CN100474313C - 一种粗轧带钢的宽度优化设定方法 - Google Patents

Abstract

本发明公开了一种粗轧带钢的宽度优化设定方法，该方法根据生产带钢的规格的变化情况，采用精轧自然宽展的短时预测模型或长时和短时预测模型结合的方法计算带钢的精轧自然宽展，再根据精轧自然宽展预测精度和热轧宽度实际控制统计精度动态确定带钢的在精轧的自然宽展余量，并根据精轧自然宽展和宽度附加余量，确定当前带钢的粗轧宽度设定值。在获得带钢的实际精轧自然宽展后，对带钢的精轧自然宽展短时预测模型进行参数的自适应调节和长时预测模型的自适应学习。该方法克服了传统方法所确定的精轧自然宽展同实际生产情况相比误差较大的缺点，以及在粗轧宽度的设定时，采用较大的控制余量、粗轧的宽度设定过程需要人工干预、随意性大、生产过程不稳定等缺点。

Description

一种粗轧带钢的宽度优化设定方法

技术领域

本发明涉及热轧带钢的成型加工，特别涉及热轧带钢宽度控制过程中的一种粗轧带钢的宽度优化设定方法。

背景技术

宽度是热轧产品的重要的技术指标，热轧产品对于宽度的要求不产生负公差，一旦产品的实际宽度小于成品要求宽度，产品将被判废。

一般热轧生产过程中包括粗轧和精轧两大工艺段，粗轧工艺段具有立辊压下设备，即具有宽度压下的控制功能，因此带钢宽度控制功能主要是在粗轧。但是带钢离开粗轧机进入精轧机以后，在精轧区域带钢的宽度仍然会发生变化，我们称之为精轧自然宽展。因此在板坯进入粗轧机组之前，必须先确定带钢在精轧轧制过程中的宽度变化(即精轧自然宽展)的情况，再考虑附加一定的余量，结合精轧成品的目标宽度，确定粗轧生产的目标宽度。因此根据精轧目标宽度和精轧自然宽展准确设定粗轧带钢宽度，是热轧宽度控制过程中的关键，对于提高热轧产品的宽度指标有重要意义。

影响粗轧宽度设定的主要因素包括：精轧自然宽展的计算精度和宽度余量的确定，其中精轧自然宽展的计算精度是一个关键因素。现有的粗轧宽度设定方法是首先通过一个简单的精轧自然宽展计算模型确定精轧自然宽展量，该计算模型采用固定参数+自适应的方式，该计算模型如下式。在此计算方法的基础上，加固定的附加余量。

DW_{FM_spread}＝f(W)×f(H)×f(Eps)×K

其中：DW_{FM_spread}：精轧自然宽展量，单位mm；

W：精轧带钢宽度，单位mm；

f(W)：精轧带钢宽度对精轧自然宽展的影响因子，

f(W)＝c₂·W²+c₁·W+c₀，其中c₀、c₁、c₂为多项式系数。

H：精轧带钢出口厚度，单位mm；

f(H)：精轧带钢厚度对精轧自然宽展的影响因子，

f(H)＝a₅·H⁵+a₄·H⁴+a₃·H³+a₂·H²+a₁·H+a₀，

其中a₀、a₁、a₂、a₃、a₄、a₅为多项式系数

Eps＝(H_RM-H)/H_RM精轧总压下率，

H_RM：粗轧带钢出口厚度，单位mm；

f(Eps)＝b1·Eps

K：宽度自适应系数，计算公式如下：

$K(n+1)=K\left(n\right)+{\mathrm{\α}}_1*(\frac{{\mathrm{DW}}_{\mathrm{FM}\_\mathrm{spread}\_\mathrm{Acl}}}{{\mathrm{DW}}_{\mathrm{FM}\_\mathrm{spread}\_\mathrm{Cal}}}-K\left(n\right))$

