CN102366760A - 冷轧带钢板形控制执行器调控功效系数在线解耦方法 - Google Patents

Abstract

本发明涉及冷轧带钢板形控制执行器调控功效系数在线解耦方法，具体是：用有限元数值计算方法或轧机实验方法获取冷轧带钢板形控制执行器调控功效系数，作为该系数先验初始值；在该系数完成在线解耦之前，闭环板形控制系统应用先验初始值及其常规在线自学习值进行冷轧带钢板形控制调节量的计算，实现在获得解耦结果之前的若干个控制周期内的板形闭环控制功能；该计算过程通过建立板形控制执行器调控功效系数在线解耦计算模型，可以快速计算出准确的执行器调控功效系数，用于实现冷轧带钢的高精度闭环板形控制。本发明解决了冷轧带钢板形控制执行器调控系数的在线解耦的问题，保证了结果可信度和实用性能，为冷轧带钢板形控制奠定了坚实的基础。

Description

冷轧带钢板形控制执行器调控功效系数在线解耦方法

技术领域

本发明涉及冷轧带钢领域，尤其涉及一种适用于冷轧带钢板形控制中执行器调控功效系数的在线解耦方法。

背景技术

随着国内装备制造业的迅猛发展，用户对冷轧带钢产品的板形质量要求也越来越高，特别是对于汽车和家电等行业。因此在冷轧带钢生产过程中，板形质量成为考核最终产品的最重要技术指标之一。冷轧带钢生产的板形控制技术是一项融合多学科知识、高度复杂的关键性技术。国内外大型钢铁联合企业和研究机构投入了大量的人力、物力和财力来研发提高板形控制精度的方法和技术，以期增强钢铁企业的核心竞争力。

为了增强冷轧轧机的板形控制能力，现代冷轧轧机一般具有多种板形调控手段，如压下倾斜、工作辊正负弯辊、中间辊正弯辊、轧辊横移和喷射冷却等。在冷轧带钢板形控制系统投入运行时，需要综合考虑各个板形调控手段的调控能力，通过统筹计算使得各板形调控手段相互配合以达到最大限度消除板形偏差的控制效果。因此，对各个板形调控手段的调控能力的准确评估，也就是说是否能够获取高精度的冷轧带钢板形控制执行器调控功效系数便成为影响板形控制效果优劣的一个关键因素。

目前冷轧带钢板形控制执行器调控功效系数的获取方法主要分为有限元数值计算、轧机实验和在线自学习三种方法。由于各个板形控制执行器对板形的影响机理非常复杂，模型中的未知因素多，轧机工作状况也是不断变化的，因此很难通过传统的辊系弹性变形理论以及轧件三维变形理论来精确计算出各个板形控制执行器的调控功效系数；这也是用有限元数值计算方法解决该类问题时所遇到的瓶颈。在实际轧制过程中，调控功效系数还受到诸多轧制参数的影响，如带钢宽度、轧制力、轧辊粗糙度和温度等；不同规格的带钢对应不同的调控功效系数，即使相同的规格的带钢在不同的工况下相应的调控功效系数也会发生变化，因而由轧机实验得到的调控功效系数也不能满足日益增长的冷轧带钢控制精度要求。使用在线自学习方法可以在一定程度上改善调控功效系数的精度，但是由于在线板形变化是由若干个板形调控机构共同作用的结果，各调控机构对板形的影响是相互耦合的，目前已有的板形控制执行器调控功效系数在线自学习方法并不能对其进行精确解耦，因而所得到的自学习结果通常并不理想，甚至有时会变得更差。

冷轧板形控制技术一直为国外公司所垄断而导致进口冷轧板形控制系统价格昂贵，即使高价进口后由于不掌握核心技术在产品变规格后不能保证系统良好运行，因此进行冷轧板形控制核心技术的国产化研发势在必行。

发明内容

本发明所要解决的技术问题是：提供一种冷轧带钢板形控制执行器调控功效系数在线解耦方法，该方法通过建立板形控制执行器调控功效系数在线解耦计算模型，可以迅速的获得当前工况下高精度的冷轧带钢板形控制执行器调控功效系数，并将其应用于闭环板形控制系统中，得到较高的板形控制精度。

