CN102654749A - 学习系数控制装置 - Google Patents

Abstract

本发明的目的在于提供一种学习系数控制装置，该学习系数控制装置即使在学习系数超过限制值的情况下，仍能将学习系数控制在限制值内来修正模型误差。对于基于两个以上的模型来预测一个物理量的过程模型，学习运算部(10)基于物理量的预测值和实际值之差来计算各模型的学习系数，变换系数运算部(14)运算用于获得校正值所必要的变换系数，该校正值用于改变另一个模型的预测值，以使得在改变一个模型的预测值时最后求出的物理量的预测值不变，模型校正值运算部(20)在一个模型的学习系数超过第一限制值的情况下，基于来自学习系数修正值运算部(17)的模型的学习系数的修正值和来自变换系数平均值运算部(19)的变换系数的平均值，来运算用于以另一个模型来补偿因修正一个模型的学习系数而产生的预测值的变化量的模型的校正值。

Description

学习系数控制装置

技术领域

本发明涉及对金属等进行轧制的过程，特别涉及对表示轧制过程的模型的参数进行修正的学习系数控制装置。

背景技术

通常，在过程控制中，生成表示过程的现象的模型，对该模型来构建控制系统以实施控制。因而，最终产品的控制精度与模型如何高精度地表现过程有着很大的关系。因此，为了弥补过程和模型的误差而进行模型学习，以力图提高模型的精度。

P＝Z_P·P^ORI                   (1)

一般为了提高轧制模型的预测精度，而进行弥补轧制实际值与轧制模型预测值之间的误差的学习控制。作为轧制模型的代表性模型有负荷模型，作为该负荷模型的控制方法有以式(1)所示的学习系数Zp来提高预测精度的学习方法。

式中，

P：负荷预测值[kN]

Zp：负荷学习系数

P^ORI：负荷模型预测值[kN]

学习系数是以轧制实际值和轧制模型预测值之比来表示的，使用根据容易产生轧制模型误差的因子所区分的分层表来对每一分层进行学习。具体而言，如专利文献1所记载的那样，按照钢的种类、轧制尺寸、及工作辊的不同来对学习区分进行分层，从而学习因轧制材料、轧机机座的不同而引起的轧制模型的误差，力图提高轧制模型的精度。

另外，学习系数有时会因实际值的异常而导致计算出的学习系数也成为异常值。由于这并不是因为模型的原因而导致成为异常值，因此，不能学习该异常值。因此，一般而言，对学习系数设置限制值，在学习系数超过限制值的情况下，忽略学习系数，或置换为限制值内的预先决定的值来进行学习。

现有技术文献

专利文献

专利文献1：日本专利特开平10-180321号公报

发明内容

如上所述，通过对学习系数分层来进行学习及存储，从而能够提高模型的预测精度，但是对于每一分层的学习系数存在下述问题。

在模型式的参数不恰当的情况下，或在预先设定的限制值不适当的情况下，即使对某一分层计算出的学习系数是正确的值，有时也会超过限制值。在这种情况下，也忽略该学习系数或置换为限制值内的预先决定的值，来进行学习。因此，由于下一轧制材料的学习系数不恰当，因而不能提高轧制模型的预测精度。

本发明是为了解决上述问题而完成的，其目的在于提供一种学习系数控制装置，该学习系数控制装置即使在学习系数超过限制值的情况下，也能修正分层的学习系数，在限制值内控制学习系数，从而能够高效地修正模型误差。

权利要求1所记载的发明的特征在于，包括：学习运算部，该学习运算部对于基于表示过程的至少两个模型来最终预测一个物理量的过程模型，基于物理量的预测值和实际值之差来计算各模型的学习系数；存储部，该存储部将各模型的学习系数存储到对各模型准备的分层表中；变换系数运算部，该变换系数运算部运算用于获得校正值所必要的变换系数，该校正值用于改变另一个模型的预测值，以使得在基于上述物理量的实际值来改变一个模型的预测值时最后求出的物理量的预测值不变；变换系数存储部，该变换系数存储部存储由上述变换系数运算部运算出的变换系数；学习系数修正值运算部，该学习系数修正值运算部在上述存储部中所存储的一个模型的学习系数超过预先设定的第一限制值的情况下，运算该模型的学习系数的修正值；变换系数平均值运算部，该变换系数平均值运算部运算上述变换系数存储部中所存储的变换系数的平均值；以及模型校正值运算部，该模型校正值运算部基于由上述学习系数修正值运算部运算出的学习系数的修正值和由上述变换系数平均值运算部运算出的变换系数的平均值，来运算用于以另一个模型来补偿因修正一个模型的学习系数而产生的预测值的变化量的模型的校正值。