式中：

α₁：衰减系数。

K(n+1)、K(n)为新旧自适应系数。

DW_{FM_spread_Acl}＝精轧实际宽度—粗轧实际宽度，为实际测量的精轧自然宽展。

DW_{FM_spread_Cal}为模型计算精轧自然宽展。

由于影响热轧带钢精轧自然宽展的因素非常多，精轧自然宽展量在实际生产过程中同设备状态、带钢品种、轧制过程等多种因素有关，甚至同操作工的操作习惯也有一定的关系，并且这些影响因素是相互耦合的、非线性的和随时间变化的，因此以上传统方法确定的精轧自然宽展同实际生产情况存在较大的误差，对粗轧宽度的设定过程带来较大的影响，为了防止带钢宽度产生负公差，粗轧宽度的设定往往采用较大的控制余量，粗轧的宽度设定过程也需要操作工大量干预，随意性比较大，容易造成热轧带钢的宽度指标不合格、宽度余量过大、生产过程不稳定等问题。

发明内容

本发明的目的是针对上述确定的精轧自然宽展与实际生产情况存在较大误差的缺点，提供一种误差小，有利于提高热轧产品宽度控制精度的粗轧带钢的宽度优化设定方法。

为了实现上述目的，本发明采用如下技术方案，

该粗轧带钢的宽度优化设定方法包括以下步骤：

a)首先对热轧精轧自然宽展相关因素以及热轧带钢进行规格分类，建立层别数据表；

b)根据精轧带钢目标宽度、目标厚度、目标压下量和可测量得到的前块带钢的精轧实际宽展值，建立精轧自然宽展的长时预测模型和短时预测模型；

c)比较当前准备生产带钢轧制规格同前一块已完成生产的带钢的规格，确定是否带钢生产的规格发生变化，并确定变化幅度；

d)根据带钢规格的变化情况，确定精轧自然宽展的预测采用短时预测模型计算值，或者采用长时和短时预测模型的计算结合值，并对精轧自然宽展的模型值进行限幅处理；

e)根据精轧自然宽展层别数据表，读取当前规格带钢的宽度实际控制统计精度和精轧自然宽展模型的计算统计精度，动态确定当前带钢的宽度附加余量；

f)根据精轧自然宽展和宽度附加余量，确定当前带钢的粗轧宽度设定值；

g)对于已经轧制完成的带钢，读取带钢的精轧实际值，对于短时预测模型进行参数的自适应调节，对于长时预测模型进行自适应学习，并且根据层别数据表保存短时预测模型和长时预测模型的自适应参数；

h)分别对精轧自然宽展模型预测精度和产品的宽度控制精度按产品规格进行分类统计并保存。。

所述的步骤a)中，对于热轧精轧自然宽展相关因素以及热轧带钢进行规格分类，建立层别数据表，层别为产品规格×宽度等级×厚度等级。

所述的步骤b)建立精轧自然宽展模型中，长时预测模型和短时预测模型分别对于带钢的规格变化和不变化两种情况。

所述长时预测模型采用如下表达式，

DW_long＝KL1·W·H³·ΔH+KL2·W·H²·ΔH+KL3·W·H·ΔH+KL4·H·ΔH+KL5+Learn(class)

式中，DW_long为长时精轧自然宽展

W为带钢精轧目标宽度

H为带钢精轧目标厚度

ΔH为带钢精轧目标厚度压下量

KL1、KL2、KL3、KL4、KL5均为长时预测模型系数

Learn(class)为长时预测模型学习系数。

所述的精轧自然宽展短时预测模型采用基本模型加校正模型的计算方式，其中短时基本模型表达式为：

DW_short＝Ks1·W·H·ΔH+Ks2·H·ΔH+Ks3+K·Ks4·DW_Error

${\mathrm{DW}}_{\mathrm{short}}\′=K1\·{\mathrm{DW}}_{\mathrm{short}}+K2\·[{\mathrm{DW}}_{\mathrm{Acl}}\left(i\right)+{\mathrm{DW}}_{\mathrm{Acl}}(i-1)+{\mathrm{DW}}_{\mathrm{Acl}}(i-3)]$

