CN102029293A - 一种多电机负荷优化的冷连轧控制方法 - Google Patents

一种多电机负荷优化的冷连轧控制方法 Download PDF

Info

Publication number
CN102029293A
CN102029293A CN 201010512569 CN201010512569A CN102029293A CN 102029293 A CN102029293 A CN 102029293A CN 201010512569 CN201010512569 CN 201010512569 CN 201010512569 A CN201010512569 A CN 201010512569A CN 102029293 A CN102029293 A CN 102029293A
Authority
CN
China
Prior art keywords
frame
particle
machine frame
iteration
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN 201010512569
Other languages
English (en)
Other versions
CN102029293B (zh
Inventor
南余荣
林森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN 201010512569 priority Critical patent/CN102029293B/zh
Publication of CN102029293A publication Critical patent/CN102029293A/zh
Application granted granted Critical
Publication of CN102029293B publication Critical patent/CN102029293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Multiple Motors (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

一种多电机负荷优化的冷连轧控制方法，包括以下步骤：1)分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；2)根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数；3)采用量子粒子群算法；4)依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；5)检查迭代结束条件，若满足则结束迭代,否则返回步骤3)继续迭代；6)根据得到的最终全局最优解，确定各机架的最终出口厚度，根据轧制力模型计算轧制力。本发明能减少计算量、精度较高、负荷优化。

