一种基于支持向量机的轧制过程板凸度预测方法与流程

本发明属于板型预测方法技术领域，具体涉及一种基于支持向量机的轧制过程板凸度预测方法。

背景技术：

板形是指板带材的外貌形状，是板带产品质量的指标之一。板形实际上包含带钢截面几何形状和自然状态下板带材平直度两方面，因此要定量描述板形就涉及到凸度、楔形、边部减弱、局部高点和平坦度等多项指标，其中板凸度是描述和衡量热轧板形的主要因素。随着对板形质量要求的日渐提高，一般的板形控制方法，已经很难满足其要求，因而造成巨大的经济损失。此外，在板带材的轧制过程中，凸度测量仪一般安装在精轧机组末机架出口侧3～5米处的位置，相对于轧制过程，凸度测量值的获取存在明显的时间滞后，严重影响了控制效果。因此，根据生产过程数据对带钢出口凸度提前进行准确预报，对于实现带钢板凸度的精准控制具有非常重要的意义。

技术实现要素：

针对上述凸度测量值的获取存在明显的时间滞后技术问题，本发明提供了一种参数少、操作简单、易实现、随机搜索路径、寻优能力强、可收敛于全局最优的基于支持向量机的轧制过程板凸度预测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于支持向量机的轧制过程板凸度预测方法，包括下列步骤：

s1、利用高精度监测装置收集现场数据；

s2、对采集的数据进行预处理；

s3、建立cs-svm训练模型；

s4、cs-svm网络回归预测。

所述s1中收集的现场数据包括：生产时间、卷钢号、f1～f7机架的轧制力、f1～f7机架轧制速度、f1～f7机架弯辊力、f1～f7机架辊缝值、f1～f7机架的窜辊量、轧后宽度、轧后厚度、轧后凸度、入口及出口温度。

所述s2中对采集的数据进行预处理的方法为：包括下列步骤：

s2.1、计算各生产数据的平均值和标准差

所述为生产数据的平均值，sx为生产数据的标准差，n为生产数据的个数，xi为第i个生产数据；

s2.2、对数据进行标准化变换，计算标准化变换后矩阵的相关系数矩阵

所述n为生产数据的个数，i、j分别为数据x所在的行数和列数，sx为标准差，x0为原始数据矩阵标准化后的标准化矩阵；

s2.3、对相关系数矩阵进行特征值分解，求取主成分，计算主成分分析的特征值λ、各成分方差贡献率及累积方差贡献率，选出贡献率高的h个主成分使总累积贡献率cpv大于90％，从而确定主成分数为h；

s2.4、计算原始数据和新数据的spe统计量，计算显著性水平在α＝0.05时spe统计量的控制限；

s2.5、绘制出spe控制图，根据异常数据点相应的主元贡献图分析其产生异常的原因，剔除异常点；

s2.6、对剔除异常点的数据进行平滑处理，采用五点三次平滑发对数据进行平滑处理，具体公式如下：

所述yn为第n个剔除异常值后的生产数据，为yn平滑后的值。

所述s2.4中计算控制限的方法为：对于第i个样本点的平方预测误差为：

计算显著性水平在α＝0.05时spe统计量的控制限：

所述xij为第i个样本第j个变量的观测值，为第i个样本第j个变量的主成分模型的预测值，l为主方向矩阵，l＝[l1,l2,…,lh]，i为单位向量，为xn×p的协方差矩阵的第j个特征值的i次幂，uα为正态分布在显著水平为α下的临界值，h为模型中所保留的主成分个数，p为变量个数。

所述s3中建立cs-svm训练模型的方法为：

s3.1、对平滑后的数据进行归一化处理，采用的归一化映射如下：

所述x,y∈rⁿ,xmin＝min(x),xmax＝max(x)，归一化的效果是原始数据被规整到[0，1]范围内，消除量纲的影响；

s3.2、利用cs算法确定模型参数；

s3.3、建立cs-svm训练模型。

所述s3.2中利用cs算法确定模型参数的方法为：

s3.2.1、设定time＝20，巢穴数量m＝20，被宿主发现的概率p＝0.25，需要寻优的参数个数dim＝2，设置参数下界lb＝[0.01，0.01]，设置参数上界ub＝[100,100]；

s3.2.2、初始化参数：随机初始化巢穴，遍历每个巢穴，对每个巢穴随机初始化参数，目标函数值初始化，找出当前最佳巢穴和参数；

s3.2.3、迭代寻优：保留当前最优解，寻找新巢穴，找出当前最佳巢穴和参数，发现并更新劣质巢穴，找出当前最佳巢穴和参数；

s3.2.4、打印参数选择结果bsetc，bestg。

所述s3.3中建立cs-svm训练模型的方法为：利用回归预测分析最佳的参数进行svm训练，导入训练集数据进行训练，建立cs-svm训练模型。

所述s4中cs-svm网络回归预测的方法为：利用建立cs-svm训练模型借助libsvm工具箱中svmtrain、svmpredict函数通过matlab平台对测试集数据进行预测，导入测试集数据进行预测，输出cs-svm预测结果。