本发明解决其技术问题采用以下的技术方案：

本发明提供的冷轧带钢板形控制执行器调控功效系数在线解耦方法，具体是：使用有限元数值计算方法或轧机实验方法获取冷轧带钢板形控制执行器调控功效系数，该系数作为先验初始值；在该系数完成在线解耦之前，闭环板形控制系统应用这个先验初始值及其常规在线自学习值进行冷轧带钢板形控制调节量的计算，实现在获得冷轧带钢板形控制执行器调控功效系数在线精确解耦计算结果之前的若干个控制周期内的板形闭环控制功能；该计算过程是通过建立板形控制执行器调控功效系数在线解耦计算模型，利用在线收集的轧制过程参数实时计算出高精度的冷轧轧机实际的执行器调控功效系数，用于实现冷轧带钢的高精度闭环板形控制。

在所述执行器调控功效系数在线解耦计算完成之前的至少m个控制周期里，可以采集每个控制周期里所发生的各冷轧带钢板形调控机构调节量以及该调节量发生作用之后的各冷轧带钢板形实际改变量，然后利用板形控制执行器调控功效系数在线解耦计算模型获取冷轧轧机实际的执行器调控功效系数，所述计算模型为：

[EΔU₁ EΔU₂ ΛEΔU_m]=[δ₁ δ₂ Λ δ_m]+[Eff₁ΔU₁ Eff₂ΔU₂ Λ Eff_mΔU_m]，

式中：E∈R^n×m为冷轧轧机实际的执行器调控功效系数矩阵，n为接触式板形仪在带钢宽度方向上的有效测量区域数目，m为冷轧轧机板形控制执行器的个数；ΔU_i(i＝1，2，Λ，m)为板形闭环控制系统投入运行后，在线采集到的第i组板形调控机构的调节量；Eff_i(i＝1，2，Λ，m)为在线计算第i组板形调控机构调节量时板形控制系统程序所用到的执行器调控功效系数；δ_i(i＝1，2，Λ，m)为在线采集到的第i组板形调控机构调节量发生作用之后带钢板形实际改变量与计算改变量Eff_iΔU_i之差。

在所述的至少m个控制周期里，其中：

(1)将第一个控制周期所发生的板形调控机构调节量赋值给ΔU₁，其发生作用之后板形实际改变量与计算改变量之差赋值给δ₁；

(2)将第二个控制周期所对应的板形调控机构调节量与ΔU₁做相关性分析，若两者线性无关则将第二个控制周期所对应的板形调控机构调节量赋值给ΔU₂，其发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂；若两者线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一控制周期的板形调控机构调节量与ΔU₁做相关性分析，直到找到一组与ΔU₁线性无关的板形调控机构调节量然后将其赋值给ΔU₂，并把其发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂；

(3)在得到满足条件的ΔU_i之后将下一个控制周期所对应的板形调控机构调节量与ΔU₁、ΔU₂、…、ΔU_i(2≤i≤m-1)做相关性分析，若它与ΔU₁、ΔU₂、…、ΔU_i均线性无关则将它赋值给ΔU_i+1，其发生作用之后的板形实际改变量与计算改变量之差赋值给δ_i+1；若它与ΔU₁、ΔU₂、…、ΔU_i中任何一个向量线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一控制周期的板形调控机构调节量与之前得到的ΔU₁、ΔU₂、…、ΔU_i做相关性分析，直到找到一组与ΔU₁、ΔU₂、…、ΔU_i均线性无关的板形调控机构调节量然后将其赋值给ΔU_i+1，并把其发生作用之后的板形实际改变量与计算改变量之差赋值给δ_i+1；

(4)按照上述步骤得到m组线性无关的板形调控机构调节量后，通过以下功效系数在线解耦计算公式得到冷轧轧机实际的执行器调控功效系数E：

E＝[δ₁+Eff₁ΔU₁ δ₂+Eff₂ΔU₂ Λ δ_m+Eff_mΔU_m]×[ΔU₁ ΔU₂ Λ ΔU_m]^-1。

在所述的采集m组线性无关的调控机构调节量所对应的m个不同控制周期里，冷轧轧机实际的执行器调控功效系数可能因为受外部干扰的影响而发生变化，于是可以采用以下计算模型获取冷轧轧机实际的执行器调控功效系数：

[E₁ΔU₁ E₂ΔU₂ Λ E_mΔU_m]＝[δ₁ δ₂ Λ δ_m]+[Eff₁ΔU₁ Eff₂ΔU₂ Λ Eff_mΔU_m]，

式中：E_i(i＝1，2，Λ，m)为冷轧轧机在m个不同控制周期里所对应的轧机实际的执行器调控功效系数矩阵。

如果轧制过程数据采集时各种干扰因素影响较小，则Ei之间差别较小，且从工程角度上假设E₁≈E₂≈Λ≈E_m，此时上述步骤(4)所述功效系数在线解耦计算公式仍然是有效的。

如果轧制过程数据采集时各种干扰因素影响较大，则不同的Ei之间差别较大，此时不能利用上述步骤(4)所述功效系数在线解耦计算公式来获取冷轧轧机实际的执行器调控功效系数，需要重新采集用于执行器调控功效系数在线解耦计算的轧制过程数据。

在冷轧轧机实际的执行器调控功效系数可能因为受外部干扰的影响而发生变化时，轧制过程数据采集时各种干扰因素影响程度大小的度量方法可以由下面的判定规则来给出：

首先，在采集到m组线性无关的板形调控机构调节量后，利用下式计算出一个公共的执行器调控功效系数矩阵

$\hat{E}=\left[\begin{array}{cccc}{\mathrm{\δ}}_1+{\mathrm{Eff}}_1\mathrm{\Δ}{U}_1& {\mathrm{\δ}}_2+{\mathrm{Eff}}_2\mathrm{\Δ}{U}_2& \mathrm{\Λ}& {\mathrm{\δ}}_m+{\mathrm{Eff}}_m\mathrm{\Δ}{U}_m\end{array}\right]\×{\left[\begin{array}{cccc}\mathrm{\Δ}{U}_1& \mathrm{\Δ}{U}_2& \mathrm{\Λ}& \mathrm{\Δ}{U}_m\end{array}\right]}^{-1}---\left(1\right),$

然后，计算下述误差指标函数值：

$J=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left|\right|\hat{E}\mathrm{\Δ}{U}_i-{\mathrm{\δ}}_i-{\mathrm{Eff}}_i\mathrm{\Δ}{U}_i\left|\right|---\left(2\right),$

式中符号||·||表示向量的欧几里得范数；

最后，依据计算得到的误差指标函数值J大小对干扰因素影响程度大小进行以下评判：若J≤γ则认为轧制过程数据采集时各种干扰因素影响较小，由公式(1)计算得到的执行器调控功效系数有效；反之，若J＞γ则认为轧制过程数据采集时各种干扰因素影响较大，由公式(1)计算得到的执行器调控功效系数

无效，需要重新采集用于执行器调控功效系数解耦计算的轧制过程数据；这里，γ是根据具体工程应用时人为设定的指标阈值。

本发明与现有技术相比，具有以下的主要有益效果：

其一.解决了冷轧板形控制技术中的一个关键问题，即冷轧带钢板形控制执行器调控系数的在线解耦计算的问题。

其二.为高精度的冷轧带钢板形控制奠定了坚实的基础。

通过在线采集轧制过程数据，建立了在线解耦计算模型，能够非常精确且快速的计算出各板形执行器的实际调控功效系数，为高精度的冷轧带钢板形控制奠定了坚实的基础。

其三.保证了计算结果可信度和实用性能。

在解耦计算过程中考虑了实际轧制过程中外部干扰因素对测量信号产生的不利影响，设计了外部干扰因素影响大小程度的判定规则，保证了计算结果可信度和实用性能。

附图说明

图1为板形控制执行器调控功效系数在线解耦计算算法流程图。

图2为板形控制执行器调控功效系数的先验初始曲线。

图3为板形控制执行器调控功效系数的在线解耦计算曲线。

图4为应用常规自学习算法时板形实际改变量与计算改变量之间的偏差曲线。

图5为应用在线解耦计算算法时板形实际改变量与计算改变量之间的偏差曲线。

具体实施方式

本发明提供的冷轧带钢板形控制执行器调控功效系数在线解耦方法，通过建立板形控制执行器调控功效系数在线解耦计算模型，利用在线收集的轧制过程参数实时计算出高精度的板形控制执行器调控系数，用于实现冷轧带钢的高精度闭环板形控制。

下面结合实施例及附图对本发明作进一步说明，但不限定本发明。

本实施例公开的是某工作辊可水平移动的六辊冷轧机板形控制执行器调控功效系数在线解耦计算过程。板形在线测量装置采用由瑞典进口的ABB板形辊，该板形辊辊径313mm，由实心钢轴组成，沿宽度方向每隔26mm或52mm被分成一个测量区域，每个测量区域内沿轴向在测量辊的四周均匀分布着四个沟槽以放置磁弹性力传感器，传感器的外面被钢环所包裹。产品规格(厚度×宽度)：0.35mm×1250mm，钢种：高牌号无取向HNGO，轧制速度：Max900m/min，卷取张力：Max220KN，主电机功率：5500KW，原料钢卷厚度：1.8～2.5mm。

在本实例的六辊轧机板形控制系统中，执行器调控功效系数的精度直接关系到板形控制效果的优劣，同时在轧制过程中工作状况是变化的，例如轧制力随板形厚度控制系统输出调节量而变化，也就意味着执行器调控功效系数随时间变化。因此需要在轧制过程中根据实际的轧机输入输出数据来在线学习执行器调控功效系数。由于本实例板形调控装置有多种且相互耦合，传统的自学习算法不能实现对其的精确解耦而使其学习效率较低且容易陷入局部最小点，难以获得高精度的执行器功效系数，这也是当今板形控制系统设计中亟待克服的一个关键技术问题。本发明成功解决了这一关键技术问题：通过在线采集轧制过程数据，建立了在线解耦计算模型，能够非常精确且快速的计算出各板形执行器的实际调控功效系数，为高精度的冷轧带钢板形控制奠定了坚实的基础。与此同时，本发明在解耦计算过程中考虑了实际轧制过程中外部干扰因素对测量信号产生的不利影响，设计了外部干扰因素影响大小程度的判定规则，保证了计算结果可信度和实用性能。

本实施例具体是采用包括以下步骤的方法，参见图1：

1.执行器调控功效系数先验初始值的获取：

工作辊可水平移动的六辊冷轧机板形调控手段主要有轧辊倾辊、工作辊正负弯辊、中间辊正弯辊和中间辊窜辊。其中中间辊窜辊是根据带钢宽度进行预设定，调整原则是将中间辊辊身边缘与带钢边部对齐，亦可由操作方考虑添加一个修正量，调到位后保持位置不变。因而用于在线实时调节的主要有轧辊倾辊、工作辊正负弯辊、中间辊正弯辊三种板形控制执行器。在对工作辊可水平移动的六辊冷轧机进行调试时，选择不同规格的带钢进行轧制，板形闭环控制系统先不投入运行，在带钢出现明显板形缺陷的时分别手动调整各板形调控机构来调节板形，再由板形仪测量带钢宽度方向上各测量点的板形实际改变量并将其记录到板形计算机里；根据各板形调控机构的调节量与板形实际变化量之间的关系计算出各个测量点处各板形控制执行器调控功效系数。然后，将这些由实验得到的执行器调控功效系数作为功效系数在线解耦计算的功效系数矩阵先验初始值Es₁。

图2为工作辊可水平移动的六辊冷轧机调试时，由实验板形数据计算得到的在某种轧制工况条件下各板形控制执行器调控功效系数先验初始值曲线。

2.ΔU₁及其相关轧制过程参数的采集：

在板形闭环控制系统投入运行后，板形计算机记录第一个控制周期内所发生的板形调控机构调节量并将其赋值给ΔU₁，将该调节量发生作用之后的板形实际改变量与计算改变量之差赋值给δ₁，将Es₁赋值给Eff₁。此外，基于在该控制周期内所获得轧制过程参数通过常规自学习算法获取下一控制周期的功效系数矩阵的先验初始值Es₂，其自学习计算公式为：