根据本发明，由于模型校正值运算部基于由学习系数修正值运算部运算出的学习系数的修正值和由变换系数平均值运算部运算出的变换系数的平均值，来运算用于以另一个模型来补偿因修正一个模型的学习系数而产生的预测值的变化量的模型的校正值，因此即使在学习系数超过预先设定的限制值的情况下，也能够修正分层的学习系数，将学习系数控制在限制值内，从而高效地修正模型误差，达到提高模型的精度。

附图说明

图1是将实施例1的学习系数控制装置的结构应用到串列式冷轧机的结构图。

图2是实施例1的学习系数控制装置内的变换系数存储部的详细图。

图3是表示实施例1的学习系数控制装置内的学习系数修正部的效果的图。

图4是表示实施例1的学习系数控制装置内的学习系数修正部的效果的图。

图5是实施例1的学习系数控制装置内的校正值存储部的详细图。

图6是将实施例2的学习系数控制装置的结构应用到串列式冷轧机的结构图。

附图标记

1～5 轧机

6 轧制材料

7 轧制方向

8 板厚检测装置

9，9a 学习系数控制装置

10 学习运算部

11 存储部

12 负荷学习表

13 变形阻抗学习表

14 变换系数运算部

15 变换系数存储部

16 学习系数监视部

17 学习系数修正值运算部

18 学习系数修正部

19 变换系数平均值运算部

20 模型校正值运算部

21 校正值存储部

22 变换系数表

23 校正值表

24 校正值监视部

25 操作显示画面

具体实施方式

说明将本发明的实施例1的学习系数控制装置应用到串列式冷轧机的轧制模型的例子。

[实施例1]

图1是将实施例1的学习系数控制装置的结构应用到串列式冷轧机的结构图。在图1中，轧机采用以下结构：即，串列配置从第一机座1到第五机座5这五台机座。轧制材料6沿箭头7的方向被轧制成所希望的产品，由未图示的卷取机进行卷绕。各轧机包括测定未图示的轧制负荷等的装置。而且，在第五机座5的出口侧设置有测定轧制材料6的板厚的板厚检测装置8。

计算冷轧机的各致动器的设定值，使得基于预先给予的轧制信息并使用轧制模型能获得所希望的产品。例如，以式(2)表示负荷模型，以式(3)表示变形阻抗模型，从而能够预测轧制负荷。

P_j＝Z_Pijk·km_j·f_j(t_fj，t_bj，km_j)·L_j·W_j·Q_j         (2)

${\mathrm{km}}_j=Z_{\mathrm{Kij}}\·{\mathrm{km}}_j^{\mathrm{ORI}}---\left(3\right)$

式中，

i：钢的种类区分编号

j：轧机机座区分编号

k：目标板厚区分编号

P_j：负荷预测值[kN]

Z_Pijk：负荷学习系数

km_j：变形阻抗预测值[MPa]

f_j：张力的影响函数

t_fj：前方张力[MPa]

t_bj：后方张力[MPa]

L_j：接触弧长[mm]

W_j：轧制材料在宽度方向上的长度[mm]

Q_j：压下力函数

Z_Kij：变形阻抗学习系数

km_j ^ORI：变形阻抗模型预测值[MPa]

此外，由于在式(2)中包含张力的影响函数，因此，负荷和变形阻抗之间为有非线性关系。通常，由于轧制模型中有误差，因此，进行接下来叙述的学习控制，从而力图提高轧制模型的精度。

学习系数控制装置9包括学习运算部10、存储部11、变换系数运算部14、变换系数存储部15、学习系数监视部16、学习系数修正值运算部17、学习系数修正部18、变换系数平均运算部19、模型校正值运算部20、校正值存储部21。

未图示的实际数据采集装置在轧制中采集轧制实际值。学习运算部10使用由实际数据采集装置采集到的轧制实际值，来运算轧制实际值和轧制模型预测制之比或之差作为学习系数，进行平滑化处理。存储部11将由学习运算部10进行了平滑化处理的学习系数存储到分层的学习系数表中。在下一材料设定计算中，使用存储部11中所存储的最新的学习系数(学习值)来运算各致动器的初始值。

在上述的轧制模型的情况下，存储部11对构成预测计算的两个模型(负荷模型和变形阻抗模型)设置负荷学习表12和变形阻抗学习表13。例如，负荷学习表12按照钢的种类、目标板厚、及轧制机座而进行分层。变形阻抗学习表13按照钢的种类及轧机机座而进行分层。