式中，

DW_short：短时精轧自然宽展

：短时精轧自然宽展校正值

W：带钢精轧目标宽度

H：带钢精轧目标厚度

ΔH：带钢精轧目标厚度压下量

Ks1、Ks2、Ks3、Ks4为模型系数

K：精轧自然宽展的短时预测模型反馈修正衰减系数

DW_Error：精轧已轧制完成带钢的实际自然宽展与模型预测宽展的偏差

式中：K1、K2为短时预测模型的实时反馈校正系数

DW_Acl(i)、DW_Acl(i-1)、DW_Acl(i-3)：分别为已完成轧制的前三块带钢精轧自然宽度实测值。

所述的步骤d)中，在轧制产品规格发生变化的情况下，精轧自然宽展采用短时预测模型和长时预测模型的综合值，其表达式如下：

                 DW_FM＝α·DW_Long+(1-α)·DW′_Short

式中，

DW_FM：精轧自然宽展

DW_Long：长时预测模型计算精轧自然宽展

DW_Short：短时预测模型精轧自然宽展

α：加权因子，0≤α≤1。

所述的步骤e)中，所述的当前带钢的宽度附加余量是由计算获得的变量，而不是固定值。

宽度附加余量的计算表达式为，

W_Add＝k1·σW_RM+k2·σDW_FM

式中，k1、k2为加权系数

σW_RM为粗轧宽度控制统计精度

σDW_FM为精轧自然宽展计算统计精度。

所述的步骤f)中，粗轧带钢宽度的设定值计算表达式为，

W_RM＝W_FM+W_Add+DW_FM+W_operation

式中，W_RM为粗轧宽度设定

W_FM为产品的宽度目标设定值

DW_FM为带钢的精轧自然宽展计算值

W_operation为操作工修正值。

所述的步骤g)中，对于已经轧制完成的带钢，读取带钢的精轧实际值，对于短时预测模型进行参数的自适应调节，对于长时预测模型进行自适应学习，并且根据层别数据表保存短时预测模型和长时预测模型的自适应参数。

所述短时预测模型进行参数调整中采用带遗忘的递推最小二乘法，其表达式如下，

z(k)＝DW_Acl

$h\left(k\right)=\left[\begin{array}{c}W\·H\·\mathrm{\ΔH}\\ H\·\mathrm{\ΔH}\\ 1\\ {\mathrm{DW}}_{\mathrm{Error}}\end{array}\right]$

$\mathrm{\θ}\left(k\right)=\left[\begin{array}{c}\mathrm{Ks}1\\ \mathrm{Ks}2\\ \mathrm{Ks}3\\ \mathrm{Ks}4\end{array}\right]$

则短时预测模型的输入输出关系可以描述成如下的最小二乘格式

z(k)＝h^τ(k)θ+n(k)

最小二乘就是利用数据序列{z(k)}和{h(k)}，极小化下列标准函数

$J\left(\mathrm{\θ}\right)=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{[z\left(k\right)-h^{\mathrm{\τ}}\left(k\right)\mathrm{\θ}]}^2$

使J(θ)＝min的θ估计值记作

该值为短时预测模型的预测参数，具体表达式又如下，

$\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}\left(k\right)=\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}(k-1)+K\left(k\right)[z\left(k\right)-h^{\mathrm{\τ}}\left(k\right)\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}(k-1)]$

K(k)＝P(k-1)h(k)[h^τ(k)P(k-1)h(k)+μ]^-1

$P\left[k\right]=\frac{1}{\mathrm{\μ}}[I-K\left(k\right)h^{\mathrm{\τ}}\left(k\right)]P(k-1)$

0.9≤μ≤1。

长时预测模型的自适应学习采用如下表达式，

$\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{new}=\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old}+K_1*(\frac{{\mathrm{DW}}_{\mathrm{Acl}}}{{\mathrm{DW}}_{\mathrm{Cal}}}-\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old})$

