CN117150832B - 一种热轧数字孪生带钢横截面形状实时预测方法及装置 - Google Patents
一种热轧数字孪生带钢横截面形状实时预测方法及装置 Download PDFInfo
- Publication number
- CN117150832B CN117150832B CN202311436735.4A CN202311436735A CN117150832B CN 117150832 B CN117150832 B CN 117150832B CN 202311436735 A CN202311436735 A CN 202311436735A CN 117150832 B CN117150832 B CN 117150832B
- Authority
- CN
- China
- Prior art keywords
- sparse
- model
- sindy
- strip steel
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 93
- 239000010959 steel Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005096 rolling process Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 66
- 239000013598 vector Substances 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 102220568473 Dual specificity mitogen-activated protein kinase kinase 1_S222A_mutation Human genes 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000005098 hot rolling Methods 0.000 abstract description 8
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 6
- 238000006731 degradation reaction Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052742 iron Inorganic materials 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000135164 Timea Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种热轧数字孪生带钢横截面形状实时预测方法及装置,涉及数字孪生***技术领域。包括:构建热连轧数字孪生产线,获取设定参数;采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD‑SINDy;根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。本发明充分利用了多功能凸度仪测得的数据,建立了带钢横截面形状高精度预测模型,同时结合热连轧数字孪生产线实现虚拟轧后的带钢横截面形状预测和展示。根据本发明可在热轧数字孪生产线实现设定参数的迭代优化,避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的产生,降低钢铁企业的生产成本。
Description
技术领域
本发明涉及数字孪生***技术领域,尤其涉及一种热轧数字孪生带钢横截面形状实时预测方法及装置。
背景技术
带钢横断面形状是决定热轧带钢产品质量的重要指标之一。现场利用凸度仪对带钢横断面形状进行在线监测,并实现对断面形状的实时反馈控制,但是轧机辊缝前和在反馈控制不能投入的情况下仍无法保障带钢的带钢横断面质量。尤其对于热连轧,在带钢头部进入轧机之前,轧机的各板形调节机构都应有正确的预设定值,以保证闭环反馈控制模型投入工作前所轧带钢的板形,并作为闭环反馈控制的起点。预设定控制的精度不但关系到带钢的成品率,同时预设定值也是反馈控制的初始值,直接影响到板形反馈控制模块调整板形达到目标值的收敛速度和精度。
发明内容
本发明针对如何避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供了一种热轧数字孪生带钢横截面形状实时预测方法,该方法由电子设备实现,该方法包括:
S1、构建热连轧数字孪生产线,获取热连轧数字孪生产线的设定参数。
S2、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy。
S3、根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。
可选地,S2中的采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy,包括:
S21、收集热连轧生产过程的历史数据,对历史数据进行预处理。
其中,历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值。
S22、建立非线性***动力学稀疏识别算法SINDy模型。
S23、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy。
可选地,S21中的对历史数据进行预处理,包括:
对历史数据进行线性变换,如下式(1)所示:
(1)
其中,表示线性变换后的数据,/>表示线性变换前的数据,/>表示历史数据数量。
可选地,S22中的建立非线性***动力学稀疏识别算法SINDy模型,包括:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>。
S222、对时空矩阵和稀疏函数基库/>,经过稀疏回归,生成稀疏模型。
S223、根据序贯最小二乘回归法,确定稀疏解,根据稀疏模型以及稀疏解/>,建立非线性***动力学稀疏识别算法SINDy模型。
可选地,S221中的构建时空矩阵,包括:
对预处理后的历史数据,按照空间序列进行时空转换重采样,建立时空矩阵,如下(2)所示:
