本發明實施例提供的一種軋制力優化方法，用于優化軋制力模型輸出的軋制力，所述軋制力模型對軋制力的修正包括神經網絡修正。其中方法包括：根據目標帶鋼的規格參數，獲取對目標帶鋼軋制過程中輸出的實際軋制力和所述軋制力模型的設定軋制力；根據所述實際軋制力和所述設定軋制力，獲取預期修正系數；根據所述預期修正系數與所述神經網絡修正所使用的神經網絡系數，獲取新修正系數；根據所述新修正系數，獲得目標軋制力，所述目標軋制力用于作為所述軋制力模型的設定數據并在所述目標帶鋼進行軋制時使用。本發明解決了現有技術在帶鋼軋制過程中獲取的軋制力精度低，設定值與實際值偏差較大，影響軋制質量的問題。

技術領域

本發明涉及冷軋及軋鋼技術領域，具體而言，涉及一種軋制力優化方法及裝置。

背景技術

冷軋是鋼材的主要成品工序，其所生產的冷軋薄板是高附加值、高技術含量的鋼材品種，是汽車、家電、建筑等行業所必不可少的原材料。近年來，隨著這些現代化行業的飛速發展，不僅對冷軋帶鋼的需求量急劇增加，而且對其內在性能質量、外部尺寸精度和表面質量諸方面提出了嚴格的要求。

軋制力是軋機最重要的設備參數與工藝參數，也是塑性加工工藝、設備優化設計和過程控制的重要依據。軋制力的精度不僅直接影響軋制規程的設定精度，而且對板厚精度及板形質量都產生直接影響，是充分發揮板厚和板形系統調控能力，提高帶鋼頭部命中率的關鍵。所以軋制力模型是冷連軋過程控制的基礎模型。隨著軋機的現代化程度不斷提高，軋鋼行業的技術人員深刻地認識到，軋制力數學模型的重要性，其獲得的軋制力精度直接決定軋制產品的產量和質量。

雖然，目前基于神經網絡的軋制力模型獲取的軋制力已經具有較高的精度，但是對于部分規格的帶鋼，由于軋制生產量較少，自學習樣本量少，難以獲得較高精度的軋制力模型，當使用該軋制力模型時，往往出現軋制力精度低，設定值與實際值偏差較大，影響軋制質量。

發明內容

有鑒于此，本發明實施例的目的在于提供一種軋制力優化方法及裝置，解決了現有的基于神經網絡的軋制力模型在自學習樣本較少時，獲取的軋制力精度低，設定值與實際值偏差較大，影響軋制質量的問題。

第一方面，本申請通過本申請的一實施例提供如下技術方案：

一種軋制力優化方法，用于優化軋制力模型輸出的軋制力，所述軋制力模型對軋制力的修正包括神經網絡修正，所述方法包括：

根據目標帶鋼的規格參數，獲取對目標帶鋼軋制過程中輸出的實際軋制力和所述軋制力模型的設定軋制力；

根據所述實際軋制力和所述設定軋制力，獲取預期修正系數；

根據所述預期修正系數與所述神經網絡修正所使用的神經網絡系數，獲取新修正系數；

根據所述新修正系數，獲得目標軋制力，所述目標軋制力用于作為所述軋制力模型的設定數據并在所述目標帶鋼進行軋制時使用。

優選地，所述軋制力模型對軋制力的修正還包括短期自適應修正；其中，所述短期自適應修正包括：

按照預設降低值降低所述軋制力模型的現場自適應系數中的短期自定義權重系數；所述短期自定義權重系數用于調整軋制力模型自學習結果被繼承的速度。

優選地，所述根據所述實際軋制力和所述設定軋制力，獲取預期修正系數的步驟，具體包括：

根據獲取所述預期修正系數；其中，M為預期修正系數，X為實際軋制力，Y為設定軋制力。

優選地，所述根據所述預期修正系數與所述神經網絡修正所使用的神經網絡系數，獲取新修正系數的步驟，具體包括：

根據獲取所述新修正系數；其中，N為新修正系數，M為預期修正系數，Z為神經網絡系數。

優選地，所述根據所述新修正系數，獲得目標軋制力的步驟之前，還包括：