Description

一种多电机负荷优化的冷连轧控制方法 
技术领域
本发明涉及冷连轧控制系统技术领域，尤其是一种多电机负荷的冷连轧控制方法。 
背景技术
冷连轧机轧制的实质内容是带钢的总厚度变形率在连轧机内的合理分配，即一至五机架的厚度相对压下来的分配。其目的是在轧制力、轧制功率、轧制速度等参数满足一定约束条件的情况下，使轧制过程处于最佳状态，实现节能轧制，并充分发挥轧机的生产能，保证产品质量。近年来，一种新的名为粒子群算法（PSO）的迭代算法被运用于轧制优化，其概念简单、容易实现、参数较少、收敛速度较快，能够取得较为理想的结果。但是经典PSO算法存在一些的缺点，如极易陷入局部最小值，并不能找到全局最优解。 
发明内容
为了克服已有冷连轧控制系统的计算量较大、精度较低、负荷优化效果差的不足，本发明提供一种减少计算量、精度较高、负荷优化的多电机负荷优化的冷连轧控制方法。 
本发明解决其技术问题所采用的技术方案是： 
一种多电机负荷优化的冷连轧控制方法，所述冷连轧控制方法包括以下步骤：
1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；
2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：
Figure DEST_PATH_IMAGE001
                            （1）
式中，F为目标函数值，
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；
3）、采用量子粒子群算法，迭代方程如下
Figure DEST_PATH_IMAGE004
            (2)
Figure DEST_PATH_IMAGE005
                 (3)
                (4)
式中，
Figure DEST_PATH_IMAGE007
为第i组粒子的第d维参数（每一维对应一个机架）；t是迭代次数，a和b是两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，
Figure DEST_PATH_IMAGE008
是一个在
Figure DEST_PATH_IMAGE009
之间得到的随机数；
Figure DEST_PATH_IMAGE010
称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于
Figure DEST_PATH_IMAGE011
随机数，X为粒子更新后的位置；
4）、依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；
5）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代。反之则返回步骤3）继续迭代。
6）、根据得到的全局最优解，确定各机架的最终出口厚度，根据轧制力模型计算轧制力。 
本发明的技术构思为：本发明运用量子粒子群算法，按各机架主电机的相对负荷来制定轧制规程，使电机容量大的在轧制过程中多消耗一些功率，容量小的少消耗点功率，从而能更好地发挥设备能力。当公式（1）中的目标函数F最小时，各机架的轧制负荷余量的平方和达到最小，此时各机架的相对负荷余量近似相等，从而更好的发挥设备能力，提高生产能力。 
粒子群算法是一种全局化进化算法，首先随机初始化一群随机粒子，然后通过迭代找到最优解，即使的适应度函数最小的解。经典粒子群算法在每一代的迭代中，粒子通过跟踪2个极值来更新自己。1个是粒子本身所找到的最优解，即个体极值pbest。另一个是整个种群目前找到的最优值，称之为全局极值gbest，粒子在找到上述2个极值之后，就根据下面2个公式来更新自己的速度与位置： 
Figure DEST_PATH_IMAGE012
   (2)
Figure DEST_PATH_IMAGE013
                              (3)
式中rand()为(0,1)之间的随机数；c1和c2为学习因子；w为加权系数[4,5]。
在量子空间中，认为粒子的速度和位置是不能同时确定的，因此QPSO跟传统PSO的不同之处在于粒子的精确位置x和当前速度v是不能确定的，粒子可能会出现在可行域的任何位置。为了搜索到粒子的全局最优解，粒子按照方程（4）~（6）更新自己的位置 
本发明的有益效果主要表现在：减少计算量、精度较高、负荷优化。
附图说明
图1是多电机负荷优化的冷连轧控制方法的流程图。 
图2是量子粒子群算法的流程图。 
具体实施方式
下面结合附图对本发明作进一步描述。 
参照图1和图2，一种多电机负荷优化的冷连轧控制方法，所述冷连轧控制方法包括以下步骤： 
1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；
2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：
                            （1）
式中，F为目标函数值，
Figure 776770DEST_PATH_IMAGE002
，
Figure 793267DEST_PATH_IMAGE003
为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；
3）、采用量子粒子群算法，迭代方程如下
Figure 478196DEST_PATH_IMAGE004
            (2)
Figure 921946DEST_PATH_IMAGE005
                 (3)
Figure 325115DEST_PATH_IMAGE006
                (4)
式中，
Figure 145303DEST_PATH_IMAGE007
为第i组粒子的第d维参数（每一维对应一个机架）；t是迭代次数，a和b是两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，
Figure 684738DEST_PATH_IMAGE008
是一个在
Figure 564969DEST_PATH_IMAGE009
之间得到的随机数；
Figure 189854DEST_PATH_IMAGE010
称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于随机数，X为粒子更新后的位置；
4）、依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；
5）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代。反之则返回步骤3）继续迭代。
6）、根据得到的全局最优解，确定各机架的最终出口厚度，根据轧制力模型计算轧制力。 
本实施例中，冷连轧控制中的数学模型：冷连轧机的轧制力模型采用如下公式计算： 
Figure DEST_PATH_IMAGE014
（7）
式中，f是轧制压力，D是工作辊直径，E是轧辊弹性模量，H是各机架入口厚度，
Figure DEST_PATH_IMAGE015
是变形率，d为平均变形抗力，u是摩擦系数。
压扁半径计算公式为： 
Figure DEST_PATH_IMAGE016
                        （8）
式中，R为轧辊半径，B为轧件宽度，
Figure DEST_PATH_IMAGE017
为绝对压下量。
    接触弧长的计算公式为： 
                                   （9）
 轧制力矩主要由以下三部分组成：
Figure DEST_PATH_IMAGE019
                          （10）
其中M1为使轧件产生塑性变形力矩，M2为摩擦力矩，M3为电机空载力矩。
    轧制电机功率为： 
Figure DEST_PATH_IMAGE020
                                 （11）
式中：
Figure DEST_PATH_IMAGE021
为第i机架电机的角速度。
以某五机架冷连轧机为例，进行规程优化：钢种为CQ钢，轧件宽度800mm，来料厚度4.8mm，成品厚度1.2mm，终轧速度781.4rpm。表1为该机组的主要参数。 
Figure DEST_PATH_IMAGE022
表   1 
此处，量子粒子群算法中设定种群规模NC=30，最大迭代次数G=100，迭代过程中，记录每次迭代适应度函数最小值，结果见图2。
由图2可以看出，QPSO算法速度非常快，精度高，10次迭代就已经收敛到足够的精度。表2 负荷分配优化前后的比较： 
Figure DEST_PATH_IMAGE023
表  2
对比表2的结果表明，不仅优化后机架的电机负荷系数更接近，能充分发挥电机能力。而且总功率消耗也从原来的15470kw降到15080kw。

Claims (2)