式中，Learn(class)_new：新的学习系数

Learn(class)_old：老的学习系数

DW_Cal：精轧自然宽展长时预测模型计算值

DW_Acl：精轧自然宽展实际值。

在本发明的上述技术方案中，该设定方法主要根据生产带钢的规格的变化情况，采用精轧自然宽展的短时预测模型或长时和短时结合的方法计算带钢的精轧自然宽展，再根据精轧自然宽展预测精度和热轧宽度实际控制宽展统计精度动态确定带钢的在精轧的自然宽展余量，并根据精轧自然宽展和宽度附加余量，确定当前带钢的粗轧宽度设定值，在获得带钢的实际精轧自然宽展后，对带钢的精轧自然宽展进行短时预测模型进行参数的自适应调节和长时预测模型的自适应学习。该方法克服了传统方法所确定的精轧自然宽展同实际生产情况相比存在较大的误差的缺点，以及在粗轧宽度的设定时，往往采用较大的控制余量，粗轧的宽度设定过程也需要人工大量干预，随意性比较大，生产过程不稳定等问题。该方法优化了热轧粗轧宽度的设定，提高了粗轧宽度设定精度，从而提高热轧宽度控制的精度。

附图说明

图1为本发明的粗轧带钢的宽度优化设定方法的流程示意图。

图2为本发明精轧自然宽展模型计算流程示意图。

图3为本发明精轧自然宽展模型自适应学习流程示意图。

具体实施方式

为了能更清楚地理解本发明的内容，下面结合附图和具体的实施例进行进一步地详细说明：

请参阅图1所示，开始粗轧宽度设定，首先从层别数据表中读取所要轧制带钢的目标宽度、目标厚度、目标压下量，读取前面已轧制完成的带钢的实际自然宽展值；读取当前带钢的规格数据和模型自适应数据；计算当前块带钢的精轧自然宽展计算；读取本类别带钢精轧自然宽展计算统计精度和本规格带钢的宽度控制统计精度，根据统计精度计算本块带钢宽度附加余量计算；根据计算的精轧自然宽展量、当前带钢宽度附加余量、精轧目标宽度和操作工人工修正值，确定粗轧宽度设定；根据带钢的实测精轧自然宽展进行模型的自适应参数调节和模型遗传系数计算，并保存模型参数；对于已轧制的带钢进行精轧自然宽展和热轧带钢精度按带钢的层别规格进行精度分类统计，统计数据按规格保存；粗轧宽度设定结束。

针对上述流程，下面再结合图2，精轧自然宽展模型计算启动，首先从表中读取精轧带钢目标宽度、目标厚度、目标压下量值，并对于该类值进行变换处理及异常值处理。从有关表中读取模型参数等数据和遗传系。根据精轧自然宽展短时预测模型获得精轧自然宽展短时计算值；根据精轧自然宽展长时预测模型获得精轧自然宽展长时计算值；比较当前准备生产带钢轧制规格同前一块已完成生产带钢的规格是否相同，并确定变化的幅度；如果带钢规格没有发生变化，即当前块设定带钢和已经轧制完成的带钢属于同样的规格，则确定精轧自然宽展的预测值采用短时预测模型计算值；否则确定精轧自然宽展的预测值采用长时和短时预测模型的计算结合值，并对精轧自然宽展的模型值进行限幅处理后，精轧自然宽展计算完成。

图3则示意精轧自然宽展模型的自适应学习流程。首先获得带钢的实际精轧宽展量；比较带钢的实际值和带钢轧制前的长时预测模型预测值和短时预测模型预测值，分别获得模型短时预测偏差和长时预测偏差。根据短时预测模型预测偏差对模型进行短时预测模型参数的在线调整，方法采用带遗忘的递推最小二乘法。根据长时预测模型预测偏差对长时预测模型自适应学习。最后对于精轧自然宽展的模型预测精度和产品的宽度控制精度按产品规格进行统计，对于模型的学习、调整数据和精度统计数据按产品规格进行分类保存。