(2)
其中,表示空间序列,/>表示预处理后的历史数据,/>表示矩阵转置。
可选地,S222中的稀疏模型,如下(3)所示:
(3)
其中,表示稀疏函数基库,/>表示稀疏解。
可选地,S223中的非线性***动力学稀疏识别算法SINDy模型,如下(4)所示:
(4)
其中,表示定义***运动方程的动态约束,/>表示稀疏解,/>表示矩阵转置,/>表示/>元素符号函数的向量。
可选地,S23中的采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,包括:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与第一时序数据向量/>存在线性关系的第二时序数据向量/>,且/>,其中,/>为状态矩阵。
S232、对第一时序数据向量进行简化的奇异值分解SVD,得到状态矩阵/>的模态。
S233、根据简化的奇异值分解SVD以及状态矩阵的模态,得到任意时间点的历史数据。
可选地,S233中的任意时间点的历史数据,如下(5)所示:
(5)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
另一方面,本发明提供了一种热轧数字孪生带钢横截面形状实时预测装置,该装置应用于实现热轧数字孪生带钢横截面形状实时预测方法,该装置包括:
获取模块,用于构建热连轧数字孪生产线,获取热连轧数字孪生产线的设定参数。
输入模块,用于采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy。
输出模块,用于根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。
可选地,输入模块,进一步用于:
S21、收集热连轧生产过程的历史数据,对历史数据进行预处理。
其中,历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值。
S22、建立非线性***动力学稀疏识别算法SINDy模型。
S23、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy。
可选地,输入模块,进一步用于:
对历史数据进行线性变换,如下式(1)所示:
(1)
其中,表示线性变换后的数据,/>表示线性变换前的数据,/>表示历史数据数量。
可选地,输入模块,进一步用于:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>。
S222、对时空矩阵和稀疏函数基库/>,经过稀疏回归,生成稀疏模型。
S223、根据序贯最小二乘回归法,确定稀疏解,根据稀疏模型以及稀疏解/>,建立非线性***动力学稀疏识别算法SINDy模型。
可选地,输入模块,进一步用于:
对预处理后的历史数据,按照空间序列进行时空转换重采样,建立时空矩阵,如下(2)所示:
(2)
其中,表示空间序列,/>表示预处理后的历史数据,/>表示矩阵转置。
可选地,稀疏模型,如下(3)所示:
(3)
其中,表示稀疏函数基库,/>表示稀疏解。
可选地,非线性***动力学稀疏识别算法SINDy模型,如下(4)所示:
(4)
其中,表示定义***运动方程的动态约束,/>表示稀疏解,/>表示矩阵转置,/>表示/>元素符号函数的向量。
可选地,输入模块,进一步用于:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与第一时序数据向量/>存在线性关系的第二时序数据向量/>,且/>,其中,/>为状态矩阵。
S232、对第一时序数据向量进行简化的奇异值分解SVD,得到状态矩阵/>的模态。
S233、根据简化的奇异值分解SVD以及状态矩阵的模态,得到任意时间点的历史数据。
可选地,任意时间点的历史数据,如下(5)所示:
(5)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述热轧数字孪生带钢横截面形状实时预测方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述热轧数字孪生带钢横截面形状实时预测方法。
上述技术方案,与现有技术相比至少具有如下有益效果:
上述方案,为了获取板形设定的最优工艺参数,本发明建立了高精度热轧带钢横截面形状预测模型,开发热连轧数字孪生生产线,实现任意工艺参数设定下的带钢虚拟热轧,并通过带钢数字孪生模型实时反映其带钢横断面形状。基于本方法及生产现场的带钢横断面形状控制精度要求,能够实现工艺设定参数的迭代优化,避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的产生,降低钢铁企业的生产成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的热轧数字孪生带钢横截面形状实时预测方法流程示意图;
图2是本发明实施例提供的序贯阈值最小二乘回归步骤图;
图3是本发明实施例提供的带钢横截面实际轧制结果;
图4是本发明实施例提供的SINDy预测结果;
图5是本发明实施例提供的DMD-SINDy预测结果;
图6是本发明实施例提供的热轧数字孪生带钢横截面形状实时预测装置框图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
如图1所示,本发明实施例提供了一种热轧数字孪生带钢横截面形状实时预测方法,该方法可以由电子设备实现。如图1所示的热轧数字孪生带钢横截面形状实时预测方法流程图,该方法的处理流程可以包括如下的步骤:
S1、构建热连轧数字孪生产线,获取热连轧数字孪生产线的设定参数。
一种可行的实施方式中,构建高精度热连轧数字孪生产线,并提供工艺过程参数设定接口。
S2、采用DMD(Dynamic Mode Decomposition,动态模态分解)算法,优化SINDy(Sparse Identification of Nonlinear Dynamics,非线性***动力学稀疏识别算法)模型,建立带钢横截面形状预测模型DMD-SINDy。
可选地,上述步骤S2可以包括如下步骤S21-23:
S21、收集热连轧生产过程的历史数据,对历史数据进行预处理。
其中,历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值。
