權利要求書： 1.一種金屬軋機的張力智能控制方法，其特征在于，所述方法包括：獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；

獲得軋制要求參數(shù)、軋機入口原料參數(shù)；

將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；

獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；

判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；

當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。

2.如權利要求1所述的方法，其特征在于，所述方法還包括：通過圖像采集設備對軋機入口原料進行多角度圖像采集，獲得圖像采集信息集；

對所述圖像采集信息集按照預設分割大小進行網格分割；

將分割后的圖像采集信息輸入卷積核模型，利用預設圖像特征對分割后的圖像采集信息進行遍歷比對，確定遍歷特征比對結果；

基于所述遍歷特征比對結果，確定原料各部位的尺寸信息、表面平整度信息；

根據(jù)所述原料各部位的尺寸信息、表面平整度信息，獲得軋機入口原料參數(shù)。

3.如權利要求1所述的方法，其特征在于，將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型之前，包括：獲得金屬軋機軋制工作記錄，其中，所述金屬軋機軋制工作記錄中包括軋制要求參數(shù)、軋機入口原料參數(shù)以及對應的張力控制信息；

對所述金屬軋機軋制工作記錄進行降噪、補齊預處理；

按照預設數(shù)據(jù)分配比例將預處理后的金屬軋機軋制工作記錄進行數(shù)據(jù)隨機分配，獲得訓練數(shù)據(jù)集、測試數(shù)據(jù)集；

構建神經網絡結構，利用所述訓練數(shù)據(jù)集、測試數(shù)據(jù)集對所述神經網絡結構進行訓練、測試，獲得所述張力控制分析模型。

4.如權利要求3所述的方法，其特征在于，獲得所述張力控制分析模型之后，包括：獲得軋機流程信息；

根據(jù)所述軋機流程信息、連軋機架設置位置信息，構建流程鏈條，其中流程鏈條中包括多個節(jié)點，每個節(jié)點與張力測量設備設置位置相匹配；

獲得軋輥設置參數(shù)，并基于各流程鏈條節(jié)點的所述軋輥設置參數(shù)、軋機入口原料參數(shù)、張力控制信息對應關系，構建馬爾科夫鏈預測模型；

將所述張力控制分析模型的輸入數(shù)據(jù)、輸出結果，輸入所述馬爾科夫鏈預測模型進行驗證，判斷達到軋制要求參數(shù)的概率是否達到預設要求；

當達到時，確定所述張力控制分析模型。

5.如權利要求4所述的方法，其特征在于，所述判斷達到軋制要求參數(shù)的概率是否達到預設要求之后，包括:當未達到時，根據(jù)馬爾科夫鏈預測模型，獲得驗證概率差值；

基于所述驗證概率差值，確定張力調整范圍與控制信息的關系；

利用所述張力調整范圍、張力調整范圍與控制信息的關系對所述張力控制分析模型進行增量學習。

6.如權利要求2所述的方法，其特征在于，所述方法還包括：當軋機入口原料參數(shù)中表面平整度信息存在不平整問題；

基于所述表面平整度信息對軋機入口原料進行平整度分區(qū)；

根據(jù)平整度分區(qū)結果，確定分區(qū)差值；

根據(jù)所述分區(qū)差值，確定軋輥設置參數(shù)；

根據(jù)所述軋輥設置參數(shù)、分區(qū)差值進行張力需求分析，確定張力需求信息；

根據(jù)所述張力需求信息對所述張力控制要求進行調整。

7.如權利要求3所述的方法，其特征在于，對所述金屬軋機軋制工作記錄進行降噪、補齊預處理，包括：對所述金屬軋機軋制工作記錄進行趨勢平滑度分析，確定平滑度閾值范圍；

判斷金屬軋機軋制工作記錄的平滑度是否超出所述平滑度閾值范圍或存在缺失數(shù)據(jù)，當超出或存在時，確定異常節(jié)點；

根據(jù)所述異常節(jié)點，確定關聯(lián)記錄數(shù)據(jù)；

根據(jù)所述關聯(lián)記錄數(shù)據(jù)對所述異常節(jié)點進行平滑處理、補齊處理。

8.一種金屬軋機的張力智能控制系統(tǒng)，其特征在于，所述系統(tǒng)包括：距離設置模塊，所述距離設置模塊用于獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；

軋制參數(shù)獲得模塊，所述軋制參數(shù)獲得模塊用于獲得軋制要求參數(shù)、軋機入口原料參數(shù)；

張力控制分析模塊，所述張力控制分析模塊用于將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；

張力信息確定模塊，所述張力信息確定模塊用于獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；

張力判斷模塊，所述張力判斷模塊用于判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；

張力調整控制模塊，所述張力調整控制模塊用于當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。

9.一種電子設備，其特征在于，所述電子設備包括：存儲器，用于存儲可執(zhí)行指令；

處理器，用于執(zhí)行所述存儲器中存儲的可執(zhí)行指令時，實現(xiàn)權利要求1至7任一項所述的一種金屬軋機的張力智能控制方法。

10.一種計算機可讀介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權利要求1至7中任一所述的一種金屬軋機的張力智能控制方法。