1.一种多电机负荷优化的冷连轧控制方法，其特征在于：所述冷连轧控制方法包括以下步骤：
1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；
2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：
Figure 519224DEST_PATH_IMAGE001
                            （1）
式中，F为目标函数值，
Figure 930483DEST_PATH_IMAGE002
，
Figure 929663DEST_PATH_IMAGE003
为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；
3）、采用量子粒子群算法，迭代方程如下
Figure 400964DEST_PATH_IMAGE004
            (2)
Figure 938125DEST_PATH_IMAGE005
                 (3)
Figure 903807DEST_PATH_IMAGE006
                (4)
式中，为第i组粒子的第d维参数，每一维对应一个机架；t是迭代次数，a和b是两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，
Figure 592506DEST_PATH_IMAGE008
是一个在
Figure 430012DEST_PATH_IMAGE009
之间得到的随机数；
Figure 183074DEST_PATH_IMAGE010
称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于
Figure 422425DEST_PATH_IMAGE011
的随机数，X为粒子更新后的位置；
 4）、依照更新后的位置，得到更新后的机架出口厚度，依照公式（1）计算得到更新后的目标函数值；对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值；对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；
5）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代；反之返回到步骤3）继续迭代。
6）、根据得到的全局最优解，确定各机架的最终出口厚度，再根据轧制力模型计算轧制力。
2.如权利要求1所述的多电机负荷优化的冷连轧控制方法，其特征在于：所述步骤6）中，所述轧制力模型采用如下公式计算：
Figure 907633DEST_PATH_IMAGE012
（7）
式中，f是轧制压力，D是工作辊直径，E是轧辊弹性模量，H是各机架入口厚度，
Figure 481703DEST_PATH_IMAGE013
是变形率，d为平均变形抗力，u是摩擦系数；
压扁半径计算公式为：
                        （8）
式中，R为轧辊半径，B为轧件宽度，
Figure 866733DEST_PATH_IMAGE015
为绝对压下量。
    接触弧长的计算公式为：
Figure 788422DEST_PATH_IMAGE016
                                   （9）
 轧制力矩主要由以下三部分组成：
                          （10）
其中M1为使轧件产生塑性变形力矩，M2为摩擦力矩，M3为电机空载力矩。
CN 201010512569 2010-10-20 2010-10-20 多电机负荷优化的冷连轧控制方法 Active CN102029293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010512569 CN102029293B (zh) 2010-10-20 2010-10-20 多电机负荷优化的冷连轧控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010512569 CN102029293B (zh) 2010-10-20 2010-10-20 多电机负荷优化的冷连轧控制方法

Publications (2)

Publication Number Publication Date
CN102029293A true CN102029293A (zh) 2011-04-27
CN102029293B CN102029293B (zh) 2012-12-19

Family

ID=43883058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010512569 Active CN102029293B (zh) 2010-10-20 2010-10-20 多电机负荷优化的冷连轧控制方法

Country Status (1)