进一步地,采集的生产数据无法直接用于建模,需要进行一定的预处理去除数据,通过对一维列向量样本数据进行线性变换,使数据分布至[0,1]范围内。
具体地,对历史数据进行线性变换,如下式(1)所示:
(1)
其中,表示线性变换后的数据,/>表示线性变换前的数据,/>表示数据样本中的最大数据,/>表示数据样本中的最小数据,/>表示历史数据数量。
S22、建立非线性***动力学稀疏识别算法SINDy模型。
可选地,上述步骤S22可以包括如下步骤S221-S223:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>。
其中,构建时空矩阵,包括:
采集时间序列的数据集并对数据按空间序列进行时空转换重采样,建立时空矩阵/>,如下(2)所示:
(2)
其中,表示带钢长度。
进一步地,构建稀疏函数基库,它由x列的多个候选函数组成,如下(3)所示:
(3)
其中,以为例,表示在状态变量/>中的二次非线性项,具体如下:
(4)
其中,表示空间序列上的数据。
S222、根据从现场收集的实时生产数据,构成时空矩阵和输入变量矩阵/>。矩阵组合成字典矩阵/>,经过稀疏回归,产生一个稀疏模型:
(5)
其中,表示稀疏函数基库,/>表示稀疏解,/>中的每一列向量/>表示系数的稀疏向量。如果确定了/>,每行控制方程的模型可按如下方式构建:
(6)
其中,是x元素符号函数的向量,不同于数据矩阵/>。整体模型就可以表示如下:
(7)
S223、如图2所示,选择序贯最小二乘回归法确定回归问题的稀疏解,将低于阈值的权重强制设为0,然后用剩下的特征再做最小二乘,迭代若干次,进而求得最终的回归解。
S23、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy。
可选地,上述步骤S23可以包括如下步骤S231- S233:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与第一时序数据向量/>存在线性关系的第二时序数据向量/>,且/>,其中,/>为状态矩阵。
一种可行的实施方式中,假设实际热轧过程的量测数据所组成的矩阵为:
(8)
令***的演化规律用线性关系描述:
(9)
两组随时间演变的时序数据向量分别为:
(10)
(11)
其中和/>的维数均为/>:
(12)
对进行简化的SVD(Singular Value Decomposition,奇异值分解),有:
(13)
其中,为/>的数据矩阵;/>为/>的对角阵;/>为/>的正交阵。令,可得:
(14)
则的本征向量为/>,并且满足:
(15)
其中,表示稀疏旋钮。
S232、对第一时序数据向量进行简化的奇异值分解SVD,得到原***状态矩阵/>的模态/>为:
(16)
S233、基于上述动态模式分解过程,任意时间点的采样数据可表示为:
(17)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
S3、根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。
一种可行的实施方式中,将数字孪生产线的人工设定参数输入至带钢横截面形状预测模型,得到带钢数字孪生模型的横截面形状。
进一步地,对热轧数字孪生带钢横截面形状预测精度进行评价。
其中,热轧数字孪生带钢横截面形状预测精度评价指标具体包括:
(1)MAE(Mean Absolute Error,平均绝对误差):
(18)
(2)RMSE(Mean Squa re Error,均方根误差):
(19)
其中,为样本数量;/>为期望值;/>为模型预测值。其中MAE和RMSE越小,说明模型的预测精度越高。
以某2250热连轧厂为实施案例,该产线产品带钢厚度范围1.2~25.4mm,宽度规格范围800~2130mm。末机架出口处的凸度检测仪布置有60个测量通道,通过每个测量通道内获得的多个带钢厚度值,可以组合构成带钢的横断面轮廓。本发明方法实施如下:
步骤S1:收集的热轧生产过程历史数据参数项如表1所示,具体数值如表2所示。并对表2中的数据进行预处理。
表1
表2
步骤S2:采用动态模态分解优化非线性***动力学稀疏识别算法,建立带钢横截面形状预测模型DMD-SINDy。
步骤S3:构建高精度热连轧数字孪生产线,并提供工艺过程参数设定接口。
步骤S4:以某卷钢为例,将数字孪生产线的人工设定参数输入至DMD-SINDy模型,预测得到带钢数字孪生模型的横截面形状。为了更好的对比本方法的有效性,选择相同工艺参数轧制后的实测板形和SINDy预测的板形进行对比,具体结果如图3-5所示;
步骤S5:对热轧数字孪生带钢横截面形状预测精度进行评价,评价结果如表3所示:
表3
通过图3-5和表3可知,本发明方法预测精度最高,能够满足生产现场的使用要求。依托本发明搭建的热连轧数字孪生平台,可进行虚拟仿真轧制,得到不同热轧工艺参数设定下的带钢横截面形状。这对于实现轧制工艺设定参数的迭代优化,避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的产生,降低钢铁企业的生产成本具有重要意义。
本发明实施例中,为了获取板形设定的最优工艺参数,本发明建立了高精度热轧带钢横截面形状预测模型,开发热连轧数字孪生生产线,实现任意工艺参数设定下的带钢虚拟热轧,并通过带钢数字孪生模型实时反映其带钢横断面形状。基于本方法及生产现场的带钢横断面形状控制精度要求,能够实现工艺设定参数的迭代优化,避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的产生,降低钢铁企业的生产成本。
如图6所示,本发明实施例提供了一种热轧数字孪生带钢横截面形状实时预测装置600,该装置600应用于实现热轧数字孪生带钢横截面形状实时预测方法,该装置600包括:
获取模块610,用于构建热连轧数字孪生产线,获取热连轧数字孪生产线的设定参数。
输入模块620,用于采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy。
输出模块630,用于根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。
可选地,输入模块620,进一步用于:
S21、收集热连轧生产过程的历史数据,对历史数据进行预处理。