本发明与现有技术相比，具有的有益效果是：

本发明利用cs算法结合svm预测板凸度，具有参数少、操作简单、易实现、随机搜索路径、寻优能力强、可收敛于全局最优等优点，克服了热轧生产过程中参数检测困难精度差的缺陷，不仅精度高，而且运算速度快，利用现场采集的大量生产数据通过直接在计算机上编程，即可实现投入使用，成本较低廉，推广能力较强。

附图说明

图1为本发明的工作流程图；

图2为本发明热连轧七机架生产线结构示意图；

图3为本发明cs算法流程图；

图4为本发明spe控制图；

图5为本发明板凸度预测效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于支持向量机的轧制过程板凸度预测方法，如图1所示，包括下列步骤：

s1、如图2所示，热连轧七机架生产线中的辊轧带动板依次通过粗轧机1、飞剪2、精轧机3、层流冷却机4、卷取机5，收集大量现场数据，数据包括生产时间、卷钢号、f1～f7机架的轧制力、f1～f7机架轧制速度、f1～f7机架弯辊力、f1～f7机架辊缝值、f1～f7机架的窜辊量、轧后宽度、轧后厚度、轧后凸度、入口及出口温度。

s2、对采集的数据进行预处理。

s2.1、计算各生产数据的平均值和标准差

其中为生产数据的平均值，sx为生产数据的标准差，n为生产数据的个数，xi为第i个生产数据；

s2.2、对数据进行标准化变换，计算标准化变换后矩阵的相关系数矩阵

其中n为生产数据的个数，i、j分别为数据x所在的行数和列数，sx为标准差，x0为原始数据矩阵标准化后的标准化矩阵；

s2.3、对相关系数矩阵进行特征值分解，求取主成分，计算主成分分析的特征值λ、各成分方差贡献率及累积方差贡献率，选出贡献率高的h个主成分使总累积贡献率cpv大于90％，从而确定主成分数为h；

s2.4、计算原始数据和新数据的spe统计量，计算显著性水平在α＝0.05时spe统计量的控制限，对于第i个样本点的平方预测误差为：

计算显著性水平在α＝0.05时spe统计量的控制限：

其中xij为第i个样本第j个变量的观测值，为第i个样本第j个变量的主成分模型的预测值，l为主方向矩阵，l＝[l1,l2,…,lh]，i为单位向量，为xn×p的协方差矩阵的第j个特征值的i次幂，uα为正态分布在显著水平为α下的临界值，h为模型中所保留的主成分个数，p为变量个数。

s2.5、绘制出spe控制图，根据异常数据点相应的主元贡献图分析其产生异常的原因，剔除异常点；

s2.6、对剔除异常点的数据进行平滑处理，采用五点三次平滑发对数据进行平滑处理，具体公式如下：

其中yn为第n个剔除异常值后的生产数据，为yn平滑后的值。

s3、建立cs-svm训练模型。

s3.1、对平滑后的数据进行归一化处理，采用的归一化映射如下：

其中x,y∈rⁿ,xmin＝min(x),xmax＝max(x)，归一化的效果是原始数据被规整到[0，1]范围内，消除量纲的影响；

s3.2、svm模型参数选择。

s3.2.1、svm用于模式识别或回归问题有多种模型可供选择，本文采用epslion-svr模型；

s3.2.2、选择核函数k；

s3.2.3、选择高斯核函数(径向基核函数)：其中，σ为大于0的常数。

s3.2.4、参数p取默认值，即p＝0.1；

s3.2.5、惩罚参数c，核函数参数g的选择采用cs优化算法，算法流程图如图3所示。

s3.3、利用cs算法确定模型参数。

s3.3.1、设定time＝20，巢穴数量m＝20，被宿主发现的概率p＝0.25，需要寻优的参数个数dim＝2，设置参数下界lb＝[0.01，0.01]，设置参数上界ub＝[100,100]；

s3.3.2、初始化参数：随机初始化巢穴，遍历每个巢穴，对每个巢穴随机初始化参数，目标函数值初始化，找出当前最佳巢穴和参数；

s3.3.3、迭代寻优：保留当前最优解，寻找新巢穴，找出当前最佳巢穴和参数，发现并更新劣质巢穴，找出当前最佳巢穴和参数；

s3.3.4、打印参数选择结果bsetc，bestg。

s3.3、利用回归预测分析最佳的参数进行svm训练，导入训练集数据进行训练，建立cs-svm训练模型。

s4、利用建立cs-svm训练模型借助libsvm工具箱中svmtrain、svmpredict函数通过matlab平台对测试集数据进行预测，导入测试集数据进行预测，输出cs-svm预测结果。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。