CN115392007A - 轧辊差温热处理性能预测方法 - Google Patents

Abstract

本发明提供一种轧辊差温热处理性能预测方法，属于合金铸钢轧辊技术领域，包括步骤如下：取相对应的第一组轧辊差温热处理数据和第一组轧辊性能数据，对第一组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第一组相关性数据，并建立轧辊差温热处理管理数据库和轧辊差温热处理性能预测模型，然后训练和评估轧辊差温热处理性能预测模型，再将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统，用于指导轧辊差温热处理性能预测；与现有技术相比，本发明创造性地提出一种适用于轧辊差温热处理的性能预测方法，以提升轧辊差温热处理性能预测的准确性。

Description

轧辊差温热处理性能预测方法

技术领域

本发明涉及合金铸钢轧辊技术领域，具体而言，涉及一种轧辊差温热处理性能预测方法。

背景技术

轧辊是轧机的主要变形工具，轧辊在铸造过程中存在大量偏析和低硬度组织，导致使用过程中产生剥落、裂纹、断裂等缺陷，缩短了轧辊寿命。为了提高轧辊质量和延长轧辊寿命，现有技术人员一般通过调整轧辊合金成分和/或优化轧辊热处理工艺实现。对于轧辊热处理工艺，现有技术一般采用整体加热方式，但整体加热方式存在升温速度缓慢、无法选择性加热不同部位的缺点，造成轧辊性能降低和能源大量浪费。差温热处理是一种高效的加热方法，可以通过对轧辊辊身表面快速加热，在辊身表面快速形成较高温度并使辊身内部保持较低温度，提升辊身表面工作层淬火效果并保证轧辊性能。另外，差温热处理后的轧辊在后续冷却时，可在轧辊内部形成梯度组织，壳部工作层淬火为硬度较高的马氏体和贝氏体组织，芯部退火为韧性较好的珠光体类组织，实现外硬内韧的良好综合性能。

差温热处理工艺通常基于经验制定，但主观经验和判断缺乏客观理论支撑，导致轧辊性能出现波动。为了获得性能稳定的轧辊，需要确定合金成分、热处理工艺参数、性能之间的关系。通常采用实验分析方法反复多次实验，再将实验数据建立性能预测模型，但现有的性能预测模型大都基于整体热处理工艺建立，无法应用到轧辊差温热处理工艺中。另外，由于各项数据与轧辊性能的关联性存在差异，现有性能预测模型无法找到并剔除关联性较低的数据，导致性能预测模型结构庞杂、数据繁多，使性能预测模型预测的性能与实际热处理后的性能存在较大差距，性能预测模型的预测准确性不高。

发明内容

本发明解决的问题是如何提供一种适用于轧辊差温热处理的性能预测方法，以提升轧辊差温热处理性能预测的准确性。

本发明提供了一种轧辊差温热处理性能预测方法，包括以下步骤：

步骤S1，取相对应的第一组轧辊差温热处理数据和第一组轧辊性能数据，对第一组轧辊差温热处理数据进行有效性分析，得到有效性数据；

步骤S2，对有效性数据进行相关性分析，得到第一组相关性数据，并建立轧辊差温热处理管理数据库；

步骤S3，基于第一组相关性数据和第一组轧辊性能数据建立轧辊差温热处理性能预测模型；

步骤S4，取相对应的多组轧辊差温热处理数据和多组轧辊性能数据，经过步骤S1至步骤S2的处理后，得到相对应的多组相关性数据和多组轧辊性能数据，再导入轧辊差温热处理性能预测模型，训练和评估轧辊差温热处理性能预测模型，直至轧辊差温热处理性能预测模型中标定值以上的轧辊性能预测值满足预测精度，然后将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统；

步骤S5，将新产生的第二组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第二组相关性数据，再导入轧辊差温热处理智能化管理系统，获得第二组轧辊性能预测值。

与现有技术相比，本发明创造性地提出一种应用于轧辊差温热处理性能预测方法的轧辊差温热处理性能预测模型，有效利用了大量现有轧辊差温热处理数据和轧辊性能数据。另外，本发明利用有效性分析和相关性分析将大量现有轧辊差温热处理数据和轧辊性能数据分类，再将相关性较高的数据应用于轧辊差温热处理性能预测模型，提升轧辊差温热处理性能预测的准确性，精简轧辊差温热处理性能预测模型结构。再者，本发明通过将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统，可直接利用新产生的第二组轧辊差温热处理数据预测新的第二组轧辊性能预测值，以辅助轧辊差温热处理工艺的制定。

