CN101075124A - 一种斯太尔摩风冷线模糊控制系统和方法 - Google Patents

Abstract

本发明公开了一种利用神经网络的原理，能够自动根据环境温度变化，优化斯太尔摩风冷线冷却控制工艺的模糊控制模型系统和方法。它是在常规比例－积分－微分调节的基础上，通过对横向温度变化曲线随环境温度变化而变化的特性进行归纳总结，运用数据挖掘技术实现斯太尔摩风冷线连续冷却控制中的横向调节控制。当周围环境温度发生变化时，模糊控制模型会根据当前环境温度和线材的起点温度计算出各个冷却风机的开度范围，并在实际运行中针对标准温控曲线进行比对，并将此比对差值计算到下一个批次的调节中，用以修正模型内部的参数，使得实际曲线和标准曲线的拟合度接近为1，从而能够提高产品的成材率，大大提升线材硬线产品的质量水平和稳定性。

Description

一种斯太尔摩风冷线模糊控制系统和方法

技术领域

本发明涉及钢铁工业生产控制技术领域，特别是涉及一种在高速线材斯太尔摩(Stelmor)风冷线工艺中的模糊控制系统和方法，是一种应用于高速线材车间的神经网络控制应用系统。

背景技术

钢铁工业的高速线材车间主要采用辊式延迟型斯太尔摩(Stelmor)控冷线，利用自然风对高速线材进行降温，通过采用不同的冷却温度来控制成品的组织性能。而作为预应力钢丝、钢铰线原料的大规格高碳钢线材，要求钢材有严格的组织分布，工艺上主要通过选定合理的吐丝温度及在其后的斯太尔摩冷却工艺曲线实现。

一般地，高速线材在吐丝机后在输送辊道上叠放，并以一定的工艺速度向集卷工序移动，在此期间，通过下方的自然风冷进行降温，并由此形成符合工艺参数的降温曲线。

斯太尔摩(Stelmor)风冷线采用自然风量调节来控制轧件温度，但由于受到工艺限制，无法形成实时闭环控制，虽然可以检测到轧件温度，但常规的比例-积分-微分(Proportional-Integral-Derivative，PID)控制方法无法正确修订参数，无法达到正确的冷却效果。

同时，在钢帘线与镀锌钢丝等高附加值和高强度重要产品生产过程中，由于斯太尔摩风冷线未能实现根据扎制工艺要求和当前的环境温度，而相应调整风量，导致产品性能受到环境温度的影响而出现较大的波动。例如高附加值盘条，其中主要用于预应力钢丝绳、钢绞线的高附加值盘条，这些盘条对强度指标要求很高，尤其强调强度的稳定性。但是在捻股的过程中，却时有断丝发生，而且钢丝的强度波动较大，影响使用。同时，对于钢帘线与镀锌钢丝等高附加值和高强度重要产品而言，如果产品的强度随季节温度变化有较大波动，则对于后道工序的使用会造成非常不利的影响，另一方面这些产品需要强制冷却，受冷却介质温度的影响很大，造成实际控制水平随季节具有较大的波动。

斯太尔摩风冷线未能实现根据扎制工艺要求和当前的环境温度，而相应调整风量，导致产品性能受到环境温度的影响而出现较大的波动。这一矛盾和缺陷正随着钢帘线与镀锌钢丝等高附加值和高强度重要产品的比例上升而越发突出。

因此，如何在斯太尔摩风冷线上根据周围环境的变化，提供更为精确的冷却方法，提高产品的质量，是斯太尔摩风冷线上迫切需要解决的问题。

发明内容

本发明的目的在于提供一种斯太尔摩(Stelmor)风冷线的模糊控制系统和方法。其能够提高产品的成材率，大大提升线材硬线产品的质量水平和稳定性。

为实现本发明目的而提供的一种斯太尔摩风冷线的模糊控制系统，包括神经网络分析单元、系统数据库和多个温度传感器；

所述温度传感器被安装于斯太尔摩风冷线的各个测量点上采集温度；

同时将工厂L2级网络中的相关数据输入所述系统数据库中；

温度传感器根据不同的钢种进行数据分类，针对每一个钢种将其产品质量最高的斯太尔摩风冷温度冷却曲线提取出来，作为标准的温度控制曲线，输入到神经网络分析单元，控制斯太尔摩风冷线的冷却风量。

所述的斯太尔摩风冷线的模糊控制系统，还包括现场总线或者模拟量信号采集卡；

所述采集温度是通过所述现场总线或者模拟量信号采集卡，采集到神经网络分析单元中。

所述温度传感器为具有温度数据采集、通讯端口和计算功能的信号处理单元。

所述工厂L2级网络中的相关数据包括钢种号，吐丝温度，辊道速度，风机开度，产品质量等数据中一种或者一种以上的组合。

所述的斯太尔摩风冷线的模糊控制系统，还包括数据库接口；

所述工厂L2级网络中的相关数据通过数据库接口输入神经网络分析单元中。

为实现本发明目的而提供的一种斯太尔摩风冷线的模糊控制方法，包括下列步骤：

步骤A，数据采集与传输；

步骤B，数据存储与处理；

步骤C，数据分析和模糊控制。

所述步骤A包括下列步骤：

步骤A1，采集L1级系统的环境温度、斯太尔摩各个测量点的温度的数据；

步骤A2，采集L2级系统的吐丝温度、化学成分数据、力学性能数据、物料跟踪信息数据，以及斯太尔摩冷却规程的数据。

所述斯太尔摩冷却规程的数据包括轧制速度、辊道速度、风机风量等数据；所述力学性能数据包括抗拉强度、面缩率、延伸率等数据；所述物料跟踪信息数据包括物料的日期、钢种、轧批号、规格、卷号、班别、班次等数据。

所述步骤B包括下列步骤：

步骤B1，生成数据表单，形成数据库；

步骤B2，根据数据统计分析和图形显示的结果，进行斯太尔摩冷却过程的新建、编辑和存储。

所述数据表单包括物料跟踪信息、原料化学成分、终轧速度、吐丝温度、斯太尔摩各段温度、环境温湿度、斯太尔摩各段辊道速度、力学性能等内容。

所述步骤C包括下列步骤：

步骤C1，通过对物料信息数据库中的数据进行数据挖掘，产生数据的相关性，生成神经网络模型的模糊控制算法；

步骤C2，将神经网络模型的模糊控制算法安装到神经网络分析单元中运行，检测其运行结果，根据运行结果修正模糊控制算法，使其达到最佳的控制精度。

所述物料信息数据库中的数据，包括环境温度、吐丝温度、斯太尔摩各段温度、斯太尔摩各段辊道速度，产品质量，以及斯太尔摩各段风机风量等等。

本发明的有益效果是：本发明的斯太尔摩风冷线的模糊控制系统和方法，其在生产所在地环境温度发生改变时，根据具体的环境温度和工艺参数要求，计算出当前需要的风机冷却温度，从而提高产品的成材率。其从根本上解决硬线钢目前存在的较为突出的受环境温度影响而强度波动较大的不利局面。同时，其可以根据盘条本身的温度，自动调节与当时环境温度相适应的风机风量，进而通过在不同的季节，保持盘条本身温度的稳定性来确保其强度的稳定。

附图说明

图1为本发明斯太尔摩风冷线模糊控制系统结构示意图；

图2为斯太尔摩风冷线的测量点1～7示意图；

图3为斯太尔摩风冷线的测量点8～24示意图；

图4为本发明的斯太尔摩风冷线的模糊控制方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的一种斯太尔摩(Stelmor)风冷线的模糊控制系统和方法进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的是一种利用神经网络的原理，能够自动根据环境温度变化，适应冷却控制工艺要求的斯太尔摩(Stelmor)风冷线的模糊控制系统和方法。它是在现有的比例-积分-微分(PID)控制方法调节的基础上，通过对横向温度变化曲线随环境温度变化而变化的特性进行归纳总结，运用数据挖掘技术利用现有的神经网络分析单元，实现斯太尔摩风冷线连续冷却控制中的横向调节控制。当周围环境温度发生变化时，根据当前环境温度和线材的起点温度计算出各个冷却风机的开度范围，并在实际运行中针对标准温控曲线进行比对，并将此比对差值计算到下一个批次的调节中，用以修正冷却参数，使得实际曲线和标准曲线的拟合度接近为1。

