CN102814340B - 热轧带钢宽度控制模型智能学习系统及自学习方法 - Google Patents
热轧带钢宽度控制模型智能学习系统及自学习方法 Download PDFInfo
- Publication number
- CN102814340B CN102814340B CN201110152867.5A CN201110152867A CN102814340B CN 102814340 B CN102814340 B CN 102814340B CN 201110152867 A CN201110152867 A CN 201110152867A CN 102814340 B CN102814340 B CN 102814340B
- Authority
- CN
- China
- Prior art keywords
- value
- rdw
- width
- fdw
- definitely
- 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.)
- Active
Links
Images
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种热轧带钢宽度控制模型智能学习系统及计算学习方法,利用粗轧出口测宽仪反馈值与立辊辊缝实际执行状态的智能分析来确定粗轧出口宽度绝对自学习的正确性并根据情况加以修正;通过粗轧出口测宽仪反馈值与精轧出口测宽仪反馈值的智能判断来确定精轧出口宽度绝对自学习的正确性。从而满足热轧生产过程中现场环境、工艺制度的复杂性对数学模型的要求,有效避免自学习趋势错误现象的发生,减少生产过程中宽度精度的异常波动,降低因宽度模型参数不良导致的带钢封锁率,提高带钢宽度精度。同时减少人为调整模型参数的工作量,极大降低由于人为调整的不确定性带来的潜在威胁。
Description
技术领域
本发明属于轧钢自动控制领域,尤其涉及一种热轧带钢宽度控制模型智能学习系统?及其自学习方法。
背景技术
某1780mm热轧带钢生产线采用的宽度控制模型是上世纪90年代末期由日本三菱公司引进的,针对带钢宽度的自学习模型主要包括头尾短行程自学习模型、各道次宽展量自学习模型、粗轧出口板坯宽度(简称RDW)绝对宽度自学习模型和精轧出口带钢宽度(简称FDW)绝对宽度自学习模型等。随着多年来不断的产品开发和种类扩展及功能变更,该模型自学习模块存在的与现有生产情况不适应情况日渐凸显,产品宽度精度和模型自学习准确率逐年降低。
目前存在的影响宽度控制模型的主要因素有:
1、在产品宽度不良或某种特殊需求的情况下,常常需要操作员对粗轧立辊辊缝进行人工干预调整,这样就造成粗轧立辊辊缝与模型设定值存在偏差的情况,并直接影响实际产品轧后宽度,因此给宽度控制模型反馈造成了虚假的作用效果,而现有模型没有判断处理类似情况的功能,从而直接影响产品宽度精度和成材率,给生产带来了不稳定因素和负面影响。
2、精轧出口测宽仪表反馈数据作为检测模型控制效果的重要仪表常常因水雾、板型等因素造成反馈数据失真,进而导致控制模型学习趋势恶化甚至导致错误学习。
3、为确保生产顺行,经常需要对宽度控制模型参数进行不断的人为修正,而人为修正存在较大的不确定性,且效率极其低下,常常会因为遗漏修正或修正值不够准确给产品精度造成负面影响。鉴于上述原因,因此对热轧带钢宽度模型自学习功能的优化设计势在必行。
发明内容
本发明的目的旨在根据现场生产实际,对热轧带钢粗轧和精轧过程进行在线跟踪,通过对各种仪表实际检测反馈数据的智能判断,将异常反馈数据和操作员人工干预情况置入可信区间进行分类,并根据粗轧立辊辊缝干预程度和精轧带钢宽度检测仪表检测的可信程度,分别采取相应的学习方式进行调整处理,提高宽度模型的控制精度,使宽度控制模型自学习模块具备新的智能判断和更新功能,进而提供一种可利用粗轧出口测宽仪实测反馈值与立辊辊缝实际执行状态的智能分析来确定粗轧出口板坯宽度绝对自学习(简称RDW ABS)的正确性,并根据情况加以修正的立辊辊缝人工干预智能学习模块;同时提供一种通过粗轧出口测宽仪实测反馈值与精轧出口测宽仪实测反馈值的智能判断来确定精轧出口带钢宽度绝对自学习(简称FDW ABS)的正确性,提高宽度模型控制精准度的精轧出口带钢宽度绝对学习瞬时值调整模块及其上述两种模块的自学习方法。从而使热轧带钢宽度控制模型智能学习系统可以根据测宽仪表实际反馈数据、立辊设备实际执行状态及模型设定的各项宽度控制参数进行逻辑判断和分析,并设定合理的可信区间来实现最终的宽度模型自学习。
为此,本发明所采取的技术解决方案是:
一种热轧带钢宽度控制模型智能学习系统,包括粗轧出口板坯宽度(简称RDW)绝对宽度自学习模块和精轧出口带钢宽度(简称FDW)绝对宽度自学习模块,其特征是,在RDW绝对宽度自学习模块中增加粗轧立辊辊缝人工干预智能学习模块,在FDW绝对宽度自学习模块中增加精轧出口带钢宽度绝对学习瞬时值调整模块;
RDW绝对学习瞬时值LRDWABSIST的计算公式为:
式中:LRDWABSIST—RDW绝对学习瞬时值(mm);
RDWSET—RDW设定值(mm);
RDWACT—RDW实际值(mm);
MGNHMI—宽度余量画面输入值(mm),系操作工人为输入值;
