(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111516036.1 (22)申请日 2021.12.0 6 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 孙杰　鲁兴　刘云霄　乔继柱　 李树　彭文　李霄剑　张殿华　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 代理人 李珉 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) B21B 37/00(2006.01)G06F 119/14(2020.01) (54)发明名称 一种基于数据驱动 的冷轧机振动预测与预 警方法 (57)摘要 本发明提供一种基于数据驱动的冷轧机振 动预测与预警方法， 涉及轧钢技术领域。 本发明 首先在冷轧生产过程中， 获取轧制过程工艺参 数； 将轧机轧制过程工艺参数与振动数据进行时 刻匹配、 数据平滑与标准化处理； 最后采用处理 后的数据使用XGBoo st算法建立 轧机振动幅值预 测模型， 利用模型对轧机的振动 幅值进行预测； 本发明提供的数据驱动的冷轧机振动预测与预 警方法， 运算速度快、 计算精度高， 可应用于在线 轧机振动的早期预警。 权利要求书2页 说明书5页 附图2页 CN 114091211 A 2022.02.25 CN 114091211 A 1.一种基于数据驱动的冷轧机振动预测与预警方法， 其特 征在于， 包括以下步骤： 步骤1： 在冷轧生产过程中， 通过实时振动采集系统对工作辊轴承座的振动进行测量， 获取轧机在轧制 速度稳定时工作辊的振动加速度幅值， 并对振动加速度幅值进行记录， 同 时利用冷轧生产线上的测速仪、 张力计、 测厚仪、 测宽仪， 从轧钢生产线上的生产数据采集 系统中直接获取轧机实时轧制过程的轧制工艺 参数； 步骤2： 对获取的振动加速度幅值与轧制工艺参数数据进行预处理， 包括对数据进行时 刻匹配、 平滑、 标准化处理， 进过 处理后的每一条数据都包含轧制工艺参数数据以及 振动加 速度幅值数据， 对处理后的数据建立数据集， 并将数据集划分为训练集以及测试集； 训练集 的轧制工 艺参数数据记为输入矩阵X1， 振动加速度幅值 数据记为输出矩阵Y1， 测试集的轧制 工艺参数数据记为输入矩阵X2， 振动加速度幅值数据记为输出矩阵Y2； 步骤3： 对于步骤2得到的输入矩阵X1与输出矩阵Y1， 利用XGBoost算法建立XGBoost轧机 振动预测模型， 利用训练集数据对 模型进行训练； 步骤4： 根据建立的XGBoost轧机振动预测模型预测轧机的振动加速度幅值并进行预 警。 2.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 步骤1 中所述实时振动采集系统包括振动加速度传感器以及 采集仪， 通过磁座安装到操 作侧工作辊轴承座的外端部分。 3.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 步骤1中所述轧制工艺参数包括轧制速度、 带钢等效变形抗力、 工作辊累积轧制里程、 机 架出口带钢厚度、 机架入口带钢厚度、 轧制力、 前张力、 后张力、 工作辊半径、 工作辊表面粗 糙度、 乳化液浓度、 带钢宽度、 原料 带钢厚度、 总压下率。 4.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 步骤2中所述时刻匹配将生产数据采集系统中带钢轧制结束后的剪切时刻， 与实时振动 采集系统中振动加速度幅值 急剧增大时刻， 作为轧制过程工艺参数与振动加速度信号之间 时间匹配的依据。 5.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 步骤2中所述平 滑采用五点 三次平滑法， 标准 化处理采用Z‑score标准化法。 6.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 步骤3中所述XGBoost轧机振动预测模型通过不断地增加决策树， 并让决策树不断分裂 生长， 训练完成得到K棵树； 其次， 让每个样本都能落到对应的一个叶子节点上， 每个叶子节 点就对应一个分数； 最后， 将 每棵树中相应叶子节点对应的分数加权求和， 最 终得到的预测 值； 所述XGBoost轧机振动预测模型中需要确定的超参数包括循环迭代次数(n)、 训练学习 率( η )、 叶子节 点进行分裂时的最小损失函数值(γ)、 每棵决策树的最大深度(m)、 每个叶子 节点在分裂时的最小得分系数( β )、 叶子节点分裂时的最大步长( δ )、 训练集子样本集比例 (s)、 构造每颗决策树时子样本集比例( μ )、 L1正则化系数(L1)、 L2正则化系数(L2)， 则第i个 数据样本的回归预测结果表示 为：权　利　要　求　书 1/2 页 2 CN 114091211 A 2式中： 为模型对第i个样本的预测结果， fk(xi)为第k棵决策树对第 i个样本的预测结 果， K为决策树的总数目， k 为第k棵决策树。 7.根据权利要求1所述的一种基于数据驱动的冷轧机振动预测与预警方法， 其特征在 于， 所述步骤4具体包括以下步骤： 步骤4.1： 使用XGBoost轧机振动预测模型利用步骤2中测试集的轧制工艺参数数据输 入矩阵X2对工作辊的振动加速度幅值进行 预测； 步骤4.2： 将XGBoost轧机振动预测模型预测的工作辊振动加速度幅值与测试集振动加 速度幅值数据输出矩阵Y2进行对比， 当测试集振动加速度幅值数据输出矩阵Y2大于预测的 振动加速度幅值时为轧机的异常振动提供报警。权　利　要　求　书 2/2 页 3 CN 114091211 A 3