CN103394521B - 一种冷轧带钢板形控制方法 - Google Patents

Abstract

本发明提供冷轧带钢板形控制方法，接收目标板形分布信号和实际板形分布信号，计算离散型的板形偏差值；接收轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置实时位置信号，计算当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程；以轧机的倾辊装置控制输出量、工作辊弯辊装置控制输出量和中间辊弯辊装置控制输出量组成粒子群优化算法的状态向量，生成N₁组粒子群优化算法的状态向量初始种群粒子和粒子群优化学习过程中的指标评价函数；计算倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量，并传输至板形控制系统基础自动化级PLC，完成在线调节，从根本上杜绝了冷轧带钢板形控制过程中执行器饱和现象发生的可能。

Description

一种冷轧带钢板形控制方法

技术领域

本发明属于冷轧带钢领域，尤其涉及一种冷轧带钢板形控制方法。

背景技术

冷轧带钢属于一种高附加值的钢铁企业产品，近些年来下游用户对冷轧带钢产品质量尤其是板形质量方面的要求越来越高。越来越多的冷轧带钢企业开始重视轧制过程中的板形控制技术的研发。伴随着计算机技术和控制技术的快速发展，板形在线控制技术已经被成功应用于实际生产中并且取得了较好的控制效果。

平直度是衡量冷轧带钢产品合格与否的一项主要技术指标。良好的带钢平直度控制可以减少单边浪、双边浪、中间浪等板形缺陷的发生，提高带钢产品的板形质量。常见的多辊轧机中的板形控制系统主要是通过改变工作辊辊隙分布的方式来控制带钢的平直度。

需要指出的是，已有传统板形控制技术以最大限度消除板形偏差为优化目标，在线计算出轧机各传动装置的调节量来改变出口板形。单从控制理论上来讲，所计算出的调节量是消除板形偏差的最优调节量，可以得到理想的控制效果；但是，从实际应用效果来看却并不理想。分析其中原因，主要是由于现有板形调控手段并不能快速及时的消除任意形状的板形偏差，例如倾辊装置只能消除一次板形偏差、工作辊弯辊装置只能消除二次板形偏差，而对于高次板形偏差这两种控制手段则无能为力。当板形偏差中含有局部高点、突变信号和非对称板形等高次板形偏差时，高次板形偏差会对调节量计算结果产生不利影响,通过传统控制算法计算得到调节量常常会违反执行器的物理约束，致使执行器饱和现象时常发生。当执行器饱和现象发生时，不仅不利于轧机设备的维护，也会导致后续的板形控制效果变差。因而，如何在板形控制过程中计算出最佳的倾辊装置、工作辊弯辊装置和中间辊弯辊装置的控制输出量，彻底避免执行器饱和现象的发生，实现高精度的冷轧带钢板形控制已成为冷轧带钢实际生产中一个亟待解决的技术问题。

发明内容

本发明的目的在于提供一种冷轧带钢板形控制方法，以解决在传统的冷轧带钢板形控制过程中不能获得倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量，且经常发生执行器饱和现象进而引起轧机板形控制装置机械部件磨损严重并且板形控制效果变差的技术问题。

本发明为解决上述技术问题所采取的技术方案为：一种冷轧带钢板形控制方法，其特征在于：包括以下步骤：

1)接收按照轧制工艺要求设定的目标板形分布信号和由安装在轧机出口侧的接触式板形仪在线测量的实际板形分布信号，计算出两者之间的差值得到离散型的板形偏差值δ_i，i＝1,2,…,n，其中n为板形有效测量点个数；