Country Link
CN (1) CN102029293B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102266865A (zh) * 2011-05-30 2011-12-07 山东大学 热冷轧负荷分配方法
CN104646431A (zh) * 2015-03-05 2015-05-27 北京科技大学 一种消除双机架铝冷连轧机组负荷漂移的控制方法
CN105281615A (zh) * 2015-11-12 2016-01-27 广西师范大学 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法
CN106903173A (zh) * 2017-02-24 2017-06-30 北京科技大学 一种基于综合等负荷函数的轧制规程优化方法
CN107214195A (zh) * 2017-05-26 2017-09-29 中冶南方工程技术有限公司 一种二十辊冷轧机摩擦力矩的获取方法
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1243047A (zh) * 1999-08-27 2000-02-02 冶金工业部钢铁研究总院 基于板形板厚协调规律的板带轧制过程互联控制方法
JP2008126305A (ja) * 2006-11-24 2008-06-05 Nippon Steel Corp 冷間タンデム圧延における板厚制御方法
JP2008307597A (ja) * 2007-06-18 2008-12-25 Kobe Steel Ltd タンデム圧延機の制御方法及びタンデム圧延機
CN101337237A (zh) * 2008-08-14 2009-01-07 苏州有色金属研究院有限公司 单机架双卷取铝热轧机厚度自动分配方法
CN101612633A (zh) * 2008-06-24 2009-12-30 宝山钢铁股份有限公司 冷连轧过程中间厚度在线设定方法
JP2010214453A (ja) * 2009-03-18 2010-09-30 Kobe Steel Ltd 冷間圧延工程でのチューニング率の決定方法と冷間圧延方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1243047A (zh) * 1999-08-27 2000-02-02 冶金工业部钢铁研究总院 基于板形板厚协调规律的板带轧制过程互联控制方法
JP2008126305A (ja) * 2006-11-24 2008-06-05 Nippon Steel Corp 冷間タンデム圧延における板厚制御方法
JP2008307597A (ja) * 2007-06-18 2008-12-25 Kobe Steel Ltd タンデム圧延機の制御方法及びタンデム圧延機
CN101612633A (zh) * 2008-06-24 2009-12-30 宝山钢铁股份有限公司 冷连轧过程中间厚度在线设定方法
CN101337237A (zh) * 2008-08-14 2009-01-07 苏州有色金属研究院有限公司 单机架双卷取铝热轧机厚度自动分配方法
JP2010214453A (ja) * 2009-03-18 2010-09-30 Kobe Steel Ltd 冷間圧延工程でのチューニング率の決定方法と冷間圧延方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102266865A (zh) * 2011-05-30 2011-12-07 山东大学 热冷轧负荷分配方法
CN104646431A (zh) * 2015-03-05 2015-05-27 北京科技大学 一种消除双机架铝冷连轧机组负荷漂移的控制方法
CN105281615A (zh) * 2015-11-12 2016-01-27 广西师范大学 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法
CN106903173A (zh) * 2017-02-24 2017-06-30 北京科技大学 一种基于综合等负荷函数的轧制规程优化方法
CN107214195A (zh) * 2017-05-26 2017-09-29 中冶南方工程技术有限公司 一种二十辊冷轧机摩擦力矩的获取方法
CN107214195B (zh) * 2017-05-26 2019-01-04 中冶南方工程技术有限公司 一种二十辊冷轧机摩擦力矩的获取方法
CN108637020A (zh) * 2018-05-09 2018-10-12 北京科技大学 一种自适应变异pso-bp神经网络带钢凸度预测方法

Also Published As

Publication number Publication date
CN102029293B (zh) 2012-12-19

Similar Documents

Publication Publication Date Title
CN102029293B (zh) 多电机负荷优化的冷连轧控制方法
CN104636821B (zh) 基于动态惯性权重粒子群的火电机组负荷优化分配方法
Jiang et al. Provincial-level carbon emission drivers and emission reduction strategies in China: Combining multi-layer LMDI decomposition with hierarchical clustering
CN109815523B (zh) 基于分解的列车运行多目标差分进化算法
CN109978350A (zh) 一种基于工况分解动态规划算法的地铁列车节能优化方法
CN109190233B (zh) 一种结构拓扑优化方法
CN106485368A (zh) 一种用于能源系统输出功率的短期预测方法
Xiao et al. Multi-component energy modeling and optimization for sustainable dry gear hobbing
CN101644915A (zh) 基于去除函数预测模型的计算机控制抛光方法
Zhang et al. Optimal topology design of internal stiffeners for machine pedestal structures using biological branching phenomena
CN106485339A (zh) 一种电力系统的负荷特性确定方法及系统
CN102073311B (zh) 基于离散量子微粒群算法的机器零件加工流水线调度方法
CN106910337A (zh) 一种基于萤火虫算法与rbf神经网络的交通流预测方法
CN103473438A (zh) 风功率预测模型优选及修正方法
Gong et al. 5-axis flank milling free-form surfaces considering constraints
CN104657602A (zh) 一种热连轧生产过程中带钢厚度预测方法及系统
CN103567229A (zh) 一种针对六辊轧机的弯辊力组合板形控制方法
CN103258235A (zh) 一种基于改进人工鱼群算法的供水管网改扩建优化方法
CN1877640A (zh) 一种基于三角形插值曲面细分的几何数据细分方法
He et al. Review on torque distribution scheme of four-wheel in-wheel motor electric vehicle
CN103353916A (zh) 基于工程的复合材料层合板铺层优化后处理方法
CN104331604A (zh) 基于元胞自动机的瓷砖抛光能耗建模的方法
CN102921741A (zh) 用于轧机特殊辊形辊缝凸度计算的有限元模型的建模方法
CN107368041B (zh) 一种基于移动平均算法的s曲线加减速控制方法
CN103235872A (zh) 一种基于粒子群算法的多维指标的投影寻踪动态聚类方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant