基于SVM的轧机油膜厚度补偿模型的建立.pdf

《基于SVM的轧机油膜厚度补偿模型的建立.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2012年8月机床与液压Aug．2012第40卷第15期MACHINET00L&HYDRAULICSVo1．40No．15DOI：10．3969／j．issn．1001—3881．2012．15．018基于SVM的轧机油膜厚度补偿模型的建立张利红，梁英波，李晋(周口师范学院物理与电子工程系，河南周口466001)摘要：研究单机架热轧中厚板轧机的油膜厚度补偿问题，利用SVM方法建立了轧机油膜厚度补偿模型，并对回归预测结果进行分析，同时与成熟的基于Reynolds方程的轧机相对油膜厚度补偿方法进行比较，结果表明：采用基于SVM的轧机油膜厚度补偿模型可以对轧机油膜厚度进行良好的补偿，补偿精度较好。关

2、键词：SVM；油膜厚度补偿；统计学习理论中图分类号：TQ018文献标识码：A文章编号：1001—3881(2012)15—065—3EstablishmentofMathematicalModelforRollingMilloilFilmThicknessCompensationBasedonSVMZHANGLihong．LIANGYingbo．LIJin(DepartmentofPhysicsandEngineering，ZhoukouNormalUniversity，ZhoukouHenan466001，China)Abstract：Theproblemofoilfihncompensat

3、ioninsingle—standhotstriprollingmillwasresearched．ThemodelofrollingmilloilfilmthicknesscompensationbasedonSVMwasestablished．Theregressionandforecastingresultsofthesimulationwereanalyzed．Atthesametime．themethodwascomparedwiththeonebasedonReynoldsequation．Theresultsshowthatrollingmilloilfilmthicknessc

4、anbecompensatedefficiently，withagoodprecision．Keywords：SVM；Oilfilmthicknesscompensation；Statisticallearningtheory高质量、高产量、高成材率、低成本成为现代钢可消除。下面用P—h图来说明油膜厚度变化对带钢厚铁企业竞争的核心。中厚板轧机的控制系统(AGC)度的影响，如图1所示。的控制精度13益提高，所以AGC的油膜厚度补偿问题被提到新的高度。1轧机油膜厚度补偿问题的提出在AGC控制精度日益提高的今天，一点点厚度的影响也是不容忽视的。AGC的核心是厚度计算模型：oIllh=s+_厂(P)+

5、△厂一0(1)式中：h为中厚板板厚(ram)；s为轧辊辊缝(mm)；图1油膜厚度变化对带钢厚度变化影响P—h图，(P)为轧制力P产生的轧机弹跳(mlT1)；af为轧辊2SVM的理论基础的热膨胀、磨损等补偿(mm)；D，为油膜补偿支持向量基(SVM)的理论基础是由著名的前(mm)；P为轧制压力(10N)。苏联学者VNVAPNIK等人研究提出的统计学习理热轧中厚板轧机基本上都是采用油膜轴承，油膜论。统计学习理论主要是研究在有限样本下的学习轴承中的油膜厚度与轧机的轧制速度成正比，与轧机问题，被认为是目前针对有限样本统计估计和预测学的轧制力成反比。在辊缝s改变的过程中，中厚板带习的最佳理论，它建立在结

6、构风险最小化基础之上，钢厚度h变化的同时，轧制压力P也随之变化，并通与传统的建立在经验风险最小化基础之上的统计学不过压力传感器反馈到AGC控制系统中，就会引起对同，有着系统的理论基础。支持向量基(SVM)是带钢人口厚度的误识，输出辊缝调节量向相反的方向由VNVAPNIK等人在统计学习理论基础之上提出的调节。在中厚板带钢的生产过程中，有精确的油膜厚一种机器学习算法。度计算模型，对油膜厚度进行实时计算，并且反向加SVM的基本思想就是通过某种非线性映射(·)到辊缝调节中，油膜厚度变化对中厚板板厚的影响即将输入向量映射到一个高维空间Z(特征空间)，收稿日期：2011—07—10基金项目：河南省科技厅科

7、技攻关项目(122102210170)；周口师范学院青年教师基金项目(2012QNB07)作者简介：张利红(1982一)，硕士，讲师，主要从事过程控制及智能控制与智能自动化以及图像处理方面的教学研究。E—mail：dabang662@163．eom。·66·机床与液压第40卷在Z(特征空间)中构造一个最优的分类超平面，基于SVM的轧机油膜补偿模型如图2所示。从而获得线性最优决策函数Y。非线性映射(