2)接收轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置这三种装置的实时位置信号，通过考虑单个控制周期内三种装置的动作极限、三种装置的极限位置约束，按照如下数学公式计算出在当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程：

u_1min＝min{-q₁,p_1min-p₁}，u_1max＝max{q₁,p_1max-p₁},

u_2min＝min{-q₂,p_2min-p₂}，u_2max＝max{q₂,p_2max-p₂},

u_3min＝min{-q₃,p_3min-p₃}，u_3max＝max{q₃,p_3max-p₃},

式中，u_1min为倾辊装置的最小动作冲程，u_1max为倾辊装置的最大动作冲程，q₁为倾辊装置单个控制周期内的动作极限，p_1min为倾辊装置的最小极限位置，p_1max为倾辊装置的最大极限位置；u_2min为工作辊弯辊装置的最小动作冲程，u_2max为工作辊弯辊装置的最大动作冲程，q₂为工作辊弯辊装置单个控制周期内的动作极限，p_2min为工作辊弯辊装置的最小极限位置，p_2max为工作辊弯辊装置的最大极限位置；u_3min为中间辊弯辊装置的最小动作冲程，u_3max为中间辊弯辊装置的最大动作冲程，q₃为中间辊弯辊装置单个控制周期内的动作极限，p_3min为中间辊弯辊装置的最小极限位置，p_3max为中间辊弯辊装置的最大极限位置；

3)以轧机的倾辊装置控制输出量、工作辊弯辊装置控制输出量和中间辊弯辊装置控制输出量组成粒子群优化算法的状态向量，并以步骤2)中计算的得到的当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程为参考，按照如下数学公式生成N₁组粒子群优化算法的状态向量初始种群粒子x_j＝(u_1j,u_2j,u_3j)，j＝1,2,…,N₁,这里N₁为粒子群优化算法的种群数：

u_1j＝u_1min+rand(1)×(u_1max-u_1min)，

u_2j＝u_2min+rand(1)×(u_2max-u_2min)，

u_3j＝u_3min+rand(1)×(u_3max-u_3min)，

式中，u_1j为第j个粒子对应的倾辊装置控制输出量；u_2j为第j个粒子对应的工作辊弯辊装置控制输出量；u_3j为第j个粒子对应的中间辊弯辊装置控制输出量；rand(1)为一维的均匀分布在[0,1]区间的随机数；

4)选定粒子群优化算法的最大迭代步数N₂，粒子群优化学习过程中的指标评价函数为如下数学公式：

$J_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-u_{1j}{E}_{1i}-u_{2j}{E}_{2i}-u_{3j}{E}_{3i})}^2,$

式中，J_j为第j个粒子对应的指标评价函数值；E_1i为倾辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_2i为工作辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_3i为中间辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；

然后利用粒子群优化算法的学习机制计算倾辊装置的最佳控制输出量u_1op，工作辊弯辊装置的最佳控制输出量u_2op，和中间辊弯辊装置的最佳控制输出量u_3op；

5)将所述步骤4)计算得到的轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量传输至板形控制系统基础自动化级PLC，完成对轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置进行在线调节；

6)等待下一控制周期开始的触发信号，然后由接触式板形仪接收本次调节后的实际出口板形分布信号，并将该信号传送至板形计算机，返回步骤1)，继续下一控制周期的板形控制。

按上述方案，所述的粒子群优化算法的种群数N₁≥10，粒子群优化算法的最大迭代步数N₂≥20。

按上述方案，所述的步骤5)轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量通过工业以太网或DP网传输至板形控制系统基础自动化级PLC。

按上述方案，所述的板形控制系统基础自动化级PLC获取所述轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量后，可以按照响应速度越快、灵敏度越大的传动装置先调的原则依次对轧机各传动装置进行在线调整。

与现有技术相比，本发明的有益效果为：

1、充分考虑倾辊装置、工作辊弯辊装置和中间辊弯辊装置的实时调控能力，引入粒子群优化算法进行最佳控制输出量的计算，从根本上杜绝了冷轧带钢板形控制过程中执行器饱和现象发生的可能，彻底解决了在传统的冷轧带钢板形控制过程中不能获得倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量，且经常发生执行器饱和现象进而引起轧机板形控制装置机械部件磨损严重并且板形控制效果变差的技术问题。

