阵，对所述拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，得到优化的拉矫张力的数学模型。

优选的，所述拉矫张力的数学模型建立模块，具体用于：

基于所述拉矫张力与所述带材屈服强度、拉矫延伸率成二次函数关系，所述拉矫张力与带材厚度成指数函数关系，所述拉矫张力与所述矫直辊插入量成一次函数关系，建立拉矫张力的数学模型。

优选的，所述优化模块具体包括：

初始值预设单元，用于对拉矫张力的数学模型的系数的值预设初始值；

第一获得单元，用于将所述预设初始值和拉矫参数矩阵代入所述拉矫张力的数学模型，获得n组计算拉矫张力值；

第二获得单元，用于基于所述n组计算拉矫张力值与n组实际拉矫张力值，获得基于所述预设初始值的适应度结果；

第三获得单元，用于在基于所述预设初始值的适应度结果小于预设值时，对所述预设初始值采用遗传算法计算，获得迭代后的第一代预测系数值；

第四获得单元，用于基于所述第一子代系数值、所述拉矫参数矩阵s以及拉矫张力的数学模型，获得基于所述第一子代系数值的适应度结果；

判断单元，用于判断基于所述第一子代系数值的适应度结果是否大于预设值；

第五获得单元，用于在小于所述预设值时，继续对所述第一子代系数值采用遗传算法进行迭代，直至获得的第n子代系数值的适应度结果大于所述预设值时，获得所述优化后的拉矫张力的数学模型的系数的值。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现一种冷轧镀锌产线拉矫张力的模型建立方法的步骤。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供的一种带钢的拉矫处理方法，该方法包括：基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型，基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵，基于拉矫参数矩阵，对拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，来得到优化的拉矫张力的数学模型，最后，基于该优化后的数学模型，对冷轧镀锌拉矫工艺中的带钢进行拉矫处理，进而在理论的基础上结合实际操作经验，获得准确度较高的拉矫张力模型，从而提供精确度较高的拉矫张力，采用这样的方式获得拉矫张力对带钢进行拉矫处理，使得成品质量较高，避免不同操作工设定拉矫张力值时存在差异，造成对带材质量的影响的技术问题。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中的一种带钢的拉矫处理方法的步骤流程示意图；

图2示出了本发明实施例中预设模型的目标函数值的变化曲线示意图；

图3示出了本发明实施例中冷轧镀锌产线拉矫张力的模型建立装置的示意图；

图4示出了本发明实施例中计算机设备的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在冷轧工艺的流程中，由原材料进行酸洗、冷轧、脱脂、退火、平整、镀锌拉矫、涂油、包装、库存。

其中在镀锌拉矫工艺中，一般是通过拉矫机对带钢的拉矫张力进行设定，然后利用设定好的拉矫张力对带钢进行拉矫，从而保证带钢具有一定的拉矫延伸率，而拉矫延伸率是衡量拉矫机板带矫直能力的重要指标，实现拉延效率与弯延效率的合理匹配对提升产品质量至关重要。

本发明第一实施例提供一种带钢的拉矫处理方法，如图1所示，该方法包括：s101，基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型；s102，基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵s，拉矫参数包括拉矫张力、带材屈服强度、带材厚度、拉矫延伸率、矫直辊插入量；s103，基于拉矫参数矩阵s，对该拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，得到优化的拉矫张力的数学模型；s104，基于优化的拉矫张力的数学模型，对冷轧镀锌拉矫工艺中的带钢进行拉矫处理。也就是说，拉矫机利用优化的拉矫张力的数学模型来设定拉矫张力，然后对冷轧镀锌拉矫工艺中的带钢进行拉矫处理。

在s101中，具体是基于该拉矫张力与带材屈服强度、拉矫延伸率成二次函数关系，该拉矫张力与带材厚度h成指数函数关系，该拉矫张力与矫直辊插入量成一次函数关系，建立拉矫张力的数学模型。

具体的拉矫张力的数学模型如下：

其中，σ'f为计算拉矫张力，σs为带材屈服强度、h为带材厚度、ε为拉矫延伸率、δ为矫直辊插入量，a2、a3为厚度影响系数；a4、a5、a6为屈服强度影响系数；a7、a8、a9为拉矫延伸率影响系数；a10、a11为矫直辊插入量影响系数；a1、a12为综合影响系数。

也就是说，在建立该拉矫张力的数学模型时，仅仅知道该拉矫张力与影响拉矫张力的参数之间的耦合关系，并无法确定具体的实际关系式，仅根据该拉矫张力和影响该拉矫张力的参数之间的耦合关系，构建了一个拉矫张力的数学模型框架，即具体的数学模型中的函数关系的系数无法确定。

该函数关系的系数直接影响该拉矫张力的数学模型的准确性，因此，需要对该系数的值进行确定。

在s102中，采集n组实际生产中的拉矫参数数据，建立拉矫参数矩阵。

具体地，影响拉矫张力的各个因素具体包括：带材屈服强度、带材厚度、拉矫延伸率、矫直辊插入量。因此，根据每组拉矫参数数据，构建拉矫参数矩阵s。

其中，σf1＝f(σs1h1ε1δ1)……σfn＝f(σsnhnεnδn)。

σfn为第n组实际生产中的实际拉矫张力，σsn为第n组实际生产中的实际带材屈服强度，hn为第n组实际生产中的实际带材厚度，εn为第n组实际生产中的实际拉矫延伸率，δn为第n组实际生产中的实际矫直辊插入量。

得到拉矫参数矩阵s

其中，n取值范围是[1500，2500]，具体可取值2002，也就是可以使用2002卷数据。

在s103中，基于该拉矫参数矩阵s，对拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，得到优化的拉矫张力的数学模型。

具体的，首先，对拉矫张力的数学模型的系数的值预设初始值，比如，预设α1＝1、α2＝2、α3＝3、α4＝4、α5＝5、α6＝6、α7＝7、α8＝8、α9＝9、α10＝10、α11＝11、α12＝12。

接着，将该预设初始值和拉矫参数矩阵s代入拉矫张力的数学模型，获得n组计算拉矫张力值。就是在利用该预设初始值，使得该拉矫张力的数学模型成为完整的数学模型，再将拉矫参数矩阵s中除拉矫张力值之外其他影响参数值代入该完整的数学模型中，得到计算拉矫张力值，该计算拉矫张力值与实际拉矫张力值(拉矫参数矩阵s中与代入计算的其他影响参数值对应的拉矫张力的值)存在差异。

因此，基于n组计算拉矫张力值与n组实际拉矫张力值，获得基于该预设初始值的适应度结果。

其中，该预设初始值的适应度结果的计算公式如下：

其中，σf为n组实际生产中的拉矫张力值中的第i组实际拉矫张力值，σ'f为n组计算拉矫张力值中的第i组计算拉矫张力值。第i组实际拉矫张力值和第i组计算拉矫张力值都对应同一组影响该拉矫张力的参数的值。

在获得基于预设初始值的适应度结果之前，还获得对拉矫张力的数学模型的系数的预设模型的目标函数表达式：

如果第i组计算拉矫张力值与对应的第i组实际拉矫张力值的差值越小，即上述目标函数值越小，则该系数的预设初始值的适应度结果越高，则该系数值对应的拉矫张力的数学模型的精度越高。

为了验证此时的预设初始值是否能够使得该拉矫张力的数学模型精度更高，通过判断该预设初始值的适应度结果是否大于预设值，当在大于该预设值时，确定该预设初始值对应的拉矫张力的数学模型是准确的。当小于该预设值时，确定该预设初始值对应的拉矫张力的数学模型不准确，需要重新对拉矫张力的数学模型的系数的值进行预测。

在对拉矫张力的数学模型的系数的值进行预测时，采用遗传算法进行预测，具体的预测规模nind＝300-500，具体可以取值nind＝500，最大遗传代数maxgen＝200-300，具体可以取值maxgen＝300，父代和子代代沟ggap＝0.7-0.9，具体可以取值ggap＝0.8，交叉概率pc＝0.6-0.7，具体可以取值pc＝0.65，变异概率pm＝0.01-0.035，具体可以取值pm＝0.035。

在基于预设初始值的适应度结果小于预设值时，对预设初始值采用遗传算法计算，获得迭代后的第一代预测系数值。

基于该第一子代系数值、拉矫参数矩阵s以及拉矫张力的数学模型，从而获得基于该第一子代系数值的适应度结果。类似获得基于预设初始值的适应度结果的过程。

再判断该第一子代系数值的适应度结果，当该第一子代系数值小于预设值时，继续对该第一子代系数值采用遗传算法进行迭代，直至获得第n子代系数值的适应度结果大于预设值时，获得了优化后的拉矫张力的数学模型的系数的值。从而获得该优化的拉矫张力的数学模型。

本发明实施例中采用遗传迭代到300代时的目标函数趋于稳定，达到的较好的优化效果，具体如图2所示。得到的拉矫张力的数学模型的系数为α1＝6.34、α2＝-0.99、α3＝-11.05、α4＝-3.80、α5＝19.90、α6＝-0.24、α7＝0.008、α8＝14.95、α9＝0.56、α10＝2.75、α11＝20.25、α12＝28.69。获得的优化的拉矫张力的数学模型:

σ'f＝6.34e^-0.99h-11.1(3.80σs²+19.9σs-0.24)(0.008ε²+14.95ε+0.56)(2.75δ-20.25)+28.69

采用该优化后的拉矫张力的数学模型，对应各拉矫工艺参数下的计算拉矫张力值和实际拉矫张力值基本是吻合的。上述采用的n组实际生产中的拉矫参数数据，当采用的实际生产中的拉矫参数数据在500组之内时，计算拉矫张力值和实际拉矫张力值有偏差，等到实际生产中的拉矫参数数据达到1000组左右时，计算拉矫张力值和实际拉矫张力值的偏差逐渐缩小，等到实际生产中的拉矫参数数据达到2000组左右时，计算拉矫张力值和实际拉矫张力值的偏差再次减小，可见在采用2000组左右的实际生产中的拉矫参数数据来对该拉矫张力的数学模型进行优化，使得该模型得到的计算拉矫张力值和实际拉矫张力值基本吻合。

最后，执行s104，基于该优化的拉矫张力的数学模型，对冷轧镀锌工艺中的带钢进行拉矫处理。

在实际的应用中，采用该优化的拉矫张力的数学模型，应用于1970镀锌拉矫机组，即冷轧镀锌工艺中的带钢进行拉矫处理，使得拉矫张力设定精度大幅度提高，总体模型精度达到92％以上，同时，拉矫延伸率控制精度得到保障，消除了拉矫延伸率波动及因操作工主观设置导致的延伸率差异问题，提高了成品带钢的整体板形和性能质量。

基于同一发明构思，本发明的第二实施例提供一种带钢的拉矫处理装置，如图3所示，包括：

拉矫张力的数学模型建立模块301，用于基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型：

其中，σ'f为计算拉矫张力，σs为带材屈服强度、h为带材厚度、ε为拉矫延伸率、δ为矫直辊插入量，a2、a3为厚度影响系数；a4、a5、a6为屈服强度影响系数；a7、a8、a9为拉矫延伸率影响系数；a10、a11为矫直辊插入量影响系数；a1、a12为综合影响系数；

拉矫参数矩阵建立模块302，用于基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵，所述拉矫参数包括拉矫张力、带材屈服强度、带材厚度、拉矫延伸率、矫直辊插入量；

具体该拉矫参数矩阵s：

优化模块303，用于基于所述拉矫参数矩阵，对所述拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，得到优化的拉矫张力的数学模型；

