CN102284517A - 基于案例推理的轧后冷却长期自学习方法 - Google Patents

Abstract

一种基于案例推理的轧后冷却长期自学习方法，属于轧制技术领域。该方法按如下步骤进行：步骤1：案例的构造；步骤2：案例的检索；步骤3：案例的重用；步骤4：案例的修正。本发明的优点：本发明基于现场大量生产数据，从如何有效利用经验知识入手，通过案例构造、案例检索、案例重用、案例修正等案例推理技术对控制冷却数学模型中的长期自学习系数进行决策。该方法对已轧过的钢种规格，能有效地避免头部过冷现象，同时能显著提高板带头部终冷温度的模型设定精度。本发明可使轧后冷却模型具有随工况变化的自适应能力，能显著提高模型的头部设定精度。

Description

基于案例推理的轧后冷却长期自学习方法

技术领域

本发明属于轧制技术领域，特别涉及一种基于案例推理的轧后冷却长期自学习方法。

背景技术

热轧板带轧后冷却过程既是一个影响因素众多的传热过程，又是一个复杂的工业控制过程。就带钢全长而言，基于PID或带SMITH预估的反馈控制理论上能保证板带中部和尾部控制良好，而板带头部的控制完全依赖模型的设定精度。因轧后冷却的滞后特征，在实际生产过程中并没有很好的方法对头部终冷温度偏高或偏低进行干预，特别是因季节因素或换辊换规格或长期停轧钢种再恢复轧制都有可能在轧制首块钢时因头部终冷温度过低导致卷取困难而堆钢导致生产的停顿。热轧板带轧后冷却的传热特性尤其是冷却水与板带钢之间的水冷换热很容易受到工况的影响，其模型中的热流密度参数随生产工况而变化，具体体现在水冷自学习系数上面，因此轧后冷却数学模型中的长期自学习系数的估计是提高模型头部设定精度的关键和难点。

发明内容

针对现有技术的不足，本发明提供一种基于案例推理的轧后冷却长期自学习方法。

本发明方法按如下步骤进行：

步骤1：案例的构造

将轧后冷却过程的工况按照结构进行组织并以案例的形式存储于案例数据库中，每个案例由工况类描述、指标类描述和解组成，如表1所示。

表1：案例结构定义

步骤2：案例的检索

长期自学习系数案例推理系统根据轧制工况描述来进行案例检索和匹配，设为两级过滤，

1)绝对过滤

当前带钢的钢牌号、厚度层别、卷取温度层别、冷却策略与案例数据库的钢牌号、厚度层别、卷取温度层别、冷却策略此四项参数如果不能完全相同，直接退出案例推理；如果满足相同条件，进入相对过滤；

2)相对过滤

根据当前块带钢冷却水温和历史案例中的冷却水温差、当前块带钢距前一块轧制间隙时间和历史案例中的停轧时间、当前块带钢精轧模型预报终轧温度与目标值的偏差与历史案例中的终轧温度预报偏差以及当前块带钢穿带速度与历史案例中的穿带速度的偏差进行过滤，过程如下：

在检索过程中，对能完全满足索引要求(即水温±2度，停轧时间±10分钟，终轧温度预报偏差±5度、穿带速度偏差±2％)的案例，再按照指标(即案例中头部卷取温度偏差平均值、头部标准偏差和卷取温度头部命中率)进行判定，如符合判定条件(即卷取温度头部命中率＞85％的所有案例中，选取头部标准偏差最小、头部卷取温度偏差平均值最小)的案例，直接进行案例重用；对不能完全满足索引要求的案例先进行指标判定条件(即卷取温度头部命中率＞70％的所有案例中，选取头部标准偏差在20℃以内、头部卷取温度偏差平均值在20℃以内案例)筛选，对符合判定条件的再按照公式1、2、3、4计算相应的相似度，检索出满足匹配阈值的所有案例，进行步骤4进行案例修正，按照经验值带入公式5和6计算出长期自学习系数值作为案例的解。