2、本发明的冷轧带钢板形控制方法计算量较小，完全满足冷轧带钢板形控制系统在线计算的实时性要求，为提高冷轧板形控制质量提供了一条便捷的途径。

附图说明

图1为本发明一实施例的流程图。

图2为本发明实施例中某一控制周期内所获得的板形偏差信号图。

图3为本发明实施例中所述三种轧机传动装置的板形控制调控功效系数图。

图4为传统板形控制方法和本发明板形控制方法的调节量计算结果对比图。

图5为本发明提出的控制算法投入运行前后板形控制效果比较图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

图1为本发明一实施例的流程图，它包括以下步骤：

1)接收按照轧制工艺要求设定的目标板形分布信号和由安装在轧机出口侧的接触式板形仪在线测量的实际板形分布信号，计算出两者之间的差值得到离散型的板形偏差值δ_i，i＝1,2,…,n，其中n为板形有效测量点个数；

2)接收轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置这三种装置的实时位置信号，通过考虑单个控制周期内三种装置的动作极限、三种装置的极限位置约束，按照如下数学公式计算出在当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程：

u_1min＝min{-q₁,p_1min-p₁}，u_1max＝max{q₁,p_1max-p₁},

u_2min＝min{-q₂,p_2min-p₂}，u_2max＝max{q₂,p_2max-p₂},

u_3min＝min{-q₃,p_3min-p₃}，u_3max＝max{q₃,p_3max-p₃},

式中，u_1min为倾辊装置的最小动作冲程，u_1max为倾辊装置的最大动作冲程，q₁为倾辊装置单个控制周期内的动作极限，p_1min为倾辊装置的最小极限位置，p_1max为倾辊装置的最大极限位置；u_2min为工作辊弯辊装置的最小动作冲程，u_2max为工作辊弯辊装置的最大动作冲程，q₂为工作辊弯辊装置单个控制周期内的动作极限，p_2min为工作辊弯辊装置的最小极限位置，p_2max为工作辊弯辊装置的最大极限位置；u_3min为中间辊弯辊装置的最小动作冲程，u_3max为中间辊弯辊装置的最大动作冲程，q₃为中间辊弯辊装置单个控制周期内的动作极限，p_3min为中间辊弯辊装置的最小极限位置，p_3max为中间辊弯辊装置的最大极限位置；

3)以轧机的倾辊装置控制输出量、工作辊弯辊装置控制输出量和中间辊弯辊装置控制输出量组成粒子群优化算法的状态向量，并以步骤2)中计算的得到的当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程为参考，按照如下数学公式生成N₁组粒子群优化算法的状态向量初始种群粒子x_j＝(u_1j,u_2j,u_3j)，j＝1,2,…,N₁,这里N₁为粒子群优化算法的种群数(通常情况下，N₁≥10)：

u_1j＝u_1min+rand(1)×(u_1max-u_1min)，

u_2j＝u_2min+rand(1)×(u_2max-u_2min)，

u_3j＝u_3min+rand(1)×(u_3max-u_3min)，

式中，u_1j为第j个粒子对应的倾辊装置控制输出量；u_2j为第j个粒子对应的工作辊弯辊装置控制输出量；u_3j为第j个粒子对应的中间辊弯辊装置控制输出量；rand(1)为一维的均匀分布在[0,1]区间的随机数；

4)选定粒子群优化算法的最大迭代步数N₂(通常情况下N₂≥20)，粒子群优化学习过程中的指标评价函数为如下数学公式：

$J_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-u_{1j}{E}_{1i}-u_{2j}{E}_{2i}-u_{3j}{E}_{3i})}^2,$

式中，J_j为第j个粒子对应的指标评价函数值；E_1i为倾辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_2i为工作辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_3i为中间辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；

然后利用粒子群优化算法的学习机制计算倾辊装置的最佳控制输出量u_1op，工作辊弯辊装置的最佳控制输出量u_2op，和中间辊弯辊装置的最佳控制输出量u_3op；

5)将所述步骤4)计算得到的轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量传输至板形控制系统基础自动化级PLC，完成对轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置进行在线调节；

