轧制过程中分布式多输出预测任务的一种新型框架:以冷轧板平整度为例

《Engineering Applications of Artificial Intelligence》:A novel framework for distributed multi-output prediction tasks in rolling processes: A case study on cold rolling strip flatness

【字体: 大 中 小 】 时间:2026年09月29日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   • 多模态框架预测连轧冷轧中的宽向带钢平直度 • 机理变形场与工业轧制过程数据相融合 • 并行深度网络捕捉全局工艺状态和空间平直度模式 • 模型优化提高在大规模工业数据上的鲁棒性和准确性 引言 冷轧带钢因其卓越的尺寸精度、力学性能和表面质量,在先进制造领域得到广泛应用。在

  

• 多模态框架预测连轧冷轧中的宽向带钢平直度
• 机理变形场与工业轧制过程数据相融合
• 并行深度网络捕捉全局工艺状态和空间平直度模式
• 模型优化提高在大规模工业数据上的鲁棒性和准确性

引言

冷轧带钢因其卓越的尺寸精度、力学性能和表面质量,在先进制造领域得到广泛应用。在各种质量指标中,带钢平直度起着决定性作用,直接影响后续加工行为和产品整体性能。然而,尽管自动厚度控制和平直度控制技术取得了显著进展,实现精确的平直度预测和调节仍然具有挑战性。这种困难的根源在于冷轧过程固有的复杂、多变量、强耦合、非线性和动态特性(Bemporad et al., 2010)。平直度缺陷受非对称变形、辊磨损(Lu et al., 2024a)、辊热凸度(Lu et al., 2024b)以及来料性能变化等因素的共同影响,所有这些因素都给预测和控制带来了重大不确定性(Deng et al., 2019)。

随着商业有限元软件的广泛采用,许多研究人员已将有限元方法(FEM)应用于轧制过程分析和带钢平直度建模。Cao等(2018)开发了三维弹塑性有限元模型,阐明了辊弯平和悬挂接触如何驱动边降和凸度形成,并为四辊轧机提出了定制辊型轮廓。Li等(2025a)引入了一种基于横向非均匀变形抗力(TIDR)的有限元方法,揭示了横向性能变化如何控制平直度缺陷的演变。Cao等(2023)进一步建立了多机架有限元模型,量化了工作辊弯曲(WRB)、中间辊弯曲(IRB)和窜动对万能平活控制(UCM)轧机平直度控制的影响。Wang等(2018)建立了完整的三维UCM轧机模型,分析了凸度-平直度相互作用并推导出执行器效率因子。Li等(2023)建立了连续可变凸度六辊轧机的有限元模型,评估了各机架的弯曲控制能力。Sun等(2023)使用多道次ABAQUS模型验证了抑制DP980钢四分之一波缺陷的弯曲力策略。

基于机理的分析模型也通过揭示变形、应力和平直度演变之间的基本关系,为轧制过程提供了重要见解。Li等(2025b)开发了对称和非对称带钢变形的数学公式,将曲率和张力与平直度变化联系起来。Ren等(2025)提出了一种快速解析方法,通过中性面迁移和差异伸长机制预测平直度缺陷。Wu等(2022)建立了耦合的热-冶金-力学模型,阐明了不均匀冷却如何诱导热轧带钢中的边浪和中浪变形。Zakarlyuka等(2024)推导了非平面带钢弹性张力的封闭解,为非对称皱纹提供了解析应力-缺陷关系。Liu等(2022)进一步基于简化的弯曲和张力力学分析了带钢平直度演变。

这些研究表明,基于FEM的仿真和基于机理的解析模型都为带钢平直度形成提供了有价值的见解。FEM方法可以捕捉轧辊-带钢系统内的详细热-力学相互作用,提供高保真的轮廓和平直度演变表示,但其高计算成本限制了在实时工业环境中的适用性。相比之下,解析模型提供了清晰的物理解释和高计算效率;然而,它们对简化假设的依赖限制了其完全表征实际轧制过程复杂和非线性特征的能力。

随着数字孪生技术在工业环境中的逐步推进和部署,越来越多的研究报道了在工业过程建模、分析和优化方面取得了显著进展(Mohanraj and Vaishnavi, 2025; Semeraro et al., 2023)。Wang等(2021)使用卷积神经网络(CNN)进行平直度预测,Chen等(2023)采用带注意力机制的长短期记忆(LSTM)网络进行多架时空学习。Zhao等(2023)提出了一种在云-边框架内使用人工蜂群(ABC)算法优化的人工神经网络(ANN)。Zhou等(2025)开发了一个结合随机森林(RF)、XGBoost和CatBoost的深度集成森林。Deng等(2022)和Choi等(2021)采用基于深度神经网络(DNN)的模型进行凸度和过程建模,Hu等(2023)应用数据驱动回归进行瞬态辊缝预测,Peng等(2022)建立了智能过程-性能模型。Xu等(2024)和Wang等(2024b)引入了大数据驱动和多变量深度学习(DL)框架。然而,现有模型仅依赖离散输入,未充分利用轧制操作固有的丰富机理和过程知识。为了解决这些局限性,混合或机理引导的学习框架引起了越来越多的关注(Zong et al., 2025)。Dong等(2024)开发了一种机理-数据融合模型,将物理变形理论与机器学习相结合,以提高热轧过程中板坯弯曲的预测和控制。Ji等(2023)提出了一种多源混合建模方法,整合经验方程、基于FEM的见解和数据驱动回归,以增强热轧工字钢截面平直度缺陷的预测。Liu等(2023)引入了一种协同混合模型,将辊缝力学和材料变形原理嵌入大数据分析框架,以联合预测连轧冷轧中的带钢厚度、轮廓和平直度。Song等(2023)提出了一种量纲分析引导的学习方法,其中机理导出的无量纲变量指导支持向量机(SVM)和递推最小二乘(RLS)模型进行粗轧中板坯弯曲的准确预测。这些方法突出了将物理知识嵌入数据驱动模型以提高性能和可解释性的潜力。

