拉矫设备的工艺参数的确定方法和装置与流程

1.本说明书属于轧钢技术领域，尤其涉及拉矫设备的工艺参数的确定方法和装置。


背景技术：

2.在轧钢技术领域，常常需要利用拉矫设备(例如，拉矫机等)对带钢进行拉矫处理以得到质量较高、符合要求的带钢。
3.现有方法，大多需要先利用拉矫设备进行大量的实验测试，以搜集得到大量的实际实验的测试数据；再利用上述量的实际实验的测试数据，作为样本数据进行模型训练，才能得到效果较好的数据模型；进而可以利用上述数据模型确定出符合要求的拉矫工艺参数。
4.但是，上述方法具体实施时，一方面需要进行大量真实的实验测试，以搜集数据量丰富的实际实验的测试数据，导致数据获取成本相对较高、数据获取难度较大，普通技术人员往往很难搜集到那么大数据量的实际实验的测试数据；另一方面还需要利用数据量较为庞大的实际实验的测试数据进行模型训练，导致模型训练过程中所涉及到的数据处理量相对较大，整体处理耗时相对较长。
5.针对上述问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本说明书提供了一种拉矫设备的工艺参数的确定方法和装置，能够在不具有大数据量的实际的实验测试数据的前提下，高效、准确地确定出效果较好且符合要求的目标工艺参数。
7.本说明书提供了一种拉矫设备的工艺参数的确定方法，包括：
8.获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；
9.确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；
10.利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
11.在一个实施例中，确定与目标拉矫设备对应的目标预测模型，包括：
12.获取目标拉矫设备的结构特征参数；
13.根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；
14.通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组；
15.利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉
矫设备的多个样本数据组；
16.根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。
17.在一个实施例中，所述目标拉矫设备的结构特征参数至少包括：结构类型参数和结构尺寸参数。
18.在一个实施例中，通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组，包括：
19.利用目标拉矫设备的有限元模型进行初步测试，得到初步测试结果；
20.根据初步测试结果，从多个工艺参数中筛选出对目标带钢的延伸率和/或拉矫出口目标带钢的张应力的影响程度大于预设的程度阈值的多个工艺参数作为影响因素；并确定出各个影响因素的多个水平的参考数值；
21.根据多个影响因素，以及多个影响因素的多个水平的参考数值，构建正交实验参数列表；
22.根据正交实验参数列表，选取多个影响因素的多个水平的参考数值进行组合，得到针对目标拉矫设备的多个模拟实验参数组。
23.在一个实施例中，利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组，包括：
24.利用目标拉矫设备的有限元模型基于多个模拟实验参数组进行仿真运算，得到相对应的多个仿真运算结果；
25.将模拟实验参数组与相对应的仿真运算结果进行组合，得到针对该目标拉矫设备的多个样本数据组。
26.在一个实施例中，根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型，包括：
27.根据影响因素，构造相应的多个函数项，得到函数项集；
28.根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，到符合要求的目标预测模型。
29.在一个实施例中，根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，包括：
30.按照以下方式进行当前次的逐步回归分析：
31.从所述函数项集中获取当前次的函数项；并从函数项集中删除当前次的函数项；
32.将当前次的函数项加入上一次的预测模型中，得到当前次的初始预测模型；
33.根据当前次的初始预测模型，计算当前次的初始预测模型的回归相关系数；
34.检测所述当前次的初始预测模型的回归相关系数是否大于预设的期望值，得到当前次的检测结果；
35.根据当前次的检测结果调整当前次的初始预测模型，得到当前次的预测模型。
36.在一个实施例中，在得到当前次的预测模型之后，所述方法还包括：
37.检测函数项集中是否还存在函数项；
38.在确定函数项集中不存在函数项的情况下，将当前次的预测模型确定为目标预测模型。
39.本说明书还提供了一种拉矫设备的工艺参数的确定装置，包括：
40.获取模块，用于获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；
41.确定模块，用于确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；
42.处理模块，用于利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
43.本说明书还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现以下步骤：获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
44.基于本说明书提供的拉矫设备的工艺参数的确定方法和装置，具体实施前，可以获取并根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；再通过正交实验，利用目标拉矫设备的有限元模型，确定出多个样本数据组；根据多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。这样，一方面，由于利用目标拉矫设备的有限元模型进行仿真模拟，不需要进行大量实际的实验测试，有效地降低了数据获取成本，以及数据获取难度；另一方面，还由于采用正交实验的方式，只需要确定并使用数据量较少，但覆盖度较高、代表性较好的多个样本数据组，就能够构建得到效果较好的目标预测模型，不需要获取和使用数据量庞大的样本数据进行模型训练，从而能够有效地减少了模型训练过程中所涉及的数据处理量，缩短了整体的数据处理耗时。具体实施时，可以先获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；再确定并利用与目标拉矫设备对应的目标预测模型通过处理目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。从而能够在不拥有大数据量的实际的实验测试数据的前提下，以较低成本高效、准确地确定出效果较好且符合要求的目标工艺参数。进一步，可以基于上述目标工艺参数，利用目标拉矫设备较好地完成针对目标带钢的拉矫处理。
附图说明
45.为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1是本说明书的一个实施例提供的拉矫设备的工艺参数的确定方法的流程示意图；
47.图2是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
48.图3是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
49.图4是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
50.图5是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
51.图6是本说明书的一个实施例提供的服务器的结构组成示意图；
52.图7是本说明书的一个实施例提供的拉矫设备的工艺参数的确定装置的结构组成示意图；
53.图8是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
54.图9是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
55.图10是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图；
56.图11是在一个场景示例中，应用本说明书实施例提供的拉矫设备的工艺参数的确定方法的一种实施例的示意图。
具体实施方式
57.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都应当属于本说明书保护的范围。
58.参阅图1所示，本说明书实施例提供了一种拉矫设备的工艺参数的确定方法，其中，该具体实施时，可以包括以下内容：
59.s101：获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；
60.s102：确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；
61.s103：利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
62.在一些实施例中，上述目标带钢具体可以理解为待进行拉矫处理的带钢。上述目标带钢的特征工艺参数至少可以包括：目标带钢的厚度和屈服应力等。上述目标参数至少可以包括：目标带钢的延伸率或拉矫出口目标带钢的张应力等。
63.上述目标拉矫设备具体可以包括以下所列举的任意一种：钢带酸洗破磷拉矫机，镀锌、连退、平整、重卷线上的拉矫机，有色金属板带行业的拉矫机等。当然，需要说明的是，上述所列举的目标拉矫设备只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述目标拉矫设备还可以包括其他类型的拉矫设备。
64.相应的，上述目标工艺参数具体可以包括以下所列举的一种或多种的组合：弯曲辊组的压弯量、矫直辊组的压弯量、拉矫入口目标带钢的张应力等等。
65.此外，上述拉矫设备的工艺参数的确定方法还可以进一步拓展应用到诸如平整机、轧机等其他设备，以便确定基于其他设备的目标工艺参数。
66.在一些实施例中，参阅图2所示，上述确定与目标拉矫设备对应的目标预测模型，具体实施时，还可以包括以下内容：
67.s1：获取目标拉矫设备的结构特征参数；
68.s2：根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；
69.s3：通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组；
70.s4：利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组；
71.s5：根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。
72.基于上述实施例，一方面通过利用目标拉矫设备的有限元模型进行仿真模拟，以代替实际的实验测试，得到多个样本数据组，有效地降低了样本数据的获取、获取难度；另一方面通过正交实验，避免盲目地搜集和使用大量的样本数据组，而是合理、科学地筛选出数据量相对较少，但覆盖度较广、代表性较好，且较适合进行逐步回归分析的数据作为样本数据组，进而可以利用上述样本数据组，以相对较小的数据处理量和相对较少的处理耗时，就能训练得到精度较高、效果较好的目标预测模型；再一方面通过逐步回归分析，可以精细对对基于不同影响因素的函数项进行分析、筛选，以得到较为精准的目标预测模型。
73.在一些实施例中，所述目标拉矫设备的结构特征参数至少包括：结构类型参数和结构尺寸参数。
74.具体的，上述结构类型参数具体可以包括以下至少之一：两弯一矫、两弯两矫、两弯多矫等。其中，上述弯表示的是拉矫设备中的弯曲辊组，上述矫表示的是拉矫设备中矫直辊组。
75.上述结构尺寸参数具体可以包括以下至少之一：弯曲辊组的辊径、矫直辊组的辊径、弯曲辊组之间的距离、弯曲辊组与矫直辊组之间的距离等。
76.具体建立目标拉矫设备的有限元模型时，可以将弯曲辊组、矫直辊组按照刚性体设置；将目标带钢按壳单元设置，并且将目标带钢厚度方向上分成5层，以便能够更加精细地研究分析不同的矫直辊组对目标带钢上下表层的延伸率的影响。
77.具体的，以目标拉矫设备为两弯一矫的拉矫机为例，按照上述设置方式，参阅图3所示，根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，可以建立得到对应的目标拉矫设备的有限元模型。其中，1#表示1号弯曲辊组，2#表示2号弯曲辊组，3#表示矫直辊组。
78.在一些实施例中，参阅图4所示，上述通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组，具体实施时，可以包括以下内容：
79.s1：利用目标拉矫设备的有限元模型进行初步测试，得到初步测试结果；
80.s2：根据初步测试结果，从多个工艺参数中筛选出对目标带钢的延伸率和/或拉矫出口目标带钢的张应力的影响程度大于预设的程度阈值的多个工艺参数作为影响因素；并确定出各个影响因素的多个水平的参考数值；
81.s3：根据多个影响因素，以及多个影响因素的多个水平的参考数值，构建正交实验参数列表；
82.s4：根据正交实验参数列表，选取多个影响因素的多个水平的参考数值进行组合，得到针对目标拉矫设备的多个模拟实验参数组。
83.具体实施时，可以根据历史经验，设置少量多个的全量工艺参数组，作为初步测试参数组；再利用有限元模型基于上述初步测试参数进行仿真运算，得到对应的多个仿真运算结果，作为初步测试结果；再基于上述初步测试结果，通过图像变化的比较分析，从全量的工艺参数中筛选出对目标带钢的延伸率和/或拉矫出口目标带钢的张应力的影响程度大于预设的程度阈值的多个工艺参数作为影响因素。
84.进一步，还可以对所筛选出来的影响因素进行与延伸率和/或张应力的相关性分析；再进一步筛选出相关性较强的影响因素，作为最终的影响因素。
85.接着，可以通过查询历史拉矫处理记录，获取各个影响因素的历史参数数据；再对各个影响因素的历史参数数据进行统计分析，确定出对应多个水平的参数平均值，作为该影响因素的多个水平的参考数值。
86.其中，针对延伸率，上述影响因素具体可以包括：弯曲辊组的压弯量、矫直辊组的压弯量、带钢的厚度、带钢的屈服应力、拉矫入口带钢的张应力等。
87.针对拉矫出口带钢的张应力，上述影响因素具体可以包括：弯曲辊组的压弯量、矫直辊组的压弯量、带钢的厚度、带钢的屈服应力、延伸率等。
88.上述多个水平具体可以包括3个不同水平，分别为：低数值水平(记为1水平)、中数值水平(记为2水平)、高数值水平(记为3水平)。
89.具体的，以目标拉矫设备为两弯一矫的拉矫机为例，针对延伸率ε，由于目标拉矫设备已经确定，可以选择1号弯曲辊组(例如，可以简记为1#)的压弯量δ1、2号弯曲辊组(例如，可以简记为2#)的压弯量δ2、矫直辊组(例如，可以简记为3#)的压弯量、拉矫入口带钢的张应力(或平均张应力)σ1、带钢的厚度h、带钢的屈服应力σs等。
90.接着，可以根据多个影响因素，以及多个影响因素的多个水平的参考数值，构建对应的正交实验参数列表；再基于上述正交实验参数列表，将不同影响因素的多个水平的参考数值，按照一定的顺序规则，进行选取组合，得到针对目标拉矫设备，具有较好代表性和覆盖度的多个模拟实验参数组。这样可以避免漫无目的、盲目地混乱设置模拟实验参数组，基于上述方式，只需要确定并使用较少数量的模拟实验参数组，就能获得效果较好的样本数据组。
91.具体的，例如，可以构建如表1所示的正交实验参数列表。
92.表1
[0093][0094]
在一些实施例中，上述利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组，具体实施时，可以包括以下内容：
[0095]
s1：利用目标拉矫设备的有限元模型基于多个模拟实验参数组进行仿真运算，得到相对应的多个仿真运算结果；
[0096]
s2：将模拟实验参数组与相对应的仿真运算结果进行组合，得到针对该目标拉矫设备的多个样本数据组。
[0097]
其中，每一个样本数据组代表一种典型工况。
[0098]
在一些实施例中，上述根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型，具体实施时，可以包括以下内容：
[0099]
s1：根据影响因素，构造相应的多个函数项，得到函数项集；
[0100]
s2：根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，到符合要求的目标预测模型。
[0101]
具体实施时，可以通过对历史拉矫记录进行数据整理分析，确定出针对延伸率和/或张应力有效的不同影响因素的可行函数项，并组合上述函数项，得到对应的函数项集。
[0102]
具体的，例如，针对延伸率，结合历史拉矫记录的数据整理分析结果，考虑到幂函数、对数函数对延伸率的影响较为明显，可以构造出以下多个函数项，建立对应的函数项集：δ
12
、δ
13
、lnδ1、lgδ1、δ
22
、δ
23
、lnδ2、lgδ2、σ
12
、σ
13
、lnσ1、lgσ1、h2、h3、lnh、lgh、σ
s2
、σ
s3
、lnσs、lgσs、
[0103]
在一些实施例中，参阅图5所示，上述根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，具体实施时，可以包括以下内容：按照以下方式进行当前次的逐步回归分析：
[0104]
s1：从所述函数项集中获取当前次的函数项；并从函数项集中删除当前次的函数项；
[0105]
s2：将当前次的函数项加入上一次的预测模型中，得到当前次的初始预测模型；
[0106]
s3：根据当前次的初始预测模型，计算当前次的初始预测模型的回归相关系数；
[0107]
s4：检测所述当前次的初始预测模型的回归相关系数是否大于预设的期望值，得到当前次的检测结果；
[0108]
s5：根据当前次的检测结果调整当前次的初始预测模型，得到当前次的预测模型。
[0109]
具体实施时，根据当前次的检测结果，如果当前次的初始预测模型的回归相关系数大于预设的期望值，则可以对当前次的初始预测模型不作调整，直接将当前次的初始预测模型确定为当前次的预测模型。如果当前次的初始预测模型的回归相关系数小于预设的
期望值，则可以删除当前次的函数项；或者调整当前次的函数项，并重复上述操作，直到当前次的初始预测模型的回归相关系数大于预设的期望值为止，从而实现对当前次的初始预测模型的针对性调整，得到符合要求的当前次的预测模型。其中，上述预测模型可以是一种回归方程。
[0110]
在一些实施例中，在得到当前次的预测模型之后，所述方法具体实施时，还可以包括以下内容：
[0111]
s1：检测函数项集中是否还存在函数项；
[0112]
s2：在确定函数项集中不存在函数项的情况下，将当前次的预测模型确定为目标预测模型。
[0113]
具体实施时，在确定函数项集中还存在函数项的情况下，可以重复上述过程进行下一次的逐步回归分析。在确定函数项集中已经不存在函数项的情况下，可以停止逐步回归分析，并将当前次的预测模型确定为符合要求的目标预测模型。
[0114]
具体的，例如，对于两弯一矫的目标拉矫设备，针对延伸率，按照上述方式所确定出的基于目标拉矫设备的目标延伸率预测模型可以表示为以下形式：
[0115]
ε＝a0+a1h3+a2σ
s3
+a3δ
23
+a4lnσ1+a5σ
1-0.5
[0116]
其中，a0、a1、a2、a3、a4、a5为相应的系数。
[0117]
在一些实施例中，具体实施时，可以利用目标预测模型通过处理目标带钢的特征工艺参数，以及目标带钢的目标参数，得到能够符合具体的拉矫处理要求的诸如2号弯曲辊组的压弯量δ2、拉矫入口带钢的张应力σ1等影响因素的具体数值，作为所述符合要求的目标工艺参数。进而可以基于上述目标工艺参数，控制目标拉矫设备对目标带钢进行相应的拉矫处理，以得到符合要求的拉矫处理后的带钢。
[0118]
由上可见，基于本说明书实施例提供的拉矫设备的工艺参数的确定方法，具体实施前，可以获取并根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；再通过正交实验，利用目标拉矫设备的有限元模型，确定出多个样本数据组；根据多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。这样，一方面，由于利用有限元模型的仿真模拟，不需要进行大量实际的实验测试，有效地降低的数据获取成本，以及数据获取难度；另一方面，由于采用正交实验的方式，只需要确定并使用数据量较少，但覆盖度较高、代表性较好的多个样本数据组，就能够构建得到效果较好的目标预测模型，不需要获取和使用数据量庞大的样本数据进行模型训练，从而有效地减少了构建和训练模型时所涉及的数据处理量，缩短了整体的数据处理耗时。具体实施时，可以先获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；再确定并利用与目标拉矫设备对应的目标预测模型处理目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。从而能够在不拥有大数据量的实际的实验测试数据的前提下，以较低成本高效、准确地确定出效果较好且符合要求的目标工艺参数。进一步，可以基于上述目标工艺参数，利用目标拉矫设备较好地完成针对目标带钢的拉矫处理。
[0119]
本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张
应力；确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
[0120]
为了能够更加准确地完成上述指令，参阅图6所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口601、处理器602以及存储器603，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。
[0121]
其中，所述网络通信端口601，具体可以用于获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力。
[0122]
所述处理器602，具体可以用于确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
[0123]
所述存储器603，具体可以用于存储相应的指令程序。
[0124]
在本实施例中，所述网络通信端口601可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行ftp数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如gsm、cdma等；其还可以为wifi芯片；其还可以为蓝牙芯片。
[0125]
在本实施例中，所述处理器602可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
[0126]
在本实施例中，所述存储器603可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如ram、fifo等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、tf卡等。
[0127]
本说明书实施例还提供了一种基于上述拉矫设备的工艺参数的确定方法的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
[0128]
在本实施例中，上述存储介质包括但不限于随机存取存储器(random access memory,ram)、只读存储器(read-only memory,rom)、缓存(cache)、硬盘(hard disk drive,hdd)或者存储卡(memory card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
[0129]
在本实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
[0130]
参阅图7所示，在软件层面上，本说明书实施例还提供了一种拉矫设备的工艺参数的确定装置，该装置具体可以包括以下的结构模块：
[0131]
获取模块701，具体可以用于获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；
[0132]
确定模块702，具体可以用于确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；
[0133]
处理模块703，具体可以用于利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。
[0134]
在一些实施例中，上述确定模块702具体实施时，可以按照以下方式确定与目标拉矫设备对应的目标预测模型：获取目标拉矫设备的结构特征参数；根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组；利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组；根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。
[0135]
在一些实施例中，所述目标拉矫设备的结构特征参数至少可以包括：结构类型参数和结构尺寸参数等。
[0136]
在一些实施例中，上述确定模块702具体实施时，可以按照以下方式通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组：利用目标拉矫设备的有限元模型进行初步测试，得到初步测试结果；根据初步测试结果，从多个工艺参数中筛选出对目标带钢的延伸率和/或拉矫出口目标带钢的张应力的影响程度大于预设的程度阈值的多个工艺参数作为影响因素；并确定出各个影响因素的多个水平的参考数值；根据多个影响因素，以及多个影响因素的多个水平的参考数值，构建正交实验参数列表；根据正交实验参数列表，选取多个影响因素的多个水平的参考数值进行组合，得到针对目标拉矫设备的多个模拟实验参数组。
[0137]
在一些实施例中，上述确定模块702具体实施时，可以按照以下方式利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组：利用目标拉矫设备的有限元模型基于多个模拟实验参数组进行仿真运算，得到相对应的多个仿真运算结果；将模拟实验参数组与相对应的仿真运算结果进行组合，得到针对该目标拉矫设备的多个样本数据组。
[0138]
在一些实施例中，上述确定模块702具体实施时，可以按照以下方式根据目标拉矫
设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型：根据影响因素，构造相应的多个函数项，得到函数项集；根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，到符合要求的目标预测模型。
[0139]
在一些实施例中，上述确定模块702具体实施时，可以按照以下方式根据预设的逐步回归分析规则和函数项集，进行当前次的逐步回归分析：从所述函数项集中获取当前次的函数项；并从函数项集中删除当前次的函数项；将当前次的函数项加入上一次的预测模型中，得到当前次的初始预测模型；根据当前次的初始预测模型，计算当前次的初始预测模型的回归相关系数；检测所述当前次的初始预测模型的回归相关系数是否大于预设的期望值，得到当前次的检测结果；根据当前次的检测结果调整当前次的初始预测模型，得到当前次的预测模型。
[0140]
在一些实施例中，上述确定模块702在得到当前次的预测模型之后，具体实施时，还可以用于：检测函数项集中是否还存在函数项；在确定函数项集中不存在函数项的情况下，将当前次的预测模型确定为目标预测模型。
[0141]
需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0142]
由上可见，基于本说明书实施例提供的拉矫设备的工艺参数的确定装置，能够在不拥有大数据量的实际的实验测试数据的前提下，以较低成本高效、准确地确定出效果较好且符合要求的目标工艺参数；进而，能够基于上述目标工艺参数，利用目标拉矫设备较好地完成针对目标带钢的拉矫处理。
[0143]
在一个具体的场景示例中，可以应用本说明书提供的拉矫设备的工艺参数的确定方法来确定针对某酸洗生产线上破磷拉矫机目标预测模型，并利用该目标预测模型确定用于拉矫处理的、出符合要求的工艺参数。
[0144]
其中，上述某酸洗生产线上破磷拉矫机(即，目标拉矫设备)的具体结构特征参数可以参阅图8所示，是一种两弯一矫的拉矫设备。
[0145]
具体实施时，可以先针对上述拉矫机构建对应的有限元模型。具体可以参阅图9所示，有限元模型中，辊子(包括弯曲辊组和矫直辊组)具体可以按刚性体给定，带钢按壳单元给定，厚度方向上分5层以便研究分析不同的矫直辊对带钢上下表层的延伸率影响。在1#弯曲辊组(含两个直径一样的弯曲辊)带钢上下表面经历正负弯曲后的参与延伸率出现了不同，同样，经过2#弯曲辊组，带钢上下表面延伸率同样不同，只是参与延伸率增加了。经过第3#辊组即矫直辊组，由于其布置结构的差异将上下延伸率分布进行了矫直而趋于一致，但矫直辊的压弯量需要设置合适才能达到上下一致参与延伸率。参阅图10所示，如果矫直辊压弯量过大或者过小均不能达到上下延伸率一致即矫直的目的。为此，有限元仿真总能在
当前结构参数下找到不同张力、弯曲辊组不同压弯量条件下合适的矫直辊组的压弯量，从而达到带材矫直的目的。
[0146]
因此，可以采用有限元仿真手段对于无法获得现场实际良好生产数据样本以及新开发的拉矫装备无生产试验条件的情况具有显著的优势，而且计算精度远高于解析法获得的拉矫模型精度。进一步的，为了获得良好的拉矫延伸率预测精度，需要考虑实际生产工艺参数具有多种组合方式，如有的生产厂家偏向大压弯量小张力生产，有的则倾向小压弯量大张力生产，两者获得的拉矫延伸率可能一致，而实际生产数据样本未必能获得全部规格、全部材质和不同压弯量、张力组合下的样本。
[0147]
具体的，可以先进行合理、科学的设计正交实验。其中，正交实验设计方法是一种处理多因素实验的一种科学的实验方法，它可以利用一种规格化的表——正交表l
18
(36)，合理安排实验，用这种方法只做较少次数的实验便可以判断出较优的条件，若再对实验结果进行一系列统计分析，还可以更全面，更系统的掌握实验结果，做出正确判断。具体的，可以将本实验的六个因素(即六个工艺参数)和每个因素三个水平作成正交表(例如，正交实验参数列表)，如表1所示。基于上述正交表，进行正交实验安排，并采用有限元仿真计算获得每种工况条件下对应的延伸率与拉矫机出口张应力数据，然后将这些有限元计算结果作为回归分析法的工艺参数模型的数据来源。
[0148]
具体的，可以通过逐步回归分析，构建对应的预测模型(即，目标预测模型)。其中，上述逐步回归分析的基本思想是从与被分析对象y有关的变量中选取对y有显著影响的变量来建立回归方程的一种常用算法。其基本方法是将变量一个个引入回归方程。引入变量的条件是，该变量的偏回归平方和是显著的；同时，每引入一个新的变量后，要对原变量逐个进行检验，将偏回归平方和变不显著的变量剔除，直到再也没有新的变量可以被引入为止。
[0149]
根据上述逐步回归分析的规则，首先需要确定逐步回归分析的因变量和自变量。在带材拉矫过程中，影响带钢延伸率的因素众多，主要有1#弯曲辊组设定的压弯量、2#弯曲辊组设定的压弯量、入口带钢平均张应力、带钢的厚度、带钢的屈服应力等工艺因素；同时还可以包括设备本身结构尺寸因素，这方面又包括弯曲辊的辊径、矫直辊的辊径以及弯曲辊组之间的距离等结构参数。对于既定结构，由于结构参数已定，因此，只需考虑工艺因素的相互关系，不同的结构参数建立的有限元几何模型、回归模型也有所不同。根据实际生产的需要，延伸率和张力是拉矫生产过程中需要监控的两个主要工艺参数，因此，通过回归分析来获得延伸率预测模型和张力预测模型。
[0150]
具体的，例如，考虑延伸率时：基于影响带材延伸率的强相关因素分析可知，因变量为带钢在拉伸弯曲矫直过程中所获得的延伸率ε，自变量为1#弯曲辊组设定的压弯量δ1、2#弯曲辊组设定的压弯量δ2、入口带钢平均张应力σ1、带钢的厚度h、带钢的屈服应力σs以及它们对延伸率的可能影响形式用幂函数、对数函数(即，函数项)表示为：δ
12
、δ
12
、lnδ1、lgδ1、、δ
22
、δ
23
、lnδ2、lgδ2、σ
12
、σ
13
、lnσ1、lgσ1、h2、h3、lnh、lgh、σ
s2
、σ
s3
、lnσs、lgσs、
[0151]
参阅图11所示，按照图中的处理步骤，对于某酸洗生产线上破磷拉矫机，通过正交实验安排和有限元仿真数据，由逐步回归分析，可以得到延伸率预报公式(即，基于目标拉
矫设备的目标延伸率预测模型)表示为：
[0152]
ε＝-53.6168+0.012086h
3-3.18
×
10-8
σ
s3
+4.05
×
10-5
δ
23
+10.5358lnσ1+98.9835σ
1-0.5
。
[0153]
类似的，可以得到拉矫张力预报公式(即，基于目标拉矫设备的目标张应力预测模型)表示为：
[0154]
σ3＝0.1788h3+2.2599
×
10-7
σ
s3
+1.9254
×
10-4
δ
23
+1.2305σ
1-3.4478ε-6.7583。
[0155]
其中，ε：带钢延伸率；δ1：1#弯曲辊组设定的压弯量，mm；δ2：2#弯曲辊组设定的压弯量，mm；δ3：l#弯曲辊组设定的压弯量，mm；σ1：入口带钢平均张应力，mpa；h：带钢的厚度，mm；σs：带钢的屈服应力，mpa；σ3：拉矫出口带钢张应力，mpa。
[0156]
具体的，对于延伸率预报公式，回归系数平方值为r2＝0.82(r相关系数，或称模型的回归相关系数)。在工程上，此误差都是可以接受的。因此，所得到的回归关系是可信的。
[0157]
对于拉矫张力预报公式，回归系数平方值为r2＝0.968(r相关系数)。在工程上，此误差都是可以接受的。因此，所得到的回归关系是可信的。
[0158]
通过上述场景示例，验证了本说明书实施例提供的拉矫设备的工艺参数的确定方法，采用有限元仿真手段模拟带钢经过拉矫弯曲辊组和矫直辊的弹塑性变形，仿真模型计算结果跟实际生产结果对比具有很高的计算精度，其计算精度相比简化的解析模型精度则更高，更有利于现场拉矫工艺参数预设定的精准性；采用有限元仿真手段可以直接获得已知拉矫设备结构参数的拉矫计算结果，对于模拟生产条件的试验成本明显更低，且不受现场实验条件限制，对于新开发的拉矫设备更具有可靠的操作性；采用正交实验来设计有限元仿真计算工况，不仅减小了有限元仿真的计算量，还解决了多工艺参数的均衡搭配问题；采用逐步回归法将变量一个个逐步引入到回归方程，通过检查偏回归平方和检验的显著性判断变量是否需要引入，获得的计算公式更为科学、合理。
[0159]
此外，上述方法不仅限于钢带酸洗破磷拉矫机，镀锌、连退、平整、重卷线上的拉矫机，同样适用于有色金属板带行业的拉矫机设备，进一步，对于多工艺参数交织作用设备，在解析计算过程相对复杂的情形下，同样可以采用正交实验设计有限元仿真工况，通过仿真结果获取的数据逐步回归所需要的工艺参数预报公式，这种情况皆可使用本专利技术方案。
[0160]
进一步，上述方法不仅限于拉矫设备本身，同样适用于平整机、轧机等装备的工艺参数预报，本专利提供了一种受现场实验条件限制、解析计算复杂条件下低成本、高精度预测多工艺参数相互影响的生产控制参数的预报方法。适合这一情况的工艺参数预报均可使用本专利技术方案。
[0161]
虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品
或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0162]
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0163]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
[0164]
通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
[0165]
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0166]
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

技术特征：
1.一种拉矫设备的工艺参数的确定方法，其特征在于，包括：获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。2.根据权利要求1所述的方法，其特征在于，确定与目标拉矫设备对应的目标预测模型，包括：获取目标拉矫设备的结构特征参数；根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组；利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组；根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型。3.根据权利要求2所述的方法，其特征在于，所述目标拉矫设备的结构特征参数至少包括：结构类型参数和结构尺寸参数。4.根据权利要求2所述的方法，其特征在于，通过正交实验，确定出针对目标拉矫设备的多个模拟实验参数组，包括：利用目标拉矫设备的有限元模型进行初步测试，得到初步测试结果；根据初步测试结果，从多个工艺参数中筛选出对目标带钢的延伸率和/或拉矫出口目标带钢的张应力的影响程度大于预设的程度阈值的多个工艺参数作为影响因素；并确定出各个影响因素的多个水平的参考数值；根据多个影响因素，以及多个影响因素的多个水平的参考数值，构建正交实验参数列表；根据正交实验参数列表，选取多个影响因素的多个水平的参考数值进行组合，得到针对目标拉矫设备的多个模拟实验参数组。5.根据权利要求2所述的方法，其特征在于，利用所述目标拉矫设备的有限元模型和多个模拟实验参数组，确定出针对目标拉矫设备的多个样本数据组，包括：利用目标拉矫设备的有限元模型基于多个模拟实验参数组进行仿真运算，得到相对应的多个仿真运算结果；将模拟实验参数组与相对应的仿真运算结果进行组合，得到针对该目标拉矫设备的多个样本数据组。6.根据权利要求4所述的方法，其特征在于，根据目标拉矫设备的多个样本数据组，通过进行逐步回归分析，构建得到符合要求的目标预测模型，包括：
根据影响因素，构造相应的多个函数项，得到函数项集；根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，到符合要求的目标预测模型。7.根据权利要求6所述的方法，其特征在于，根据预设的逐步回归分析规则和函数项集，进行多次的逐步回归分析，包括：按照以下方式进行当前次的逐步回归分析：从所述函数项集中获取当前次的函数项；并从函数项集中删除当前次的函数项；将当前次的函数项加入上一次的预测模型中，得到当前次的初始预测模型；根据当前次的初始预测模型，计算当前次的初始预测模型的回归相关系数；检测所述当前次的初始预测模型的回归相关系数是否大于预设的期望值，得到当前次的检测结果；根据当前次的检测结果调整当前次的初始预测模型，得到当前次的预测模型。8.根据权利要求7所述的方法，其特征在于，在得到当前次的预测模型之后，所述方法还包括：检测函数项集中是否还存在函数项；在确定函数项集中不存在函数项的情况下，将当前次的预测模型确定为目标预测模型。9.一种拉矫设备的工艺参数的确定装置，其特征在于，包括：获取模块，用于获取目标带钢的特征工艺参数，以及关于目标带钢的目标参数；其中，所述目标带钢的特征工艺参数至少包括：目标带钢的厚度和屈服应力；所述目标参数包括：目标带钢的延伸率或拉矫出口目标带钢的张应力；确定模块，用于确定与目标拉矫设备对应的目标预测模型；其中，所述目标预测模型为预先通过正交实验和逐步回归分析构建得到的；所述目标预测模型包括基于目标拉矫设备的目标延伸率预测模型和/或基于目标拉矫设备的目标张应力预测模型；处理模块，用于利用目标预测模型处理所述目标带钢的特征工艺参数，以及目标带钢的目标参数，得到符合要求的目标工艺参数。10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。

技术总结
本说明书提供了拉矫设备的工艺参数的确定方法和装置。基于该方法，具体实施前，可以获取并根据目标拉矫设备的结构特征参数和目标带钢的特征工艺参数，建立目标拉矫设备的有限元模型；再通过正交实验，利用目标拉矫设备的有限元模型，确定出多个样本数据组；根据多个样本数据组，通过逐步回归分析，构建得到符合要求的目标预测模型。具体实施时，可以确定并利用与目标拉矫设备对应的目标预测模型处理目标带钢的特征工艺参数，以及目标拉矫机的目标参数，得到符合要求的目标工艺参数。从而能够在不拥有大数据量的实际的实验测试数据的前提下，以较低成本，高效、准确地确定出效果较好且符合要求的目标工艺参数。好且符合要求的目标工艺参数。好且符合要求的目标工艺参数。


技术研发人员：常铁柱 张海东 黄晓慧 陆志贤 刘秀军 江东海 王蕾 尹海元
受保护的技术使用者：北京京诚之星科技开发有限公司
技术研发日：2023.06.26
技术公布日：2023/9/20