6)等待下一控制周期开始的触发信号，然后由接触式板形仪接收本次调节后的实际出口板形分布信号，并将该信号传送至板形计算机，返回步骤1)，继续下一控制周期的板形控制。

所述的步骤5)轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量可以通过工业以太网或DP网传输至板形控制系统基础自动化级PLC。另外，为了设定优先级，所述的板形控制系统基础自动化级PLC获取所述轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量后，可以按照响应速度越快、灵敏度越大的传动装置先调的原则依次对轧机各传动装置进行在线调整。

本实施例公开的是某工作辊可水平移动的六辊冷轧机的一种冷轧带钢板形控制系统及方法。工作辊可水平移动的六辊冷轧机板形调控手段主要有倾辊、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。因而在线调节的板形控制执行器主要有倾辊、工作辊正负弯辊、中间辊正弯辊三种。

本实施例提供的一种冷轧带钢板形控制方法，包括以下技术步骤：

步骤(1)：接收按照轧制工艺要求设定的目标板形分布信号和由安装在轧机出口侧的接触式板形仪在线测量的实际板形分布信号，计算出两者之间的差值得到离散型的板形偏差值δ_i，单位为I，这里i＝1,2，…,20；

图2给出了在某一控制周期内所计算得到的板形偏差信号从轧机操作侧到轧机传动侧的20个板形测量点的板形偏差分布，单位为I。由图2可以看出板形具有较为明显的双边浪缺陷。

步骤(2)：接收轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置这三种装置的实时位置信号，通过考虑单个控制周期内三种装置的动作极限、三种装置的极限位置约束，按照如下数学公式计算出在当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程：

u_1min＝min{-q₁,p_1min-p₁}，u_1max＝max{q₁,p_1max-p₁}，

u_2min＝min{-q₂,p_2min-p₂}，u_2max＝max{q₂,p_2max-p₂}，

u_3min＝min{-q₃,p_3min-p₃}，u_3max＝max{q₃,p_3max-p₃}，

式中，u_1min为倾辊装置的最小动作冲程，u_1max为倾辊装置的最大动作冲程，q₁为倾辊装置单个控制周期内的动作极限，p_1min为倾辊装置的最小极限位置，p_1max为倾辊装置的最大极限位置，上述五个物理量单位均为mm；u_2min为工作辊弯辊装置的最小动作冲程，u_2max为工作辊弯辊装置的最大动作冲程，q₂为工作辊弯辊装置单个控制周期内的动作极限，p_2min为工作辊弯辊装置的最小极限位置，p_2max为工作辊弯辊装置的最大极限位置，上述五个物理量单位均为KN；u_3min为中间辊弯辊装置的最小动作冲程，u_3max为中间辊弯辊装置的最大动作冲程，q₃为中间辊弯辊装置单个控制周期内的动作极限，p_3min为中间辊弯辊装置的最小极限位置，p_3max为中间辊弯辊装置的最大极限位置，上述五个物理量单位均为KN；max{a,b}为取大函数，即取其自变量a和b的最大值，min{a,b}为取小函数，即取其自变量a和b的最小值。

步骤(3)：以轧机的倾辊装置控制输出量、工作辊弯辊装置控制输出量和中间辊弯辊装置控制输出量组成粒子群优化算法的状态向量，并以步骤(2)中计算的得到的当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程为参考，按照如下数学公式生成10组粒子群优化算法的状态向量初始种群粒子x_j＝(u_1j,u_2j,u_3j)，j＝1,2,…,10：

u_1j＝u_1min+rand(1)×(u_1max-u_1min)，

u_2j＝u_2min+rand(1)×(u_2max-u_2min)，

u_3j＝u_3min+rand(1)×(u_3max-u_3min)，

式中，u_1j为第j个粒子对应的倾辊装置控制输出量，单位为mm；u_2j为第j个粒子对应的工作辊弯辊装置控制输出量，单位为KN；u_3j为第j个粒子对应的中间辊弯辊装置控制输出量，单位为KN；rand(1)为一维的均匀分布在[0,1]区间的随机数。