作为优选，轧辊差温热处理数据包括轧辊生产条件参数、轧辊差温热处理工艺参数，轧辊生产条件参数包括材料名称、辊身直径、轧辊性能技术要求、轧辊合金成分、车间编号、差温热处理炉编号、喷水淬火设备编号、环境温度，轧辊合金成分包括C、Si、Mn、P、S、Cr、Mo、Ni、V、Nb成分数据项，差温热处理工艺参数包括淬火加热高保温度和时间、淬火加热低保温度和时间、淬火时间和回火温度，轧辊性能数据为辊身硬度、轧辊抗热裂性能、轧辊耐磨耐冲击性能、辊身光洁度和轧辊切削加工性能中的一种。

作为优选，有效性分析的过程包括：

基于热处理知识，剔除与轧辊性能数据变化没有关系的轧辊差温热处理数据。

作为优选，有效性分析的过程包括：

剔除以下数据项：材料名称，辊身硬度技术要求，轧辊合金成分中的Si、Mn、P、S成分数据项，车间编号，差温热处理炉编号；

保留以下数据项：辊身直径，轧辊合金成分中的C、Cr、Mo、Ni、V、Nb成分数据项，喷水淬火设备编号，环境温度，差温热处理工艺参数。

作为优选，相关性分析的过程包括：

将有效性数据进行归一化处理或标准化处理，然后采用相关系数r衡量任一有效性数据与任一轧辊性能数据间的相关性，相关系数r如下：

其中，i表示数据项序号，x_i为自变量，表示序号为i的有效性数据，

表示有效性数据均值，y_i为因变量，表示序号为i的轧辊性能数据，

表示轧辊性能数据均值；

剔除|r|＜0.5时的数据项，保留|r|≥0.5时的数据项。

作为优选，步骤S3中的轧辊差温热处理性能预测模型基于多元回归方法建立，多元回归方法的回归方程为：

其中，i表示数据项序号，x_i为自变量，表示序号为i的第一组相关性数据，

表示序号为i的回归系数预测值，

为因变量的预测值，表示第一组轧辊性能预测值。

作为优选，轧辊差温热处理性能预测模型的建立过程包括：

步骤S31，根据有效性数据和第一组轧辊性能数据确定自变量和因变量；

步骤S32，用最小二乘法求解回归方程中的回归系数

步骤S33，通过计算样本决定系数R²检验回归方程的显著性，其中样本决定系数R²为：

其中，

表示序号为i的第一组轧辊性能预测值，

表示第一组轧辊性能数据均值，y_i为表示序号为i的第一组轧辊性能数据；

步骤S34，通过残差分析评估第一组轧辊性能预测值与第一组轧辊性能数据均值之间的差距。

作为优选，步骤S4中训练和评估轧辊差温热处理性能预测模型的过程包括：

将相对应的多组相关性数据和多组轧辊性能数据导入轧辊差温热处理性能预测模型，多轮迭代轧辊差温热处理性能预测模型，获得预测精度；

当轧辊性能预测值与相对应的轧辊性能数据的差值处于轧辊性能的预测精度内，将轧辊性能预测值纳入回归线拟合，反之剔除。

作为优选，轧辊性能数据为辊身硬度，轧辊性能的预测精度绝对值≤3HS。

本发明还提供一种自适应轧辊差温热处理性能预测方法，包含上述任一的轧辊差温热处理性能预测方法，还包括以下步骤：

步骤S6，基于第二组轧辊差温热处理数据获得第二组轧辊性能数据，将第二组轧辊性能数据和第二组相关性数据导入轧辊差温热处理管理数据库，用于训练、评估和更新轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型；

步骤S7，将新产生的第N组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第N组相关性数据，再导入步骤S6的自适应轧辊差温热处理性能预测模型，获得第N组轧辊性能预测值；