接下来，使用图1～图5说明成为实施例1的学习系数控制装置的特征的结构。在实施例1的学习系数控制装置中，上述轧制模型可如下述那样表示。

P_j＝Z_Pijk·km_j·f_j(t_fj，t_bj，km_j)·L_j·W_j·Q_j           (4)

${\mathrm{km}}_j=A_{\mathrm{ij}}\·Z_{\mathrm{Kij}}\·{\mathrm{km}}_j^{\mathrm{ORI}}---\left(5\right)$

式中，

A_ij：模型的校正值

式中，A_ij是为了实施本发明而新设定的模型的校正值。

Aij是为了改变变形阻抗模型(另一种模型)的校正值，以使得在修正负荷模型(一种模型)的负荷学习系数时，负荷预测值(物理量的预测值)不变。

在修正负荷学习系数的情况下，负荷预测值P_j必须与改变负荷学习系数前的负荷预测值相同。因此，以式(5)表示变形阻抗模型，以模型的校正值A_ij来校正由负荷学习系数的修正所引起的影响。以下，对求出该校正值的方法和使用方法进行说明。

变换系数运算部14基于式(4)求出用于置换为与相对于负荷的变化量等价的变形阻抗的变化量的变换系数α。如上所述，因负荷与变形阻抗有非线性关系，因此，难以通过解析求出改变负荷学习系数的情况下的模型的校正值。为此，通过以下叙述的变换系数来运算模型校正值。

变换系数运算部14基于轧制实际值，计算变形阻抗计算值km_j ⁰，使用变形阻抗计算值km_j ⁰来计算负荷计算值P_j ⁰。之后，变换系数运算部14将变形阻抗计算值km_j ⁰改变例如10％，将其设为变形阻抗改变值km_j ¹，使用变形阻抗改变值km_j ¹，来计算使变形阻抗改变时的负荷计算值P_j ¹。然后，变换系数运算部14分别对负荷和变形阻抗求出其改变前和改变后之比，导入变换系数α_ijk，使得两者之比相等，进行式(6)的运算。

${\mathrm{\α}}_{\mathrm{ijk}}=\frac{{P_j}^1\·{\mathrm{km}}_j^0}{{P_j}^0\·{\mathrm{km}}_j^1}---\left(6\right)$

式中，

a_ijk：钢的种类区分编号i、机座区分编号j、板厚区分编号k的变换系数

P_j ⁰：负荷计算值[kN]

P_j ¹：使变形阻抗变化时的负荷计算值[kN]

km_j ⁰：变形阻抗计算值[MPa]

km_j ¹：变形阻抗改变值[MPa]

即，利用式(6)的运算，求出用于运算模型的校正值的变换系数。

变换系数运算部14在运算了式(6)的变换系数之后，向变换系数存储部15输出变换系数。通过使用上述计算方法，从而即使在相关的模型间的关系是非线性的情况下，或在改变数学式模型的情况下，也能够容易地运算出模型间的变换关系。

变换系数存储部15将由变换系数运算部14运算出的变换系数存储到与负荷学习表12相同地根据钢的种类、目标板厚、及轧制机座而进行分层的图2所示的变换系数表22中。由此，能够对每一分层区分保持最新的变换系数。

学习系数监视部16在负荷学习表12中的按照钢的种类及轧机机座进行分层的目标板厚区分的学习系数的最大值或最小值超过预先设定的限制值、例如学习系数的上下限值的情况下，向学习系数修正值运算部17和变换系数平均值运算部19传送执行命令。

由此，能够根据获取限制值的方式来设定学习系数的修正定时。此外，在上文中，将学习系数监视部16所要监视的限制值设为学习系数的上下限值，但并不限于此。例如，若将缩小学习系数的上下限值的范围的20％时的上下限设为要监视的限制值，则能在学习系数超过学习系数的上下限值之前传送执行命令，能够较早地修正学习系数。

学习系数修正值运算部17利用式(7)运算存储部11中所存储的负荷学习表12的按照钢的种类及轧机机座进行分层的目标板厚区分的负荷学习系数的平均值，作为修正值。

$\stackrel{\‾}{Z_{\mathrm{Pij}}}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{Z}_{\mathrm{Pijk}}---\left(7\right)$

式中，

相对于钢的种类区分编号i、机座区分编号j的目标板厚区分1～N的学习系数的平均值

Z_Pijk：钢的种类区分编号i、机座区分编号j、目标板厚区分编号k的负荷学习系数

之后，学习系数修正值运算部17向学习系数修正部18和模型校正值运算部20输出学习系数的修正值。

由此，后述的学习系数修正部18在修正负荷学习系数时，能够考虑到所有目标板厚区分1～N的学习系数的举动，通过将负荷学习系数修正到学习的有效范围内，来进行稳定的模型学习。

另外，学习系数修正值运算部17还能进行以下运算：即，将存储部11中所存储的负荷学习表12的按照钢的种类及轧机机座进行分层的目标板厚区分之中的、学习系数的最大值加上最小值，将加法结果除以2而获得的除法结果作为修正值。由此，即使仅在一个区分的学习系数成为异常值的情况下，但由于修正量较大，因此通过修正学习系数到学习的有效范围内，也能够进行稳定的模型学习。

学习系数修正部18对于与负荷学习表12的该轧制材料的钢的种类区分编号及轧机机座区分编号相对应的目标板厚区分的学习系数，进行式(8)的运算，即用目标板厚区分的各学习系数除以由学习系数修正运算部17运算出的修正值，来更新负荷学习表12的负荷学习系数。

$Z_{\mathrm{Pijk}}^{\mathrm{NEW}}=\frac{Z_{\mathrm{Pijk}}}{Z_{\mathrm{Pij}}}---\left(8\right)$

式中，

Z^NEW _Pijk：修正后的负荷学习系数

图3是表示修正值是负荷学习表12的按照钢的种类及轧机机座进行分层的目标板厚区分的平均值的情况下的负荷学习系数的修正例。学习系数的有效范围是：

0.85≤Z_Pijk≤1.15

在修正负荷学习系数前，目标板厚区分l的负荷学习系数超过上限值。通过修正负荷学习系数，从而使各目标板厚区分的负荷学习系数整体减小，将目标板厚区分l的负荷学习系数修正到有效范围内。

而且，图4示出了以下情况下的负荷学习系数的修正例：即，将负荷学习表12的按照钢的种类及轧机机座进行分层的目标板厚区分的学习系数的最大值和最小值相加，修正值是将相加的结果除以2而获得的除法结果。学习系数的有效范围与上述相同。在这种情况下，由于学习系数的修正量较大，因此能更好地将目标板厚区分l的负荷学习系数修正到有效范围内。

变换系数平均值运算部19若从学习系数监视部16接受到执行命令，则利用式(9)计算图2所示的变换系数存储部15的变换系数表22中所存储的按照钢的种类及轧机机座进行分层的目标板厚区分的变换系数的平均值。

$\stackrel{\‾}{{\mathrm{\α}}_{\mathrm{ij}}}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ijk}}---\left(9\right)$

式中，

相对于钢的种类区分编号i、轧机机座区分编号j的目标板厚区分的变换系数的平均值

N：目标板厚区分的区分数

α_ijk：钢的种类区分编号i、轧机机座区分编号j、目标板厚区分编号k的变换系数

之后，变换系数平均值运算部19将式(9)运算出的变换系数的平均值输出到模型校正值运算部20。

模型校正值运算部20使用由变换系数平均值运算部19运算出的变换系数的平均值和由学习系数修正值运算部17运算出的学习系数修正值，运算由式(10)表示的模型的校正值。

$A_{\mathrm{ij}}^{\mathrm{NEW}}=\frac{\stackrel{\‾}{Z_{\mathrm{Pij}}}}{\stackrel{\‾}{{\mathrm{\α}}_{\mathrm{ij}}}}\·A_{\mathrm{ij}}---\left(10\right)$

式中，

A^NEW _ij：伴随负荷学习系数的修正的变形阻抗模型的校正值

由此，能够求出伴随负荷学习系数的修正的变形阻抗模型的校正值。

校正值存储部21将由模型校正值运算部20运算出的校正值存储到与变形阻抗学习表13相同地按照钢的种类及轧机机座进行分层的图5所示的校正值表23中。在下一次进行相同条件的轧制时，利用式(5)计算变形阻抗，利用变形阻抗来校正伴随着负荷学习系数的修正而对负荷预测值造成的影响。

其原因不外乎考虑到以下情况：即，因变性阻抗模型的误差而导致负荷预测值的目标板厚区分引起整体偏移。因此，利用式(5)运算变形阻抗，从而能够提高变形阻抗的预测精度，能够提高使用其的其他轧制模型的精度。

[实施例2]