步骤(4)：选定粒子群优化算法的最大迭代步数20步；粒子群优化学习过程中的指标评价函数为如下数学公式：

$J_j=\underset{i=1}{\overset{20}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-u_{1j}{E}_{1i}-u_{2j}{E}_{2i}-u_{3j}{E}_{3i})}^2,$

式中，J_j为第j个粒子对应的指标评价函数值；δ_i为第i个板形有效测量点对应的板形偏差值单位为I；E_1i为倾辊装置在第i个板形有效测量点对应的板形控制功效系数，由工艺人员提前给出，单位为I/mm；E_2i为工作辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数，由工艺人员提前给出，单位为I/KN；E_3i为中间辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数，由工艺人员提前给出，单位为I/KN。图3给出了本发明实施例中所述三种轧机传动装置的板形控制调控功效系数图。

然后利用粒子群优化算法的学习机制计算倾辊装置的最佳控制输出量u_1op，单位为mm；工作辊弯辊装置的最佳控制输出量u_2op，单位为KN；和中间辊弯辊装置的最佳控制输出量u_3op，单位为KN。

为了比较传统板形控制方法和本发明提出的板形控制方法的优劣性，图4为传统板形控制方法和本发明板形控制方法的调节量计算结果对比图。可以看出，传统方法计算得到的工作辊弯辊调节量和中间辊弯辊调节量均发生了执行器饱和现象，这是由于不可控板形偏差引起了轧机传动装置不必要动作的结果，这会加重这两个装置的磨损而减少其使用寿命；而本发明方法则有效解决了这个技术问题，所计算出的各传动装置调节量均成功避免了执行器饱和现象的发生。

步骤(5)：将所述步骤(4)计算得到的轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量采用工业以太网或DP网(Data Processing网，即数据处理网)传输至板形控制系统基础自动化级PLC，完成对轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置进行在线调节；图5给出了本发明提出的控制算法投入运行前后板形控制效果比较图。结合图2和图5，可以看出本发明可以有效的消除可控板形偏差，最大偏差由投入前的接近9I减少到控制后的4.5I以内，剩余板形偏差主要集中在第3、8、12、16个这四个存在不可控板形的偏差板形测量点处；再联系到图4中本发明得到的倾辊装置、工作辊弯辊装置和中间辊弯辊装置的在线调节量均成功避免了执行器饱和现象的发生，而传统控制方法的工作辊弯辊调节量和中间辊弯辊调节量均发生了执行器饱和现象，也就是说，本发明方法彻底避免了执行器饱和现象的发生，减少了控制装置机械部件磨损并实现了冷轧带钢的高精度板形控制。

步骤(6)：等待下一控制周期开始的触发信号，然后由接触式板形仪接收本次调节后的实际出口板形分布信号，并通过工业以太网将该信号传送至板形计算机，返回步骤(1)，继续下一控制周期的板形控制。

以上实施例仅用于说明本发明的技术思想和特点，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。本发明的专利范围不限于上述实施例，凡依据本发明所揭示的原理、设计思想所做的等同变化或修饰，均在本发明的专利范围之内。

Claims (4)

1.一种冷轧带钢板形控制方法，其特征在于：它包括以下步骤：

1)接收按照轧制工艺要求设定的目标板形分布信号和由安装在轧机出口侧的接触式板形仪在线测量的实际板形分布信号，计算出两者之间的差值得到离散型的板形偏差值δ_i，i＝1,2,…,n，其中n为板形有效测量点个数；