其中,历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值。
S22、建立非线性***动力学稀疏识别算法SINDy模型。
S23、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy。
可选地,输入模块620,进一步用于:
对历史数据进行线性变换,如下式(1)所示:
(1)
其中,表示线性变换后的数据,/>表示线性变换前的数据,/>表示历史数据数量。
可选地,输入模块620,进一步用于:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>。
S222、对时空矩阵和稀疏函数基库/>,经过稀疏回归,生成稀疏模型。
S223、根据序贯最小二乘回归法,确定稀疏解,根据稀疏模型以及稀疏解/>,建立非线性***动力学稀疏识别算法SINDy模型。
可选地,输入模块620,进一步用于:
对预处理后的历史数据,按照空间序列进行时空转换重采样,建立时空矩阵,如下(2)所示:
(2)
其中,表示空间序列,/>表示预处理后的历史数据,/>表示矩阵转置。
可选地,稀疏模型,如下(3)所示:
(3)
其中,表示稀疏函数基库,/>表示稀疏解。
可选地,非线性***动力学稀疏识别算法SINDy模型,如下(4)所示:
(4)
其中,表示定义***运动方程的动态约束,/>表示稀疏解,/>表示矩阵转置,/>表示/>元素符号函数的向量。
可选地,输入模块620,进一步用于:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与第一时序数据向量/>存在线性关系的第二时序数据向量/>,且,其中,/>为状态矩阵。
S232、对第一时序数据向量进行简化的奇异值分解SVD,得到状态矩阵/>的模态。
S233、根据简化的奇异值分解SVD以及状态矩阵的模态,得到任意时间点的历史数据。
可选地,任意时间点的历史数据,如下(5)所示:
(5)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
本发明实施例中,为了获取板形设定的最优工艺参数,本发明建立了高精度热轧带钢横截面形状预测模型,开发热连轧数字孪生生产线,实现任意工艺参数设定下的带钢虚拟热轧,并通过带钢数字孪生模型实时反映其带钢横断面形状。基于本方法及生产现场的带钢横断面形状控制精度要求,能够实现工艺设定参数的迭代优化,避免工艺参数设定不合理导致的热轧产品缺陷和降级现象的产生,降低钢铁企业的生产成本。
图7是本发明实施例提供的一种电子设备700的结构示意图,该电子设备700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)701和一个或一个以上的存储器702,其中,存储器702中存储有至少一条指令,至少一条指令由处理器701加载并执行以实现下述热轧数字孪生带钢横截面形状实时预测方法:
S1、构建热连轧数字孪生产线,获取热连轧数字孪生产线的设定参数。
S2、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy。
S3、根据设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述热轧数字孪生带钢横截面形状实时预测方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种热轧数字孪生带钢横截面形状实时预测方法,其特征在于,所述方法包括:
S1、构建热连轧数字孪生产线,获取所述热连轧数字孪生产线的设定参数;
S2、采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy;
S3、根据所述设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果;
所述S2中的采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy,包括:
S21、收集热连轧生产过程的历史数据,对所述历史数据进行预处理;
其中,所述历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值;
S22、建立非线性***动力学稀疏识别算法SINDy模型;
S23、采用动态模态分解DMD算法,优化所述非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy;
所述S22中的建立非线性***动力学稀疏识别算法SINDy模型,包括:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>;
S222、对所述时空矩阵和稀疏函数基库/>,经过稀疏回归,生成稀疏模型;
S223、根据序贯最小二乘回归法,确定稀疏解,根据所述稀疏模型以及稀疏解/>,建立非线性***动力学稀疏识别算法SINDy模型;
所述S221中的构建时空矩阵,包括:
对预处理后的历史数据,按照空间序列进行时空转换重采样,建立时空矩阵,如下(1)所示:
(1)
其中,表示空间序列,/>表示预处理后的历史数据,/>表示矩阵转置;
所述S222中的稀疏模型,如下(2)所示:
(2)
其中,表示稀疏函数基库,/>表示稀疏解;
所述S223中的非线性***动力学稀疏识别算法SINDy模型,如下(3)所示:
(3)
其中,表示定义***运动方程的动态约束,/>表示稀疏解,/>表示矩阵转置,/>表示元素符号函数的向量;
所述S23中的采用动态模态分解DMD算法,优化所述非线性***动力学稀疏识别算法SINDy模型,包括:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与所述第一时序数据向量/>存在线性关系的第二时序数据向量/>,且,其中,/>为状态矩阵;
S232、对所述第一时序数据向量进行简化的奇异值分解SVD,得到状态矩阵/>的模态;
S233、根据所述简化的奇异值分解SVD以及状态矩阵的模态,得到任意时间点的历史数据;
所述S233中的任意时间点的历史数据,如下(4)所示:
(4)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
