本發明屬于連鑄生產技術領域，具體涉及一種基于流數據的動態輕壓下控制方法。

背景技術：

連鑄技術是冶金和材料領域的一項前沿技術，其將連續鑄造、軋制、熱處理串為一體，鑄出鋼坯，經過在線軋制之后一次形成工業產品，該工藝技術簡化了生產工序，大幅度縮減了生產周期，降低了設備投資，產品質量得到提高，因而得到了國內冶金界的廣泛應用，但由于其生產過程中，壓下量這一工藝參數對產品質量起到了至關重要的作用，所以對于壓下量的研究尤為重要。

鑄坯的凝固收縮是一個復雜的變化過程，在這個過程中，各機架的壓下量并不相同，受機架力學性能的影響，鑄坯的厚度精度和產品質量也隨之受到影響，在以往的壓下量調節中，主要利用計算機模擬和經驗調整的方式進行，而計算機模擬的模型精度不高決定了其無法保證模擬精度，經驗調整更是增加了人為因素而影響鑄坯質量。

傳統的壓下量調整方法無法滿足連鑄生產的需要，因而需要一種簡單可行、盡可能減少人為干預的控制方法，以提高鑄坯的厚度精度和產品質量。

技術實現要素：

本發明的目的在于克服現有技術中存在的問題，提供一種基于流數據的動態輕壓下控制方法，減少人為干預，提高鑄坯的厚度精度和產品質量。

為了達到上述目的，本發明采用如下技術方案：

包括以下步驟：

(1)采集連鑄生產線的生產工藝參數；

(2)對采集的數據進行歸一化處理，得到數據矩陣x；

(3)利用數據矩陣x構建訓練樣本集和預測樣本集；

(4)利用訓練樣本集訓練得到對應的回歸函數，并建立對應的預測模型；

(5)將預測樣本集代入預測模型，得到預測結果；

(6)對預測結果進行數據處理，得到預測壓下量值；

(7)利用預測壓下量值進行壓下量調整，直至實際壓下量與預測壓下量值相等，完成基于流數據的動態輕壓下控制。

進一步地，步驟(1)中采集的生產工藝參數包括二冷水進水壓力、中間包鋼水溫度、過熱度、拉速、振動頻率、振動幅值、傳動輥壓力、結晶器液位、結晶器寬面壓力和結晶器寬面水流量。

進一步地，步驟(2)的數據歸一化具體包括：

(201)假設是是由采集到的工藝參數組成的一個數據矩陣，且數據矩陣有n行m列，其中，每一列對應著一個工藝參數，每一行對應著一個數據樣本，則

(202)對于數據矩陣對其歸一化的數學表達式如下：

其中，為任意一組輸入檢測向量中的第m維工藝參數，xnm是歸一化后的數據，為數據樣本最大值，為數據樣本最小值。

進一步地，步驟(3)中構建訓練樣本集和預測樣本集，具體包括以下步驟：

對歸一化的數據矩陣中的數據添加標簽量，得到數據庫d＝{(x1,y1),(x2,y2),…,(xi,yi)},yi∈{+1,-1}，i為數據矩陣中的歷史數據數量，則：

第一次選取的訓練樣本集為d1＝{(x1,y1),(x2,y2),…,(xi-1,yi-1)},yi∈{+1,-1}，第一次選取的預測樣本集為d1'＝{(xi,yi)},yi∈{+1,-1}；

第二次選取的訓練樣本集為d2＝{(x2,y2),(x3,y3),…,(xi,yi)},yi∈{+1,-1}，第二次選取的預測樣本集為d2'＝{(x1,y1)},yi∈{+1,-1}；

第三次選取的訓練樣本集為d3＝{(x1,y1),(x3,y3),…,(xi,yi)},yi∈{+1,-1}，第三次選取的預測樣本集為d3'＝{(x2,y2)},yi∈{+1,-1}；

依次類推，每次取i-1個歷史數據作為訓練樣本集，剩余一個歷史數據作為預測樣本集。

進一步地，歷史數據為前期采集60天的連鑄生產線數據庫記錄的工藝參數。

進一步地，步驟(4)構建回歸函數和預測模型的具體步驟包括：

(401)給定訓練樣本集

yi∈{+1,-1},i＝1,2,...,n，n為訓練樣本集中的樣本數，

訓練樣本集的分離超平面對應方程h(x)＝ω·x+b(4-1)

其中，x為輸入向量，ω為權值，b為偏置；

訓練樣本集相應的分類決策函數為sign(h(x))(4-2)

(402)訓練樣本集線性可分時，用一條或者幾條直線把屬于不同類別的樣本點分開，其最大間隔γ滿足

由上得到目標函數：

s.t.yi(ω·xi+b)-1≥0,i＝1,2,,...,n(4-7)

(403)對每個樣本點引入一個松弛變量ξi≥0，使得yi(ω·xi+b)≥1-ξi(4-8)