2)接收轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置这三种装置的实时位置信号，通过考虑单个控制周期内三种装置的动作极限、三种装置的极限位置约束，按照如下数学公式计算出在当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程：

u_1min＝min{-q₁,p_1min-p₁}，u_1max＝max{q₁,p_1max-p₁},

u_2min＝min{-q₂,p_2min-p₂}，u_2max＝max{q₂,p_2max-p₂},

u_3min＝min{-q₃,p_3min-p₃}，u_3max＝max{q₃,p_3max-p₃},

式中，u_1min为倾辊装置的最小动作冲程，u_1max为倾辊装置的最大动作冲程，q₁为倾辊装置单个控制周期内的动作极限，p_1min为倾辊装置的最小极限位置，p_1max为倾辊装置的最大极限位置；u_2min为工作辊弯辊装置的最小动作冲程，u_2max为工作辊弯辊装置的最大动作冲程，q₂为工作辊弯辊装置单个控制周期内的动作极限，p_2min为工作辊弯辊装置的最小极限位置，p_2max为工作辊弯辊装置的最大极限位置；u_3min为中间辊弯辊装置的最小动作冲程，u_3max为中间辊弯辊装置的最大动作冲程，q₃为中间辊弯辊装置单个控制周期内的动作极限，p_3min为中间辊弯辊装置的最小极限位置，p_3max为中间辊弯辊装置的最大极限位置；

3)以轧机的倾辊装置控制输出量、工作辊弯辊装置控制输出量和中间辊弯辊装置控制输出量组成粒子群优化算法的状态向量，并以步骤2)中计算的得到的当前控制周期内各轧机传动装置能够实现的最大和最小动作冲程为参考，按照如下数学公式生成N₁组粒子群优化算法的状态向量初始种群粒子x_j＝(u_1j,u_2j,u_3j)，j＝1,2,…,N₁,这里N₁为粒子群优化算法的种群数：

u_1j＝u_1min+rand(1)×(u_1max-u_1min)，

u_2j＝u_2min+rand(1)×(u_2max-u_2min)，

u_3j＝u_3min+rand(1)×(u_3max-u_3min)，

式中，u_1j为第j个粒子对应的倾辊装置控制输出量；u_2j为第j个粒子对应的工作辊弯辊装置控制输出量；u_3j为第j个粒子对应的中间辊弯辊装置控制输出量；rand(1)为一维的均匀分布在[0,1]区间的随机数；

4)选定粒子群优化算法的最大迭代步数N₂，粒子群优化学习过程中的指标评价函数为如下数学公式：

$J_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-u_{1j}{E}_{1i}-u_{2j}{E}_{2i}-u_{3j}{E}_{3i})}^2,$

式中，J_j为第j个粒子对应的指标评价函数值；E_1i为倾辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_2i为工作辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；E_3i为中间辊弯辊装置在第i个板形有效测量点对应的板形控制功效系数,由工艺人员提前给出；

然后利用粒子群优化算法的学习机制计算倾辊装置的最佳控制输出量u_1op，工作辊弯辊装置的最佳控制输出量u_2op，和中间辊弯辊装置的最佳控制输出量u_3op；

5)将所述步骤4)计算得到的轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量传输至板形控制系统基础自动化级PLC，完成对轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置进行在线调节；

6)等待下一控制周期开始的触发信号，然后由接触式板形仪接收本次调节后的实际出口板形分布信号，并将该信号传送至板形计算机，返回步骤1)，继续下一控制周期的板形控制。

2.根据权利要求1所述的一种冷轧带钢板形控制方法，其特征在于：所述的粒子群优化算法的种群数N₁≥10，粒子群优化算法的最大迭代步数N₂≥20。

3.根据权利要求1所述的一种冷轧带钢板形控制方法，其特征在于：所述的步骤5)轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量通过工业以太网或DP网传输至板形控制系统基础自动化级PLC。

4.根据权利要求1或3所述的一种冷轧带钢板形控制方法，其特征在于：所述的板形控制系统基础自动化级PLC获取所述轧机倾辊装置、工作辊弯辊装置和中间辊弯辊装置的最佳控制输出量后，可以按照响应速度越快、灵敏度越大的传动装置先调的原则依次对轧机各传动装置进行在线调整。