步骤S8，基于第N组轧辊差温热处理数据获得第N组轧辊性能数据，依次重复步骤S6和步骤S7，用于自适应轧辊差温热处理性能预测，其中N为大于等于3的整数值。

现有的性能预测模型基于过往数据构建，新产生的数据无法更新性能预测模型，逐渐降低性能预测模型的适用性。本发明的自适应轧辊差温热处理性能预测方法，通过不断将新产生的轧辊差温热处理数据和新的轧辊性能数据导入轧辊差温热处理管理数据库，以更新轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型，提升轧辊差温热处理性能预测模型的适用性和准确性。

附图说明

图1为本发明实施例一中自适应轧辊差温热处理性能预测方法的流程示意图；

图2为本发明实施例一中某型支承辊预测模型的残差图，其中横坐标表示参与训练评估的轧辊差温热处理数据和辊身硬度数据组数。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

另外，术语“包括”、“含有”、“具有”的含义是非限制性的，即可加入不影响结果的其它步骤和其它成分。如无特殊说明的，材料、设备、试剂均为市售。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明实施例提供了一种轧辊差温热处理性能预测方法，包括以下步骤：

步骤S1，取相对应的第一组轧辊差温热处理数据和第一组轧辊性能数据，对第一组轧辊差温热处理数据进行有效性分析，得到有效性数据；

步骤S2，对有效性数据进行相关性分析，得到第一组相关性数据，并建立轧辊差温热处理管理数据库；

步骤S3，基于第一组相关性数据和第一组轧辊性能数据建立轧辊差温热处理性能预测模型；

步骤S4，取相对应的多组轧辊差温热处理数据和多组轧辊性能数据，经过步骤S1至步骤S2的处理后，得到相对应的多组相关性数据和多组轧辊性能数据，再导入轧辊差温热处理性能预测模型，训练和评估轧辊差温热处理性能预测模型，直至轧辊差温热处理性能预测模型中标定值以上的轧辊性能预测值满足预测精度，然后将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统；

步骤S5，将新产生的第二组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第二组相关性数据，再导入轧辊差温热处理智能化管理系统，获得第二组轧辊性能预测值。

与现有技术相比，本发明实施例创造性地提出一种应用于轧辊差温热处理性能预测方法的轧辊差温热处理性能预测模型，有效利用了大量现有轧辊差温热处理数据和轧辊性能数据。另外，本发明实施例利用有效性分析和相关性分析将大量现有轧辊差温热处理数据和轧辊性能数据分类，再将相关性较高的数据应用于轧辊差温热处理性能预测模型，提升轧辊差温热处理性能预测的准确性，精简轧辊差温热处理性能预测模型结构。再者，本发明实施例通过将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统，可直接利用新产生的第二组轧辊差温热处理数据预测新的第二组轧辊性能预测值，以辅助轧辊差温热处理工艺的制定。

作为另一种实施方式，轧辊差温热处理数据包括轧辊生产条件参数、轧辊差温热处理工艺参数，轧辊生产条件参数包括材料名称、辊身直径、轧辊性能技术要求、轧辊合金成分、车间编号、差温热处理炉编号、喷水淬火设备编号、环境温度，轧辊合金成分包括C、Si、Mn、P、S、Cr、Mo、Ni、V、Nb成分数据项，差温热处理工艺参数包括淬火加热高保温度和时间、淬火加热低保温度和时间、淬火时间和回火温度，轧辊性能数据为辊身硬度、轧辊抗热裂性能、轧辊耐磨耐冲击性能、辊身光洁度和轧辊切削加工性能中的一种。现有技术中的整体热处理工艺仅将合金成分、热处理工艺参数和性能数据整合并建立性能预测模型，但在实际生产过程中，轧辊性能还受到设备、季节性等因素影响。本发明实施例轧辊差温热处理数据还包含现有技术没有的材料名称、辊身直径、轧辊性能技术要求、车间编号、差温热处理炉编号、喷水淬火设备编号和环境温度，可最大化利用现有轧辊差温热处理数据和轧辊性能数据，减小因数据类型不足而导致轧辊性能预测值和轧辊性能存在的差异。具体地，其中，淬火加热高保温度是指淬火保温阶段的温度上限，淬火加热低保温度是指淬火保温阶段的温度下限。辊身硬度是衡量轧辊材料软硬程度的性能指标，是轧辊的最主要性能指标，与轧辊特殊微观组织有着密切的关系，可采用布氏硬度计、洛氏硬度计、肖氏硬度计和里氏硬度计测量。抗热裂性能是轧辊的重要性能指标，影响着轧辊应用时的稳定性，通常采用将试样反复加热至一定温度并保温，然后用水激冷，再根据试样表面出现裂纹的严重程度来评价材料的抗热裂性，或用试样表面第一个裂纹出现时试样加热冷却的次数来表示。一些特殊环境会对轧辊有特殊要求，如压下量大时，要求轧辊有较强的咬入能力，因此轧辊需要满足一定的耐磨耐冲击性能。当轧辊轧制薄规格产品时，需要满足一定的刚性、组织性能均匀性、加工精度以及表面光洁度，一般采用表面粗糙度仪测量表面光结度。切削加工性能表明切削加工工件的难易程度，在轧辊轧制复杂断面型钢时需要考虑轧辊辊身工作层的切削加工性能，一般由工件切削后的表面粗糙度及刀具寿命来衡量。