图6是将实施例2的学习系数控制装置的结构应用到串列式冷轧机的图。实施例2的学习系数控制装置也适用于与实施例1的学习系数控制装置相同的对象。

实施例2的学习系数控制装置与实施例1的学习系数控制装置的结构的不同之处在于，还追加了校正值监视部24和操作显示画面25(对应于显示部)。以下，仅说明与实施例1的学习系数控制装置的不同的结构。

校正值监视部24对由模型校正值运算部20运算出的校正值是否超过预先设定的限制值进行监视，在校正值超过限制值的情况下，向操作显示画面25输出报警。由此，能提前向操作者通知模型调整时期，能迅速地进行模型的调整，因此能够提高模型的精度。

另外，校正值监视部24在由模型校正值运算部20运算出的校正值超过预先设定的限制值的情况下，也能够向存储部11输出报警并进行保存。由此，能够向调整员通知模型的调整时期。即，模型调整员能够确认学习系数的修正履历，能迅速地进行模型的调整，因此能够提高模型的精度。

在模型的校正值超过限制值的情况下，意味着模型的预测精度较差。因此，需要再次调整模型参数，由校正值监视部24能够提前通知模型的调整时期。

此外，以乘法的形式记载了变性阻抗模型的校正值，但是并不限于此。另外，以乘法的形式记载了各种轧制模型的学习系数，但是并不限于此。由此，能够实施稳定且高精度的模型的学习。

在实施例1及实施例2中，说明了作为负荷模型和变性阻抗模型的模型，但本发明还可在其他学习区分的不同模型之间实施，例如在负荷模型和摩擦系数模型、转矩模型和变性阻抗模型等之间实施。

另外，本发明还能将热轧机、单轧机等所有的轧机作为对象。而且，本发明将过程设为轧制过程，但并不限于此，只要是使用加热、冷却过程等模型进行控制的过程，就都能适用。

工业上的实用性

本发明能够适用于串列式冷轧机、热轧机、单轧机等所有的轧机。

Claims (6)

1.一种学习系数控制装置，其特征在于，包括：

学习运算部，该学习运算部对于基于表示过程的至少两个模型来最终预测一个物理量的过程模型，基于物理量的预测值和实际值之差来计算各模型的学习系数；

存储部，该存储部将各模型的学习系数存储到对各模型准备的分层表中；

变换系数运算部，该变换系数运算部运算用于获得校正值所必要的变换系数，该校正值用于改变另一个模型的预测值，以使得在基于所述物理量的实际值来改变一个模型的预测值时最后求出的物理量的预测值不变；

变换系数存储部，该变换系数存储部存储由所述变换系数运算部运算出的变换系数；

学习系数修正值运算部，该学习系数修正值运算部在所述存储部中所存储的一个模型的学习系数超过预先设定的第一限制值的情况下，运算该模型的学习系数的修正值；

变换系数平均值运算部，该变换系数平均值运算部运算所述变换系数存储部中所存储的变换系数的平均值；以及

模型校正值运算部，该模型校正值运算部基于由所述学习系数修正值运算部运算出的学习系数的修正值和由所述变换系数平均值运算部运算出的变换系数的平均值，来运算用于以另一个模型来补偿因修正一个模型的学习系数而产生的预测值的变化量的模型的校正值。

2.如权利要求1所述的学习系数控制装置，其特征在于，包括：

学习系数监视部，该学习系数监视部对所述存储部中所存储的一个模型的学习系数是否超过预先设定的第一限制值进行监视；

学习系数修正部，该学习系数修正部使用由所述学习系数修正值运算部运算出的学习系数的修正值来修正该模型的学习系数；以及

校正值存储部，该校正值存储部对由所述模型校正值运算部运算出的模型的校正值进行存储。

3.如权利要求1或2所述的学习系数控制装置，其特征在于，

所述学习系数修正值运算部将每一分层的学习系数的平均值设为学习系数修正值。

4.如权利要求1或2所述的学习系数控制装置，其特征在于，

所述学习系数修正值运算部将每一分层的学习系数的最大值加上最小值，将加法结果除以2，将所获得的除法结果设为学习系数修正值。

5.如权利要求1至4中的任一项所述的学习系数控制装置，其特征在于，

包括校正值监视部，该校正值监视部对由所述模型校正值运算部运算出的校正值进行监视，在所述校正值超过预先设定的第二限制值的情况下，向操作显示画面输出报警。

6.如权利要求5所述的学习系数控制装置，其特征在于，

所述校正值监视部在所述校正值超过预先设定的所述第二限制值的情况下，进一步向所述存储部输出报警并进行保存。

Images