步骤3：案例的重用

轧后冷却模型在进行预设定数据准备时，根据边界条件(即终轧温度、穿带速度、带钢厚度、目标卷取温度)和外部条件(即水温、停轧时间、冷却策略)在历史案例库中进行检索，对钢牌号、厚度层别、终冷温度层别、冷却策略完全相同的案例，再选取满足历史水温与当前水温波动在±2℃的案例，按照停轧时间相近进行选择，然后再按照终轧温度预报偏差和穿带速度波动筛选案例。对上述筛选出的案例，根据历史指标(即卷取温度头部命中率＞85％的所有案例中，选取头部标准偏差最小、头部卷取温度偏差平均值最小)进行最后筛选，得到的案例的解(即长期自学习系数)直接进行重用，参与轧后冷却模型设定计算。

步骤4：案例的修正

相似度是用来衡量两个对象之间相似程度的指标。一般情况下历史案例库中不存在与当前工况完全匹配的工况，在此情况下，首先对钢牌号、厚度层别、卷取温度层别、冷却策略完全相同的案例，筛选卷取温度头部命中率＞70％、头部标准偏差在20℃以内，头部卷取温度偏差平均值在20℃以内的案例。依据相似度函数检索出匹配工况，在此基础上按照经验值对检索得到的相似案例进行修正，以此作为该方法的输出。

记水温为TW，终轧温度预报值为FDT，穿带速度为V，停轧时间为StopTime，其相似度函数分别定义如下：

$\mathrm{SIM}\left(\mathrm{TW}\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;}{T}_w<2\\ 0.90& \mathrm{\&Delta;}{T}_w<5\\ 0.80& \mathrm{\&Delta;}{T}_w<8\end{array}\right.---\left(1\right)$

上式中ΔT_W为当前水温与案例中的水温之差的绝对值；

$\mathrm{SIM}\left(\mathrm{FDT}\right)=\left\{\begin{array}{cc}1.00& 0<\mathrm{\&Delta;FDT}\&le;5\\ 0.95& 5<\mathrm{\&Delta;FDT}\&le;10\\ 0.90& 10<\mathrm{\&Delta;FDT}\&le;15\\ 0.85& \mathrm{\&Delta;FDT}>15\end{array}\right.---\left(2\right)$

上式中ΔFDT为当前终轧温度预报偏差与案例中的终轧温度预报偏差之差的绝对值；

$\mathrm{SIM}\left(V\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;V}\&le;2\%\\ 0.90& 2\%<\mathrm{\&Delta;V}\&le;5\%\\ 0.85& 5\%<\mathrm{\&Delta;V}\&le;10\%\\ 0.80& \mathrm{\&Delta;V}>10\%\end{array}\right.---\left(3\right)$

上式中ΔV为当前穿带速度与案例中的穿带速度之差再与案例中的穿带速度之比的绝对值；

$\mathrm{SIM}\left(\mathrm{Stop\; Time}\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;Time}\&le;10\\ 0.90& 10<\mathrm{\&Delta;Time}\&le;20\\ 0.80& 20<\mathrm{\&Delta;Time}\&le;30\\ 0.70& \mathrm{\&Delta;Time}>30\end{array}\right.---\left(4\right)$

上式中ΔTime为当前块带钢与上一块带钢轧制间隙与案例中的停轧时间之差的绝对值；

每一案例可以认为代表某一工况，案例间的工况相似程度可以用式(1)至式(4)的相似度函数来表示。即，案例工况相似度由每一案例的水温相似度、终轧温度预报值相似度、穿带速度相似度和停轧时间相似度来表示，如式(5)所示。

SIM(Fⁱ)＝(a×SIM(TWⁱ)+b×SIM(FDTⁱ)+c×SIM(Vⁱ)+d×SIM(StopTimeⁱ))/(a+b+c+d)

                                (5)

其中，F代表案例工况；i代表符合条件的k个案例数中的顺序号(i＝1，2，…，k)；SIM(Fⁱ)为第i个案例的工况相似度；SIM(TWⁱ)为第i个案例的水温相似度；SIM(FDTⁱ)为第i个案例的终轧温度预报值相似度；SIM(Vⁱ)为第i个案例的穿带速度相似度；SIM(StopTimeⁱ)为第i个案例的停轧时间相似度；a，b，c，d分别为水温相似度、终轧温度预报值相似度、穿带速度相似度和停轧时间相似度的权重，由经验给定a，b，c，d的的值；本发明经验值a，b，c，d均为0.25。