K—有人工干预时RDW绝对学习调整瞬时值(mm),其取值范围为:0mm≤|k|≤6mm;
FDW绝对学习瞬时值LFDWABSIST的计算公式为:
式中:LFDWABSIST—FDW绝对学习瞬时值(mm);
FDWSET—FDW设定值(mm);
FDWAIM—FDW目标值热尺控制偏差(mm),为定值;
FDWACT—FDW实际值(mm);
MGNHMI—宽度余量画面输入值(mm),系操作工人为输入值;
DDW—RDW学习作用效果(mm);
B—FDW绝对学习调整瞬时值(mm),其取值范围:0mm≤|B|≤2mm;
RDW学习作用效果DDW计算公式为:
DDW=(LRDWABSNBW-LRDWABSOLD)*A
式中:LFDWABSNEW—RDW绝对学习新值(mm);
LFDWABSOLD—RDW绝对学习旧值(mm);
A—RDW学习作用效果系数,0.5≤A≤1.0。
所述有人工干预时RDW绝对学习调整瞬时值K按粗轧立辊辊缝偏差绝对值采用分段取值,其分段取值公式为:
K=ΔEGAP×β,β为粗轧立辊辊逢偏差作用系数;
当0mm<|ΔEGAP|≤5mm时,β=20%;
当5mm<|ΔEGAP|≤10mm时,β=25%;
当10mm<|ΔEGAP|≤20mm时,β=30%。
一种应用上述热轧带钢宽度控制模型智能学习系统的自学习方法,其特征在于:粗轧立辊辊缝人工干预智能学习模块的自学习过程为:
(1)、当粗轧开始后,粗轧立辊辊缝手动干预智能学习模块进行立辊辊缝手动干预状态检测与判断,若立辊辊缝未进行手动干预,则直接按照下式计算粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST:
LRDWABSIST=RDWSBT-RDWACT+MGNHMI
(2)、若存在人工干预的情况,进行立辊辊缝偏差计算,即进行立辊辊缝设定值与实际值比较,其立辊辊缝偏差ΔEGAP计算公式为:
ΔEGAP=EGAPACT-EGAPSET
式中:EGAPACT—粗轧立辊辊缝实际值(mm);
EGAPSET—粗轧立辊辊缝设定值(mm);
(3)、根据计算结果,按照|ΔEGAP|≤EGAPLIMIT条件进行立辊辊缝偏差置信区间判断,使其满足|ΔEGAP|≤EGAPLIMIT、EGAPLIMIT=20mm;
EGAPLIMIT为粗轧立辊辊缝偏差置信区间(mm);
(4)、当满足|ΔEGAP|≤EGAPLIMIT时,进行粗轧出口板坯宽度偏差ΔRDW计算,即对粗轧出口板坯宽度RDW设定值与实际值进行比较,其公式为:
ΔRDW=RDWACT-RDWSET
(5)、同时,进行粗轧出口板坯宽度绝对学习方向与立辊辊缝人工干预方向一致性判断;若粗轧出口板坯宽度绝对学习方向与立辊辊缝手动干预方向一致,则按照下式计算粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST:
Z尺D甩4B母甜二RDrwsBr一RDWAm十MGM劫在
(6)、若粗轧出口板坯绝对宽度学习方向与立辊辊缝人工干预方向不一致,进行粗轧出口板坯宽度偏差置信区间判断,使粗轧出口板坯宽度偏差满足|ΔRDW|≤RDWLIMIT,RDWLIMIT=5mm;
(7)当|ΔRDW|≤RDWLIMIT时,则对有人工干预时RDW绝对学习调整瞬时值K按段进行取值,并按照下式进行计算:
LRDWABSIST=K;
精轧出口带钢宽度绝对学习瞬时值调整模块的自学习过程为:
(1)、当精轧开始后,精轧出口带钢宽度绝对学习瞬时值调整模块首先按照下式计算精轧出口带钢宽度偏差ΔFDW:
ΔFDW=FDWACT-FDWSET
式中:FDWACT—精轧出口带钢宽度实际值(mm);
FDWAET—精轧出口带钢宽度设定值(mm);
(2)、然后按照下式计算粗轧出口板坯宽度偏差ΔRDW:
ΔRDW=RDWACT-RDWSET
式中:RDWAET—粗轧出口板坯宽度实际值(mm);
RDWSET—粗轧出口板坯宽度设定值(mm);
(3)、在读取FDW绝对学习旧值LFDWABSOLD后,按照下式进行置信变量ΔWNORMAL计算:ΔWNORMAL=ΔFDW-ΔRDW-LFDWABSOLD
(4)、根据第一架精轧机立辊F1E投入状态,对置信变量ΔWNORMAL的计算结果进行是否满足置信区间条件判断,从而确定FDW仪表实际检测值是否正常:
当F1E为非空过状态时,若符合0mm≤ΔWNORMAL≤12mm,则FDW仪表实际检测值正常;当F1E为空过状态时,若符合0mm≤ΔWNORMAL≤12mm,则FDW仪表实际检测值正常;(5)、若FDW仪表实际检测值正常,则直接按照下式计算精轧出口带钢宽度绝对学习瞬时值:
LFDWABSIST=FDWSET+FDWAIM-FDWACT+MGNHMI-DDW
(6)若FDW仪表实际检测值异常,则对FDW绝对学习调整瞬时值B按粗轧出口板坯绝对宽度学习瞬时值LRDWABSIST的大小进行调整计算:
LFDWABSIST=B;
FDW绝对学习调整瞬时值B分段取值公式为:
B=LRDWABSIST*δ,δ为粗轧出口板坯宽度绝对学习瞬时值LFDWABSIST的分担系数;
当Omm≤|LRDWABSIST|≤5mm叶δ=0%;
当Omm≤|LRDWABSIST|≤10MM时,δ=10%;
本发明的有益效果为:
由于本发明增设了粗轧立辊辊缝人工干预智能学习模块,使现场即使存在操作员对粗轧立辊辊缝进行人工干预调整的状况,热轧带钢宽度控制模型智能学习系统会根据干预程度进行自动调整和控制,修正粗轧立辊辊缝与模型设定值存在的偏差,避免宽度控制模型反馈的虚假作用效果,提高轧后产品宽度精度和成材率,保证热轧带钢生产的稳定因素。
由于本发明增设了精轧出口带钢绝对宽度学习瞬时值调整模块,可有效消除精轧出口测宽仪表反馈数据失真的问题,优化精轧带钢宽度控制模型学习趋势,避免了错误学习现象的产生。
因此,本发明可有效调整人为修正对宽度控制模型参数的影响,排除人为修正存在的不确定性,提高热轧带钢宽度模型控制精度,使热轧带钢宽度控制模型智能学习系统具备更宽、更准确的智能判断和智能更新功能,从而提高系统运行效率和控制的精准度,确保热轧带钢产品轧后宽度精度,提高产品质量和成材率,保证热轧带钢生产的稳定。
附图说明
图1为粗轧立辊辊缝人工干预智能学习模块工作流程图。
图2为精轧出口带钢宽度绝对学习瞬时值调整模块工作流程图。
具体实施方式
热轧带钢宽度控制模型智能学习系统主要由四个模块即头尾短行程自学习模型、各道次宽展量自学习模型、RDW绝对宽度自学习模型和FDW绝对宽度自学习模型组成。本发明是在RDW绝对宽度自学习模型中加入粗轧立辊辊缝人工干预智能学习模块;同时在FDW绝对宽度自学习模型加入精轧出口带钢宽度绝对学习瞬时值调整模块。
粗轧立辊辊缝人工干预智能学习模块的核心是控制粗轧出口板坯绝对宽度学习瞬时值LRDWABSIST,因此首先需要建立的是粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST的数学模型,粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST的计算公式为:
计算公式中,上列计算式中所谓无人工干预或与干预方向一致是指一般正常情况下的LRDWABSIST计算方法;而下列计算式LRDWABSIST=K则是本发明所要解决和调整的主要内容。
K—有人工干预时RDW绝对学习调整瞬时值(mm),其取值范围为:0mm≤|K|≤6mm;
有人工干预时,RDW绝对学习调整瞬时值K按粗轧立辊辊缝偏差绝对值公式K=ΔEGAP×β采用分段取值方式,具体方法为:
当0mm<|ΔEGAP|≤5mm时,β=20%;
当5mm<|ΔEGAP|≤10mm时,β=25%;
当10mm<|ΔEGAP|≤20mm时,β=30%。
精轧出口带钢宽度绝对学习瞬时值LFDWABSIST数学模型为:
计算公式中,上列计算式的应用条件是当FDW仪表实际检测值正常情况下;而当FDW仪表实际检测值异常时,则必须使用下列计算式LFDWABSIST=B进行计算,FDW绝对学习调整瞬时值B的取值范围:0mm≤|B|≤2mm。
计算公式中FDWSET、FDWAIM、FDWACT、FDWHMI均为已知,而RDW学习作用效果DDW则根据:
DDW=(LRDWABSNEW-LRDWABSOLD)*A计算获得。
RDW学习作用效果?计算公式为:
DDW=(LRDWABSNEW-LRDWABSOLD)*A
LRDWABSNEW为RDW绝对学习新值(mm);LRDWABSNEW为RDW绝对学习旧值(mm);
RDW学习作用效果系数A的取值范围为:0.5≤A≤1.0。
现以某1780mm热轧线宽度控制上应用实例,对本发明作进一步说明。
粗轧机为2架,即R1、R2,精轧机为7架,但仅第一架精轧机设置有立辊F1E。
实施例1:
成品带钢厚度为2.75mm,成品带钢宽度为1358mm,第二架粗轧机轧制道次数为3道,宽度余量画面输入值MGNHMI为0mm,RDW学习作用效果系数A为0.8。
表1板坯、带钢宽度及控制参数表
项目 | RDW(mm) | FDW(mm) | E2GAP1(mm) | E2GAP3(mm) |
设定宽度 | 1391.1 | 1373.6 | 1370.0 | 1378.6 |
反馈宽度 | 1389.8 | 1375.6 | 1369.9 | 1361.3 |
偏差值 | -1.3 | 2.0 | -0.1 | -17.3 |
E2GAP1为第二架粗轧机第一道次立辊辊缝,E2GAP3第二架粗轧机第三道次立辊辊缝。
上面的数据表明操作员将第二架粗轧机第三道次立辊辊缝向内调整了17.3mm,调整后避免了RDW产生超宽现象。
表2宽度控制相关参数表
一、粗轧立辊辊缝人工干预智能学习模块:
热轧产线生产过程中,若RDW与目标值偏差较大,直接导致FDW精度不良或尺寸封锁等情况发生时,就需要操作员对立辊辊缝进行干预。如RDW超宽,则操作员需要人工向内调整立辊辊缝,同时RDW绝对学习值也应该减小,反之亦然。
若按原学习方法执行,将各项数值代入公式:
LRDWABSIST=RDWSET-RDWACT+MGNHMI
得LRDWABSIST=1391.1–1389.8=1.3(mm)
上式表明:原学习方法计算后得到的瞬时学习值为正值1.3mm,即表示RDW实际值比设定值窄1.3mm,因此学习值应相应增大。
若按本发明立辊辊缝人工干预智能学习模块执行(见图1),其具体方法和过程为:
1、进行立辊辊缝人工干预判断:
因E2三道次人工将立辊辊缝减小了17.3mm,因此判断条件满足,即存在粗轧立辊辊缝人工干预。
