一种冷轧机数据驱动的工艺参数优化方法与流程

本发明属于金属板带材冷轧技术领域，具体涉及一种冷轧机数据驱动的工艺参数优化方法

背景技术：

随着社会发展，冷轧带钢在钢材消费中发挥越来越重要的作用。在带钢生产中，坯料经过数道次轧制，依道次减薄，最终轧制出符合生产标准的成品钢材。这一系列的轧制过程是设计者按照原料的厚度、宽度、钢种类型、轧辊辊径、电机容量限制条件和轧制负荷限制条件等来设定压下规程、各个道次的轧制速度、轧制力、张力等。轧制工艺参数是轧机生产工艺的核心内容，是轧机生产能力发挥、产品厚度精度的基本保证，因此轧制工艺参数的优化尤为重要。

传统的冷轧机工艺参数优化方法是基于冷轧机的机理模型进行优化，由于机理模型的复杂性，优化过程中会对一些复杂计算进行简化，导致优化时间较长且优化结果准确性较低。

技术实现要素：

本发明提供一种冷轧机数据驱动的工艺参数优化方法，可以避免机理模型的复杂性，大大减少冷轧机工艺参数的优化时长，提高轧制产品的精度。

为实现上述目的，本发明所采取的技术方案其特征是具体步骤如下：

<1>数据的获取：

①从冷轧厂获取轧机压下规程、轧制速度、轧制时的张力及产品厚差数据；

②计算出每一卷的产品厚差平均值；

③给定工艺参数调整范围，见表一，表中h1为第二道次入口厚度、h2为第二道次出口厚度、v1为第一道次轧制速度、v2为第二道次轧制速度、v3为第三道次轧制速度、σ2为第一道次前张力、σ3为第二道次前张力、σ4为第二道次后张力、σ5为第三道次前张力、σ6为第三道次后张力；

表一工艺参数的调整范围

<2>建立rbf模型：

①明确有效数据的条数及优化变量维数，基函数选择thinplatespline函数；

②数据采用留一交叉验证法检验所建立rbf模型的准确率；

③检验模型的准确率时，使用模型分别对样本中的每一条数据进行估值，与实际值进行比较，两者之差占实际值的百分比小于50％时，认为预测准确，程序流程图见图2；

④得到的rbf模型作为适应函数用于遗传算法；

<3>采用遗传算法迭代求得最优值：

①产生初始种群：随机产生种群大小popsize＝100，使用适应函数进行计算；

②交叉：种群中每个个体都随机与种群中的其他个体交叉，共产生2倍子代种群，每个决策变量进行交叉的概率cr＝0.5；

③变异：对交叉产生的子代进行变异，个体的每个决策变量进行变异的概率cv＝0.01，变异时产生一个在参数调整范围内的随机数，替代原来的决策变量；

④选择：将父代与子代混合，选择种群中适应度值最小的个体；

⑤迭代次数maxlteration＝50；

⑥将每一代最好的个体适应度值即最小厚差记录下来，得到最小厚差随种群迭代次数的收敛图；

<4>求得优化后的工艺参数：

经过建模及使用遗传算法迭代50次，得到一组最小厚差tmin所对应的工艺参数即为优化结果，为了避免结果的偶然性，将程序独立运行n次，取n次最小厚差tmin的平均值t^*min，发现t^*min比原始数据中厚差要小很多，达到了优化目的，n为正整数。

附图说明

图1为rbf模型建立及遗传算法的程序流程图；图2为留一交叉验证法程序流程图；图3为最小厚差随种群迭代次数的收敛图。

具体实施方式

<1>数据的获取：

①从某冷轧厂获取近半年的轧机压下规程、轧制速度、轧制时的张力及产品厚差数据，筛选出25卷轧制道次、轧件的入口厚度、轧件的出口厚度均相同的同一型号产品工艺数据，从获取的25组数据中提取出第二道次入口厚度h1、第二道次出口厚度h2、第一道次轧制速度v1、第二道次轧制速度v2、第三道次轧制速度v3、第一道次前张力σ2、第二道次前张力σ3、第二道次前后力σ4、第三道次前张力σ5、第三道次后张力σ6，由于本次数据都是三个道次且产品型号、产品坯料厚度、产品最终厚度均相同，故未考虑第一道次入口厚度及第三道次出口厚,见表二；

②计算出每一卷的产品厚差平均值t，见表二；

③给定工艺参数调整范围，见表一；

<2>建立rbf模型：

①共获得了25条数据，变量为10维，见表二，基函数选择thinplatespline函数；

表二25条数据

②数据采用留一交叉验证法检验所建立rbf模型的准确率；

③检验模型的准确率时，使用模型分别对样本中的每一条数据进行估值，与实际值进行比较，两者之差占实际值的百分比小于50％时，认为预测准确，最终得到的结果是25个估值中有16个认为预测准确，所以准确率为64％，程序流程图见图2；

④得到的rbf模型作为适应函数用于遗传算法；

<3>采用遗传算法迭代求得最优值：

①产生初始种群：随机产生种群大小popsize＝100，使用适应函数进行计算；

②交叉：种群中每个个体都随机与种群中的其他个体交叉，共产生2倍子代种群，每个决策变量进行交叉的概率cr＝0.5；

③变异：对交叉产生的子代进行变异，个体的每个决策变量进行变异的概率cv＝0.01，变异时产生一个在参数调整范围内的随机数，替代原来的决策变量；

④选择：将父代与子代混合，选择种群中适应度值最小的个体；

⑤迭代次数maxlteration＝50；

⑥将每一代最好的个体适应度值即最小厚差记录下来，得到了最小厚差随种群迭代次数的收敛图，见图3；

<4>求得优化后的工艺参数：

经过建模及使用遗传算法迭代50次，得到一组最小厚差tmin所对应的工艺参数即为优化结果，本次参数优化结果取到小数点后两位，为了避免结果的偶然性，将程序独立运行30次，取30次最小厚差tmin的平均值t^*min＝0.88×10^-4um,见表三，可以发现优化后的厚差比原始数据中的厚差要小10000倍，达到优化目的。

传统优化方法优化用时需要几十秒甚至更多，而本次优化用时为0.15秒，大大提高了优化效率。

表三30次优化结果

。