所述的斯太尔摩风冷线模糊控制系统，是对冶金工业中高速线材的斯太尔摩风冷线而言，可以加装线材温度传感器和环境温度传感器，随时对线材温度冷却过程进行调整。

所述的斯太尔摩风冷线的模糊控制系统，对所有的温度信号进行数据采集，运用数据挖掘技术对其归纳总结，传输给相应的神经网络控制系统，而后输出各个风机的设定开度，从而控制线材产品在斯太尔摩风冷线上的温降曲线，达到控制产品质量的目的。

数据挖掘技术是指采用数理统计的方法，对现实中的物理数据进行整理，归纳和总结，利用数学方法设计出数据之间的相关性，其是本领域的公知常识，因此，在本发明中不再一一详细描述。

所述的斯太尔摩风冷线的模糊控制系统，是反应环境温度变化时，达到线材标准温度变化曲线所需要的掺冷风机开度大小。

所述的斯太尔摩风冷线的模糊控制系统是通过神经网络模型计算出的掺冷风机开度运用于实际运行，其所控制的线材冷却温度所产生的偏差可以反馈给神经网络分析单元，使其修正内部参数，达到提高温控曲线拟合度的目的。

在图1中，所述的斯太尔摩风冷线的模糊控制系统包括神经网络分析单元11，数据库接口12，信号采集卡13，以及多个温度传感器14。

所述温度传感器14被安装于斯太尔摩风冷线的各个测量点(1-7，24)上，如图2和图3所示，并通过现场总线或模拟量信号采集卡13，采集温度数据到神经网络分析单元11中；同时将工厂L2级网络中的相关数据通过数据库接口12输入神经网络分析单元11，温度传感器14根据不同的钢种进行数据分类，针对每一个钢种将其产品质量最高的斯太尔摩风冷温度控制曲线(1-7)提取出来，作为标准的温度控制曲线，输入到神经网络分析单元11，控制斯太尔摩风冷线的冷却风量。

温度传感器14为具有温度数据采集、通讯端口和计算功能的信号处理单元，其是具有中央处理器(CPU)的可编程的单片机或者数字信号处理器(DSP)。

工厂L2级网络中的相关数据包括钢种号，吐丝温度，辊道速度，风机开度(9-23)，产品质量等数据。

在公司管理网络系统中，公司管理网络被划分为四个级别，分别是L1、L2、L3和L4。其中L1代表工厂各种自动控制系统以及自身的监控网络，L2代表工厂生产调度网络，L3代表工厂管理网络，L4代表公司管理调度网络。

所述的数据库接口12应当能够满足神经网络应用软件要求，如ODBC(Open Database Conectivity，开放数据库互连)或OLEDB接口，以使数据能够被神经网络应用软件顺利采集到；

ODBC(OpenDatabaseConnectivity，开放数据库互连)是微软公司开放服务结构(WOSA，WindowsOpenServicesArchitecture)中有关数据库的一个组成部分，它建立了一组规范，并提供了一组对数据库访问的标准API(应用程序编程接口)。

OLE DB(OLEDB)是微软公司(Microsoft)开发的战略性的通向不同的数据源的低级应用程序接口。

在图2、3中，将斯太尔摩风冷温度控制曲线(1-7)和环境温度(24)作为神经网络模糊算法的输入量，将单点的风机开度(9-23)作为输出，进行学习，形成神经网络分析单元11中的神经网络的模糊控制算法并将其投入实际运用，检验其误差精度，并根据误差和其新增加的数据样本修正神经网络分析单元11中的模糊控制算法。这样当线材产品投入实际生产时，模糊控制系统会根据当前的环境温度，以及所要生产产品的工艺参数，设定各个风机的开度，从而控制线材产品在斯太尔摩风冷线上的温降曲线，达到控制产品质量的目的。

所述误差一般在5％以下。

所述数据样本是指斯太尔摩风冷温度控制曲线(1-7)、环境温度(24)和风机开度(9-23)；

所述修正是指根据老样本得到的网络模型符合老样本的相关性，但新样本中可能包含老样本中没有的数据，因此需要将新的数据加入老样本中整体重新学习。

神经网络的模糊控制算法，也叫人工智能神经网络(Artificial NeuralNetwork，简称ANN)算法，是一门高度综合的交叉学科，它的研究和发展涉及神经及神经生物学、数理科学、信息科学和计算机科学等众多学科领域。它是一种模拟脑神经对外部环境进行学习过程建立起来的人工智能模式识别方法，具有自适应学习的功能和处理复杂非线形特点，这是一种现有技术，因此，在本发明实施例中，不再一一详细描述。