作为另一种实施方式，有效性分析的过程包括：基于热处理知识，剔除与轧辊性能数据变化没有关系的轧辊差温热处理数据，以减少轧辊差温热处理性能预测模型的无用数据。

作为另一种实施方式，有效性分析的过程包括：剔除以下数据项：材料名称，辊身硬度技术要求，轧辊合金成分中的Si、Mn、P、S成分数据项，车间编号，差温热处理炉编号；保留以下数据项：辊身直径，轧辊合金成分中的C、Cr、Mo、Ni、V、Nb成分数据项，喷水淬火设备编号，环境温度，差温热处理工艺参数。具体地，辊身硬度均值是轧辊最主要的性能指标，在对轧辊差温热处理辊身硬度预测时，需要剔除与辊身硬度无关的数据项。其中，辊身直径通过影响传热过程进而影响轧辊材料相变过程，需要保留；对于生产设备数据，不同喷水淬火设备的冷却速率和环境温度，对淬火后的辊身硬度有较大的影响，需要保留；对于轧辊合金成分，Si、Mn、P和S为钢铁最常见的合金元素，其对轧辊性能的影响较弱，需要剔除，而C、Cr、Mo、Ni、V、Nb对轧辊性能的影响较强，需要保留；热处理设备的工艺参数与轧辊性能高度相关，需要全部保留。

作为另一种实施方式，相关性分析的过程包括：将有效性数据进行归一化处理或标准化处理，然后采用相关系数r衡量任一有效性数据与任一轧辊性能数据间的相关性，相关系数r如下：

其中，i表示数据项序号，x_i为自变量，表示序号为i的有效性数据，

表示有效性数据均值，y_i为因变量，表示序号为i的轧辊性能数据，

表示轧辊性能数据均值；剔除|r|＜0.5时的数据项，保留|r|≥0.5时的数据项。

上述实施方式通过将有效性数据进行归一化处理或标准化处理，消除由于各个数据项量纲不同引起的误差；另外，r的取值范围为|r|≤1，|r|＝1表示完全线性相关，r＞0为正相关，r＜0为负相关，当|r|≥0.5时，该项有效性数据与轧辊性能数据强相关，反之为弱相关，将相关系数的阈值设置为0.5可以有效剔除弱相关数据项。

作为另一种实施方式，步骤S3中的轧辊差温热处理性能预测模型基于多元回归方法建立，多元回归方法的回归方程为：

其中，i表示数据项序号，x_i为自变量，表示序号为i的第一组相关性数据，

表示序号为i的回归系数预测值，

为因变量的预测值，表示第一组轧辊性能预测值。采用上述回归方程，可利用作为自变量的第一组相关性数据预测未知的第一组轧辊性能，并判断第一组轧辊性能预测值的准确性，为后续轧辊性能预测值的预测精度提供数据。

