摘要: 薄板带钢的生产主要依靠热连轧过程，其中粗轧是一个重要过程。粗轧过程中常产生板坯弯曲的问题，弯曲产生存在复杂的机理，包含大量非线性与耦合关系，成熟的非对称板形问题的自动控制方法还没有实际应用。目前，生产过程大多依赖人工根据板坯弯曲的... 展开 薄板带钢的生产主要依靠热连轧过程，其中粗轧是一个重要过程。粗轧过程中常产生板坯弯曲的问题，弯曲产生存在复杂的机理，包含大量非线性与耦合关系，成熟的非对称板形问题的自动控制方法还没有实际应用。目前，生产过程大多依赖人工根据板坯弯曲的大小与方向给出辊缝倾斜补偿值，但受限于人工经验和技术因素的影响，无法精确给出辊缝倾斜补偿值，导致控制精度不足且易于产生板形质量问题，严重时影响带钢成品质量。为实现板坯弯曲的高精度检测和预测和辊缝倾斜补偿值的精确补偿，研究了基于机器视觉与机器学习和模糊模型融合方法。 首先，针对板坯弯曲大小检测精度不高的问题，建立基于机器视觉的板坯弯曲检测算法。采用机器视觉方法进行板坯弯曲测量，利用图像处理技术，可以获得轧件边缘的像素，间接确定板坯平面的尺寸大小，根据板坯中心线通过像素差分法判断板坯弯曲方向和同时计算板坯弯曲大小。 其次，针对板坯弯曲检测滞后和预测精度不高的问题，建立基于机器学习算法的板坯弯曲预测模型。采用机器学习算法中的随机森林算法和支持向量机分别建立板坯镰刀弯预测模型，机器学习算法中参数选择对预测模型的准确性有很大影响，通过不断重复实验抉择出最优参数，需要一定的经验和耗费时间，引入差分进化算法和贝叶斯优化算法选择机器学习算法的最优参数。实验结果表明，预测模型能有效预测后续板坯弯曲量，基于差分进化优化的随机森林预测模型在±3mm范围内精度达到了96.3%。基于贝叶斯优化的支持向量机的预测模型，在±2mm范围内精度达到了99.25%，上述提出的机器学习模型均能满足现场需求。 最后，针对人工给出的辊缝倾斜补偿值具有经验性和不确定性的问题，建立基于模糊模型的补偿模型。将专家经验和历史数据结合建立模糊模型，以板坯弯曲量和厚度值为输入变量，辊缝倾斜补偿值为输出变量。实验结果表明，模糊模型能准确的给出辊缝倾斜补偿值。为提前解决板坯弯曲问题，提出将预测模型和测量得到弯曲量与厚度值作为模糊模型输入，得到两次辊缝倾斜补偿值作为当前道次辊缝倾斜补偿值，仿真实验表明，该方法能有效减小板坯弯曲。 收起