尽管取得了这些进展,连轧冷轧中的准确平直度预测仍然具有挑战性,因为预测目标本质上分布在带钢宽度上,而大多数现有模型主要依赖离散轧制参数作为输入。这种空间分布输出与离散工艺变量之间的不匹配限制了常规数据驱动方法有效捕捉与平直度演变相关的宽向变形特征的能力。同时,虽然基于机理的模型和FEM仿真为带钢变形行为提供了有价值的物理见解,但它们在计算效率或建模假设方面的局限性阻碍了它们在实时工业预测中的直接应用。因此,现有方法在同时实现高预测准确性、计算效率和足够的物理解释方面仍然面临困难。

为了克服这些局限性,平直度预测必须将机理知识与数据驱动学习相结合,同时保留平直度相关信息的宽向结构。现有的机理引导和混合模型通常通过物理约束、经验关系或工程变量引入物理知识。在此基础上,所提出的框架使用影响函数法(IFM)推导宽向变形和载荷传递场,并将它们视为一种独特的机理模态。这种分离反映了输入的不同作用:离散轧制参数描述了连轧机的全局运行状态,而IFM推导的场表征了与平直度形成相关的宽向变形模式。因此,MMPN采用DNN分支对全局离散轧制参数进行编码,采用CNN分支从分布式机理场中提取空间特征。通过将每个输入模态与合适的编码器匹配,该框架形成了全局工艺条件和局部变形机理的统一表示。所生成的模型直接预测工业轧制条件下的35通道平直度轮廓。

本研究的主要贡献总结如下:

1) 机理一致表示。通过将离散轧制变量转换为IFM推导的宽向变形和载荷传递场,构建了数据-机理融合表示,将全局运行条件与平直度形成的空间机理联系起来。

2) 模态特定学习。MMPN通过CNN分支保留机理场的宽向组织,通过DNN分支编码全局工艺状态,并融合由此产生的互补表示进行分布式平直度预测。

3) 两阶段优化。为MMPN开发了一种基于Optuna的由粗到细的超参数优化策略。该策略首先在广泛的搜索空间中识别稳定的高性能区域,然后在缩小的范围内细化最具影响力的超参数,以确定最终网络配置。

4) 工业证据。在工业生产数据上的评估表明,MMPN实现了0.7802的平均绝对误差和1.1648的均方根误差,优于最佳基线,同时产生更忠实的宽向平直度轮廓。

基本理论

本研究调查的生产线是一个六辊五机架连轧冷轧机。如图1(a)所示,生产线的整体布局由五个串联排列的轧制机架组成。经过酸洗后,带钢进入连轧机,在受控的机架间张力作用下,通过五个机架进行连续厚度减薄。轧制机架通过同步的速度和张力控制以协调方式运行,确保带钢稳定通过。

在轧制现场收集的离散参数

本研究中使用的45个离散轧制参数总结在表1中。其选择受到轧制力学知识、专家经验以及工业控制系统中同步信号持续可用的指导。所选变量涵盖了控制连轧机全局运行状态、载荷传递、辊缝演变和形状控制动作的主要因素。具体而言,包括第一机架(S1)和第五机架(S5)的入口和出口厚度等。

网络架构与原理

所提出的MMPN旨在共同利用离散轧制参数和IFM推导的二维机理场中嵌入的互补信息。如图10所示,模型采用双分支编码架构,其中基于CNN的空间编码器和基于DNN的过程编码器提取模态特定特征。它们的潜在输出被拼接并传入统一的多层感知器(MLP)解码器进行多通道平直度预测。

模型评估指标

为了评估MMPN的预测性能,我们使用了决定系数、平均绝对误差、均方根误差、容差符合率和最大绝对误差。设N表示测试样本数量,C=35表示平直度输出通道数。对于第i个测试样本(i=1,…,N),以及第c个输出通道(c=1,…,C),y_{i,c}表示测量平直度指数,?_{i,c}表示相应的MMPN预测值。平均测量平直度为:

结论

本研究开发了一种机理引导的多模态框架,用于预测连轧冷轧中的35通道平直度轮廓。该框架将离散轧制参数与IFM推导的宽向机理场相结合,并使用所提出的MMPN学习它们的互补信息。主要结论总结如下:

(1) 从工业连轧冷轧数据构建了机理引导的多模态数据集。IFM将离散轧制参数转换为...

CRediT作者贡献声明
Juncheng Ye: 撰写 - 原稿,验证,软件,方法论,概念化
Wenteng Wu: 可视化,方法论,形式分析
Jinyun Liu: 调查,形式分析
Jianlei Zhang: 验证,软件,数据整理
Xiaojian Li: 软件,验证
Chongxiang Yue: 监督,概念化
Wen Peng: 撰写 - 审阅与编辑,监督,概念化
Jie Sun: 验证,监督,方法论,资金获取,概念化
Dianhua Zhang:

利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争经济利益或个人关系。

致谢
本工作得到了国家自然科学基金(U25A20470)、青年师资科学研究创新能力支持项目(SRICSPYF-ZY2025079)和国家科技重大专项(编号:2025ZD1602300)的支持。

作者:Juncheng Ye | Wenteng Wu | Jinyun Liu | Jianlei Zhang | Xiaojian Li | Chongxiang Yue | Wen Peng | Jie Sun | Dianhua Zhang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号