說明書： 一種金屬軋機的張力智能控制方法及系統(tǒng)技術領域[0001] 本發(fā)明涉及數(shù)據(jù)處理領域，具體地，涉及一種金屬軋機的張力智能控制方法及系統(tǒng)。背景技術[0002] 張力是金屬軋機的重要工作參數(shù)之一，張力的影響貫穿金屬軋機的整個工作流程。不恰當?shù)膹埩Σ粌H影響著帶材軋制的厚度、平整度，還影響著金屬軋機的工作質量及工作效率。如何對金屬軋機進行有效地張力控制，受到人們的廣泛關注。[0003] 現(xiàn)有技術中，存在針對金屬軋機的張力控制準確性不足，進而造成金屬軋機的張力控制效果不佳的技術問題。發(fā)明內容[0004] 本申請?zhí)峁┝艘环N金屬軋機的張力智能控制方法及系統(tǒng)。解決了現(xiàn)有技術中針對金屬軋機的張力控制準確性不足，進而造成金屬軋機的張力控制效果不佳的技術問題。達到了提高金屬軋機的張力控制準確性，實現(xiàn)智能、適配高、實時性強的金屬軋機的張力控制，提高金屬軋機的張力控制質量，繼而提高金屬軋機的生產質量的技術效果。[0005] 鑒于上述問題，本申請?zhí)峁┝艘环N金屬軋機的張力智能控制方法及系統(tǒng)。[0006] 第一方面，本申請?zhí)峁┝艘环N金屬軋機的張力智能控制方法，其中，所述方法應用于一種金屬軋機的張力智能控制系統(tǒng)，所述方法包括：獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；獲得軋制要求參數(shù)、軋機入口原料參數(shù)；將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。[0007] 第二方面，本申請還提供了一種金屬軋機的張力智能控制系統(tǒng)，其中，所述系統(tǒng)包括：距離設置模塊，所述距離設置模塊用于獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；軋制參數(shù)獲得模塊，所述軋制參數(shù)獲得模塊用于獲得軋制要求參數(shù)、軋機入口原料參數(shù)；張力控制分析模塊，所述張力控制分析模塊用于將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；張力信息確定模塊，所述張力信息確定模塊用于獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；張力判斷模塊，所述張力判斷模塊用于判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；張力調整控制模塊，所述張力調整控制模塊用于當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。[0008] 第三方面，本申請還提供了一種電子設備，包括：存儲器，用于存儲可執(zhí)行指令；處理器，用于執(zhí)行所述存儲器中存儲的可執(zhí)行指令時，實現(xiàn)本申請?zhí)峁┑囊环N金屬軋機的張力智能控制方法。[0009] 第四方面，本申請還提供了一種計算機可讀存儲介質，存儲有計算機程序，該程序被處理器執(zhí)行時,實現(xiàn)本申請?zhí)峁┑囊环N金屬軋機的張力智能控制方法。[0010] 本申請中提供的一個或多個技術方案，至少具有如下技術效果或優(yōu)點：通過連軋機架設置位置信息確定機架設置距離；將軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；通過機架區(qū)間內設置的張力測量設備，確定張力測量信息；判斷張力測量信息是否滿足張力控制要求，當滿足時，持續(xù)當前控制信息；當不滿足時，獲得張力偏差值，基于張力偏差值對當前控制信息進行張力調整控制。達到了提高金屬軋機的張力控制準確性，實現(xiàn)智能、適配高、實時性強的金屬軋機的張力控制，提高金屬軋機的張力控制質量，繼而提高金屬軋機的生產質量的技術效果。

[0011] 上述說明僅是本申請技術方案的概述，為了能夠更清楚了解本申請的技術手段，而可依照說明書的內容予以實施，并且為了讓本申請的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本申請的具體實施方式。附圖說明[0012] 為了更清楚地說明本公開實施例的技術方案,下面將對本公開實施例的附圖作簡單地介紹。明顯地，下面描述中的附圖僅僅涉及本公開的一些實施例,而非對本公開的限制。[0013] 圖1為本申請一種金屬軋機的張力智能控制方法的流程示意圖；圖2為本申請一種金屬軋機的張力智能控制方法中獲得軋機入口原料參數(shù)的流程示意圖；

圖3為本申請一種金屬軋機的張力智能控制系統(tǒng)的結構示意圖；

圖4為本申請示例性電子設備的結構示意圖。

[0014] 附圖標記說明：距離設置模塊11，軋制參數(shù)獲得模塊12，張力控制分析模塊13，張力信息確定模塊14，張力判斷模塊15，張力調整控制模塊16，處理器31，存儲器32，輸入裝置33，輸出裝置34。

具體實施方式[0015] 本申請通過提供一種金屬軋機的張力智能控制方法及系統(tǒng)。解決了現(xiàn)有技術中針對金屬軋機的張力控制準確性不足，進而造成金屬軋機的張力控制效果不佳的技術問題。達到了提高金屬軋機的張力控制準確性，實現(xiàn)智能、適配高、實時性強的金屬軋機的張力控制，提高金屬軋機的張力控制質量，繼而提高金屬軋機的生產質量的技術效果。

[0016] 實施例一請參閱附圖1，本申請?zhí)峁┮环N金屬軋機的張力智能控制方法，其中，所述方法應用于一種金屬軋機的張力智能控制系統(tǒng)，所述方法具體包括如下步驟：

步驟S100：獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；

具體而言，基于金屬軋機進行參數(shù)查詢，獲得連軋機架設置位置信息，并根據(jù)其確定機架設置距離。其中，所述金屬軋機是實現(xiàn)金屬軋制過程的設備。所述金屬軋機由連軋機架、軋輥、輥距調節(jié)裝置、傳動裝置、潤滑系統(tǒng)、控制系統(tǒng)等結構組成。所述連軋機架設置位置信息包括金屬軋機的連軋機架的位置參數(shù)。所述機架設置距離包括金屬軋機的連軋機架的架前設置距離參數(shù)、架后設置距離參數(shù)，以及機架與地面之間的距離參數(shù)。例如，所述機架設置距離包括連軋機架的架前有1.5m的空間,連軋機架的機架背面與墻壁之間的距離為

1m，壁掛式連軋機架的機架底與地面之間的距離為500mm。達到了確定連軋機架設置位置信息、機架設置距離，為后續(xù)對金屬軋機進行張力控制奠定基礎的技術效果。

[0017] 步驟S200：獲得軋制要求參數(shù)、軋機入口原料參數(shù)；進一步的，如附圖2所示，本申請步驟S200還包括：

步驟S210：通過圖像采集設備對軋機入口原料進行多角度圖像采集，獲得圖像采集信息集；

步驟S220：對所述圖像采集信息集按照預設分割大小進行網格分割；

步驟S230：將分割后的圖像采集信息輸入卷積核模型，利用預設圖像特征對分割后的圖像采集信息進行遍歷比對，確定遍歷特征比對結果；

步驟S240：基于所述遍歷特征比對結果，確定原料各部位的尺寸信息、表面平整度信息；

步驟S250：根據(jù)所述原料各部位的尺寸信息、表面平整度信息，獲得軋機入口原料參數(shù)。

[0018] 具體而言，利用圖像采集設備對金屬軋機的軋機入口原料進行圖像采集，獲得圖像采集信息集，并按照預設分割大小對圖像采集信息集進行網格分割，獲得分割后的圖像采集信息。進一步，將分割后的圖像采集信息作為輸入信息，輸入卷積核模型，卷積核模型通過預設圖像特征對分割后的圖像采集信息進行遍歷比對，獲得遍歷特征比對結果，根據(jù)遍歷特征比對結果，獲得原料各部位的尺寸信息、表面平整度信息，繼而確定軋機入口原料參數(shù)。此外，基于軋機入口原料參數(shù)進行軋制要求信息查詢，獲得軋制要求參數(shù)。[0019] 其中，所述圖像采集設備包含于所述一種金屬軋機的張力智能控制系統(tǒng)。所述圖像采集設備可為現(xiàn)有技術中任意類型的能夠采集獲取圖像信息的攝像裝置或它們的結合。所述軋機入口原料包括金屬軋機的鋼、鎂、鋁、銅等軋制生產原材料。所述圖像采集信息集包括軋機入口原料對應的圖像數(shù)據(jù)信息。所述預設分割大小包括由所述一種金屬軋機的張力智能控制系統(tǒng)預先設置的圖像分割尺寸大小。所述分割后的圖像采集信息包括按照預設分割大小對圖像采集信息集進行網格分割之后的圖像數(shù)據(jù)信息。所述卷積核模型具有對預設圖像特征、分割后的圖像采集信息進行匹配度評估、遍歷比對的功能。基于分割后的圖像采集信息、遍歷特征比對結果進行歷史數(shù)據(jù)查詢，獲得多個歷史分割后的圖像采集信息、多個歷史遍歷特征比對結果。且，多個歷史分割后的圖像采集信息與多個歷史遍歷特征比對結果具有對應關系。將多個歷史分割后的圖像采集信息、多個歷史遍歷特征比對結果進行不斷的自我訓練學習至收斂狀態(tài)，即可獲得卷積核模型。所述卷積核模型包括輸入層、隱含層、輸出層。卷積核就是圖像處理時，給定輸入圖像，輸入圖像中一個小區(qū)域中像素加權平均后成為輸出圖像中的每個對應像素，其中權值由一個函數(shù)定義，這個函數(shù)稱為卷積核。卷積核關注的是局部特征，即確定預設圖像特征，根據(jù)局部特征部位的卷積核的數(shù)值大小，對預設圖像特征的匹配度進行評估。所述預設圖像特征包括預先設置確定的原料部位尺寸圖像特征、原料表面平整度圖像特征。所述遍歷特征比對結果包括分割后的圖像采集信息中，預設圖像特征對應的圖像數(shù)據(jù)信息。所述軋機入口原料參數(shù)包括原料各部位的尺寸信息、表面平整度信息。所述原料各部位的尺寸信息包括遍歷特征比對結果對應的軋機入口原料的各部位結構參數(shù)、各部位尺寸參數(shù)。所述表面平整度信息包括遍歷特征比對結果對應的軋機入口原料的表面平整度參數(shù)。所述軋制要求參數(shù)包括軋機入口原料對應的軋制厚度要求、軋制溫度要求等軋制要求信息。達到了通過卷積核模型對軋機入口原料的圖像采集信息集進行比對分析，確定軋機入口原料參數(shù)及軋制要求參數(shù)，從而提高對金屬軋機進行張力控制的適配度、合理性的技術效果。

[0020] 步驟S300：將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；進一步的，本申請步驟S300還包括：

步驟S310：獲得金屬軋機軋制工作記錄，其中，所述金屬軋機軋制工作記錄中包括軋制要求參數(shù)、軋機入口原料參數(shù)以及對應的張力控制信息；

具體而言，對金屬軋機進行軋制工作參數(shù)采集，獲得金屬軋機軋制工作記錄。其中，所述金屬軋機軋制工作記錄包括多個歷史軋制要求參數(shù)、多個歷史軋機入口原料參數(shù)，以及多個歷史軋制要求參數(shù)、多個歷史軋機入口原料參數(shù)對應的多個歷史張力控制參數(shù)。

同時，所述金屬軋機軋制工作記錄還包括軋制要求參數(shù)、軋機入口原料參數(shù)，以及軋制要求參數(shù)、軋機入口原料參數(shù)對應的多個歷史張力控制信息。此處，軋制要求參數(shù)、軋機入口原料參數(shù)對應的張力控制信息即為軋制要求參數(shù)、軋機入口原料參數(shù)對應的多個歷史張力控制信息。達到了獲得金屬軋機軋制工作記錄，為后續(xù)構建張力控制分析模型夯實基礎的技術效果。

[0021] 步驟S320：對所述金屬軋機軋制工作記錄進行降噪、補齊預處理；進一步的，本申請步驟S320還包括：

步驟S321：對所述金屬軋機軋制工作記錄進行趨勢平滑度分析，確定平滑度閾值范圍；

步驟S322：判斷金屬軋機軋制工作記錄的平滑度是否超出所述平滑度閾值范圍或存在缺失數(shù)據(jù)，當超出或存在時，確定異常節(jié)點；

步驟S323：根據(jù)所述異常節(jié)點，確定關聯(lián)記錄數(shù)據(jù)；

步驟S324：根據(jù)所述關聯(lián)記錄數(shù)據(jù)對所述異常節(jié)點進行平滑處理、補齊處理。

[0022] 具體而言，基于金屬軋機軋制工作記錄進行趨勢平滑度分析，獲得金屬軋機軋制工作記錄的平滑度。進一步，對金屬軋機軋制工作記錄的平滑度是否超出平滑度閾值范圍進行判斷，對金屬軋機軋制工作記錄是否存在缺失數(shù)據(jù)進行判斷。當金屬軋機軋制工作記錄的平滑度超出平滑度閾值范圍時，或，金屬軋機軋制工作記錄存在缺失數(shù)據(jù)時，確定異常節(jié)點，并根據(jù)異常節(jié)點對金屬軋機軋制工作記錄進行匹配，獲得關聯(lián)記錄數(shù)據(jù)。繼而，按照關聯(lián)記錄數(shù)據(jù)對異常節(jié)點進行平滑處理、補齊處理，獲得預處理后的金屬軋機軋制工作記錄。示例性地，可按照關聯(lián)記錄數(shù)據(jù)對異常節(jié)點重新進行數(shù)據(jù)采集。也可對關聯(lián)記錄數(shù)據(jù)進行函數(shù)關系分析，按照關聯(lián)記錄數(shù)據(jù)的函數(shù)關系對異常節(jié)點進行數(shù)據(jù)補充。其中，所述金屬軋機軋制工作記錄的平滑度是用于表征金屬軋機軋制工作記錄的穩(wěn)定性的參數(shù)信息。例如，在對金屬軋機軋制工作記錄進行數(shù)據(jù)采集時，受到噪音干擾或數(shù)據(jù)采集設備異常時，獲得的金屬軋機軋制工作記錄中出現(xiàn)了數(shù)據(jù)驟增、數(shù)據(jù)驟減的情況，此時，金屬軋機軋制工作記錄的穩(wěn)定性較差，對應的金屬軋機軋制工作記錄的平滑度較低。所述平滑度閾值范圍包括預先設置確定的平滑度閾值區(qū)間信息。所述異常節(jié)點包括金屬軋機軋制工作記錄的平滑度超出平滑度閾值范圍時，對應的數(shù)據(jù)采集時間；以及金屬軋機軋制工作記錄存在缺失數(shù)據(jù)時，對應的數(shù)據(jù)采集時間。所述關聯(lián)記錄數(shù)據(jù)包括金屬軋機軋制工作記錄中，異常節(jié)點對應的數(shù)據(jù)信息。達到了通過對金屬軋機軋制工作記錄進行降噪、補齊預處理，獲得預處理后的金屬軋機軋制工作記錄，提高金屬軋機軋制工作記錄的數(shù)據(jù)可靠性，從而提高張力控制分析模型的準確性的技術效果。[0023] 步驟S330：按照預設數(shù)據(jù)分配比例將預處理后的金屬軋機軋制工作記錄進行數(shù)據(jù)隨機分配，獲得訓練數(shù)據(jù)集、測試數(shù)據(jù)集；步驟S340：構建神經網絡結構，利用所述訓練數(shù)據(jù)集、測試數(shù)據(jù)集對所述神經網絡結構進行訓練、測試，獲得所述張力控制分析模型。

[0024] 具體而言，按照預設數(shù)據(jù)分配比例對預處理后的金屬軋機軋制工作記錄進行隨機劃分，獲得訓練數(shù)據(jù)集、測試數(shù)據(jù)集。其中，所述預設數(shù)據(jù)分配比例為預先設置確定數(shù)據(jù)劃分比例。訓練數(shù)據(jù)集、測試數(shù)據(jù)集包括于預處理后的金屬軋機軋制工作記錄。例如，所述預設數(shù)據(jù)分配比例為7：3。則訓練數(shù)據(jù)集包括預處理后的金屬軋機軋制工作記錄中隨機的70%的數(shù)據(jù)信息。測試數(shù)據(jù)集包括預處理后的金屬軋機軋制工作記錄中剩余的隨機30%的數(shù)據(jù)信息。進一步，基于神經網絡結構，將訓練數(shù)據(jù)集進行不斷的自我訓練學習至收斂狀態(tài)，獲得張力控制分析模型。繼而，并將測試數(shù)據(jù)集作為輸入信息，輸入張力控制分析模型，通過測試數(shù)據(jù)集對張力控制分析模型進行參數(shù)更新、迭代優(yōu)化。所述神經網絡結構包括輸入層、中間層、輸出層。所述張力控制分析模型滿足神經網絡結構。達到了通過訓練數(shù)據(jù)集、測試數(shù)據(jù)集對神經網絡結構進行訓練、測試，獲得準確的張力控制分析模型的技術效果。[0025] 進一步的，本申請步驟S340之后，還包括：步驟S350：獲得軋機流程信息；

步驟S360：根據(jù)所述軋機流程信息、連軋機架設置位置信息，構建流程鏈條，其中流程鏈條中包括多個節(jié)點，每個節(jié)點與張力測量設備設置位置相匹配；

步驟S370：獲得軋輥設置參數(shù)，并基于各流程鏈條節(jié)點的所述軋輥設置參數(shù)、軋機入口原料參數(shù)、張力控制信息對應關系，構建馬爾科夫鏈預測模型；

步驟S380：將所述張力控制分析模型的輸入數(shù)據(jù)、輸出結果，輸入所述馬爾科夫鏈預測模型進行驗證，判斷達到軋制要求參數(shù)的概率是否達到預設要求；

步驟S390：當達到時，確定所述張力控制分析模型。

[0026] 具體而言，基于軋機流程信息、連軋機架設置位置信息，構建流程鏈條。進一步，基于各流程鏈條節(jié)點的軋輥設置參數(shù)、軋機入口原料參數(shù)、張力控制信息對應關系，構建馬爾科夫鏈預測模型。進而，將張力控制分析模型的輸入數(shù)據(jù)、輸出結果，輸入馬爾科夫鏈預測模型進行驗證，判斷達到軋制要求參數(shù)的概率是否達到預設要求，當達到軋制要求參數(shù)的概率達到預設要求時，獲得張力控制分析模型。其中，所述軋機流程信息包括金屬軋機的多個軋輥對應的工作順序信息。所述流程鏈條包括多個節(jié)點，多個節(jié)點包括軋機流程信息。且，多個節(jié)點中每個節(jié)點與連軋機架設置位置信息、張力測量設備設置位置具有對應關系。

張力測量設備設置位置包括張力測量設備的位置參數(shù)信息。所述軋輥設置參數(shù)包括金屬軋機的軋輥數(shù)量參數(shù)、軋輥直徑參數(shù)、軋輥長度參數(shù)、軋輥硬度參數(shù)、軋輥材質參數(shù)、軋輥轉速參數(shù)等軋輥參數(shù)信息。各流程鏈條節(jié)點包括流程鏈條中多個節(jié)點。所述馬爾科夫鏈預測模型包括各流程鏈條節(jié)點的軋輥設置參數(shù)、軋機入口原料參數(shù)、張力控制信息對應關系。馬爾科夫鏈預測模型描述了一種狀態(tài)序列，

其每個狀態(tài)值取決于前面有限個狀態(tài)。即，當各流程鏈條節(jié)點的軋輥設置參數(shù)、張力控制信息作用在軋機入口原料參數(shù)上，軋機入口原料參數(shù)就會產生變化，從而軋機入口原料達到新的狀態(tài)，獲得軋機入口原料對應的狀態(tài)值，軋機入口原料對應的狀態(tài)值包括軋機入口原料對應的軋制厚度。所述張力控制分析模型的輸入數(shù)據(jù)為軋制要求參數(shù)、軋機入口原料參數(shù)。所述張力控制分析模型的輸出結果為張力控制要求。達到軋制要求參數(shù)的概率是指使用張力控制分析模型的輸入數(shù)據(jù)、輸出結果對金屬軋機進行控制時，金屬軋機的軋機入口原料參數(shù)對應的軋制產品達到軋制要求參數(shù)的可能性。所述預設要求包括預先設置確定的達到軋制要求參數(shù)的概率閾值。達到了通過馬爾科夫鏈預測模型對張力控制分析模型進行驗證，獲得精準性高、泛化性能強的張力控制分析模型，從而提高對金屬軋機進行張力控制的準確性的技術效果。

[0027] 進一步的，本申請步驟S390還包括：步驟S391：當未達到時，根據(jù)馬爾科夫鏈預測模型，獲得驗證概率差值；

步驟S392：基于所述驗證概率差值，確定張力調整范圍與控制信息的關系；

步驟S393：利用所述張力調整范圍、張力調整范圍與控制信息的關系對所述張力控制分析模型進行增量學習。

[0028] 具體而言，在判斷達到軋制要求參數(shù)的概率是否達到預設要求時，如果達到軋制要求參數(shù)的概率未達到預設要求，則基于達到軋制要求參數(shù)的概率、預設要求確定驗證概率差值。進而，基于驗證概率差值，獲得張力調整范圍與控制信息的關系，并根據(jù)張力調整范圍、張力調整范圍與控制信息的關系對張力控制分析模型進行增量學習。其中，所述驗證概率差值包括達到軋制要求參數(shù)的概率、預設要求之間的差值信息。所述張力調整范圍包括金屬軋機的張力調整區(qū)間信息。所述張力調整范圍與控制信息的關系包括張力調整范圍與控制參數(shù)之間的關系。例如，所述張力調整范圍與控制信息的關系包括要實現(xiàn)某個張力調整時，該張力調整對應的控制參數(shù)信息。增量學習是指一個學習系統(tǒng)能不斷地從新樣本中學習新的知識，并能保存大部分以前已經學習到的知識。增量學習非常類似于人類自身的學習模式。通過張力調整范圍、張力調整范圍與控制信息的關系對張力控制分析模型進行增量學習，保留了張力控制分析模型的基本功能，實現(xiàn)了張力控制分析模型的性能更新，從而進一步提高張力控制分析模型的精準性，保障張力控制分析的可靠性。[0029] 進一步的，本申請步驟S300還包括：步驟S3100：當軋機入口原料參數(shù)中表面平整度信息存在不平整問題；

步驟S31100：基于所述表面平整度信息對軋機入口原料進行平整度分區(qū)；

步驟S31200：根據(jù)平整度分區(qū)結果，確定分區(qū)差值；

步驟S31300：根據(jù)所述分區(qū)差值，確定軋輥設置參數(shù)；

步驟S31400：根據(jù)所述軋輥設置參數(shù)、分區(qū)差值進行張力需求分析，確定張力需求信息；

步驟S31500：根據(jù)所述張力需求信息對所述張力控制要求進行調整。

[0030] 具體而言，將軋制要求參數(shù)、軋機入口原料參數(shù)作為輸入信息，輸入張力控制分析模型，獲得張力控制要求。進一步，基于已獲得的軋機入口原料參數(shù)中的表面平整度信息，對軋機入口原料參數(shù)中表面平整度信息是否存在不平整問題進行判斷，如果軋機入口原料參數(shù)中表面平整度信息存在不平整問題，則根據(jù)表面平整度信息對軋機入口原料進行平整度分區(qū)，獲得平整度分區(qū)結果，并根據(jù)其確定分區(qū)差值，繼而確定軋輥設置參數(shù)。基于軋輥設置參數(shù)、分區(qū)差值進行張力需求分析，獲得張力需求信息，并按照張力需求信息對張力控制要求進行調整。其中，所述張力控制要求包括軋制要求參數(shù)、軋機入口原料參數(shù)對應的張力控制大小參數(shù)。所述平整度分區(qū)結果包括多個平整度分區(qū)，每個平整度分區(qū)包括表面平整度相同的軋機入口原料。所述分區(qū)差值包括平整度分區(qū)結果中多個平整度分區(qū)之間的表面平整度差值。所述軋輥設置參數(shù)包括分區(qū)差值對應的軋輥轉速參數(shù)。分區(qū)差值越大，對應的軋輥轉速參數(shù)差異越大。所述張力需求信息包括軋輥設置參數(shù)、分區(qū)差值對應的張力需求大小。達到了通過張力控制分析模型，獲得張力控制要求，并根據(jù)軋機入口原料參數(shù)中表面平整度信息對張力控制要求進行適應性地調整，從而提高金屬軋機的張力控制精確度的技術效果。[0031] 步驟S400：獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；步驟S500：判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；

步驟S600：當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。

[0032] 具體而言，按照張力控制要求對金屬軋機進行軋制生產控制，并通過張力測量設備對金屬軋機進行實時張力測量，獲得張力測量信息。進一步，對張力測量信息是否滿足張力控制要求進行判斷，如果張力測量信息滿足張力控制要求，持續(xù)當前控制信息，即繼續(xù)按照張力控制要求對金屬軋機進行軋制生產控制。如果張力測量信息不滿足張力控制要求，基于張力測量信息、張力測量信息進行差值計算，獲得張力偏差值，并按照張力偏差值對當前控制信息進行張力調整控制，即按照張力偏差值對張力控制要求進行張力調整控制。其中，所述張力測量設備可以為設置在連軋機架內的張力測量儀。所述張力測量信息為實時張力參數(shù)。所述張力偏差值包括張力測量信息與張力測量信息之間的差值。達到了通過對張力測量信息是否滿足張力控制要求進行判斷，適應性地對當前控制信息進行張力調整控制，提高金屬軋機的張力控制質量的技術效果。[0033] 綜上所述，本申請所提供的一種金屬軋機的張力智能控制方法具有如下技術效果：1.通過連軋機架設置位置信息確定機架設置距離；將軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；通過機架區(qū)間內設置的張力測量設備，確定張力測量信息；判斷張力測量信息是否滿足張力控制要求，當滿足時，持續(xù)當前控制信息；當不滿足時，獲得張力偏差值，基于張力偏差值對當前控制信息進行張力調整控制。達到了提高金屬軋機的張力控制準確性，實現(xiàn)智能、適配高、實時性強的金屬軋機的張力控制，提高金屬軋機的張力控制質量，繼而提高金屬軋機的生產質量的技術效果。

[0034] 2.通過卷積核模型對軋機入口原料的圖像采集信息集進行比對分析，確定軋機入口原料參數(shù)及軋制要求參數(shù)，從而提高對金屬軋機進行張力控制的適配度、合理性。[0035] 3.通過馬爾科夫鏈預測模型對張力控制分析模型進行驗證，獲得精準性高、泛化性能強的張力控制分析模型，從而提高對金屬軋機進行張力控制的準確性。[0036] 4.通過張力調整范圍、張力調整范圍與控制信息的關系對張力控制分析模型進行增量學習，保留了張力控制分析模型的基本功能，實現(xiàn)了張力控制分析模型的性能更新，從而進一步提高張力控制分析模型的精準性，保障張力控制分析的可靠性。[0037] 實施例二基于與前述實施例中一種金屬軋機的張力智能控制方法，同樣發(fā)明構思，本發(fā)明還提供了一種金屬軋機的張力智能控制系統(tǒng)，請參閱附圖3，所述系統(tǒng)包括：

距離設置模塊11，所述距離設置模塊11用于獲得連軋機架設置位置信息，基于所述連軋機架設置位置信息確定機架設置距離；

軋制參數(shù)獲得模塊12，所述軋制參數(shù)獲得模塊12用于獲得軋制要求參數(shù)、軋機入口原料參數(shù)；

張力控制分析模塊13，所述張力控制分析模塊13用于將所述軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；

張力信息確定模塊14，所述張力信息確定模塊14用于獲得機架區(qū)間內設置的張力測量設備，確定張力測量信息；

張力判斷模塊15，所述張力判斷模塊15用于判斷所述張力測量信息是否滿足所述張力控制要求，當滿足時，持續(xù)當前控制信息；

張力調整控制模塊16，所述張力調整控制模塊16用于當不滿足時，獲得張力偏差值，基于所述張力偏差值對當前控制信息進行張力調整控制。

[0038] 進一步的，所述系統(tǒng)還包括：圖像采集模塊，所述圖像采集模塊用于通過圖像采集設備對軋機入口原料進行多角度圖像采集，獲得圖像采集信息集；

圖像分割模塊，所述圖像分割模塊用于對所述圖像采集信息集按照預設分割大小進行網格分割；

遍歷特征比對結果確定模塊，所述遍歷特征比對結果確定模塊用于將分割后的圖像采集信息輸入卷積核模型，利用預設圖像特征對分割后的圖像采集信息進行遍歷比對，確定遍歷特征比對結果；

部位信息模塊，所述部位信息模塊用于基于所述遍歷特征比對結果，確定原料各部位的尺寸信息、表面平整度信息；

原料參數(shù)獲得模塊，所述原料參數(shù)獲得模塊用于根據(jù)所述原料各部位的尺寸信息、表面平整度信息，獲得軋機入口原料參數(shù)。

[0039] 進一步的，所述系統(tǒng)還包括：工作記錄獲得模塊，所述工作記錄獲得模塊用于獲得金屬軋機軋制工作記錄，其中，所述金屬軋機軋制工作記錄中包括軋制要求參數(shù)、軋機入口原料參數(shù)以及對應的張力控制信息；

預處理模塊，所述預處理模塊用于對所述金屬軋機軋制工作記錄進行降噪、補齊預處理；

數(shù)據(jù)隨機分配模塊，所述數(shù)據(jù)隨機分配模塊用于按照預設數(shù)據(jù)分配比例將預處理后的金屬軋機軋制工作記錄進行數(shù)據(jù)隨機分配，獲得訓練數(shù)據(jù)集、測試數(shù)據(jù)集；

模型獲得模塊，所述模型獲得模塊用于構建神經網絡結構，利用所述訓練數(shù)據(jù)集、測試數(shù)據(jù)集對所述神經網絡結構進行訓練、測試，獲得所述張力控制分析模型。

[0040] 進一步的，所述系統(tǒng)還包括：軋機流程確定模塊，所述軋機流程確定模塊用于獲得軋機流程信息；

流程鏈條構建模塊，所述流程鏈條構建模塊用于根據(jù)所述軋機流程信息、連軋機架設置位置信息，構建流程鏈條，其中流程鏈條中包括多個節(jié)點，每個節(jié)點與張力測量設備設置位置相匹配；

預測模型構建模塊，所述預測模型構建模塊用于獲得軋輥設置參數(shù)，并基于各流程鏈條節(jié)點的所述軋輥設置參數(shù)、軋機入口原料參數(shù)、張力控制信息對應關系，構建馬爾科夫鏈預測模型；

概率判斷模塊，所述概率判斷模塊用于將所述張力控制分析模型的輸入數(shù)據(jù)、輸出結果，輸入所述馬爾科夫鏈預測模型進行驗證，判斷達到軋制要求參數(shù)的概率是否達到預設要求；

