CN102527737B - 冷轧机板形调控功效系数离线自学习系统 - Google Patents

Abstract

本发明涉及冷轧机板形调控功效系数离线自学习系统，其包括依次顺序连接的离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块；所述模块通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数。本发明给出了一种能够实现高精度冷轧机板形调控功效系数离线自学习的有效途径，从而解决传统冷轧带钢生产中冷轧带钢产品板形控制精度不高、甚至发生断带停机生产事故的技术问题。

Description

冷轧机板形调控功效系数离线自学习系统

技术领域

本发明涉及冷轧带钢领域，尤其涉及一种冷轧机板形调控功效系数离线自学习系统。

背景技术

随着国内装备制造业的飞速发展，冷轧带钢用户对产品的板形质量要求也越来越高，尤其表现在高档汽车、IT产业和家用电器等行业。提高产品板形质量已经成为冷轧带钢企业提高经济效益和核心竞争力的重要途径之一。冷轧带钢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，涉及工艺、设备、液压、电气控制和计算机等多个学科的专业知识，需要各个专业协同做好每一个控制功能模块的优化设计工作。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。为了增强冷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，板形自动控制系统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机板形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。

已有用于计算冷轧机板形调控功效系数的应用系统按照原理主要分为有限元数值计算、轧机实验和在线自学习。由于不同冷轧机板形调控机构对出口板形的影响机理非常复杂，模型中未知干扰因素众多，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、轧件三维变形理论等机理性方法来精确计算出高精度的冷轧机板形调控功效系数；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。在实际带材轧制生产过程中，冷轧机板形调控功效系数还会受到诸多轧制过程参数的影响，如带钢宽度、轧制力、轧辊粗糙度和轧辊温度等；不同规格的带钢对应不同的冷轧机板形调控功效系数，即使相同的规格的带钢在不同的工况下(例如不同轧制张力条件)其冷轧机板形调控功效系数也会发生变化，因而由轧机实验得到的冷轧机板形调控功效系数在精度方面也存在较大问题。另一方面，使用在线自学习系统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，并且在线自学习系统会受到控制系统实时性的苛刻要求，目前已有在线自学习系统并不能对冷轧机板形调控功效系数进行精确解耦，因而所得到的在线自学习结果并不理想，甚至有时会变得更差。

另一方面，轧制过程中会产生很多轧机输入输出过程数据，在这些数据中蕴含着丰富的轧制信息。如果能够合理利用这些过程数据进行离线自学习，就可以得到真实的轧机生产过程中的输入输出关系，从而获得高精度的冷轧机板形调控功效系数。与此同时，离线自学习不受控制系统的实时性要求限制，可以设计利用足够多组过程数据的复杂自学习算法来进行冷轧机板形调控功效系数的离线自学习，有效避免了样本数据过少时异常数据点造成计算结果精度变差现象的发生。因此，研发冷轧机板形调控功效系数离线自学习系统是一条能够进一步提高冷轧带钢板形控制质量的可行性技术方案。

发明内容

本发明所要解决的技术问题是：提供一种冷轧机板形调控功效系数离线自学习系统，该系统能够显著提高冷轧机板形调控功效系数的精度，同时能够很好地解决传统冷轧带钢生产中由于冷轧机板形调控功效系数计算值与实际值之间偏差较大，将精度不高的功效系数应用于闭环板形控制系统后会造成冷轧带钢产品板形控制精度不高、甚至发生断带停机生产事故的技术问题。

本发明解决其技术问题采用以下的技术方案：

本发明提供的冷轧机板形调控功效系数离线自学习系统，包括：离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块，它们依次顺序连接；所述模块均通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选以及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数，实现高精度冷轧机板形调控功效系数离线自学习。

