賈瑞匣

（鄭州工業(yè)應(yīng)用技術(shù)學院機電工程學院，河南 鄭州 451100）

0 引言

板形尺寸的精度控制性能屬于判斷冷連軋設(shè)備產(chǎn)品加工質(zhì)量與自動化水平的一項重要指標[1-2]。根據(jù)之前研究進展可知，冷軋產(chǎn)品的板形精度可在高速穩(wěn)態(tài)軋制期間達到理想狀態(tài)，而對焊縫進行非穩(wěn)態(tài)軋制時并未構(gòu)建準確的數(shù)學模型來滿足對各類復(fù)雜工況的仿真分析要求，這對軋機出口板形控制結(jié)果與帶鋼尺寸精度都存在顯著影響[3]。采用帶頭帶尾結(jié)構(gòu)的板形指標對實際生產(chǎn)控制過程中產(chǎn)品質(zhì)量存在一定的制約作用。在產(chǎn)線生產(chǎn)過程中判斷冷軋帶鋼板形指標時，焊縫前后非穩(wěn)態(tài)軋制指標都比常規(guī)指標更寬，此外對焊縫前后8 m 范圍的帶鋼不進行性能評價，但有時會出現(xiàn)超過30 m 長度的不合格情況[4-6]。

根據(jù)現(xiàn)場軋制模型和各項參數(shù)控制過程可知，進行冷軋非穩(wěn)態(tài)生產(chǎn)期間有很多因素都會對板形的尺寸精度造成影響，包括輥表面彈性變形、內(nèi)部應(yīng)力、軋制力、輥彎曲程度、軸心傾角、中間輥竄輥、溫度控制狀態(tài)等[7-10]。在上述各項因素中，工作輥發(fā)生彎曲的程度也會對帶鋼板形造成較大影響。受到不同彎輥力作用時，會引起輥系發(fā)生彈性變形狀態(tài)的波動變化，從而對帶鋼板形結(jié)構(gòu)造成影響[11]。卜赫男等[12]針對冷連軋帶鋼進行彎輥載荷仿真算法優(yōu)化，實現(xiàn)了模型處理速率的顯著提升，構(gòu)建得到了PCA-GA-BP 結(jié)構(gòu)的彎輥載荷模型，之后采用1 450 mm 的冷連軋產(chǎn)線收集的參數(shù)作為樣本測試了模型處理能力。

目前已有許多文獻研究了彎輥設(shè)定理論方面的內(nèi)容，但并未對非穩(wěn)態(tài)模型缺陷起到改善效果，從而對實際控制性能與產(chǎn)品綜合質(zhì)量都產(chǎn)生不利影響。為控制冷連軋彎輥力精度，本文構(gòu)建得到改進PSO-SVM支持向量機，再根據(jù)現(xiàn)場實際軋制得到的結(jié)果完成預(yù)測模型的驗證過程。

1 彎輥力預(yù)測模型

進行冷軋非穩(wěn)態(tài)處理時，板形精度的影響因素為輥系變形狀態(tài)、軋制速率、軋制載荷、軋輥傾斜程度、中間輥與工作輥的彎輥情況等。工作輥的彎輥程度同時受到上述各項因素的共同作用，由于對彎輥力進行計算的過程非常復(fù)雜，對粒子群優(yōu)化算法進行集成獲得彎輥力預(yù)測模型。由此構(gòu)建形成建立在改進PSO-SVM算法基礎(chǔ)上的彎輥力模型，如圖1 所示。

圖1 基于改進PSO 優(yōu)化SVM 算法的彎輥力預(yù)測流程圖

先利用采集得到的軋制數(shù)據(jù)完成歸一化計算，再利用包含壓縮因子的粒子群算法完成支持向量機參數(shù)的更高效尋優(yōu)處理，確定合適核函數(shù)，再利用最優(yōu)解與核函數(shù)對回歸模型開展訓練，再對回歸得到的軋制參數(shù)實施反歸一化獲得彎輥力模型。

2 彎輥力預(yù)測模型驗證

2.1 方案設(shè)計

圖2 給出了預(yù)測彎輥力的模型結(jié)構(gòu)，從而實現(xiàn)降低控制單元計算量的條件下對板形的更高精度的控制。

圖2 彎輥力預(yù)測控制方案

本文對采用改進PSO-SVM算法構(gòu)建的彎輥力預(yù)測模型開展有效性驗證。同時為獲得更優(yōu)驗證效果，提升預(yù)測模型準確性，從1 700 mm 規(guī)格的冷連軋生產(chǎn)線中采集獲得超過20 000 組的工藝變量實際參數(shù)。表1 給出了其中部分測試結(jié)果。

表1 試驗數(shù)據(jù)

設(shè)定對應(yīng)的粒子群優(yōu)化模型參數(shù)，設(shè)定局部與全局搜索能力依次等于1.1 與1.5；同時將最大進化種群初值設(shè)定在180，再將速度更新計算式彈性系數(shù)設(shè)定在1.03。

2.2 結(jié)果分析

以GA-SVM、PSO-SVM、改進PSO-SVM 三種算法得到的結(jié)果跟測試結(jié)果進行比較，得到圖3 中的預(yù)測值和實際測試結(jié)果。通過對比發(fā)現(xiàn)，改進PSO-SVM模型對應(yīng)訓練集與測試集都達到了更高精度的彎輥力預(yù)測精度。為了對各算法性能進行準確對比，統(tǒng)計得到表2 中的各項參數(shù)。通過訓練集測試發(fā)現(xiàn)，采用PSO-SVM 與GA-SVM 進行訓練得到的R2值依次等于0.987 與0.982，以改進PSO-SVM進行訓練得到的R2值等于0.992，相對其余各項方法所得值更大。通過測試發(fā)現(xiàn)，PSO-SVM、GA-SVM、改進PSO-SVM 三種算法得到的R2值依次是0.984、0.976 與0.993。根據(jù)上述測試結(jié)果可知，對于訓練與測試數(shù)據(jù)集進行測試時，以改進PSO-SVM 構(gòu)建的預(yù)測模型都達到了更高預(yù)測精度。因此可以推斷，以改進PSO-SVM 構(gòu)建得到了具有優(yōu)異泛化性能的彎輥力模型。

表2 不同算法的彎輥力測試及預(yù)測模型性能

圖3 不同算法的彎輥力測試及預(yù)測結(jié)果對比

3 結(jié)論

1）改進PSO-SVM 模型對應(yīng)訓練集與測試集都達到了更高精度的彎輥力預(yù)測精度，是具有優(yōu)異泛化性能的彎輥力模型。

2）設(shè)置可靠補償后大幅降低了AFC 系統(tǒng)工作量，促進了帶鋼板形效率的顯著提升。

3）此研究有助于提高冶金板材的制備精度，但在面對異常數(shù)據(jù)的時候存在計算冗長的困難，后期需要引入深度學習算法進一步提高計算效率。