2、立辊辊缝偏差计算:
ΔEGAP=EGAPACT-EGAPSET=1361.3–1378.6=-17.3(mm)
3、立辊辊缝偏差置信区间判断:
|ΔEGAP|=17.3mm,满足置信区间检查条件|ΔEGAP|≤EGAPLIMIT、EGAPLIMIT=20mm。
4、粗轧出口板坯宽度偏差计算:
ΔRDW=RDWACT-RDWSET=1389.8–1391.1=-1.3(mm)
5、RDW ABS学习方向与人工干预方向判断:
原RDW ABS学习=1.3mm为正值,表明方向为增加;
立辊辊缝偏差=-17.3mm为负值,表明方向为减少。
因此,RDW ABS学习方向与人工干预方向判断结果为方向相反。
6、粗轧出口板坯宽度偏差置信区间判断:
|ΔRDW =1.3mm,因此置信区间检查条件满足|ΔRDW|≤RDWLIMIT、RDWLIMIT=5mm。
7、K按辊缝偏差分段取值:
当EGAP人工干预智能学习模块各项约束条件满足时,K按立辊辊缝偏差进行分段取值,根据K=ΔEGAP×β,且当0mm<|ΔEGAP|≤5mm时,β=20%;
当5mm<|ΔEGAP|≤10mm时,β=25%;当10mm<|ΔEGAP|≤20mm时,β=30%的分段取值规则,得到:K=-17.3*30%=-5.19(mm)
8、瞬时学习值确定:
将K值代入公式LRDWABSIST=K,得到
LRDWABSIST=-5.19(mm)
完成粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST的计算结果后,再将得到的瞬时值代入相关公式中进行平滑,完成自学习。
通过以上两种不同学习方法计算过程及结果发现,原学习方法得到的瞬时值为正值,而本发明立辊辊缝人工干预智能学习模块得到的却是负值。其原因在于,原有的学习方法没有考虑到操作人员对立辊辊缝的人工干预,所以错误的认为应该增加学习值以改善宽度控制,这显然是错误的。假如没有操作员的人工干预,按设定立辊辊缝执行的话,RDW实际值反馈就会超宽。
本立辊辊缝人工干预智能学习模块投入后,正确检测并判断出了这种情况的发生,并给出了修正学习的方法,从而可将学习引领到正确的方向和趋势上。
二、精轧出口带钢宽度绝对学习瞬时值调整模块:
热轧产线生产过程中,若薄规格带钢在粗轧区域宽度曲线平稳,而精轧区域发生头部拉窄或因板型不良导致检测异常情况,以往的宽度控制模型不具备任何识别和判断处理能力,将直接按FDW仪表实测反馈的头部形态进行学习更新,这样的学习更新显然出现错误。
若按原学习方法执行:
将数据代入公式DDW=(LRDWABSNEW-LRDWABSOLD)*A
得到DDW=(-1.6–1.0)*0.8=-2.6*0.8=-2.08(mm)
将数据代入公式LFDWABDIST=FDWSET+FDWAIM-FDWACT+MGNHMI-DDW
得到LRDWABSNEW=1373.6+8.0-1375.6+0-(-2.08)=8.08(mm)
结果表明:原学习方法计算后得到的瞬时学习值为正值,学习值应相应增大。
按本精轧出口带钢宽度绝对学习瞬时值调整模块执行(见图2):
1、精轧出口带钢宽度偏差计算:
ΔFDW=FDWACT-FDWSET=1375.6-1373.6=2.0(mm)
2、粗轧出口板坯宽度偏差计算:
ΔRDW=FRWACT-RDWSET=1389.8–1391.1=-1.3(mm)
3、置信变量计算:
ΔWNORMAL=ΔFDW-ΔRDW-LFDWABSOLD=2.0-(-1.3)-5.5=-2.2(mm)
4、置信区间判断:
由于已知F1E投入状态为非空过状态,根据置信区间判断规则0mm≤ΔWNORMAL≤12mm,显然ΔWNORMAL=-2.2mm超限。
5、B按RDW ABS瞬时学习值分段取值:
当精轧出口带钢宽度绝对学习瞬时值调整模块各项约束条件满足时,B按粗轧出口板坯宽度绝对学习瞬时值进行分段取值,根据FDW绝对学习调整瞬时值B分段取值公式:
b=LRDWABSIST*δ,当0mm≤LRDWABSIST|≤5mm时,δ=0%;
当5MM<|LRDWABIST|≤10mm时,δ=10%。则根据计算结果LRDWABSIST=-5.19mm,满足上列第二种情况,因此:
B=LRDWABSIST*10%=-5.19*10%=-0.519(mm)
6、瞬时学习值确定:
LFDWABSIST=B
依据上式将B值代入
LFDWABSIST=-0.519(mm)
完成精轧出口带钢宽度绝对学习瞬时值LFDWABSIST的计算后,再将得到的瞬时值代入相关公式中进行平滑,即可完成自学习。
通过以上两种不同学习方法计算比较发现,原学习方法和本发明精轧出口带钢宽度绝对学习瞬时值调整模块得到的瞬时值幅度和含义存在较大差异。原学习方法计算出的瞬时值为8.08mm,表示该项学习值应较大幅度增大才符合目标要求。而本发明学习方法得到瞬时值为-0.519mm,其含义为经智能判断FDW仪表实测反馈值已经出现异常,计算得到的瞬时值-0.519mm表示分担RDW ABS正确学习趋势的一部分,避免了错误的学习趋势。
经确认导致FDW仪表实测反馈值异常的原因为带钢板型不良,而原有的学习方法并没有考虑到FDW仪表实测反馈值由于带钢板型形态异常等原因导致的异常情况,所以错误的认为应该大幅度增加学习值以改善宽度控制,这显然是错误的。