所述离线自学习参数设定模块，该模块用于实现离线自学习系统的初始参数设定功能，包括：带钢规格、轧制前张力组别、导入生产数据组数Num。

所述冷轧机输入输出过程数据读取模块，该模块用于接收所述离线自学习参数设定模块所设定的参数带钢规格、轧制前张力组别、导入生产数据组数Num，依据接收到参数带钢规格、轧制前张力组别、导入生产数据组数Num从板形计算机数据库中读取用于本次离线自学习的冷轧机输入输出过程数据，所读取的冷轧机输入输出过程数据为同时符合所选带钢规格和轧制前张力组别条件的Num组数据，每一组数据包含信息有：对应控制周期内各板形在线调控装置的调节量，对应控制周期内轧制前张力大小，对应控制周期开始时的带钢板形偏差分布信号，对应控制周期的时序编号DataID。

上述冷轧机输入输出过程数据读取模块中，板形计算机数据库中对应控制周期的时序编号DataID的赋值规则为：依据采集时间先后顺序对过程数据进行过程数据编号，第一个控制周期的DataID=1，第二个控制周期的DataID=2，…，以此类推；对于由于加减速或者换辊原因造成冷轧带卷不能继续稳定高速轧制时，暂时停止上述过程数据存储过程；待恢复稳定高速轧制时继续进行过程数据存储，且假若上一次过程数据存储的最后一组过程数据的DataID=i，则本次数据存储从DataID=i+2开始按照采集时间先后顺序继续进行存储，后续各组过程数据的DataID值分别为i+3,…,以此类推。

所述过程数据时序处理模块，该模块用于接收所述冷轧机输入输出过程数据读取模块所读取的用于本次离线自学习的Num组冷轧机输入输出过程数据，并且依据各组数据的时序编号DataID值对Num组过程数据进行进一步时序处理，处理规则为：从上述Num组过程数据中DataID值最小的那组数据开始,如果DataID值分别为i和i+1的两组过程数据同时属于上述Num组过程数据，则按照DataID值由小到大的顺序将u_ij(i∈{1,2,3，…}；j=1,…,m)赋值给U_kj(k=1,…,N；j=1,…,m),同时将δ_ij-δ_(i+1)j赋值给F_kj(k=1,…,N；j=1,…,m)；这里m表示冷轧机配置的板形在线调控装置个数，N为本步骤中对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数。

所述数据驱动的板形控制作用机理建模模块，该模块用于接收由所述过程数据时序处理模块输出的时序处理后过程数据U_kj(k=1,…,N；j=1,…,m)和F_kj(k=1,…,N；j=1,…,m)，建立如下基于数据驱动的板形控制作用机理模型：

式中：E_kj(k=1,…,m；j=1,…,n)为第k种板形在线调控装置在第j个板形特征点处的板形轧机板形调控功效系数，这里n为所轧带钢的板形特征点个数；r_kj(k=1,…,N；j=1,…,n)表示模型中第k组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布。

上述数据驱动的板形控制作用机理建模模块中，所轧带钢的板形特征点个数可以由所轧带钢横向覆盖接触式板形仪的有效测量段个数来确定。

所述冷轧机板形调控功效系数计算模块，该模块基于所述数据驱动的板形控制作用机理建模模块给出的基于数据驱动的板形控制作用机理模型，建立如下冷轧机板形调控功效系数离线自学习方法的目标优化函数：

然后利用最小二乘算法计算目标优化函数J取最小值时冷轧机板形调控功效系数E_kj(k=1,…,m；j=1,…,n)。

上述冷轧机板形调控功效系数计算模块中，利用最小二乘算法计算目标优化函数J取最小值时冷轧机板形调控功效系数E_kj时，

采用以下的常规直接求逆计算算法：

或者，

采用以下的矩阵正交分解算法：

首先将U_ij(i=1,…,N；j=1,…,m)构成的N×m维矩阵进行Gram-Schmit正交分解：

然后利用Gram-Schmit正交分解后的矩阵计算冷轧机板形调控功效系数矩阵：

需要指出的是，矩阵正交分解算法在计算精度方面要优于直接求逆计算算法，但是矩阵正交分解算法的计算量是直接求逆计算算法计算量的两倍。

所述计算结果评判和处理模块，将离线学习前的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出本次离线学习前函数值J₁，再将离线学习后的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出离线学习后函数值J₂。如果有J₁>J₂,说明本次离线自学习提高了轧机板形调控功效系数的精度,则认为本次离线学习符合要求，保存本机计算结果到板形计算机数据库,替换原来的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制；否则,说明本次离线自学习没有提高了轧机板形调控功效系数的精度,则本次离线自学习不符合要求，此时可以选择增加所述离线自学习参数设定模块的导入生产数据组数Num后重新进行一次离线自学习，直到获得满意的离线自学习结果为止。