对上式计算出的工况相似度SIM(Fⁱ)还要进行相似度阈值判定，如果大于相似度阈值0.6，表明该案例符合相似度要求；如果小于相似度阈值，直接剔除该案例，

最终，案例修正解(长期自学习系数)为

$\mathrm{Coeff}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=k}\mathrm{SIM}\left(F^i\right)\&CenterDot;\mathrm{Coeff}}{{\mathrm{\&Sigma;}}_{i=1}^{i=k}\mathrm{SIM}\left(F^i\right)}---\left(6\right)$

其中，i代表符合条件的k个案例数中的顺序号(i＝1，2，…，k)；Coeff_i为每一案例的解，即长期自学习系数；Coeff为符合条件的k个案例的解以工况相似度作为权重计算出的案例修正解，即案例推理出的长期自学习系数。

本发明的优点：本发明基于现场大量生产数据，从如何有效利用经验知识入手，通过案例构造、案例检索、案例重用、案例修正等案例推理技术对控制冷却数学模型中的长期自学习系数进行决策。该方法对已轧过的钢种规格，能有效地避免头部过冷现象，同时能显著提高板带头部终冷温度的模型设定精度。本发明可使轧后冷却模型具有随工况变化的自适应能力，能显著提高模型的头部设定精度。

附图说明

附图是本发明基于案例推理的轧后冷却长期自学习方法流程图。

具体实施方式

本发明结合具体实施例和说明书附图加以详细说明。

如附图所示，在换规格轧制首块钢或起始卷时，轧后冷却模型首先提取当前运行工况的描述特征(终轧温度T_F、轧制速度V、轧件厚度H、水温T_W等)，并根据这一描述特征在案例库中检索与当前工况相似的历史案例。经过两级过滤，对符合条件的高度相似工况的长期自学习系数直接进行重用；对比较相似工况的长期自学习系数进行修正，基于生产实际考虑，为避免头部激冷或过冷，需要再与模型自学习层别数据进行比较，选取大者进行使用；对相似度低的长期自学习系数直接舍弃，转而使用模型自学习层别数据参与模型设定计算。待实际冷却控制结束以后，利用实际冷却信息(实际阀态VP、卷取温度T_C等)进行模型自学习，更新自学习层别数据同时将本次冷却信息作为新的案例存储于历史案例库中。随着案例库中积累的工况和知识的增加，利用海量生产数据就能提高轧后冷却数学模型对运行工况变化的适应能力。

本发明基于案例推理的轧后冷却长期自学习方法按如下步骤进行：

步骤1：案例的构造

建立自学习系数案例库

基于微软的ACCESS数据库软件，建立名为DB_CBR.mdb案例数据库。按照表2所示结构创建名为TB_CBR的数据表，其内容举例如下所示。

表2案例数据表结构

步骤2：案例的检索

1)案例检索条件准备

案例检索条件包括厚度层别、卷取温度层别和冷却策略。在案例检索前需要根据原始数据输入(PDI数据)中给定的带钢厚度、目标卷取温度、冷却策略查表3来确定相应的层别号。

表3模型层别的确定依据

2)案例检索绝对过滤

在案例检索时，首先根据钢牌号、厚度层别、卷取温度层别和冷却策略对案例数据库中的所有数据进行筛选，得到同时满足上述条件的记录集。如果记录集为空，表示没有相同的历史案例，直接退出案例检索。