根据上述所描述的方法，依次再具体说明如下，

1，精轧自然宽展的短时预测模型

DW_short＝Ks1·W·H·ΔH+Ks2·H·ΔH+Ks3+K·Ks4·DW_Error

式中：

DW_short：短时精轧自然宽展

W：带钢精轧目标宽度

H：带钢精轧目标厚度

ΔH：带钢精轧目标厚度压下量

Ks1、Ks2、Ks3、Ks4为模型系数

K：精轧自然宽展的短时预测模型反馈修正衰减系数

DW_Error：精轧已轧制完成带钢的实际自然宽展与模型预测宽展的偏差

由最小二乘回归得到的短时预测模型预测反映了一种小时间范围内精轧带钢宽度变化的趋势，最近几块带钢实际宽度对短时预测模型进行反馈校正可进一步提高模型的预测精度，则该预测模型为：

${\mathrm{DW}}_{\mathrm{short}}\′=K1\·{\mathrm{DW}}_{\mathrm{short}}+K2\·[{\mathrm{DW}}_{\mathrm{Acl}}\left(i\right)+{\mathrm{DW}}_{\mathrm{Acl}}(i-1)+{\mathrm{DW}}_{\mathrm{Acl}}(i-3)]$

式中：

新修正的短时精轧自然宽展计算值

K1、K2为模型系数

DW_Acl(i)、DW_Acl(i-1)、DW_Acl(i-3)：分别为已完成轧制的前三块带钢精轧自然宽度实测值

2，精轧自然宽展长时预测模型

在带钢生产规格相同时，精轧自然宽展计算使用短时预测模型，当生产规格和品种发生变化时，精轧自然宽展计算使用长时预测模型，模型计算公式如下：

DW_long＝KL1·W·H³·ΔH+KL2·W·H²·ΔH+KL3·W·H·ΔH+KL4·H·ΔH

+KL5+Learn(class)

式中：DW_long：长时精轧自然宽展；

W：带钢精轧目标宽度；

H：带钢精轧目标厚度；

ΔH：带钢精轧目标厚度压下量；

KL1、KL2、KL3、KL4、KL5：长时预测模型系数；

Learn(class)：长时预测模型学习系数。

3，精轧自然宽展的最终值确定

前面提到所精轧自然宽展有两套模型，短时预测模型和长时预测模型。两个模型在不同的时候有不同的计算精度。

在热轧生产过程中，当粗轧目标宽度计算时的带钢同已轧完的带钢为同样生产规格(同钢种、同宽度规格、同厚度规格)，精轧自然宽展取为短时预测模型计算值。当粗轧目标宽度计算时的带钢同已轧完的带钢为不同生产规格时，即变规格时精轧自然宽展取为长时预测模型和短时预测模型加权值，计算公式如下：

DW_FM＝α·DW_Long+(1-α)·DW_Short

式中：

DW_FM：精轧自然宽展；

DW_Long：长时预测模型计算精轧自然宽展；

DW_Short：短时预测模型精轧自然宽展；

α：加权因子，0≤α≤1。

4，WAdd附加宽度的计算

在计算粗轧目标宽度时必须增加附加宽度是因为热轧产品带钢不允许出现负公差，精轧自然宽展计算必然有的计算精度问题，另外粗轧控制精度也是一个考虑因素。精轧自然宽展的计算精度和粗轧宽度的控制精度同生产工况、产品规格有很大关系，因此该值取为固定值是不合理的，该值的取值应建立在热轧生产工况的监控基础上。其具体方法如下：

(1)建立粗轧层别表，分别统计不同层别带钢粗轧宽度控制精度，得到粗轧宽度控制统计精度σW_RM；

(2)建立精轧层别表，分别统计不同层别带钢精轧自然宽展的计算精度，得到精轧自然宽展计算统计精度σDW_FM；

(3)取粗轧宽度控制统计精度σW_RM和精轧自然宽展计算统计精度σDW_FM的加权和为附加宽度，即：

W_Add＝k1·σW_RM+k2·σDW_FM

式中：k1、k2为加权系数。

5，粗轧宽度的设定

W_RM＝W_FM+W_Add+DW_FM+W_operation

式中：W_RM为粗轧宽度设定；

W_FM为产品的宽度目标设定值；

DW_FM为带钢的精轧自然宽展计算值；

W_operation操作工修正值。

6，短时预测模型的在线参数拟合

短时预测模型的参数采用线性回归方法在线不断优化调整，计算时采用带遗忘的递推最小二乘法。

将短时预测模型改写为如下形式：

z(k)＝DW_Acl

$h\left(k\right)=\left[\begin{array}{c}W\·H\·\mathrm{\ΔH}\\ H\·\mathrm{\ΔH}\\ 1\\ {\mathrm{DW}}_{\mathrm{Error}}\end{array}\right]$