本发明提供的冷轧机板形调控功效系数离线自学习系统，与现有技术相比具有以下优点：

其一.给出了一种能够计算出高精度冷轧机板形调控功效系数的有效途径。

建立了基于数据驱动的板形控制作用机理模型，并且给出了冷轧机板形调控功效系数离线自学习系统的目标优化函数；利用最小二乘算法计算出目标优化函数取最小值时的冷轧机板形调控功效系数，能够最大限度的提高冷轧机板形调控功效系数的精度。

其二.能够很好地解决传统冷轧带钢生产中由于冷轧机板形调控功效系数计算值与实际值之间偏差较大，将精度不高的功效系数应用于闭环板形控制系统后会造成冷轧带钢产品板形控制精度不高、甚至发生断带停机生产事故的技术问题。

附图说明

图1为本发明一个实例的系统结构框图。

图2为本发明一个实例的冷轧机板形调控功效系数离线自学习计算流程图。

图3为本实例中按照本发明方法编程实现的软件系统界面图。

图4为本实例中离线计算前后系统板形调控系数偏差指标函数对比图。

具体实施方式

本发明提供的冷轧机板形调控功效系数离线自学习系统，该系统通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选以及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数，实现冷轧机板形调控功效系数离线自学习，从而提高冷轧机板形调控功效系数的精度。

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。

本发明提供的冷轧机板形调控功效系数离线自学习系统，如图1所示，包括：离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块，它们依次顺序连接。

离线自学习参数设定模块：用于实现离线自学习系统的初始参数设定功能，包括：带钢规格、轧制前张力组别、导入生产数据组数Num。

冷轧机输入输出过程数据读取模块：用于接收所述离线自学习参数设定模块所设定的参数带钢规格、轧制前张力组别、导入生产数据组数Num，依据上述设定值从板形计算机数据库中读取用于本次离线自学习的冷轧机输入输出过程数据，所读取的冷轧机输入输出过程数据为同时符合所选带钢规格和轧制前张力组别条件的Num组数据，每一组数据包含信息有：对应控制周期内各板形在线调控装置的调节量，对应控制周期内轧制前张力大小，对应控制周期开始时的带钢板形偏差分布信号，对应控制周期的时序编号DataID。本实施例中板形计算机数据库中对应控制周期的时序编号DataID的赋值规则为：依据采集时间先后顺序对过程数据进行过程数据编号，第一个控制周期的DataID=1，第二个控制周期的DataID=2，…,以此类推。对于由于加减速或者换辊等原因造成冷轧带卷不能继续稳定高速轧制时,暂时停止上述过程数据存储过程；待恢复稳定高速轧制时继续进行过程数据存储,且假若上一次过程数据存储的最后一组过程数据的DataID=i，则本次数据存储从DataID=i+2开始按照采集时间先后顺序继续进行存储，后续各组过程数据的DataID值分别为i+2,i+3,…,以此类推。

过程数据时序处理模块：用于接收所述冷轧机输入输出过程数据读取模块所读取的用于本次离线自学习的Num组冷轧机输入输出过程数据，并且依据各组数据的时序编号DataID值对Num组过程数据进行进一步时序处理，处理规则为：从上述Num组过程数据中DataID值最小的那组数据开始,如果DataID值分别为i和i+1的两组过程数据同时属于上述Num组过程数据，则按照DataID值由小到大的顺序将u_ij(i∈{1,2,3，…}；j=1,…,m)赋值给U_kj(k=1,…,N；j=1,…,m),同时将δ_ij-δ_(i+1)j赋值给F_kj(k=1,…,N；j=1,…,m)；这里m表示冷轧机配置的板形在线调控装置个数，N为本步骤中对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数。

数据驱动的板形控制作用机理建模模块：用于接收由所述过程数据时序处理模块输出的时序处理后过程数据U_kj(k=1,…,N；j=1,…,m)和Fkj(k=1,…,N；j=1,…,m)，建立如下基于数据驱动的板形控制作用机理模型：

式中：E_kj(k=1,…,m；j=1,…,n)为第k种板形在线调控装置在第j个板形特征点处的板形轧机板形调控功效系数，这里n为所轧带钢的板形特征点个数，本实施例中由所轧带钢横向覆盖接触式板形仪的有效测量段个数来确定；r_kj(k=1,…,N；j=1,…,n)表示模型中第k组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布。

冷轧机板形调控功效系数计算模块：基于所述数据驱动的板形控制作用机理建模模块给出的基于数据驱动的板形控制作用机理模型，建立如下冷轧机板形调控功效系数离线自学习方法的目标优化函数J：

本实施例利用最小二乘算法计算目标优化函数J取最小值时，冷轧机板形调控功效系数E_kj(k=1,…,m；j=1,…,n)。

所述最小二乘算法可以选用如下两种实现算法之一：

a)常规直接求逆计算算法：

b)矩阵正交分解算法：

首先将U_ij(i=1,…,N；j=1,…,m)构成的N×m维矩阵进行Gram-Schmit正交分解：

然后利用Gram-Schmit正交分解后的矩阵计算冷轧机板形调控功效系数矩阵：

计算结果评判和处理模块：将离线学习前的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出本次离线学习前函数值J₁，再将离线学习后的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出离线学习后函数值J₂。如果有J₁>J₂,说明本次离线自学习提高了轧机板形调控功效系数的精度,则认为本次离线学习符合要求，保存本机计算结果到板形计算机数据库,替换原来的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制；否则,说明本次离线自学习没有提高了轧机板形调控功效系数的精度,则本次离线自学习不符合要求，此时可以选择增加所述离线自学习参数设定模块的导入生产数据组数Num后重新进行一次离线自学习，直到获得满意的离线自学习结果为止。

基于本发明的冷轧机板形调控功效系数离线自学习系统可用于四辊、六辊单机架或多机架冷连轧机组。以下以一台单机架六辊轧机为例，该六辊轧机可轧制的产品包括普通板、高强钢、部分不锈钢和硅钢等。本实施例轧制的是中高牌号硅钢，机型为UCM轧机，板形控制手段包括轧辊倾斜、工作辊正负弯辊、中间辊正弯辊、中间辊窜辊以及乳化液分段冷却等。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；乳化液分段冷却具有较大的时间滞后特性。因而在线调节的板形控制手段主要有轧辊倾斜、工作辊正负弯辊、中间辊正弯辊三种。该机组的主要技术性能指标和设备参数为：

轧制速度：Max900m/min，轧制压力：Max18000KN，最大轧制力矩：140.3KN×m，卷取前张力：Max220KN，主电机功率：5500KW；来料厚度范围：1.8～2.5mm，来料宽度范围：850～1280mm，轧后厚度范围：0.2mm～1.0mm；

工作辊直径：290～340mm，工作辊身长：1400mm，中间辊直径：440～500mm，中间辊身长：1640mm，支撑辊直径：1150～1250mm，支撑辊身长：1400mm；

每侧工作辊弯辊力：-280～350KN，每侧中间辊弯辊力：0～500KN，中间辊轴向横移量：-120～120mm，辅助液压系统压力：14MPa，平衡弯辊系统压力：28MPa，压下系统压力：28MPa。

板形测量装置(通常为接触式板形仪)采用瑞典的ABB公司板形辊，该板形辊辊径313mm，由实心钢轴组成，沿宽度方向每隔52mm或26mm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。本实例中产品规格(厚度×宽度)为：0.25mm×1250mm，板形仪中间20个测量区段宽度为52mm，其余两侧测量区段宽度为26mm。

如图2所示，本实施例进行冷轧机板形调控功效系数离线自学习的具体工作过程为：

(1)完成离线自学习系统的初始参数设定：

选用C#高级语言为程序开发语言，集成环境采用微软的Visual Studio2010，图3为依据本发明所开发的单机架六辊冷轧机板形调控机构功效系数离线自学习系统。系统中带钢规格选项栏中包含了单机架六辊冷轧机轧制过的所有带钢产品规格，系统又依据六辊冷轧机生产制度将轧制前张力按照高速轧制时最大轧制前张力和最小轧制前张力均匀划分为六组：100KN～120KN，121KN～140KN,141KN～160KN,161KN～180KN,181KN～200KN,201KN～220KN。

如图3所示，设定离线自学习系统的初始参数为：轧制规格0.25mm×1250mm，张力组别161KN～180KN，导入生产数据组数Num=1000。

(2)由板形计算机数据库读取冷轧机输入输出过程数据：

本实例中在轧制0.25mm×1250mm规格的冷轧带钢时收集的冷轧机输入输出过程数据组数为200000组(亦即DataID的最大值为200000)，将这些海量数据存储于板形计算机数据库,数据库平台采用Oracle9i。按照上一步骤中选定的张力组别，在系统界面中点击“导入数据”后将符合初始参数要求的1000组过程数据由板形计算机数据库导入到板形调控功效系数离线自学习系统。本实例中导入的1000组过程数据包括：冷轧机稳定高速轧制0.25mm×1250mm规格的冷轧带钢采集的1000个控制周期内轧辊倾斜、工作辊正负弯辊、中间辊正弯辊三种装置调节量u_i1、u_i2、u_i3(i∈{1,…,200000})；这1000个控制周期内轧制前张力大小T_i(i∈{1,…,200000})，单位为KN；上述1000个控制周期开始时带钢板形偏差分布信号δ_ij(i∈{1,…,200000}；j=1,…,20；单位为板形国际单位I或者MPa)，本实例中按照带钢规格和板形仪尺寸确定出所轧带钢有效板形测量特征点个数为20个。

(3)对本实例中的1000组过程数据进行时序处理，处理规则为：

由上一步骤中得到的1000组冷轧机输入输出过程数据中DataID值最小的那组数据开始,如果DataID为i(i∈{1,…,200000})和i+1的两组数据同时属于上述1000组过程数据，则按照DataID值由小到大的顺序将u_ij(i∈{1,…,200000}；j=1,2,3)赋值给U_kj(k=1,…,N；j=1,2,3),同时将δ_ij-δ_(i+1)j赋值给F_kj(k=1,…,256；j=1,2,3)，本实例中对有效冷轧机输入输出过程数据进行时序处理后得到的数据组数为256组。

(4)建立基于数据驱动的板形控制作用机理模型：

利用步骤(3)中时序处理后所得到的N=256组冷轧机输入输出过程数据U_ij(i=1,…,256；j=1,2,3)和F_ij(i=1,…,256；j=1,…,n；n=20)来建立所述的板形控制作用机理模型：

式中：r_ij(i=1,…,N；j=1,…,n)表示模型中第i组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布。

(5)建立如下冷轧机板形调控功效系数离线自学习方法的目标优化函数J：

利用本实例中256组冷轧机输入输出数据U_ij(i=1,…,256；j=1,2,3)和F_ij(i=1,…,256；j=1,…,20)所提供的信息，求取能够使得上述目标优化函数J取最小值的轧机板形调控功效系数E_kj(k=1,2,3；j=1,…,20)是本发明的主要目标。

结合上一步骤建立的基于数据驱动的板形控制作用机理模型和本步骤提出的目标优化函数J，本发明利用最小二乘算法计算目标优化函数J取最小值时冷轧机板形调控功效系数，本实例中采用先进的矩阵正交分解算法来计算使得目标优化函数J取最小值的轧机板形调控功效系数E_kj(k=1,2,3；j=1,…,20)：

首先将U_ij(i=1,…,256；j=1,2,3)构成的256×3维矩阵进行Gram-Schmit正交分解：

然后利用Gram-Schmit正交分解后的矩阵计算冷轧机板形调控功效系数矩阵：

式中有N=256，n=20。

图3的数据区给出了本实例的自学习计算结果。为了更直观的表现自学习计算结果的特性，在系统界面的右边给出了轧辊倾斜、工作辊正负弯辊、中间辊正弯辊三种装置的板形调控功效系数分布柱状图，可以更好的提供给技术人员进行自学习计算结果的效果判别。

(6)判断计算结果是否符合要求：

将离线学习前的冷轧机板形调控功效系数代入步骤(5)中的目标优化函数计算出目标优化函数值J₁，在将离线学习后的轧机板形调控功效系数代入步骤(5)中的目标优化函数计算出目标优化函数值J₂。如果有J₁>J₂,则说明离线自学习提高了轧机板形调控功效系数的精度,本次离线学习符合要求，转至步骤(7)；否则,则说明离线自学习没有提高了轧机板形调控功效系数的精度,本次离线学习不符合要求，增加用于离线自学习的冷轧机输入输出数据组数Num后重新转至步骤(2)。本实例中有J₁=1812.7和J₂=222.7，可以看出J₁远远大于J₂，这也就是意味着离线自学习后的板形调控功效系数相比学习前在精度方面已经有很大提高,此次离线自学习计算结果符合要求。

(7)将步骤(6)中计算得到的冷轧机板形调控功效系数保存到板形计算机数据库,替换原有的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制。

为了更清晰的展现出本发明方法在本实例中所获得的有益效果，这里我们利用公式：

来表示冷轧机板形调控功效系数对于本实例中256组冷轧机输入输出数据在第j个板形特征点处存在的偏差指标函数，分别将离线自学习计算前的冷轧机板形调控功效系数和离线自学习计算后的冷轧机板形调控功效系数代入上述偏差指标函数。图4给出了离线自学习计算前后本实例20个板形特征点处偏差指标函数对比图。由图4可以看出，本发明方法显著提高了冷轧机板形调控功效系数的精度。需要特别指出的是，离线自学习计算前的冷轧机板形调控功效系数在带钢边部区域偏差较大，这会造成对带钢边部控制精度的降低，导致生产过程中存在断带危险。经过离线自学习计算之后，由图4可以看出本实例中所有20个板形特征点处的冷轧机板形调控功效系数的精度都有很大提高，而带钢边部区域的提高幅度最大，能够有效解决由于功效系数精度不高而造成冷轧带钢产品板形控制精度不理想、甚至发生断带停机等生产事故的技术问题，充分证明了本发明方法的有效性和实用价值。

以上实施例仅用于说明本发明的计算思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种冷轧机板形调控功效系数离线自学习系统，其特征是包括：离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块，它们依次顺序连接；所述模块均通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选以及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数，实现高精度冷轧机板形调控功效系数离线自学习。

2.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述离线自学习参数设定模块，该模块用于实现离线自学习系统的初始参数设定功能，包括：带钢规格、轧制前张力组别、导入生产数据组数Num。

3.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机输入输出过程数据读取模块，该模块用于接收所述离线自学习参数设定模块所设定的参数带钢规格、轧制前张力组别、导入生产数据组数Num，依据接收到的参数带钢规格、轧制前张力组别、导入生产数据组数Num从板形计算机数据库中读取用于本次离线自学习的冷轧机输入输出过程数据，所读取的冷轧机输入输出过程数据为同时符合所选带钢规格和轧制前张力组别条件的Num组数据，每一组数据包含信息有：对应控制周期内各板形在线调控装置的调节量，对应控制周期内轧制前张力大小，对应控制周期开始时的带钢板形偏差分布信号，对应控制周期的时序编号DataID。

4.根据权利要求3所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机输入输出过程数据读取模块中，板形计算机数据库中对应控制周期的时序编号DataID的赋值规则为：依据采集时间先后顺序对过程数据进行过程数据编号，第一个控制周期的DataID=1，第二个控制周期的DataID=2，…，以此类推；

对于由于加减速或者换辊原因造成冷轧带卷不能继续稳定高速轧制时，暂时停止上述过程数据存储过程；待恢复稳定高速轧制时继续进行过程数据存储，且假若上一次过程数据存储的最后一组过程数据的DataID=i，则本次数据存储从DataID=i+2开始按照采集时间先后顺序继续进行存储，后续各组过程数据的DataID值分别为i+3,…,以此类推。

5.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述过程数据时序处理模块，该模块用于接收所述冷轧机输入输出过程数据读取模块所读取的用于本次离线自学习的Num组冷轧机输入输出过程数据，并且依据各组数据的时序编号DataID值对Num组过程数据进行进一步时序处理，处理规则为：从上述Num组过程数据中DataID值最小的那组数据开始，如果DataID值分别为i和i+1的两组过程数据同时属于上述Num组过程数据，则按照DataID值由小到大的顺序将u_ij赋值给U_kj,同时将δ_ij-δ_(i+1)j赋值给F_kj；

所述符号中，i∈{1,2,3，…}；j=1,…,m；k=1,…,N；j=1,…,m；其中m表示冷轧机配置的板形在线调控装置个数，N为本模块对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数。

6.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述数据驱动的板形控制作用机理建模模块，该模块用于接收由所述过程数据时序处理模块输出的时序处理后过程数据U_kj和F_kj建立以基于数据驱动的板形控制作用机理模型；U_kj中，k=1,…,N，j=1,…,m；F_kj中，k=1,…,N，j=1,…,m；

所述数据驱动的板形控制作用机理模型为：

式中：r_kj表示模型中第k组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布，其中k=1,…,N，j=1,…,n。

7.根据权利要求6所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机板形调控功效系数计算模块，该模块基于所述数据驱动的板形控制作用机理建模模块给出的数据驱动的板形控制作用机理模型，建立以下冷轧机板形调控功效系数离线自学习方法的目标优化函数J：

然后利用最小二乘算法计算目标优化函数J取最小值时的E_kj，E_kj为第k种板形在线调控装置在第j个板形特征点处的冷轧机板形调控功效系数，其中k=1,…,m，j=1,…,n，n为所轧带钢的板形特征点个数。

8.根据权利要求7所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机板形调控功效系数计算模块中，利用最小二乘算法计算目标优化函数J取最小值时冷轧机板形调控功效系数E_kj时，

采用以下的常规直接求逆计算算法：

或者，

采用以下的矩阵正交分解算法：

首先将U_ij(i=1,…,N；j=1,…,m)构成的N×m维矩阵进行Gram-Schmit正交分解：

然后利用Gram-Schmit正交分解后的矩阵计算冷轧机板形调控功效系数矩阵：

9.根据权利要求6所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述数据驱动的板形控制作用机理建模模块中，所轧带钢的板形特征点个数由所轧带钢横向覆盖接触式板形仪的有效测量段个数来确定。

10.根据权利要求1或7或8所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述计算结果评判和处理模块，该模块将离线学习前的冷轧机板形调控功效系数E_kj代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出本次离线学习前函数值J₁，再将离线学习后的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出离线学习后函数值J₂，然后进行评判和处理：

如果有J₁>J₂，说明本次离线自学习提高了轧机板形调控功效系数的精度，则认为本次离线学习符合要求，保存本机计算结果到板形计算机数据库，替换原来的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制；否则，说明本次离线自学习没有提高了轧机板形调控功效系数的精度，则本次离线自学习不符合要求，此时选择增加所述离线自学习参数设定模块的导入生产数据组数Num后重新进行一次离线自学习，直到获得满意的离线自学习结果为止。

Images