3)案例检索相对过滤

如果绝对过滤得到的记录集不为空，再对记录集中的数据进行相对过滤。

首先，筛选出头部命中率大于0.85，水温±2度，停轧时间±10分钟，终轧温度预报偏差±5度、穿带速度偏差±2％的记录，作为案例重用数据集；

其次，筛选出头部命中率大于0.70，头部标准偏差在20℃以内，头部卷取温度偏差平均值在20℃以内的案例，作为案例修正数据集。

步骤3、案例重用

如果案例相对过滤得到的案例重用数据集不为空，再选取头部标准偏差最小、头部卷取温度偏差平均值最小的案例，对该案例的长期自学习系数直接进行重用，然后退出案例检索。

步骤4、案例修正

如果案例相对过滤得到的案例修正数据集不为空，再对每一条记录进行操作：

首先，按照式(1)至式(4)的相似度计算函数计算水温偏差、终轧温度偏差、穿带速度偏差和停轧时间偏差的相似度；

其次，按照式(5)计算该条记录对应的工况相似度；

然后，检查工况相似度是否满足最低的相似度阈值，如果不满足，将该案例从案例修正数据集中剔除；

最后，对案例修正数据集中所有的工况按照式(6)计算出长期自学习系数，作为案例库给出的解，然后退出案例检索。

在轧后冷却数学模型计算前，还需比较案例修正解和模型层别表中的长期自学习系数的大小，选择大者作为模型计算参考值。

当前块带钢实际冷却结束以后，将本次冷却信息(如表2所示的数据)作为新的案例存储于历史案例库中。结果见下表

Claims (3)

1.一种基于案例推理的轧后冷却长期自学习方法，其特征在于：如下步骤进行：

步骤1：案例的构造

将轧后冷却过程的工况按照结构进行组织并以案例的形式存储于案例数据库中，每个案例由工况类描述、指标类描述和解组成；

步骤2：案例的检索

长期自学习系数案例推理系统根据轧制工况描述来进行案例检索和匹配，设为两级过滤；

1)绝对过滤

当前带钢的钢牌号、厚度层别、卷取温度层别、冷却策略与案例数据库的钢牌号、厚度层别、卷取温度层别、冷却策略此四项参数如果不能完全相同，直接退出案例推理；如果满足相同条件，进入相对过滤；

2)相对过滤

根据当前块带钢冷却水温和历史案例中的冷却水温差、当前块带钢距前一块轧制间隙时间和历史案例中的停轧时间、当前块带钢精轧模型预报终轧温度与目标值的偏差与历史案例中的终轧温度预报偏差以及当前块带钢穿带速度与历史案例中的穿带速度的偏差进行过滤；

步骤3：案例的重用

轧后冷却模型在进行预设定数据准备时，根据边界条件即终轧温度、穿带速度、带钢厚度、目标卷取温度和外部条件即水温、停轧时间、冷却策略在历史案例库中进行检索，对钢牌号、厚度层别、终冷温度层别、冷却策略完全相同的案例，再选取满足历史水温与当前水温波动在±2℃的案例，按照停轧时间相近进行选择，然后再按照终轧温度预报偏差和穿带速度波动筛选案例，对上述筛选出的案例，根据历史指标即卷取温度头部命中率＞85％的所有案例中，选取头部标准偏差最小、头部卷取温度偏差平均值最小进行最后筛选，得到的案例的解即长期自学习系数直接进行重用，参与轧后冷却模型设定计算；

步骤4：案例的修正

首先对钢牌号、厚度层别、卷取温度层别、冷却策略完全相同的案例，筛选卷取温度头部命中率＞70％、头部标准偏差在20℃以内，头部卷取温度偏差平均值在20℃以内的案例，依据相似度函数检索出匹配工况，在此基础上按照经验值对检索得到的相似案例进行修正，以此作为该方法的输出。

2.根据权利要求1所述的基于案例推理的轧后冷却长期自学习方法，其特征在于：所述的步骤2中当前块带钢精轧模型预报终轧温度与目标值的偏差与历史案例中的预报值和穿带速度的偏差进行过滤，过程如下：

在检索过程中，对能完全满足索引要求即水温±2度，停轧时间±10分钟，终轧温度预报偏差±5度、穿带速度偏差±2％的记录的案例，再按照指标即案例中头部卷取温度偏差平均值、头部标准偏差和卷取温度头部命中率进行判定，如符合判定条件即卷取温度头部命中率＞85％的所有案例中，选取头部标准偏差最小、头部平均温度偏差平均值最小的案例的，直接进行案例重用；对不能完全满足索引要求的案例先进行指标判定条件即卷取温度头部命中率＞70％的所有案例中，选取头部标准偏差在20℃以内、头部平均温度偏差平均值在20℃以内案例筛选，对符合判定条件的再按照公式(1)、(2)、(3)、(4)计算相应的相似度，检索出满足匹配阈值的所有案例，进行步骤4进行案例修正，按照经验值带入公式(5)和(6)计算出长期自学习系数值作为案例的解。