作为另一种实施方式，轧辊差温热处理性能预测模型的建立过程包括：

步骤S31，根据有效性数据和第一组轧辊性能数据确定自变量和因变量；

步骤S32，用最小二乘法求解回归方程中的回归系数

步骤S33，通过计算样本决定系数R²检验回归方程的显著性，其中样本决定系数R²为：

其中，

表示序号为i的第一组轧辊性能预测值，

表示第一组轧辊性能数据均值，y_i为表示序号为i的第一组轧辊性能数据；

步骤S34，通过残差分析评估第一组轧辊性能预测值与第一组轧辊性能数据均值之间的差距。

作为另一种实施方式，步骤S4中训练和评估轧辊差温热处理性能预测模型的过程包括：

将相对应的多组相关性数据和多组轧辊性能数据导入轧辊差温热处理性能预测模型，多轮迭代轧辊差温热处理性能预测模型，获得预测精度；

当轧辊性能预测值与相对应的轧辊性能数据的差值处于轧辊性能的预测精度内，将轧辊性能预测值纳入回归线拟合，反之剔除。

作为另一种实施方式，轧辊性能数据为辊身硬度，轧辊性能的预测精度绝对值≤3HS。

本发明实施例还提供一种自适应轧辊差温热处理性能预测方法，包含上述任一的轧辊差温热处理性能预测方法，包括以下步骤：

步骤S6，基于第二组轧辊差温热处理数据获得第二组轧辊性能数据，将第二组轧辊性能数据和第二组相关性数据导入轧辊差温热处理管理数据库，用于训练、评估和更新轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型；

步骤S7，将新产生的第N组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第N组相关性数据，再导入步骤S6的自适应轧辊差温热处理性能预测模型，获得第N组轧辊性能预测值；

步骤S8，基于第N组轧辊差温热处理数据获得第N组轧辊性能数据，依次重复步骤S6和步骤S7，用于自适应轧辊差温热处理性能预测，其中N为大于等于3的整数值。

现有的性能预测模型基于过往数据构建，新产生的数据无法更新性能预测模型，逐渐降低性能预测模型的适用性。本发明实施例的自适应轧辊差温热处理性能预测方法，通过不断将新产生的轧辊差温热处理数据和新的轧辊性能数据导入轧辊差温热处理管理数据库，以更新轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型，提升轧辊差温热处理性能预测模型的适用性和准确性。

实施例一

本实施例以某公司热处理分厂某型支承辊(轧辊)为例，该产品近三年的累计产量约为540根，其自适应轧辊差温热处理性能预测方法，包括以下步骤，如图1所示：

步骤S1，调取轧辊差温热处理数据和辊身硬度数据并作有效性分析，具体包括：

从工厂生产集控中心调取基本生产数据，如表1所示，包括材料名称、辊身直径、辊身硬度技术要求；

从工厂生产集控中心调取生产设备和环境参数，如表1所示，包括车间编号、差温热处理炉编号、喷水淬火设备编号、环境温度；

从工厂生产集控中心调取轧辊合金成分实测数据，如表2所示，包括C、Si、Mn、P、S、Cr、Mo、Ni、V、Nb成分数据项；

调取热处理设备的工艺参数，如表3所示，包括淬火加热高保温度(高保温度)和时间(高保时间)、淬火加热低保温度(低保温度)和时间(低保时间)、淬火时间和回火温度；

调取硬度性能测试设备的热处理后辊身硬度参数，并计算出辊身硬度的均值，如表3所示；

基于热处理知识，剔除与辊身硬度数据变化没有关系的轧辊差温热处理数据，具体剔除以下数据项：材料名称，辊身硬度技术要求，轧辊合金成分中的Si、Mn、P、S成分数据项，车间编号，差温热处理炉编号，轧辊抗热裂性能，轧辊耐磨耐冲击性能，辊身光洁度和轧辊切削加工性能；保留以下数据项：辊身直径，轧辊合金成分中的C、Cr、Mo、Ni、V、Nb成分数据项，喷水淬火设备编号，环境温度，差温热处理工艺参数，辊身硬度均值；

表1.轧辊差温热处理的基本生产数据、生产设备和环境参数

表2.轧辊的合金成分

表3.轧辊差温热处理工艺参数和辊身硬度数据

步骤S2，将有效性数据进行归一化处理，然后采用相关系数r衡量任一有效性数据与任一轧辊性能数据间的相关性，对有效性数据进行相关性分析，相关系数r如下：

其中，i表示数据项序号，x_i为自变量，表示序号为i的有效性数据，

表示有效性数据均值，y_i为因变量，表示序号为i的轧辊性能数据，

表示轧辊性能数据均值；剔除|r|＜0.5时的数据项，保留|r|≥0.5时的数据项，得到第一组相关性数据，并建立轧辊差温热处理管理数据库，如表4所示。

表4.轧辊差温热处理工艺参数与辊身硬度的相关系数

步骤S3，基于第一组相关性数据和第一组辊身硬度数据建立轧辊差温热处理性能预测模型，具体如下：

步骤S31，根据有效性数据和第一组辊身硬度数据确定自变量和因变量；

步骤S32，用最小二乘法求解回归方程中的回归系数

拟合出回归系数，如表5所示；

步骤S33，通过计算样本决定系数R²检验回归方程的显著性，其中样本决定系数R²为：

其中，

表示序号为i的第一组辊身硬度预测值，

表示第一组辊身硬度数据，y_i为表示序号为i的第一组辊身硬度；

步骤S34，通过残差分析评估第一组辊身硬度预测值与第一组辊身硬度数据之间的差距，预测精度控制±3HS以内；

步骤S4，取相对应的430组轧辊差温热处理数据和430组辊身硬度数据，经过步骤S1至步骤S2的处理后，得到相对应的430组相关性数据和430组辊身硬度数据，再导入轧辊差温热处理性能预测模型，通过430轮迭代对轧辊差温热处理性能预测模型进行训练和评估，获得预测精度，如图2所示，当90％以上的辊身硬度预测值与相对应辊身硬度数据差值处于±3HS内的预测精度内，将辊身硬度预测值纳入回归线拟合，反之剔除，然后将轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统；其中，轧辊差温热处理智能化管理系统具有两项功能，其一是轧辊差温热处理管理数据库的管理，其二是轧辊差温热处理辊身硬度的预测，工艺师基于辊身硬度预测值调整轧辊差温热处理工艺参数，直至辊身硬度预测值满足产品质量要求，进而指导实际工艺的制定；

表5.回归方程中的回归系数

步骤S5，将新产生的第二组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第二组相关性数据，再导入轧辊差温热处理智能化管理系统，获得第二组辊身硬度预测值。

步骤S6，基于第二组轧辊差温热处理数据获得第二组辊身硬度数据，将第二组辊身硬度数据和第二组相关性数据导入轧辊差温热处理管理数据库，用于训练、评估和更新轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型；

步骤S7，将新产生的第N组轧辊差温热处理数据依次进行有效性分析和相关性分析，得到第N组相关性数据，再导入步骤S6的自适应轧辊差温热处理性能预测模型，获得第N组辊身硬度预测值；

步骤S8，基于第N组轧辊差温热处理数据获得第N组辊身硬度数据，依次重复步骤S6和步骤S7，用于自适应轧辊差温热处理性能预测，其中N为大于等于3的整数值。

虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种轧辊差温热处理性能预测方法，其特征在于，包括以下步骤：

步骤S1，取相对应的第一组轧辊差温热处理数据和第一组轧辊性能数据，对所述第一组轧辊差温热处理数据进行有效性分析，得到有效性数据；

步骤S2，对所述有效性数据进行相关性分析，得到第一组相关性数据，并建立轧辊差温热处理管理数据库；

步骤S3，基于所述第一组相关性数据和所述第一组轧辊性能数据建立轧辊差温热处理性能预测模型；

步骤S4，取相对应的多组轧辊差温热处理数据和多组轧辊性能数据，经过步骤S1至步骤S2的处理后，得到相对应的多组相关性数据和多组轧辊性能数据，再导入所述轧辊差温热处理性能预测模型，训练和评估所述轧辊差温热处理性能预测模型，直至所述轧辊差温热处理性能预测模型中标定值以上的轧辊性能预测值满足预测精度，然后将所述轧辊差温热处理性能预测模型集成于轧辊差温热处理智能化管理系统；

步骤S5，将新产生的第二组轧辊差温热处理数据依次进行所述有效性分析和所述相关性分析，得到第二组相关性数据，再导入所述轧辊差温热处理智能化管理系统，获得第二组轧辊性能预测值。

2.根据权利要求1所述的轧辊差温热处理性能预测方法，其特征在于，所述轧辊差温热处理数据包括轧辊生产条件参数、轧辊差温热处理工艺参数，所述轧辊生产条件参数包括材料名称、辊身直径、轧辊性能技术要求、轧辊合金成分、车间编号、差温热处理炉编号、喷水淬火设备编号、环境温度，所述轧辊合金成分包括C、Si、Mn、P、S、Cr、Mo、Ni、V、Nb成分数据项，所述差温热处理工艺参数包括淬火加热高保温度和时间、淬火加热低保温度和时间、淬火时间和回火温度，所述轧辊性能数据为辊身硬度、轧辊抗热裂性能、轧辊耐磨耐冲击性能、辊身光洁度和轧辊切削加工性能中的一种。