如图4所示，下面详细说明本发明的斯太尔摩风冷线的模糊控制方法过程，包括下列步骤：

步骤S100，数据采集与传输；

具体包括如下步骤：

步骤S110，采集L1级系统的环境温度、斯太尔摩(STELMOR)各个测量点的温度的数据。

所述斯太尔摩冷却规程的数据包括轧制速度、辊道速度、风机风量等数据；

步骤S120，采集L2级系统的吐丝温度、化学成分数据、力学性能数据和物料跟踪信息数据，以及斯太尔摩(STELMOR)冷却规程的数据。

所述力学性能数据包括但不限于抗拉强度、面缩率、延伸率等数据；

所述物料跟踪信息数据包括但不限于物料的日期、钢种、轧批号、规格、卷号、班别、班次等数据。

步骤S200，数据存储与处理；

具体包括如下步骤：

步骤S210，生成包括物料跟踪信息、原料化学成分、终轧速度、吐丝温度、斯太尔摩(STELMOR)各段温度、环境温湿度、斯太尔摩(STELMOR)各段辊道速度、力学性能等相关内容的数据表单，形成数据库，按所需字段进行查询、分类和打印。

所述数据表单见表1。

表1  数据表单表

规格	钢种	C(％)	Mn(％)	Cr(％)	吐丝温度	STELMOR第1段温度
							5.5	GK4272V4	7127	47	2	901	880
5.5	GK4272V4	7127	47	2	911	860
							5.5	GK4272V4	7127	47	2	879	940
5.5	GK4272V4	7127	47	2	882	860
							5.5	GK4272V4	7127	47	2	880	840
5.5	GK4272V4	7127	47	2	879	840

所述物料跟踪信息，包括但不限于物料的日期、规格、钢种、轧批号、炉号、卷号、班别、班次等等。

所述力学性能，包括抗拉强度、面缩率、延伸率等

其次，对数据进行统计分析和图形显示

所述统计分析包括但不限于统计计算数据的最大值、最小值、均值、方差、标准差、计数、排序、分类等等；

所述图形显示包括但不限于根据数据统计结果生成直方图、散点图、饼图、曲线图、回归分析图等等。

步骤S220，根据数据统计分析和图形显示的结果，进行斯太尔摩(STELMOR)冷却过程的新建、编辑和存储。

步骤S300，数据分析和模糊控制。

步骤S310，通过对物料信息数据库中的数据进行数据挖掘，产生数据的相关性，生成神经网络的模糊控制算法；

所述物料信息数据库中的数据，包括但不限于环境温度、吐丝温度、斯太尔摩(STELMOR)各段温度、斯太尔摩(STELMOR)各段辊道速度，产品质量，以及斯太尔摩(STELMOR)各段风机风量等等。

如图5所示，本发明的神经网络的模糊控制算法是一种人工智能模式识别方法，具有自适应学习的功能和处理复杂非线性特点。能够用来研究生产工艺参数与产品性能质量的关系，进行产品性能预报和生产工艺优化。神经网络的模糊控制算法通常采用向后传播算法(Back Propagation，BP)算法或梯度下降算法实现。

首先，对应用实际领域问题的特征进行分析，其主要任务是对实际应用问题及求解对象做深入分析研究，透过个性抓住共性，抓住问题的本质特征。

其次，根据实际领域问题所属的典型格式，对各类能使用的网络模型进行网络系统分析，从中选择合适的网络模型，将实际问题转化为网络所能表达的形式，赋予神经网络实际的物理意义。