本发明投入后,准确检测并判断出了这种情况的发生,并给出了需要修正学习的结论,并可及时将学习引领到正确的方向和趋势上。
实施例二:
成品带钢厚度为2.3mm,成品带钢宽度为1053mm,第二架粗轧机轧制道次数为3道,宽度余量画面输入值MGNHMI为0mm,RDW学习作用效果系数A为0.8。
表3板坯、带钢及宽度控制相关参数表
项目 | RDW(mm) | FDW(mm) | E2GAP1(mm) | E2GAP3(mm) |
设定宽度 | 1076.0 | 1066.0 | 1041.5 | 1035.3 |
反馈宽度 | 1077.0 | 1081.0 | 1042.1 | 1043.3 |
偏差值 | 1.0 | 15.0 | 0.6 | 8.0 |
E2GAP1为第二架粗轧机第一道次立辊辊缝,E2GAP3第二架粗轧机第三道次立辊辊缝。
上面的数据表明操作员将第二架粗轧机第三道次立辊辊缝人工向外调整了8mm,调整后避免了RDW产生窄尺现象。
表4宽度控制示例相关参数表
一、粗轧立辊辊缝人工干预智能学习模块:
若按原学习方法执行,将各项数值代入公式:
LRDWABSIST=RDWSET-RDWACT+MGWHMI
得LRDWABSIST=1076.0–1077.0=-1.0(mm)
上式表明:原学习方法计算后得到的瞬时学习值为负值-1.0mm,即表示RDW实际值比设定值宽1.0mm,因此学习值应相应减小。
若按本发明立辊辊缝人工干预智能学习模块执行(见图1),其具体方法和过程为:
1、进行立辊辊缝人工干预判断:
因E2三道次人工将立辊辊缝增大了8.0mm,因此判断条件满足,即存在粗轧立辊辊缝人工干预。
2、立辊辊缝偏差计算:
ΔEGAP=EGAPACT-EGAPSET=1043.3-1035.3=8.0(mm)
3、立辊辊缝偏差置信区间判断:
|ΔEGAP|=8.0mm,满足置信区间检查条件|EGAP|≤EGAPLIMT、EGAPLIMIT=20mm。
4、粗轧出口板坯宽度偏差计算:
ΔRDW=RDWACT-RDWSET=1077.0-1076.0=1.0(mm)
5、RDW ABS学习方向与人工干预方向判断:
原RDW ABS学习=-1.0mm表明负值,方向为减少;
立辊辊缝偏差=8.0mm表明正值,方向为增加。
因此,判断结果为方向相反。
6、粗轧出口板坯宽度偏差置信区间判断:
|ΔRDW|=1.0mm因此置信区间检查条件满足|ΔRDW|≤RDWLIMIT、RDWLIMIT=5mm。
7、K按辊缝偏差分段取值:
当EGAP人工干预智能学习模块各项约束条件满足时,K按立辊辊缝偏差进行分段取值,根据K=ΔEGAP×β,且当0mm<|ΔEGAP|≤5mm时,β=20%;
当5mm<|ΔEGAP|≤10mm时,β=25%;当10mm<|ΔEGAP|≤20mm时,β=30%的分段取值规则,得到:K=8.0*25%=2.0(mm)
8、瞬时学习值确定:
将K值代入公式LRDWABSIST=K,得到
LRDWABSIST=2.0(mm)
完成粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST的计算后,再将得到的瞬时值代入相关公式中进行平滑,完成自学习。
通过以上两种不同学习方法计算过程及结果发现,原学习方法得到的瞬时值为负值,而本发明立辊辊缝人工干预智能学习模块得到的却是正值。其原因在于,原有的学习方法没有考虑到操作人员对立辊辊缝的人工干预,所以错误的认为应该减少学习值以改善宽度控制,这显然是错误的。假如没有操作员的人工干预,按设定立辊辊缝执行的话,RDW实际值反馈就会窄尺。
本立辊辊缝人工干预智能学习模块投入后,正确检测并判断出了这种情况的发生,并给出了修正学习的方法,从而可将学习引领到正确的方向和趋势上。
二、精轧出口带钢宽度绝对学习瞬时值调整模块:
若按原学习方法执行:
将数据代入公式DDW=(LRDWABSNEW-LRDWABSOLD)*A
得到DDW=(1.5–0.5)*0.8=1.0*0.8=0.8(mm)
将数据代入公式LFDWABSIST=FDWSET+FDWAIM-FDWACT+MGNHMI-DDW
得到LFDWABSIST=1066+8-1081+0-0.8=-7.8(mm)
结果表明:原学习方法计算后得到的瞬时学习值为负值,学习值应相应减小。
按本精轧出口带钢宽度绝对学习瞬时值调整模块执行(见图2):
1、精轧出口带钢宽度偏差计算:
ΔFDW=DDWACT-FDWSET=1081.0-1066.0=15.0(mm)
2、粗轧出口板坯宽度偏差计算:
ΔRDW=RDWACT-RDWSET=1077.0-1076.0=1.0(mm)
3、置信变量计算:
ΔWNORMAL=ΔFDW-ΔRDW-LFDWABSOLD=15-1-1.5=12.5(mm)
4、置信区间判断:
由于已知F1E投入状态为空过状态,根据置信区间判断规则?,显然ΔWNORMAL=12.5mm超限。
5、B按RDW ABS瞬时学习值分段取值:
当精轧出口带钢宽度绝对学习瞬时值调整模块各项约束条件满足时B按粗轧出口板坯宽度绝对学习瞬时值进行分段取值,根据FDW绝对学习调整瞬时值B分段取值公式:
