基于PSO-SVM改進模型的冶金板冷連軋彎輥力預測研究

賈瑞匣

（鄭州工業應用技術學院機電工程學院，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備產品加工質量與自動化水平的一項重要指標[1-2]。根據之前研究進展可知，冷軋產品的板形精度可在高速穩態軋制期間達到理想狀態，而對焊縫進行非穩態軋制時并未構建準確的數學模型來滿足對各類復雜工況的仿真分析要求，這對軋機出口板形控制結果與帶鋼尺寸精度都存在顯著影響[3]。采用帶頭帶尾結構的板形指標對實際生產控制過程中產品質量存在一定的制約作用。在產線生產過程中判斷冷軋帶鋼板形指標時，焊縫前后非穩態軋制指標都比常規指標更寬，此外對焊縫前后8 m 范圍的帶鋼不進行性能評價，但有時會出現超過30 m 長度的不合格情況[4-6]。

根據現場軋制模型和各項參數控制過程可知，進行冷軋非穩態生產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、內部應力、軋制力、輥彎曲程度、軸心傾角、中間輥竄輥、溫度控制狀態等[7-10]。在上述各項因素中，工作輥發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，會引起輥系發生彈性變形狀態的波動變化，從而對帶鋼板形結構造成影響[11]。卜赫男等[12]針對冷連軋帶鋼進行彎輥載荷仿真算法優化，實現了模型處理速率的顯著提升，構建得到了PCA-GA-BP 結構的彎輥載荷模型，之后采用1 450 mm 的冷連軋產線收集的參數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定理論方面的內容，但并未對非穩態模型缺陷起到改善效果，從而對實際控制性能與產品綜合質量都產生不利影響。為控制冷連軋彎輥力精度，本文構建得到改進PSO-SVM支持向量機，再根據現場實際軋制得到的結果完成預測模型的驗證過程。

1 彎輥力預測模型

進行冷軋非穩態處理時，板形精度的影響因素為輥系變形狀態、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雜，對粒子群優化算法進行集成獲得彎輥力預測模型。由此構建形成建立在改進PSO-SVM算法基礎上的彎輥力模型，如圖1 所示。

圖1 基于改進PSO 優化SVM 算法的彎輥力預測流程圖

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

2 彎輥力預測模型驗證

2.1 方案設計

圖2 給出了預測彎輥力的模型結構，從而實現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 彎輥力預測控制方案

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

表1 試驗數據

設定對應的粒子群優化模型參數，設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定在180，再將速度更新計算式彈性系數設定在1.03。

2.2 結果分析

以GA-SVM、PSO-SVM、改進PSO-SVM 三種算法得到的結果跟測試結果進行比較，得到圖3 中的預測值和實際測試結果。通過對比發現，改進PSO-SVM模型對應訓練集與測試集都達到了更高精度的彎輥力預測精度。為了對各算法性能進行準確對比，統計得到表2 中的各項參數。通過訓練集測試發現，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。通過測試發現，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。根據上述測試結果可知，對于訓練與測試數據集進行測試時，以改進PSO-SVM 構建的預測模型都達到了更高預測精度。因此可以推斷，以改進PSO-SVM 構建得到了具有優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測模型性能

圖3 不同算法的彎輥力測試及預測結果對比

3 結論

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

2）設置可靠補償后大幅降低了AFC 系統工作量，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，但在面對異常數據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。