$\mathrm{\θ}\left(k\right)=\left[\begin{array}{c}\mathrm{Ks}1\\ \mathrm{Ks}2\\ \mathrm{Ks}3\\ \mathrm{Ks}4\end{array}\right]$

则短时预测模型的输入输出关系可以描述成如下的最小二乘格式

z(k)＝h^τ(k)θ+n(k)

最小二乘方法就是利用数据序列{z(k)}和{h(k)}，极小化下列标准函数

$J\left(\mathrm{\θ}\right)=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{[z\left(k\right)-h^{\mathrm{\τ}}\left(k\right)\mathrm{\θ}]}^2$

使J(θ)＝min的θ估计值记作该值为短时预测模型的预测参数，具体表达式如下：

$\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}\left(k\right)=\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}(k-1)+K\left(k\right)[z\left(k\right)-h^{\mathrm{\τ}}\left(k\right)\stackrel{\mathrm{\Λ}}{\mathrm{\θ}}(k-1)]$

K(k)＝P(k-1)h(k)[h^τ(k)P(k-1)h(k)+μ]^-1

$P\left(k\right)=\frac{1}{\mathrm{\μ}}[I-K\left(k\right)h^{\mathrm{\τ}}\left(k\right)]P(k-1)$

0.9≤μ≤1

以上各公式中，

h(k)：模型中的计算变量矩阵

θ：模型各计算变量的参数矩阵

z(k)：实际宽展量

n(k)：测量噪音

模型参数的新估计值

模型参数的老估计值

K(k)：模型各参数的修正增益矩阵

I：单位矩阵

P(k)：最小二乘算法的中间变量矩阵，该矩阵为对称矩阵。

μ：遗忘系数。

递推计算需要事先选择初始状态和P(0)，它们的取值有两种选择方法。一种是根据一批数据，利用一次完成算法，预先求得。另外，模型参数自适应学习时数据的必须处理，特别是异常数据，其主要方法包括：限幅滤波、限速滤波等。

7，长时预测模型的自适应学习

$\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{new}=\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old}+K_1*(\frac{{\mathrm{DW}}_{\mathrm{Acl}}}{{\mathrm{DW}}_{\mathrm{Cal}}}-\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old});$

式中：Learn(class)_new：新的学习系数；

Learn(class)_old：老的学习系数；

DW_Cal：精轧自然宽展长时预测模型计算值；

DW_Acl：精轧自然宽展实际值。

根据上述所描述的方法，下面再举一实际的应用例子来进行说明，

首先对于热轧宽度进行规格分类，建立层别数据表，包括：钢种500个规格，宽度等级5级，其中带钢宽度<900mm，900mm～1200mm，1200mm～1500mm，1500mm～1800mm，钢宽度>1800mm。厚度等级10，分别是<2mm，2mm～2.6mm，2.6mm～3.2mm，3.2mm～4mm，4mm～5mm，5mm～6mm，6mm～7.5mm，7.5mm～9mm，9mm～12mm，>12mm。

根据精轧带钢目标宽度、目标厚度、目标压下量和可测量得到的前块带钢的精轧实际宽展值，建立精轧自然宽展的长时预测模型；长时预测模型参数根据产品的硬度等级分为8级。

长时预测模型参数

 

QKL	KL1	KL2	KL3	KL4	KL5
						1	-2.4809	13.0393	-14.8062	-10.4691	9.8985
2	6.2538	14.2443	-2.4891	-17.0343	6.5689
						3	1.7747	-6.6419	6.9383	-2.9771	0.0566
4	-0.0199	0.6749	-1.6012	-2.3055	3.2181
						5	-0.5249	3.4470	-5.5864	-3.2005	8.4664
6	-0.6867	3.9941	-4.2811	-4.1485	5.1233
						7	-8.6937	24.5324	-16.3957	-8.9514	2.3102
8	-33.5966	104.0209	-74.4281	-36.7494	30.5107