對每個松弛變量ξi，支付一個代價ξi，則目標函數變為

其中c＞0為懲罰因子；

(404)構造lagrange函數：

其中，αi≥0,i＝1,2,...,n為拉格朗日乘子，n為訓練樣本集中的樣本數；

(405)根據karush-kuhn-tucker條件，對ω,b,ξ分別求偏微分，并令其等于0，得：

αi(yi(ω·xi+b)-1)＝0,i＝1,2,...,n(4-13)

yi(ω·xi+b)-1≥0,i＝1,2,...,n(4-14)

αi≥0,i＝1,2,...,n(4-15)

由此分離超平面為：

分類決策函數為：

yj為支持向量；

(406)引入核函數

其中g為核函數系數；

此時，公式(4-17)變為

得到預測模型。

進一步地，步驟(6)對預測結果進行反歸一化之后得到預測壓下量值。

與現有技術相比，本發明具有以下有益的技術效果：

本發明先采集和監測生產過程中的與動態輕壓下壓下量相關的工藝參數，建立相應的數據庫；再利用機器學習的方法對數據庫進行自學習，利用機器學習中不同的學習方法建立壓下量動態預測模型；接著利用數據庫中的數據對建立的壓下量動態預測模型進行不斷訓練，反復迭代，以達到較好的預測效果；再次接收到生產過程工藝參數后，可以根據此刻工藝參數，通過壓下量動態預測模型預測下一時刻壓下量；根據預測的壓下量輸出控制指令給控制系統，指導控制系統進行壓下量調整；最后通過壓下量的調整，達到薄板坯連鑄連軋生產過程中鑄坯厚度和鑄坯質量的動態自適應控制。本發明方法以大數據分析為核心，把機器學習應用于連鑄連軋生產過程當中，實現了連鑄連軋生產過程中鑄坯厚度和鑄坯質量的動態自適應控制；在壓下量的調整中，不再使用計算機模擬和經驗調整，大幅度的減少了外界干擾對于壓下量的影響，實現了壓下量調整的人工智能化，大幅度降低了生產成本，提高了產品質量，與以往連鑄連軋控制方法相比，相關設備精度更高，誤差更小，產品質量控制更好，實現了人工智能，減少了人為操作，降低了生產人員勞動強度。

附圖說明

圖1為本發明的系統結構圖；

圖2為本發明的系統算法框圖；

圖3為本發明的壓下量調整示意圖。

1-數據采集模塊；2-數據庫；3-壓下量動態預測模型；4-指令輸出轉換模塊；5-控制系統；6-工藝調整模塊；7-黑箱模型。

具體實施方式

下面結合附圖對本發明做進一步詳細說明。

本發明針對現有連鑄技術中壓下量調整精度不夠，受外界干擾大，無法滿足連鑄生產需要，提供了一種壓下量動態自適應控制方法。

參見圖1和圖2，本發明包括：數據采集模塊1，指令輸出轉換模塊4，控制系統5，工藝調整模塊6和黑箱模型7。黑箱模型7由數據庫2和壓下量動態預測模型3組成。

(1)數據采集模塊1基于現有的連鑄生產線的數據采集，包括傳感器等，進行生產工藝參數的數據采集，采集到的工藝參數數據包括二冷水進水壓力、中間包鋼水溫度、過熱度、拉速、振動頻率、振動幅值、傳動輥壓力、結晶器液位、結晶器寬面壓力、結晶器寬面水流量等，其中包含了大量的冗余數據和噪聲等。

(2)對采集的數據進行歸一化處理；

201、假設是由采集到的工藝參數組成的一個數據矩陣，由數據樣本及數據變量的觀測值所組成，且數據矩陣有n行m列，其中，每一列對應著一個數據變量，數據變量就是工藝參數，每一行對應著一個數據樣本，如下式(3-1)所示，則

其中，代表的是第n個數據樣本在第m個數據變量上所觀測的值；

對于數據矩陣對其歸一化的數學表達式如下：

其中，為任意一組輸入檢測向量中的第m維工藝參數，xnm是歸一化后的數據，為數據樣本最大值，為數據樣本最小值。

歸一化后的數據分布均勻無奇異值，易于后續對數據分析和處理。

(3)在數據矩陣中提取部分歷史數據構建訓練樣本集；歷史數據可以為前期采集60天的連鑄生產線數據庫記錄的工藝參數；

對公式(2-2)得到的歸一化的數據矩陣中的數據添加標簽量，利于快速獲取目標值，得到數據庫d＝{(x1,y1),(x2,y2),…,(xi,yi)},yi∈{+1,-1}，i為數據矩陣中的歷史數據數量，

第一次選取的訓練樣本集為d1＝{(x1,y1),(x2,y2),…,(xi-1,yi-1)},yi∈{+1,-1}

第二次選取的訓練樣本集為d2＝{(x2,y2),(x3,y3),…,(xi,yi)},yi∈{+1,-1}

第三次選取的訓練樣本集為d3＝{(x1,y1),(x3,y3),…,(xi,yi)},yi∈{+1,-1}

依次類推。

(4)在數據矩陣中提取剩余部分歷史數據構建預測樣本集；

針對數據庫為d＝{(x1,y1),(x2,y2),…,(xi,yi)},yi∈{+1,-1}，i為歷史數據數量，

第一次選取的預測樣本集為d1'＝{(xi,yi)},yi∈{+1,-1}

第二次選取的預測樣本集為d2'＝{(x1,y1)},yi∈{+1,-1}

第三次選取的預測樣本集為d3'＝{(x2,y2)},yi∈{+1,-1}

依次類推，每次所有i-1個數據作為訓練樣本集，取剩余一個數據作為預測樣本集。

(5)構建回歸函數和壓下量動態預測模型：利用訓練樣本集訓練得到對應的回歸函數，并建立對應的壓下量動態預測模型；

(501)給定訓練樣本集

yi∈{+1,-1},i＝1,2,...,n，n為訓練樣本集中的樣本數，

訓練樣本集的分離超平面對應于方程h(x)＝ω·x+b(5-1)

其中，x為輸入向量，ω為權值，b為偏置。

訓練樣本集相應的分類決策函數為sign(h(x))(5-2)

(502)訓練樣本集線性可分時，可以用一條或者幾條直線把屬于不同類別的樣本點分開，且間隔最大。

其最大間隔γ就是求下式的問題

s.t.表示受約束條件；可得線性可分支持向量機最優化問題，得到目標函數：

s.t.yi(ω·xi+b)-1≥0,i＝1,2,,...,n(5-7)

(503)在實際數據集中，存在很多特異點，使得數據集線性不可分，為了解決這個問題，我們對每個樣本點引入了一個松弛變量ξi≥0，使得yi(ω·xi+b)≥1-ξi(5-8)

對每個松弛變量ξi，支付一個代價ξi，則由公式(5-6)～公式(5-8)，使得目標函數變為

其中c＞0為懲罰因子。

(504)構造lagrange函數如下：

其中，αi≥0,i＝1,2,...,n為拉格朗日乘子，n為訓練樣本集中的樣本數。

(505)根據karush-kuhn-tucker條件，對ω,b,ξ分別求偏微分，并令其等于0，可得

αi(yi(ω·xi+b)-1)＝0,i＝1,2,...,n(5-13)

yi(ω·xi+b)-1≥0,i＝1,2,...,n(5-14)

αi≥0,i＝1,2,...,n(5-15)

由此分離超平面可寫成

分類決策函數可寫成

yj為支持向量。

(506)實際數據中大部分的數據是線性不可分的，所以要把這些數據通過非線性映射，映射到高維特征空間，把非線性問題轉化為線性問題，把線性不可分問題轉化為線性可分問題。

引入核函數

其中g為核函數系數。

此時，公式(5-17)變為

即得壓下量動態預測模型。

(6)將步驟(4)中預測樣本集d'代入壓下量動態預測模型可得預測結果，此時預測結果還不是壓下量值。

(7)將步驟(6)中的預測結果進行反歸一化之后即為預測壓下量值。

(8)將步驟(7)中的預測壓下量值進行數模轉換后，控制系統將對輥縫調整系統進行控制，將實際壓下量調整到與預測壓下量值相等，完成基于流數據的動態輕壓下控制。

參見圖3，本發明主要的工作過程及原理：

在生產實際過程中，數據采集模塊1采集t1時刻工藝參數，當t1時刻的工藝參數輸入數據庫2，同時建立壓下量動態預測模型3；數據庫2把數據傳輸給壓下量動態預測模型3，并通過數據庫2的數據不斷對壓下量動態預測模型3進行反復訓練，反復迭代，提高壓下量動態預測模型3的預測準確度；壓下量動態預測模型3根據原有的數據訓練結果預測出預測值，把預測值輸出給指令輸出轉換模塊4，指令輸出轉換模塊4把預測值轉換為控制系統5可以識別的控制指令，控制系統5根據控制指令輸出控制，并輸出給工藝調整模塊6，工藝調整模塊6根據控制系統5的控制對不同扇形段框架液壓缸進行調整，進而進行壓下量和壓下區間調整，調整后的壓下量和壓下區間適用于t2、t3時刻以及l1和l2區間的生產，實現壓下量和壓下區間的動態自適應控制。

本發明先利用連鑄生產線現有的數據采集工具采集和監測生產過程中的與動態輕壓下壓下量相關的工藝參數，建立相應的數據庫；再利用機器學習的方法對數據庫進行自學習，利用機器學習中不同的學習方法建立壓下量動態預測模型；接著利用數據庫中的數據對建立的壓下量動態預測模型進行不斷訓練，反復迭代，以達到較好的預測效果；再次接收到生產過程工藝參數后，可以根據此刻工藝參數，通過壓下量動態預測模型預測下一時刻壓下量；根據預測的壓下量輸出控制指令給控制系統，指導控制系統進行壓下量調整；最后通過壓下量的調整，達到薄板坯連鑄連軋生產過程中鑄坯厚度和鑄坯質量的動態自適應控制。本發明方法在壓下量的調整中，不再使用計算機模擬和經驗調整，大幅度的減少了外界干擾對于壓下量的影響，實現了壓下量調整的人工智能化，大幅度降低了生產成本，提高了產品質量。同時，與以往連鑄連軋控制方法相比，相關設備精度更高，誤差更小，產品質量控制更好，實現了人工智能，減少了人為操作，降低了生產人員勞動強度。