${\mathrm{Es}}_2=v\×{\mathrm{\δ}}_1\×\mathrm{\Δ}{U}_1^T+{\mathrm{Es}}_1,$

式中：ΔU₁为板形调控机构调节量；v为自学习算法学习因子，本实例中取值为0.05。

3.ΔU₂及其相关轧制过程参数的采集：

板形计算机记录第二个控制周期内所发生的板形调控机构调节量，将其与ΔU₁做相关性分析，若两者线性无关则将第二个控制周期内所发生的板形调控机构调节量赋值给ΔU₂，将该调节量发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂，将Es₂赋值给Eff₂；若两者线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一控制周期内的板形调控机构调节量与ΔU₁做相关性分析，直到找到一组与ΔU₁线性无关的板形调控机构调节量然后将其赋值给ΔU₂，并把该调节量发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂，将板形控制系统计算该调节量时所对应的功效系数矩阵先验初始值Es_i(i≥2)赋值给Eff₂。此外，第i个控制周期对应的功效系数矩阵先验初始值Es_i(i≥2)是基于在第i-1个控制周期内所获得轧制过程参数通过常规自学习算法计算得到。其自学习计算公式为：

${\mathrm{Es}}_i=v\×{\mathrm{\γ}}_{i-1}\×\mathrm{\Δ}{\mathrm{\χ}}_{i-1}^T+{\mathrm{Es}}_{i-1},$ i≥2

式中：v为自学习算法学习因子，本实例中取值为0.05；Δx_i-1为第i-1个控制周期内所发生的板形调控机构调节量；γ_i-1为第i-1个控制周期内板形调控机构调节量发生作用之后的板形实际改变量与计算改变量之差；T为表示向量转置的数学运算符号。

4.ΔU₃及其相关轧制过程参数的采集：

板形计算机记录第i+1(i≥2)个控制周期所发生的板形调控机构调节量，将其分别与ΔU₁和ΔU₂做相关性分析，若其与ΔU₁和ΔU₂均线性无关则将第i+1个控制周期所发生的板形调控机构调节量赋值给ΔU₃，将该调节量发生作用之后的板形实际改变量与计算改变量之差赋值给δ₃，将Es_i+1赋值给Eff₃；若其与ΔU₁和ΔU₂中任何一个线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一周期的板形调控机构调节量与ΔU₁和ΔU₂做相关性分析，直到找到一组与ΔU₁和ΔU₂均线性无关的板形调控机构调节量然后将其赋值给ΔU₃，并把该调节量发生作用之后的板形实际改变量与计算改变量之差赋值给δ₃，将板形控制系统计算该调节量时所对应的功效系数矩阵先验初始值Es_j(j≥3)赋值给Eff₃。此外，第j个控制周期对应的功效系数矩阵初始值Es_j(j≥3)是基于第j-1个控制周期所获得轧制过程参数通过常规自学习算法计算得到。其自学习计算公式为：

${\mathrm{Es}}_j=v\×{\mathrm{\γ}}_{j-1}\×\mathrm{\Δ}{\mathrm{\χ}}_{j-1}^T+{\mathrm{Es}}_{j-1},$ j≥3

式中：v为自学习算法学习因子，本实例中取值为0.05；Δx_j-1为第j-1个控制周期内所发生的板形调控机构调节量；γ_j-1为第j-1个控制周期内板形调控机构调节量发生作用之后的板形实际改变量与计算改变量之差；T为表示向量转置的数学运算符号。

5.在采集到满足要求的轧制过程参数后，在线解耦计算出冷轧轧机板形控制执行器调控功效系数矩阵E：

E＝[δ₁+Eff₁ΔU₁ δ₂+Eff₂ΔU₂ δ₃+Eff₃ΔU₃]×[ΔU₁ ΔU₂ ΔU₃]^-1

图3为工作辊可水平移动的六辊冷轧机板形控制系统投入运行后时，由本发明提出的在线解耦计算方法得到的某种轧制工况条件下板形控制执行器调控功效系数曲线图。

6.轧制过程数据采集时各种干扰因素影响大小程度的判定：

首先利用所采集的轧制过程数据计算如下误差指标函数的函数值：

$J=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left|\right|\mathrm{E\Δ}{U}_i-{\mathrm{\δ}}_i-{\mathrm{Eff}}_i\mathrm{\Δ}{U}_i\left|\right|$

函数值J计算完毕后，通过比较J与γ的大小关系来判定干扰因素影响的大小程度：若J≤γ则认为轧制过程数据采集时各种干扰因素影响较小，此时由在线解耦计算方法得到的执行器调控功效系数E有效；反之，若J＞γ则认为轧制过程数据采集时各种干扰因素影响较大，由在线解耦计算方法得到的执行器调控功效系数E无效，需要重新采集用于执行器调控功效系数在线解耦计算的轧制过程数据。本实例中，γ取值为0.5。

图4为采用常规自学习算法进行执行器调控功效系数学习时得到的板形实际改变量与计算改变量之间的偏差曲线。由图4可以看出，板形计算改变量与实际改变量之间的偏差随着自学习算法的进行逐渐减小，但是直到第十个控制周期时两者之间偏差仍未趋近于零。图5为采用本发明提出的执行器调控功效系数在线解耦算法时所得到的板形实际改变量与计算改变量之间的偏差曲线。

由图5可以看出，本发明提出的执行器调控功效系数在线解耦算法仅仅在三个控制周期后就使得板形计算改变量与实际改变量基本相等，获得了高精度的执行器调控功效系数，为实现冷轧带钢的高精度板形控制提供了保证。

Claims (7)

1.一种冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征在于：使用有限元数值计算方法或轧机实验方法获取冷轧带钢板形控制执行器调控功效系数，作为该系数先验初始值；在该系数完成在线解耦之前，闭环板形控制系统应用这个先验初始值及其常规在线自学习值进行冷轧带钢板形控制调节量的计算，实现在获得冷轧带钢板形控制执行器调控功效系数在线精确解耦计算结果之前的若干个控制周期内的板形闭环控制功能；该计算过程是通过建立板形控制执行器调控功效系数在线解耦计算模型，利用在线收集的轧制过程参数实时计算出高精度的冷轧轧机实际的执行器调控功效系数，用于实现冷轧带钢的高精度闭环板形控制。

2.根据权利要求1所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是在所述执行器调控功效系数在线解耦计算完成之前的至少m个控制周期里，采集每个控制周期里所发生的各冷轧带钢板形调控机构调节量以及该调节量发生作用之后的各冷轧带钢板形实际改变量，然后利用板形控制执行器调控功效系数在线解耦计算模型获取冷轧轧机实际的执行器调控功效系数，所述计算模型为：

[EΔU₁ EΔU₂ Λ EΔU_m]＝[δ₁ δ₂ Λ δ_m]+[Eff₁ΔU₁ Eff₂ΔU₂ Λ Eff_mΔU_m]，

式中：E∈R^n×m为冷轧轧机实际的执行器调控功效系数矩阵，n为接触式板形仪在带钢宽度方向上的有效测量区域数目，m为冷轧轧机板形控制执行器的个数；ΔU_i(i＝1，2，Λ，m)为板形闭环控制系统投入运行后，在线采集到的第i组板形调控机构的调节量；Eff_i(i＝1，2，Λ，m)为在线计算第i组板形调控机构调节量时板形控制系统程序所用到的执行器调控功效系数；δ_i(i＝1，2，Λ，m)为在线采集到的第i组板形调控机构调节量发生作用之后带钢板形实际改变量与计算改变量Eff_iΔU_i之差。

3.根据权利要求2所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是：

(1)将第一个控制周期所发生的板形调控机构调节量赋值给ΔU₁，其发生作用之后板形实际改变量与计算改变量之差赋值给δ₁；

(2)将第二个控制周期所对应的板形调控机构调节量与ΔU₁做相关性分析，若两者线性无关则将第二个控制周期所对应的板形调控机构调节量赋值给ΔU₂，其发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂；若两者线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一控制周期的板形调控机构调节量与ΔU₁做相关性分析，直到找到一组与ΔU₁线性无关的板形调控机构调节量然后将其赋值给ΔU₂，并把其发生作用之后的板形实际改变量与计算改变量之差赋值给δ₂；

(3)在得到满足条件的ΔU_i之后将下一个控制周期所对应的板形调控机构调节量与ΔU₁、ΔU₂、…、ΔU_i(2≤i≤m-1)做相关性分析，若它与ΔU₁、ΔU₂、…、ΔU_i均线性无关则将它赋值给ΔU_i+1，其发生作用之后的板形实际改变量与计算改变量之差赋值给δ_i+1；若它与ΔU₁、ΔU₂、…、ΔU_i中任何一个向量线性相关则舍弃该控制周期内所采集的轧制过程数据，继而利用下一控制周期的板形调控机构调节量与之前得到的ΔU₁、ΔU₂、…、ΔU_i做相关性分析，直到找到一组与ΔU₁、ΔU₂、…、ΔU_i均线性无关的板形调控机构调节量然后将其赋值给ΔU_i+1，并把其发生作用之后的板形实际改变量与计算改变量之差赋值给δ_i+1；

(4)按照上述步骤得到m组线性无关的板形调控机构调节量后，通过以下功效系数在线解耦计算公式得到冷轧轧机实际的执行器调控功效系数E：

E＝[δ₁+Eff₁ΔU₁ δ₂+Eff₂ΔU₂ Λ δ_m+Eff_mΔU_m]×[ΔU₁ ΔU₂ Λ ΔU_m]^-1。

4.根据权利要求2所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是：在采集m组线性无关的调控机构调节量所对应的m个不同控制周期里，冷轧轧机实际的执行器调控功效系数可能因为受外部干扰的影响而发生变化，于是采用以下计算模型获取冷轧轧机实际的执行器调控功效系数：

[E₁ΔU₁ E₂ΔU₂ Λ E_mΔU_m]＝[δ₁ δ₂ Λ δ_m]+[Eff₁ΔU₁ Eff₂ΔU₂ Λ Eff_mΔU_m]，

式中：E_i(i＝1，2，Λ，m)为冷轧轧机在m个不同控制周期里所对应的轧机实际的执行器调控功效系数矩阵。

5.根据权利要求4所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是：如果轧制过程数据采集时各种干扰因素影响较小，则Ei之间差别较小，且从工程角度上假设E₁≈E₂≈Λ≈E_m，此时权利要求3中步骤(4)所述功效系数在线解耦计算公式仍然是有效的。

6.根据权利要求4所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是：如果轧制过程数据采集时各种干扰因素影响较大，则不同的Ei之间差别较大，此时不能利用权利要求3中步骤(4)所述功效系数在线解耦计算公式来获取冷轧轧机实际的执行器调控功效系数，需要重新采集用于执行器调控功效系数在线解耦计算的轧制过程数据。

7.根据权利要求4所述的冷轧带钢板形控制执行器调控功效系数在线解耦方法，其特征是：在冷轧轧机实际的执行器调控功效系数可能因为受外部干扰的影响而发生变化时，轧制过程数据采集时各种干扰因素影响程度大小的度量方法由下面的判定规则来给出：

首先，在采集到m组线性无关的板形调控机构调节量后，利用下式计算出一个公共的执行器调控功效系数矩阵

$\hat{E}=\left[\begin{array}{cccc}{\mathrm{\δ}}_1+{\mathrm{Eff}}_1\mathrm{\Δ}{U}_1& {\mathrm{\δ}}_2+{\mathrm{Eff}}_2\mathrm{\Δ}{U}_2& \mathrm{\Λ}& {\mathrm{\δ}}_m+{\mathrm{Eff}}_m\mathrm{\Δ}{U}_m\end{array}\right]\×{\left[\begin{array}{cccc}\mathrm{\Δ}{U}_1& \mathrm{\Δ}{U}_2& \mathrm{\Λ}& \mathrm{\Δ}{U}_m\end{array}\right]}^{-1}---\left(1\right),$

然后，计算下述误差指标函数值：

$J=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left|\right|\hat{E}\mathrm{\Δ}{U}_i-{\mathrm{\δ}}_i-{\mathrm{Eff}}_i\mathrm{\Δ}{U}_i\left|\right|---\left(2\right),$

式中符号||·||表示向量的欧几里得范数；

最后，依据计算得到的误差指标函数值J大小对干扰因素影响程度大小进行以下评判：若J≤γ则认为轧制过程数据采集时各种干扰因素影响较小，由公式(1)计算得到的执行器调控功效系数

有效；反之，若J＞γ则认为轧制过程数据采集时各种干扰因素影响较大，由公式(1)计算得到的执行器调控功效系数

无效，需要重新采集用于执行器调控功效系数解耦计算的轧制过程数据；这里，γ是根据具体工程应用时人为设定的指标阈值。

Images