根据精轧带钢目标宽度、目标厚度、目标压下量和可测量得到的前块带钢的精轧实际宽展值，建立精轧自然宽展的短时预测模型；短时预测模型的参数会根据轧制过程的实测值自动优化调整，其初始参数Ks1、Ks2、Ks3、Ks4可以为<1的随机值。另外短时预测模型的反馈校正模型的参数K1＝0.6，K2＝0.4。

另外，对于模型的输入参数进行变换出来，分别为：目标宽度/1000，目标厚度/8。

比较当前准备生产带钢轧制规格同前块带钢的规格是否相同。例：取变量S1ab_Change表示，Slab_Change＝a1+a2+a3；

具体方法为：比较两块带钢质量号，如相同则a1为0，否则为a1＝1；

a2＝abs(当前块带钢的宽度等级—前块带钢的宽度等级)；

a3＝abs(当前块带钢的厚度等级—前块带钢的厚度等级)；

若S1ab_Change>0，生产带钢的规格发生变化；否则带钢生产为同一规格。

根据S1ab_Change的变化情况，确定精轧自然宽展的预测值采用短时预测模型计算值或长时和短时预测模型的计算结合值，取长时和短时预测模型的计算结合值时，其加权因子α＝0.7。对精轧自然宽展的模型值进行限幅处理，预测的精轧自然宽展数值大于7mm时，取为7皿；小于-7mm时取为-7mm。

根据宽度层别数据表，取本规格带钢的宽度实际控制精度和精轧自然宽展模型的计算精度，动态确定本规格宽度附加量的数值。模型参数k1＝0.76，k2＝1.25。

根据精轧自然宽展和宽度附加量，确定当前块带钢的粗轧宽度设定值。

对于已经轧制完成的带钢，读取带钢的精轧实际值，对于短时预测模型进行参数的自适应调节，对于长时预测模型进行自适应学习，并且根据层别表保存模型的自适应参数。

其中短时预测模型采用带遗忘的递推最小二乘法。其中遗忘因子μ＝0.98

长时预测模型自适应学习系数K1＝0.45。

精轧实际值和宽度实际控制精度，建立相应层别的数据精度。

由上述的描述可见，采用本发明的上述方法，不必象以往在粗轧宽度的设定时，往往采用较大的控制余量，粗轧的宽度设定过程也需要人工大量干预，而该方法做到了热轧粗轧宽度的优化设定，提高了粗轧宽度设定精度。

Claims (10)

1、一种粗轧带钢的宽度优化设定方法，

其特征在于，

该方法包括以下步骤：

a)首先对热轧精轧自然宽展相关因素以及热轧带钢进行规格分类，建立层别数据表；

b)根据精轧带钢目标宽度、目标厚度、目标压下量和可测量得到的前块带钢的精轧实际宽展值，建立精轧自然宽展的长时预测模型和短时预测模型；

c)比较当前准备生产带钢轧制规格同前一块已完成生产带钢的规格，确定是否带钢生产的规格发生变化，并确定变化幅度；

d)根据带钢规格的变化情况，确定精轧自然宽展的预测采用短时预测模型计算值，或者采用长时和短时预测模型的计算结合值，并对精轧自然宽展的模型值进行限幅处理；

e)根据精轧自然宽展层别数据表，读取当前规格带钢的宽度实际控制统计精度和精轧自然宽展模型的计算统计精度，动态确定当前带钢的宽度附加余量；

f)根据精轧自然宽展和宽度附加余量，确定当前带钢的粗轧宽度设定值；

g)对于已经轧制完成的带钢，读取带钢的精轧实际值，对于短时预测模型进行参数的自适应调节，对于长时预测模型进行自适应学习，并且根据层别数据表保存短时预测模型和长时预测模型的自适应参数；

h)分别对精轧自然宽展模型预测精度和产品的宽度控制精度按产品规格进行分类统计并保存。

2、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的步骤a)中，对于热轧精轧自然宽展相关因素以及热轧带钢进行规格分类，建立层别数据表，层别为产品规格×宽度等级×厚度等级。