处理模块304，用于基于优化的拉矫张力的数学模型，对冷轧镀锌拉矫工艺中的带钢进行拉矫处理。

在一种优选的实施方式中，所述拉矫张力的数学模型建立模块，具体用于：

基于所述拉矫张力与所述带材屈服强度、拉矫延伸率成二次函数关系，所述拉矫张力与带材厚度成指数函数关系，所述拉矫张力与所述矫直辊插入量成一次函数关系，建立拉矫张力的数学模型。

在一种优选的实施方式中，n的取值范围为[1500，2500]。

在一种优选的实施方式中，所述优化模块具体包括：

初始值预设单元，用于对拉矫张力的数学模型的系数的值预设初始值；

第一获得单元，用于将所述预设初始值和拉矫参数矩阵s代入所述拉矫张力的数学模型，获得n组计算拉矫张力值；

第二获得单元，用于基于所述n组计算拉矫张力值与n组实际拉矫张力值，获得基于所述预设初始值的适应度结果；

第三获得单元，用于在基于所述预设初始值的适应度结果小于预设值时，对所述预设初始值采用遗传算法计算，获得迭代后的第一代预测系数值；

第四获得单元，用于基于所述第一子代系数值、所述拉矫参数矩阵s以及拉矫张力的数学模型，获得基于所述第一子代系数值的适应度结果；

判断单元，用于判断基于所述第一子代系数值的适应度结果是否大于预设值；

第五获得单元，用于在小于所述预设值时，继续对所述第一子代系数值采用遗传算法进行迭代，直至获得的第n子代系数值的适应度结果大于所述预设值时，获得所述优化后的拉矫张力的数学模型的系数的值。

在一种优选的实施方式中，第四获得单元中获得的基于所述预设初始值的适应度结果的计算公式如下：

其中，σf为n组实际生产中的拉矫张力值中的第i组实际拉矫张力值，σ'f为n组计算拉矫张力值中的第i组计算拉矫张力值。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供的一种带钢的拉矫处理方法，该方法包括：基于拉矫张力分别与拉矫延伸率、带材屈服强度、带材厚度、矫直辊插入量的耦合关系，建立拉矫张力的数学模型，基于n组实际生产中的拉矫参数数据，建立拉矫参数矩阵，基于拉矫参数矩阵，对拉矫张力的数学模型进行优化，获得优化后的拉矫张力的数学模型的系数的值，来得到优化的拉矫张力的数学模型，最后，基于该优化后的数学模型，对冷轧镀锌拉矫工艺中的带钢进行拉矫处理，进而在理论的基础上结合实际操作经验，获得准确度较高的拉矫张力模型，从而提供精确度较高的拉矫张力，避免不同操作工设定拉矫张力值时存在差异，造成对带材质量的影响的技术问题。

基于同一发明构思，本发明第三实施例还提供了一种计算机设备，如图4所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机设备可以为包括个人计算机、手机、平板电脑、pda(personaldigitalassistant，个人数字助理)、pos(pointofsales，销售终端)等任意终端设备，以计算机设备为个人计算机为例：

图4示出的是与本发明实施例提供的计算机设备相关的部分结构的框图。参考图4，该计算机设备包括：存储器401和处理器402。本领域技术人员可以理解，图4中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图4对计算机设备的各个构成部件进行具体的介绍：

存储器401可用于存储软件程序以及模块，处理器402通过运行存储在存储器401的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储数据(比如音频数据、电话本等)等。此外，存储器401可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器402是计算机设备的控制中心，通过运行或执行存储在存储器401内的软件程序和/或模块，以及调用存储在存储器401内的数据，执行各种功能和处理数据。可选的，处理器402可包括一个或多个处理单元；优选的，处理器402可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。

在本发明实施例中，该计算机设备所包括的处理器402可以具有前述第一实施例中任一方法步骤所对应的功能。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。