最后，选择网络参数和初值，选择模糊神经网络的学习训练算法，如BP算法或梯度下降算法实现。

步骤S320，将神经网络模型的模糊控制算法安装到神经网络分析单元11中运行，检测其运行结果，根据运行结果修正模糊控制算法，使其达到最佳的控制精度。

所述修正是根据老样本得到的网络模型是符合老样本的相关性，但新样本中可能包含老样本中没有的数据，因此需要将新的数据加入老样本中整体重新学习。

本发明的斯太尔摩风冷线的模糊控制系统和方法，其在生产所在地环境温度发生改变时，根据具体的环境温度和工艺参数要求，计算出当前需要的风机冷却温度，从而提高产品的成材率。其从根本上解决硬线钢目前存在的较为突出的受环境温度影响而强度波动较大的不利局面。同时，其可以根据盘条本身的温度，自动调节与当时环境温度相适应的风机风量，进而通过在不同的季节，保持盘条本身温度的稳定性来确保其强度的稳定。

通过结合附图对本发明具体实施例的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。

以上对本发明的具体实施例进行了描述和说明，这些实施例应被认为其只是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。

Claims (12)

1、一种斯太尔摩风冷线的模糊控制系统，其特征在于，包括神经网络分析单元、系统数据库和多个温度传感器；

所述温度传感器被安装于斯太尔摩风冷线的各个测量点上采集温度；

同时将工厂L2级网络中的相关数据输入所述系统数据库中；

温度传感器根据不同的钢种进行数据分类，针对每一个钢种将其产品质量最高的斯太尔摩风冷温度冷却曲线提取出来，作为标准的温度控制曲线，输入到神经网络分析单元，控制斯太尔摩风冷线的冷却风量。

2、根据权利要求1所述的斯太尔摩风冷线的模糊控制系统，其特征在于，还包括现场总线或者模拟量信号采集卡；

所述采集温度是通过所述现场总线或者模拟量信号采集卡，采集到神经网络分析单元中。

3、根据权利要求1所述的斯太尔摩风冷线的模糊控制系统，其特征在于，所述温度传感器为具有温度数据采集、通讯端口和计算功能的信号处理单元。

4、根据权利要求1所述的斯太尔摩风冷线的模糊控制系统，其特征在于，所述工厂L2级网络中的相关数据包括钢种号，吐丝温度，辊道速度，风机开度，产品质量等数据中一种或者一种以上的组合。

5、根据权利要求4所述的斯太尔摩风冷线的模糊控制系统，其特征在于，还包括数据库接口；

所述工厂L2级网络中的相关数据通过数据库接口输入神经网络分析单元中。

6、一种斯太尔摩风冷线的模糊控制方法，其特征在于，包括下列步骤：

步骤A，数据采集与传输；

步骤B，数据存储与处理；

步骤C，数据分析和模糊控制。

7、根据权利要求6所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述步骤A包括下列步骤：

步骤A1，采集L1级系统的环境温度、斯太尔摩各个测量点的温度的数据；

步骤A2，采集L2级系统的吐丝温度、化学成分数据、力学性能数据和物料跟踪信息数据，以及斯太尔摩冷却规程的数据。

8、根据权利要求7所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述斯太尔摩冷却规程的数据包括轧制速度、辊道速度、风机风量等数据；所述力学性能数据包括抗拉强度、面缩率、延伸率等数据；所述物料跟踪信息数据包括物料的日期、钢种、轧批号、规格、卷号、班别、班次等数据。

9、根据权利要求7所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述步骤B包括下列步骤：

步骤B1，生成数据表单，形成数据库；

步骤B2，根据数据统计分析和图形显示的结果，进行斯太尔摩冷却过程的新建、编辑和存储。

10、根据权利要求9所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述数据表单包括物料跟踪信息、原料化学成分、终轧速度、吐丝温度、斯太尔摩各段温度、环境温湿度、斯太尔摩各段辊道速度、力学性能等内容。

11、根据权利要求9所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述步骤C包括下列步骤：

步骤C1，通过对物料信息数据库中的数据进行数据挖掘，产生数据的相关性，生成神经网络模型的模糊控制算法；

步骤C2，将神经网络模型的模糊控制算法安装到神经网络分析单元中运行，检测其运行结果，根据运行结果修正模糊控制算法，使其达到最佳的控制精度。

12、根据权利要求11所述的斯太尔摩风冷线的模糊控制方法，其特征在于，所述物料信息数据库中的数据，包括环境温度、吐丝温度、斯太尔摩各段温度、斯太尔摩各段辊道速度，产品质量，以及斯太尔摩各段风机风量等等。

Images