3、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于，

所述的步骤b)建立精轧自然宽展模型中，长时预测模型和短时预测模型分别对于带钢的规格变化和不变化两种情况。

4、如权利要求3所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述长时预测模型采用如下表达式，

DW_long＝KL1·W·H³·ΔH+KL2·W·H²·ΔH+KL3·W·H·ΔH+KL4·H·ΔH

+KL5+Learn(class)

式中，DW_long为长时精轧自然宽展

W为带钢精轧目标宽度

H为带钢精轧目标厚度

ΔH为带钢精轧目标厚度压下量

KL1、KL2、KL3、KL4、KL5均为长时预测模型系数

Learn(class)为长时预测模型学习系数。

5、如权利要求3所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的精轧自然宽展短时预测模型采用基本模型加校正模型的计算方式，其中短时基本模型表达式为：

DW_short＝Ks1·W·H·ΔH+Ks2·H·ΔH+Ks3+K·Ks4·DW_Error

DW_short＝K1·DW_short+K2·[DW_Acl(i)+DW_Acl(i-1)+DW_Acl(i-3)]

式中，

DW_short：短时精轧自然宽展

短时精轧自然宽展校正值

W：带钢精轧目标宽度

H：带钢精轧目标厚度

ΔH：带钢精轧目标厚度压下量

Ks1、Ks2、Ks3、Ks4为模型系数

K：精轧自然宽展的短时预测模型反馈修正衰减系数

DW_Error：精轧已轧制完成带钢的实际自然宽展与模型预测宽展的偏差

式中：K1、K2为短时预测模型的实时反馈校正系数

DW_Acl(i)、DW_Acl(i-1)、DW_Acl(i-3)：分别为已完成轧制的前三块带钢精轧自然宽度实测值。

6、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的步骤d)中，在轧制产品规格发生变化的情况下，精轧自然宽展采用短时预测模型和长时预测模型的综合值，其表达式如下：

${\mathrm{DW}}_{\mathrm{FM}}=\mathrm{\&alpha;}\&CenterDot;{\mathrm{DW}}_{\mathrm{Long}}+(1-\mathrm{\&alpha;})\&CenterDot;{\mathrm{DW}}_{\mathrm{Short}}^{\&prime;}$

式中，

DW_FM：精轧自然宽展

DW_Long：长时预测模型计算精轧自然宽展

短时精轧自然宽展校正值

α：加权因子，0≤α≤1。

7、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的步骤e)中，所述的当前带钢的宽度附加余量是由计算获得的变量，而不是固定值。

8、如权利要求7所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的宽度附加余量的计算表达式为，

W_Add＝k1·σW_RM+k2·σDW_FM

式中，k1、k2为加权系数

σW_RM为粗轧宽度控制统计精度

σDW_FM为精轧自然宽展计算统计精度。

9、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于：

所述的步骤f)中，粗轧带钢宽度的设定值计算表达式为，

W_RM＝W_FM+W_Add+DW_FM+W_operation

式中，W_RM为粗轧宽度设定

W_FM为产品的宽度目标设定值

DW_FM为带钢的精轧自然宽展计算值

W_operation为操作工修正值

W_Add为宽度附加余量。

10、如权利要求1所述的粗轧带钢的宽度优化设定方法，

其特征在于：

长时预测模型的自适应学习采用如下表达式，

$\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{new}=\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old}+K_1*(\frac{{\mathrm{DW}}_{\mathrm{Acl}}}{{\mathrm{DW}}_{\mathrm{Cal}}}-\mathrm{Learn}\left(\mathrm{class}\right)\_\mathrm{old})$

式中，Learn(class)_new：新的学习系数

Learn(class)_old：老的学习系数

DW_Cal：精轧自然宽展长时预测模型计算值

DW_Acl：精轧自然宽展实际值

K₁：长时预测模型自适应学习校正系数。

Images