B=LRDWABSIST*δ,当0≤mm|LRDWABSIST|=5mm时,δ=0%;
当5<MM|LRDWABSIST|≤10mm时,δ=10%。则根据计算结果LRDWABSIST=2.0(mm),满足上式第一种情况,因此:
B=LRDWABSIST*10%=2.0*0%=0(mm)
6、瞬时学习值确定:
LFDWABSIST=B
依据上式将B值代入
LRDWABSIST=0(mm)
完成精轧出口带钢宽度绝对学习瞬时值LFDWABSIST的计算后,再将得到的瞬时值代入相关公式中进行平滑,即可完成自学习。
通过以上两种不同学习方法计算比较发现,原学习方法和本发明精轧出口带钢绝对宽度学习瞬时值调整模块得到的瞬时值幅度和含义存在较大差异。原学习方法计算出的瞬时值为-7.8mm,表示该项学习值应较大幅度减小才符合目标要求。而本发明学习方法得到瞬时值为0mm,其含义为经智能判断FDW仪表实测反馈值已经出现异常,计算得到的瞬时值0mm表示无需分担RDW ABS学习,通过停止FDW ABS学习的方法避免了错误的学习趋势。
经查看FDW仪表实测反馈曲线,确定导致FDW仪表实测反馈值异常的原因为受水雾影响导致实测宽度异常波动,而原有的学习方法并没有考虑到实际FDW仪表实测反馈值出现异常情况,所以错误的认为应该大幅度减小学习值以改善宽度控制,这显然是错误的。
本发明投入后,准确检测并判断出了这种情况的发生,并给出了需要修正学习的结论,并可及时将学习引领到正确的方向和趋势上。
Claims (3)
1.一种热轧带钢宽度控制模型智能学习系统,包括粗轧出口板坯宽度即RDW绝对宽度自学习模块和精轧出口带钢宽度即FDW绝对宽度自学习模块,其特征是,在RDW绝对宽度自学习模块中增加粗轧立辊辊缝人工干预智能学习模块,在FDW绝对宽度自学习模块中增加精轧出口带钢宽度绝对学习瞬时值调整模块;
RDW绝对学习瞬时值LRDWABSIST的计算公式为:
式中:LRDWABSIST—RDW绝对学习瞬时值(mm);
RDWSET-RDW设定值(mm);
RDWACT-RDW实际值(mm);
MGNHMI—宽度余量画面输入值(mm),系操作工人为输入值;
K—有人工干预时RDW绝对学习调整瞬时值(mm),其取值范围为:0mm≤|K|≤6mm;
FDW绝对学习瞬时值LFDWABSIST的计算公式为:
FDWSET—FDW设定值(mm);
FDWAIM—FDW目标值热尺控制偏差(mm),为定值;
FDWACT—FDW实际值(mm);
MGNHMI—宽度余量画面输入值(mm),系操作工人为输入值;
DDW—RDW学习作用效果(mm);
B—FDW绝对学习调整瞬时值(mm),其取值范围:0mm≤|B|≤2mm;
RDW学习作用效果DDW计算公式为:
DDW=(LRDWABSNEW-LRDWABSOLD)*A
式中:LFDWABSNEW—RDW绝对学习新值(mm);
LFDWABSOLD—RDW绝对学习旧值(mm);
A-RDW学习作用效果系数,0.5≤A≤1.0。
2.根据权利要求1所述的热轧带钢宽度控制模型智能学习系统,其特征在于,所述有人工干预时RDW绝对学习调整瞬时值K按粗轧立辊辊缝偏差绝对值采用分段取值,其分段取值公式为:
K=ΔEGAP×β,β为粗轧立辊辊逢偏差作用系数;
当0mm<|ΔEGAP|≤5mm时,β=20%;
当5mm<|ΔEGAP|≤10mm时,β=25%;
当10mm<|ΔEGAP|≤20mm时,β=30%。
3.一种应用权利要求1所述热轧带钢宽度控制模型智能学习系统的自学习方法,其特征在于:粗轧立辊辊缝人工干预智能学习模块的自学习过程为:
(1)、当粗轧开始后,粗轧立辊辊缝手动干预智能学习模块进行立辊辊缝手动干预状态检测与判断,若立辊辊缝未进行手动干预,则直接按照下式计算粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST:
LRDWABSIST=RDWSET-RDWACT+MGNHMI
(2)、若存在人工干预的情况,进行立辊辊缝偏差计算,即进行立辊辊缝设定值与实际值比较,其立辊辊缝偏差ΔEGAP计算公式为:
ΔEGAP=EGAPACT-EGAPSET
式中:EGAPACT—粗轧立辊辊缝实际值(mm);
EGAPSET—粗轧立辊辊缝设定值(mm);
(3)、根据计算结果,按照|ΔEGAP|≤EGAPLIMIT条件进行立辊辊缝偏差置信区间判断,使其满足|ΔEGAP|≤EGAPLIMIT、EGAPLIMIT=20mm;
EGAPLIMIT为粗轧立辊辊缝偏差置信区间(mm);
(4)、当满足|ΔEGAP|≤EGAPLIMIT时,进行粗轧出口板坯宽度偏差ΔRDW计算,即对粗轧出口板坯宽度RDW设定值与实际值进行比较,其公式为:
ΔRDW=RDWACT-RDWSET
(5)、同时,进行粗轧出口板坯宽度绝对学习方向与立辊辊缝人工干预方向一致性判断;若粗轧出口板坯宽度绝对学习方向与立辊辊缝手动干预方向一致,则按照下式计算粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST:
LRDWABSIST=RDWSET-RDWACT十MGNHMI
(6)、若粗轧出口板坯绝对宽度学习方向与立辊辊缝人工干预方向不一致,进行粗轧出口板坯宽度偏差置信区间判断,使粗轧出口板坯宽度偏差满足|ΔRDW|≤RDWLIMIT,RDWLIMIT=5mm;