2.根据权利要求1所述的方法,其特征在于,所述S21中的对所述历史数据进行预处理,包括:
对所述历史数据进行线性变换,如下式(5)所示:
(5)
其中,表示线性变换后的数据,/>表示线性变换前的数据,/>表示历史数据数量。
3.一种热轧数字孪生带钢横截面形状实时预测装置,其特征在于,所述装置包括:
获取模块,用于构建热连轧数字孪生产线,获取所述热连轧数字孪生产线的设定参数;
输入模块,用于采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy;
输出模块,用于根据所述设定参数以及带钢横截面形状预测模型,得到热连轧数字孪生产线的带钢横截面形状预测结果;
所述采用动态模态分解DMD算法,优化非线性***动力学稀疏识别算法SINDy模型,建立带钢横截面形状预测模型DMD-SINDy,包括:
S21、收集热连轧生产过程的历史数据,对所述历史数据进行预处理;
其中,所述历史数据包括实测轧制力、弯辊力、两侧轧制力弯辊力差以及凸度实测值;
S22、建立非线性***动力学稀疏识别算法SINDy模型;
S23、采用动态模态分解DMD算法,优化所述非线性***动力学稀疏识别算法SINDy模型,得到带钢横截面形状预测模型DMD-SINDy;
所述S22中的建立非线性***动力学稀疏识别算法SINDy模型,包括:
S221、根据预处理后的历史数据,构建时空矩阵和稀疏函数基库/>;
S222、对所述时空矩阵和稀疏函数基库/>,经过稀疏回归,生成稀疏模型;
S223、根据序贯最小二乘回归法,确定稀疏解,根据所述稀疏模型以及稀疏解/>,建立非线性***动力学稀疏识别算法SINDy模型;
所述S221中的构建时空矩阵,包括:
对预处理后的历史数据,按照空间序列进行时空转换重采样,建立时空矩阵,如下(1)所示:
(1)
其中,表示空间序列,/>表示预处理后的历史数据,/>表示矩阵转置;
所述S222中的稀疏模型,如下(2)所示:
(2)
其中,表示稀疏函数基库,/>表示稀疏解;
所述S223中的非线性***动力学稀疏识别算法SINDy模型,如下(3)所示:
(3)
其中,表示定义***运动方程的动态约束,/>表示稀疏解,/>表示矩阵转置,/>表示元素符号函数的向量;
所述S23中的采用动态模态分解DMD算法,优化所述非线性***动力学稀疏识别算法SINDy模型,包括:
S231、设定由预处理后的历史数据所组成的矩阵,矩阵中的元素包括随时间演变的第一时序数据向量以及与所述第一时序数据向量/>存在线性关系的第二时序数据向量/>,且,其中,/>为状态矩阵;
S232、对所述第一时序数据向量进行简化的奇异值分解SVD,得到状态矩阵/>的模态;
S233、根据所述简化的奇异值分解SVD以及状态矩阵的模态,得到任意时间点的历史数据;
所述S233中的任意时间点的历史数据,如下(4)所示:
(4)
其中,表示模态的总数,/>表示本征向量,/>表示时间点t下的稀疏旋钮,/>表示各模式的模态振幅。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436735.4A CN117150832B (zh) | 2023-11-01 | 2023-11-01 | 一种热轧数字孪生带钢横截面形状实时预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436735.4A CN117150832B (zh) | 2023-11-01 | 2023-11-01 | 一种热轧数字孪生带钢横截面形状实时预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150832A CN117150832A (zh) | 2023-12-01 |
CN117150832B true CN117150832B (zh) | 2024-02-23 |
Family
ID=88899249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311436735.4A Active CN117150832B (zh) | 2023-11-01 | 2023-11-01 | 一种热轧数字孪生带钢横截面形状实时预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150832B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和*** |
CN113343606A (zh) * | 2021-07-01 | 2021-09-03 | 浙江大学 | 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法 |
CN113504768A (zh) * | 2021-08-05 | 2021-10-15 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生***智能建模方法、装置、设备及存储介质 |
CN114647904A (zh) * | 2022-02-24 | 2022-06-21 | 北京工业大学 | 一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法 |
CN115034152A (zh) * | 2022-05-17 | 2022-09-09 | 浙江大学 | 一种数据驱动的流固耦合***非线性降阶预测方法及装置 |
CN115796002A (zh) * | 2022-11-01 | 2023-03-14 | 北京科技大学 | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 |
CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
-
2023
- 2023-11-01 CN CN202311436735.4A patent/CN117150832B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生***智能建模方法、装置、设备及存储介质 |
CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和*** |