第一執(zhí)行模塊，所述第一執(zhí)行模塊用于當達到時，確定所述張力控制分析模型。

[0041] 進一步的，所述系統(tǒng)還包括：概率差值獲得模塊，所述概率差值獲得模塊用于當未達到時，根據(jù)馬爾科夫鏈預測模型，獲得驗證概率差值；

第二執(zhí)行模塊，所述第二執(zhí)行模塊用于基于所述驗證概率差值，確定張力調整范圍與控制信息的關系；

增量學習模塊，所述增量學習模塊用于利用所述張力調整范圍、張力調整范圍與控制信息的關系對所述張力控制分析模型進行增量學習。

[0042] 進一步的，所述系統(tǒng)還包括：第三執(zhí)行模塊，所述第三執(zhí)行模塊用于當軋機入口原料參數(shù)中表面平整度信息存在不平整問題；

平整度分區(qū)模塊，所述平整度分區(qū)模塊用于基于所述表面平整度信息對軋機入口原料進行平整度分區(qū)；

分區(qū)差值確定模塊，所述分區(qū)差值確定模塊用于根據(jù)平整度分區(qū)結果，確定分區(qū)差值；

軋輥設置參數(shù)確定模塊，所述軋輥設置參數(shù)確定模塊用于根據(jù)所述分區(qū)差值，確定軋輥設置參數(shù)；

張力需求分析模塊，所述張力需求分析模塊用于根據(jù)所述軋輥設置參數(shù)、分區(qū)差值進行張力需求分析，確定張力需求信息；

調整模塊，所述調整模塊用于根據(jù)所述張力需求信息對所述張力控制要求進行調整。

[0043] 進一步的，所述系統(tǒng)還包括：平滑度分析模塊，所述平滑度分析模塊用于對所述金屬軋機軋制工作記錄進行趨勢平滑度分析，確定平滑度閾值范圍；

平滑度判斷模塊，所述平滑度判斷模塊用于判斷金屬軋機軋制工作記錄的平滑度是否超出所述平滑度閾值范圍或存在缺失數(shù)據(jù)，當超出或存在時，確定異常節(jié)點；

關聯(lián)數(shù)據(jù)確定模塊，所述關聯(lián)數(shù)據(jù)確定模塊用于根據(jù)所述異常節(jié)點，確定關聯(lián)記錄數(shù)據(jù)；

異常節(jié)點處理模塊，所述異常節(jié)點處理模塊用于根據(jù)所述關聯(lián)記錄數(shù)據(jù)對所述異常節(jié)點進行平滑處理、補齊處理。

[0044] 本發(fā)明實施例所提供的一種金屬軋機的張力智能控制系統(tǒng)可執(zhí)行本發(fā)明任意實施例所提供的一種金屬軋機的張力智能控制方法，具備執(zhí)行方法相應的功能模塊和有益效果。[0045] 所包括的各個模塊只是按照功能邏輯進行劃分的，但并不局限于上述的劃分，只要能夠實現(xiàn)相應的功能即可；另外，各功能模塊的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護范圍。[0046] 所包括的各個單元和模塊只是按照功能邏輯進行劃分的，但并不局限于上述的劃分，只要能夠實現(xiàn)相應的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護范圍。[0047] 實施例三圖4為本發(fā)明實施例三提供的電子設備的結構示意圖，示出了適于用來實現(xiàn)本發(fā)明實施方式的示例性電子設備的框圖。圖4顯示的電子設備僅僅是一個示例，不應對本發(fā)明實施例的功能和使用范圍帶來任何限制。如圖4所示，該電子設備包括處理器31、存儲器32、輸入裝置33及輸出裝置34；電子設備中處理器31的數(shù)量可以是一個或多個，圖4中以一個處理器31為例，電子設備中的處理器31、存儲器32、輸入裝置33及輸出裝置34可以通過總線或其他方式連接，圖4中以通過總線連接為例。

[0048] 存儲器32作為一種計算機可讀存儲介質，可用于存儲軟件程序、計算機可執(zhí)行程序以及模塊，如本發(fā)明實施例中的一種金屬軋機的張力智能控制方法對應的程序指令/模塊。處理器31通過運行存儲在存儲器32中的軟件程序、指令以及模塊，從而執(zhí)行計算機設備的各種功能應用以及數(shù)據(jù)處理，即實現(xiàn)上述一種金屬軋機的張力智能控制方法。[0049] 本申請?zhí)峁┝艘环N金屬軋機的張力智能控制方法，其中，所述方法應用于一種金屬軋機的張力智能控制系統(tǒng)，所述方法包括：通過連軋機架設置位置信息確定機架設置距離；將軋制要求參數(shù)、軋機入口原料參數(shù)輸入張力控制分析模型，獲得張力控制要求；通過機架區(qū)間內設置的張力測量設備，確定張力測量信息；判斷張力測量信息是否滿足張力控制要求，當滿足時，持續(xù)當前控制信息；當不滿足時，獲得張力偏差值，基于張力偏差值對當前控制信息進行張力調整控制。解決了現(xiàn)有技術中針對金屬軋機的張力控制準確性不足，進而造成金屬軋機的張力控制效果不佳的技術問題。達到了提高金屬軋機的張力控制準確性，實現(xiàn)智能、適配高、實時性強的金屬軋機的張力控制，提高金屬軋機的張力控制質量，繼而提高金屬軋機的生產質量的技術效果。[0050] 注意，上述僅為本發(fā)明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發(fā)明不限于這里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過以上實施例對本發(fā)明進行了較為詳細的說明，但是本發(fā)明不僅僅限于以上實施例，在不脫離本發(fā)明構思的情況下，還可以包括更多其他等效實施例，而本發(fā)明的范圍由所附的權利要求范圍決定。