3.根据权利要求2所述的轧辊差温热处理性能预测方法，其特征在于，所述有效性分析的过程包括：

基于热处理知识，剔除与所述轧辊性能数据变化没有关系的所述轧辊差温热处理数据。

4.根据权利要求3所述的轧辊差温热处理性能预测方法，其特征在于，所述有效性分析的过程包括：

剔除以下数据项：材料名称，辊身硬度技术要求，轧辊合金成分中的Si、Mn、P、S成分数据项，车间编号，差温热处理炉编号；

保留以下数据项：辊身直径，轧辊合金成分中的C、Cr、Mo、Ni、V、Nb成分数据项，喷水淬火设备编号，环境温度，差温热处理工艺参数。

5.根据权利要求1所述的轧辊差温热处理性能预测方法，其特征在于，所述相关性分析的过程包括：

将所述有效性数据进行归一化处理或标准化处理，然后采用相关系数r衡量任一所述有效性数据与任一所述轧辊性能数据间的相关性，所述相关系数r如下：

其中，i表示数据项序号，x_i为自变量，表示序号为i的所述有效性数据，

表示序号为i的所述有效性数据均值，y_i为因变量，表示序号为i的所述轧辊性能数据，

表示序号为i的所述轧辊性能数据均值；

剔除|r|<0.5时的数据项，保留|r|≥0.5时的数据项。

6.根据权利要求1所述的轧辊差温热处理性能预测方法，其特征在于，步骤S3中的所述轧辊差温热处理性能预测模型基于多元回归方法建立，所述多元回归方法的回归方程为：

其中，i表示数据项序号，x_i为自变量，表示序号为i的所述第一组相关性数据，

表示序号为i的回归系数预测值，

为因变量的预测值，表示第一组轧辊性能预测值。

7.根据权利要求6所述的轧辊差温热处理性能预测方法，其特征在于，所述轧辊差温热处理性能预测模型的建立过程包括：

步骤S31，根据所述有效性数据和所述第一组轧辊性能数据确定自变量和因变量；

步骤S32，用最小二乘法求解所述回归方程中的回归系数

步骤S33，通过计算样本决定系数R²检验所述回归方程的显著性，其中样本决定系数R²为：

其中，

表示序号为i的所述第一组轧辊性能预测值，

表示所述第一组轧辊性能数据均值，y_i为表示序号为i的所述第一组轧辊性能数据；

步骤S34，通过残差分析评估所述第一组轧辊性能预测值与所述第一组轧辊性能数据均值之间的差距。

8.根据权利要求1所述的轧辊差温热处理性能预测方法，其特征在于，步骤S4中训练和评估所述轧辊差温热处理性能预测模型的过程包括：

将相对应的所述多组相关性数据和所述多组轧辊性能数据导入所述轧辊差温热处理性能预测模型，多轮迭代所述轧辊差温热处理性能预测模型，获得所述预测精度；

当所述轧辊性能预测值与相对应的所述轧辊性能数据的差值处于所述轧辊性能的预测精度内，将所述轧辊性能预测值纳入回归线拟合，反之剔除。

9.根据权利要求8所述的轧辊差温热处理性能预测方法，其特征在于，所述轧辊性能数据为辊身硬度，所述轧辊性能的预测精度绝对值≤3HS。

10.根据权利要求1-9任一所述的轧辊差温热处理性能预测方法，其特征在于，包括以下步骤：

步骤S6，基于所述第二组轧辊差温热处理数据获得第二组轧辊性能数据，将所述第二组轧辊性能数据和所述第二组相关性数据导入所述轧辊差温热处理管理数据库，用于训练、评估和更新所述轧辊差温热处理性能预测模型，形成自适应轧辊差温热处理性能预测模型；

步骤S7，将新产生的第N组轧辊差温热处理数据依次进行所述有效性分析和所述相关性分析，得到第N组相关性数据，再导入步骤S6的所述自适应轧辊差温热处理性能预测模型，获得第N组轧辊性能预测值；

步骤S8，基于所述第N组轧辊差温热处理数据获得第N组轧辊性能数据，依次重复步骤S6和步骤S7，用于自适应轧辊差温热处理性能预测，其中N为大于等于3的整数值。

Images