3.根据权利要求1所述的基于案例推理的轧后冷却长期自学习方法，其特征在于：所述的步骤4修正方法如下：

记水温为TW，终轧温度预报值为FDT，穿带速度为V，停轧时间为StopTime，其相似度函数分别定义如下：

$\mathrm{SIM}\left(\mathrm{TW}\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;}{T}_w<2\\ 0.90& \mathrm{\&Delta;}{T}_w<5\\ 0.80& \mathrm{\&Delta;}{T}_w<8\end{array}\right.---\left(1\right)$

上式中ΔT_W为当前水温与案例中的水温之差的绝对值；

$\mathrm{SIM}\left(\mathrm{FDT}\right)=\left\{\begin{array}{cc}1.00& 0<\mathrm{\&Delta;FDT}\&le;5\\ 0.95& 5<\mathrm{\&Delta;FDT}\&le;10\\ 0.90& 10<\mathrm{\&Delta;FDT}\&le;15\\ 0.85& \mathrm{\&Delta;FDT}>15\end{array}\right.---\left(2\right)$

上式中ΔFDT为当前终轧温度预报偏差与案例中的终轧温度预报偏差之差的绝对值；

$\mathrm{SIM}\left(V\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;V}\&le;2\%\\ 0.90& 2\%<\mathrm{\&Delta;V}\&le;5\%\\ 0.85& 5\%<\mathrm{\&Delta;V}\&le;10\%\\ 0.80& \mathrm{\&Delta;V}>10\%\end{array}\right.---\left(3\right)$

上式中ΔV为当前穿带速度与案例中的穿带速度之差再与案例中的穿带速度之比的绝对值；

$\mathrm{SIM}\left(\mathrm{Stop\; Time}\right)=\left\{\begin{array}{cc}1.00& \mathrm{\&Delta;Time}\&le;10\\ 0.90& 10<\mathrm{\&Delta;Time}\&le;20\\ 0.80& 20<\mathrm{\&Delta;Time}\&le;30\\ 0.70& \mathrm{\&Delta;Time}>30\end{array}\right.---\left(4\right)$

上式中ΔTime为当前块带钢与上一块带钢轧制间隙与案例中的停轧时间之差的绝对值；

每一案例可以认为代表某一工况，案例间的工况相似程度可以用式(1)至式(4)的相似度函数来表示，即，案例工况相似度由每一案例的水温相似度、终轧温度预报值相似度、穿带速度相似度和停轧时间相似度来表示，如式(5)所示；

SIM(Fⁱ)＝(a×SIM(TWⁱ)+b×SIM(FDTⁱ)+c×SIM(Vⁱ)+d×SIM(StopTimeⁱ))/(a+b+c+d)

(5)

其中，F代表案例工况；i代表符合条件的k个案例数中的顺序号，i＝1，2，…，k；SIM(Fⁱ)为第i个案例的工况相似度；SIM(TWⁱ)为第i个案例的水温相似度；SIM(FDTⁱ)为第i个案例的终轧温度预报值相似度；SIM(Vⁱ)为第i个案例的穿带速度相似度；SIM(StopTimeⁱ)为第i个案例的停轧时间相似度；a，b，c，d分别为水温相似度、终轧温度预报值相似度、穿带速度相似度和停轧时间相似度的权重，由经验给定a，b，c，d的的值；

对上式计算出的工况相似度SIM(Fⁱ)还要进行相似度阈值判定，如果大于相似度阈值0.6，表明该案例符合相似度要求；如果小于相似度阈值，直接剔除该案例，

最终，案例修正解即长期自学习系数为

$\mathrm{Coeff}=\frac{{\mathrm{\&Sigma;}}_{i=1}^{i=k}\mathrm{SIM}\left(F^i\right)\&CenterDot;\mathrm{Coeff}}{{\mathrm{\&Sigma;}}_{i=1}^{i=k}\mathrm{SIM}\left(F^i\right)}---\left(6\right)$

其中，i代表符合条件的k个案例数中的顺序号，i＝1，2，…，k；Coeff_i为每一案例的解，即长期自学习系数；Coeff为符合条件的k个案例的解以工况相似度作为权重计算出的案例修正解，即案例推理出的长期自学习系数。

Images