(7)当|ΔRDW|≤RDWLIMIT时,则对有人工干预时RDW绝对学习调整瞬时值K按段进行取值,并按照下式进行计算:
LRDWABSIST=K;
精轧出口带钢宽度绝对学习瞬时值调整模块的自学习过程为:
(1)、当精轧开始后,精轧出口带钢宽度绝对学习瞬时值调整模块首先按照下式计算精轧出口带钢宽度偏差ΔFDW:
ΔFDW=FDWACT-FDWSET
式中:FDWACT—精轧出口带钢宽度实际值(mm);
FDWSET—精轧出口带钢宽度设定值(mm);
(2)、然后按照下式计算粗轧出口板坯宽度偏差ΔRDW:
ΔRDW=RDWACT-RDWSET
式中:RDWACT—粗轧出口板坯宽度实际值(mm);
RDWSET—粗轧出口板坯宽度设定值(mm);
(3)、在读取FDW绝对学习旧值LFDWABSLOD后,按照下式进行置信变量ΔWNORMAL计算:ΔWNORMAL=ΔFDW-ΔRDW-LFDWABSOLD
(4)、根据第一架精轧机立辊F1E投入状态,对置信变量ΔWNORMAL的计算结果进行是否满足置信区间条件判断,从而确定FDW仪表实际检测值是否正常:当F1E为非空过状态时,若符合0mm≤ΔWNORMAL≤12mm,则FDW仪表实际检测值正常;当F1E为空过状态时,若符合0mm≤ΔWNORMAL≤10mm,则FDW仪表实际检测值正常;
(5)、若FDW仪表实际检测值正常,则直接按照下式计算精轧出口带钢宽度绝对学习瞬时值:
LFDWABSIST=FDWSET+FDWAIM-FDWACT+MGNHMI-DDW
(6)若FDW仪表实际检测值异常,则对FDW绝对学习调整瞬时值B按粗轧出口板坯宽度绝对学习瞬时值LRDWABSIST的大小进行调整计算:
LFDWABSIST=B;
FDW绝对学习调整瞬时值B分段取值公式为:
B=LFDWABSIST*δ,δ为粗轧出口板坯宽度绝对学习瞬时值LFDWABSIST的分担系数;
当0mm≤|LRDWABSIST|≤5mm时,δ=0%;
当5mm<|LRDWABSIST|≤10mm时,δ=10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110152867.5A CN102814340B (zh) | 2011-06-08 | 2011-06-08 | 热轧带钢宽度控制模型智能学习系统及自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110152867.5A CN102814340B (zh) | 2011-06-08 | 2011-06-08 | 热轧带钢宽度控制模型智能学习系统及自学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102814340A CN102814340A (zh) | 2012-12-12 |
CN102814340B true CN102814340B (zh) | 2014-07-09 |
Family
ID=47298991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110152867.5A Active CN102814340B (zh) | 2011-06-08 | 2011-06-08 | 热轧带钢宽度控制模型智能学习系统及自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102814340B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104209339B (zh) * | 2013-05-30 | 2016-08-10 | 宝山钢铁股份有限公司 | 一种利用粗轧逆道次立辊辊缝测量进行板坯宽度控制的方法 |
CN104707869B (zh) * | 2013-12-17 | 2017-01-18 | 上海梅山钢铁股份有限公司 | 一种热轧宽度模型快速动态自适应方法 |
CN105013831B (zh) * | 2015-06-18 | 2018-09-18 | 首钢京唐钢铁联合有限责任公司 | 一种带钢宽度控制方法和带钢宽度对称控制方法 |
CN107626747B (zh) * | 2016-07-18 | 2019-03-26 | 鞍钢股份有限公司 | 一种热轧产品头尾宽度短行程的控制方法 |
CN107626748B (zh) * | 2016-07-18 | 2019-02-26 | 鞍钢股份有限公司 | 一种热轧产品宽度的计算机模型控制方法 |
CN108787757B (zh) * | 2017-04-28 | 2020-03-27 | 宝山钢铁股份有限公司 | 一种厚板轧制生产中立辊辊缝的动态控制方法 |
JP6767434B2 (ja) * | 2018-06-20 | 2020-10-14 | 日本電信電話株式会社 | 評価装置及び評価方法 |
CN112139253B (zh) * | 2019-06-26 | 2022-11-15 | 宝山钢铁股份有限公司 | 一种热轧宽度余量自动控制方法 |