CN113343606A (zh) * | 2021-07-01 | 2021-09-03 | 浙江大学 | 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法 |
CN113504768A (zh) * | 2021-08-05 | 2021-10-15 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
CN114647904A (zh) * | 2022-02-24 | 2022-06-21 | 北京工业大学 | 一种基于数字孪生字典的自适应稀疏图学习轴承寿命预测方法 |
CN115034152A (zh) * | 2022-05-17 | 2022-09-09 | 浙江大学 | 一种数据驱动的流固耦合***非线性降阶预测方法及装置 |
CN115796002A (zh) * | 2022-11-01 | 2023-03-14 | 北京科技大学 | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 |
CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117150832A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
JP5751045B2 (ja) | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム | |
US8050792B2 (en) | Method and device for optimization of flatness control in the rolling of a strip | |
Dong et al. | Prediction and analysis of key parameters of head deformation of hot-rolled plates based on artificial neural networks | |
Sun et al. | Data-based flatness prediction and optimization in tandem cold rolling | |
Song et al. | BUAK-AIS: Efficient Bayesian updating with active learning Kriging-based adaptive importance sampling | |
Yang et al. | Roll load prediction—data collection, analysis and neural network modelling | |
CN111898247B (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
JP4932294B2 (ja) | 製造仕様決定支援システム、製造仕様決定支援方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
WO2010008944A2 (en) | Systems and methods for offline and/or online batch monitoring using decomposition and signal approximation approaches | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP2000003206A (ja) | 制御対象モデル変更装置 | |
CN117150832B (zh) | 一种热轧数字孪生带钢横截面形状实时预测方法及装置 | |
Zhao et al. | A novel paradigm of flatness prediction and optimization for strip tandem cold rolling by cloud-edge collaboration | |
CN112307638B (zh) | 一种电容器寿命估算方法、装置及电子设备 | |
CN113642886A (zh) | 规划电网线路利用率分析方法、***、介质及计算设备 | |
Lee et al. | Integrated model for thermo-mechanical controlled process in rod (or bar) rolling | |
Lu et al. | Data mining-based flatness pattern prediction for cold rolling process with varying operating condition | |
Tulupov et al. | Simulation of bar rolling: experience at Nosov Magnitogorsk state technical university | |
Xu et al. | Application of Takagi–Sugeno fuzzy model for slab camber control in a hot strip rougher mill | |
Duhler et al. | Fast Multi-Order Stochastic Subspace Identification⋆ | |
Zhu-wen et al. | Optimization and innovative modification of a model used to determine the amount of adjustment of an actuator for flatness control | |
CN117113520B (zh) | 一种基于位移场加载的变电站声屏障检测方法及*** | |
Xiong et al. | A penalized approach to mixed model selection via cross-validation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |