[0052] 下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
[0053] 实施例1：
[0054] 本实施例一种热轧钢板切割的质量参数检测系统，如图1所示，包括2D激光传感器A、2D激光传感器B、2D激光传感器C和处理器，2D激光传感器均设置在热轧钢板生产线的夹紧辊1右侧且与钢板2处于同一高度，2D激光传感器均与处理器相连，其中，2D激光传感器A、2D激光传感器B为检测2D激光传感器，2D激光传感器C为冗余2D激光传感器。冗余2D激光传感器通过抑制由于三个激光测量的小的异步性而可能发生的错误，以减小测量误差和提高对噪声的鲁棒性。
[0055] 对应的，本实施还提供一种热轧钢板切割的质量参数检测方法，如图2所示，包括以下步骤：
[0056] S1：采集钢板生产数据，在采集钢板生产数据时，需要建立三维坐标系，如图3所示，以钢板与夹紧辊接触处中点为原点，以钢板宽度方向为x轴，以钢板高度方向为y轴建立三维坐标系，生产数据包括2D传感器在每个采集时间采集的钢板修整边的轮廓坐标(ym，xm)；
[0057] S2：数据预处理，包括以下步骤：
[0058] S21：获取2D激光传感器与钢板侧面的距离，轮廓估计需要在激光传感器和板胚的边缘之间测量距离dr。对于每个测量的2D轮廓，必须以相同的方式标识距离dr。从剪切过程中可以知道，抛光后的高度在yz平面中近似为平坦表面，在俯视图中能够确定板的轮廓。因此，dr相对于该表面是精确测量的。假设xb为测量坐标x下抛光高度以内的点，抛光高度即为钢板的标称厚度，该高度对于特定材料是已知的，距离dr计算形式如下：
[0059] dr＝median(xb)
[0060] median(·)表示均值函数，上式表示所有xb的均值。对于每个测得的板形轮廓和每个传感器有
[0061]
[0062] 其中， 表示采样时刻tk时，传感器i得到的所有测量点xb，i∈{A,B，C+，表示采样时刻tk时传感器i与板胚的边缘之间测量距离dr；
[0063] S22：获取裂纹深度，为了确保对裂纹深度进行可靠的计算，必须首先去除测量轮廓中的异常值。应用滑动窗口中值滤波器ψ(·)可得到如下平滑轮廓：
[0064] xd,f＝ψ(xd)
[0065] 其中，xd为传感器测得的裂纹深度测量值，xd，f为滤波处理后的值，由此可得板形轮廓的裂纹深度Δd
[0066] Δd＝max(xd,f)‑dr
[0067] S23：获取侧翻量Δt
[0068] Δt＝tp‑hm
[0069] 其中，tp为标称板厚，hm为切割的测量高度，hm＝max(ym)；
[0070] S3：传感器信息融合，包括侧翻值融合和裂纹深度融合，进行侧翻值融合时，已知边缘侧翻量Δt沿板是恒定的，因此对于每个传感器和每个板胚,使用了一种基于高斯概率分布的概率方法估计侧翻测量值，每个传感器的侧翻样本均值的形式如下：
[0071]
[0072] N表示传感器i采集的轮廓坐标数量， 表示根据传感器i采集的第k个轮廓坐标计算得到的侧翻量，相应的样本标准差为
[0073]
[0074] 对侧翻值进行估计，计算的最大后验估计值为：
[0075]
[0076] 与侧翻相反，在采用非连续切割技术的情况下，由于板形的锯齿形状，裂纹深度Δd。可能随着钢板的长度变化。因此，用单个值描述裂纹深度是不合理的。对于所有测量的轮廓，根据锯齿形状将各个传感器采集的轮廓坐标分为三组数据,锯齿形状包括双鼓形、上单鼓形(单鼓位于上侧)和下单鼓形(单鼓位于下侧)，三组数据经裂缝深度融合得到的最大后验估计值为：
[0077]
[0078] 其中， N表示传感器i采集的轮廓坐标数量，表示根据第j组数据中传感器i采集的第k个轮廓坐标计算得到的裂纹深度，[0079] S4：建立板胚运动学模型，板胚运动学模型为
[0080]
[0081] 其中，Δx为板胚的横向位移，Δz为板胚的纵向位移，为板胚的侧向旋转角度，vz(t)为板胚纵向速度，ω为板胚相对于y轴的角速度；
[0082] S5：计算板形轮廓和旋转量，包括以下步骤：
[0083] S51：在离散时间点 上使用显式欧拉方法对板胚运动学模型离散，得到 的离散时间系统和初始状态：
[0084]
[0085]
[0086]
[0087] 其中，lx为传感器安装位置在x轴上到原点的距离， 为传感器A在z轴上到原点的距离，Δz0板胚起始时间点的纵向位置，Δx0表示板胚起始时间点的横向位置，Nopt取决于每米板长上取点的数量，具体大小受传感器限制。由于钢板是由夹紧辊移动或被夹紧和修整，钢板在夹紧辊作用下的速度vz(t)不是恒定的。选择采样间隔 以便板在每个采样周期内以相同的空间增量移动，即 其中C为常量；
[0088] S52：通过优化问题求解ωm和 假设 和 已知，对传感器A测量的板轮廓上进行坐标变换产生的离散点
[0089]
[0090] 同理，可以分别基于传感器B和传感器C的读数来计算坐标变换后的轮廓点和 由于传感器A、传感器B和传感器C的测量之间存在时间偏移，因此对其偏移时间定义为：
[0091]
[0092]
[0093]
[0094] 其中tkBs和tkCs代表相应传感器的开始测量时间，tkAe和tkBe代表结束时间。轮廓点在固定板胚 时的 值，在理想情况下满足：
[0095]
[0096] 然而，实际上由于板的侧向旋转， 之间会存在差异，可以通过最小化该偏差来估算未知量 和ωm，该优化问题描述为：
[0097]
[0098]
[0099] 由优化变量 计算求得，ψ(·)为中值滤波器，该优化问题可采用智能算法或者非线性规划方法求解；
[0100] S53：将得出的最优估计值 带入步骤S52的约束条件中，会得到三个几乎相同的轮廓估计值，最后，逐点算术平均计算估计的板轮廓。
[0101] S6：计算曲边量和锯齿形状参数，计算曲边量时，采用二阶Savitzky‑Golay滤波器从轮廓线消除锯齿形获得平滑的曲面线，然后计算曲面线与钢板平直线的最大偏差，即为曲边质量参数Δc；计算锯齿形状参数时，将原始的轮廓线减去滤波后的轮廓线获得锯齿形，通过提取和平均锯齿形轮廓的振幅求得局部锯齿形状参数Δs。
[0102] 实施例2：
[0103] 本实施例采用实施例1中热轧钢板切割的质量参数检测系统及方法对5种测试板进行测试，测试板参数如表1所示
[0104] 表1测试板参数
[0105]
[0106]
[0107] 本实施例中，使用的3激光传感器采用Micro‑Epsilon公司的scanControl LLT2700‑100型2D激光传感器。该激光传感器采样时间TS＝10ms。对于轮廓估计，选取初始参数 参数Nopt可获得每米板长的50个点。
[0108] 为评估测量的准确性，测量结构与在德国AG der Dillinger Huettenwerke工厂轧制的典型钢板的测量数据进行比较。轮廓测量设备(CMD)对板1，2和3进行测量，测量结果与估计值进行比较。
[0109] 表2曲边量估计
[0110]
[0111] 表2总结了由CMD测量的曲边量Δc和测量值 的结果。可以看出，具有三个激光传感器(表2中的3LS)的测量设置的最大偏差为0.04mm/m，这大大低于现有估计方法的基准值。出于比较的原因，表2中还列出了仅具有两个激光传感器的设置所获得的估计结果。正如预期的那样，第三个激光传感器明显提高了所提出估计方法的准确性。
[0112] 为验证估计的侧翻值和局部锯齿幅度，对表1中的板4和5用游标卡尺进行人工测量。表3给出了相应的测量和估计结果。可以看出，测量和估计之间的偏差很小，并且在测量公差范围内。
[0113] 表3侧翻值与锯齿幅度估计
[0114]
[0115] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