CN111968104B (zh) * | 2020-08-27 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种基于机器视觉的钢卷异常识别方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4548085B2 (ja) * | 2004-10-12 | 2010-09-22 | 株式会社日立製作所 | 圧延制御方法および圧延制御装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62130710A (ja) * | 1985-12-02 | 1987-06-13 | Nippon Kokan Kk <Nkk> | 鋼材の板厚制御方法 |
WO2008012881A1 (fr) * | 2006-07-26 | 2008-01-31 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Appareil de contrôle de matériaux et de prévision de matériaux pour ligne de laminage |
JP2009116759A (ja) * | 2007-11-09 | 2009-05-28 | Jfe Steel Corp | プロセスラインにおける制御モデル学習方法および装置、ならびに鋼板の製造方法 |
JP5108692B2 (ja) * | 2008-09-10 | 2012-12-26 | 株式会社日立製作所 | 熱間圧延機の板幅制御装置およびその制御方法 |
-
2011
- 2011-06-08 CN CN201110152867.5A patent/CN102814340B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4548085B2 (ja) * | 2004-10-12 | 2010-09-22 | 株式会社日立製作所 | 圧延制御方法および圧延制御装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102814340A (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102814340B (zh) | 热轧带钢宽度控制模型智能学习系统及自学习方法 | |
CN102728624B (zh) | 一种精轧带钢负荷分配设定方法 | |
CN101618402B (zh) | 冷轧带钢平直度控制方法 | |
CN104226697B (zh) | 冷连轧机动态变规格速度控制方法 | |
CN104324948B (zh) | 一种热连轧粗轧过程轧件宽度控制方法 | |
CN103920720A (zh) | 一种基于套量偏差的带钢张力动态控制方法及其控制系统 | |
CN102189117B (zh) | 基于横向性能检测的冷轧带钢平直度前馈控制方法 | |
CN101920269A (zh) | 冷轧机板形控制执行器调控功效系数优化方法 | |
CN102172639B (zh) | 一种冷轧机工作辊弯辊超限的动态替代调节方法 | |
CN104785543A (zh) | 一种基于滑动平均滤波的热轧带钢凸度反馈控制方法 | |
CN102319741B (zh) | 一种改善粗轧中间坯镰刀弯的方法 | |
CN104209339A (zh) | 一种利用粗轧逆道次立辊辊缝测量进行板坯宽度控制的方法 | |
CN103357669A (zh) | 一种板形模型预测控制方法 | |
CN103752623A (zh) | 改善粗轧中间坯镰刀弯的自动控制方法 | |
CN104942019A (zh) | 一种带钢冷轧过程宽度自动控制方法 | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
CN103128107B (zh) | 一种热连轧粗轧短行程曲线参数的在线计算方法 | |
EP3332883B1 (en) | Metal thickness control model based inferential sensor | |
CN109189112A (zh) | 一种张紧辊带钢张力滑模控制方法及控制装置 | |
CN102233358B (zh) | 利用穿带自适应修正热轧精轧机组辊缝的方法 | |
CN102371278B (zh) | 基于稳定性指标的连退平整机板形自动控制方法 | |
CN113649420A (zh) | 一种平整机轧制力获取方法及装置 | |
CN104772340A (zh) | 热轧来料凸度及楔形异常波动预警控制方法 | |
CN103042042A (zh) | 一种基于离散辅助闭环的轧辊偏心补偿方法 | |
JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 |
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 |