工业数据驱动下薄板冷轧颤振的LSTM智能预报

冷轧机颤振问题由来已久,随着更薄规格、更高强度和更快速度的要求,该问题更加突出,诱发机理复杂多变且隐蔽,过度依赖经验判断难以及时有效地抑制颤振的发生,基于历史振动大数据实现冷轧颤振的智能预报是面向智能轧制的重要应用场景。考虑冷轧颤振工业数据的多源、多态与强耦合特征,通过多源数据的采集交互、时刻匹配、频率协同、数据降维等数据预处理建立颤振预报模型的样本空间;基于长短时记忆(Long short–term memory,LSTM)循环神经网络建立轧机颤振能量值的智能预报模型,利用轧件规格、轧辊状况、轧制工艺以及轧机振动状态的历史信息数据,对最为典型和振动频繁的第五机架振动能量值加以预测;分析了不同时间步长对预测效果的影响以获得最优的预测步长,模型预测结果的变化趋势与实际数据的变化趋势基本一致,训练数据集与测试数据集的均方误差较小;然后,将模型应用于未参与训练与测试的实际轧制过程数据,结果表明LSTM模型能够很好地实现颤振预测,且根据设定的报警阈值能够实现提前预报。研究结果表明基于多源历史振动数据的深度学习与挖掘能够实现对连轧颤振失稳的智能预报,不仅能够在实际生产中发挥作用,而且对实现冷轧过程的智能化具有积极的推动意义。