CN104407642B - 一种基于迭代学习控制的连铸坯感应加热过程温控方法 - Google Patents
一种基于迭代学习控制的连铸坯感应加热过程温控方法 Download PDFInfo
- Publication number
- CN104407642B CN104407642B CN201410717793.9A CN201410717793A CN104407642B CN 104407642 B CN104407642 B CN 104407642B CN 201410717793 A CN201410717793 A CN 201410717793A CN 104407642 B CN104407642 B CN 104407642B
- Authority
- CN
- China
- Prior art keywords
- data
- input
- path
- steel billet
- temperature
- 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
Landscapes
- Control Of Heat Treatment Processes (AREA)
- Feedback Control In General (AREA)
- General Induction Heating (AREA)
Abstract
本发明公开了一种基于迭代学习控制的连铸坯感应加热过程温控方法。本发明对历史过程数据进行预处理,并将最近一次运行的过程输入输出轨线作为参考轨线。将历史数据轨线减去参考轨线,去除其中大量非线性,得到摄动模型变量。利用偏线性最小二乘回归法处理修正后的数据集,求得围绕参考轨线的线性化摄动模型。根据迭代学习控制的学习律计算本次运行的控制输入电压。将计算得到的控制输入电压作用于感应加热过程,从而获得本次过程钢坯出口温度。将新获得的过程数据加入历史数据集,并剔除一个旧数据,进入下一个迭代周期。本发明充分利用感应加热过程重复性的特点,引入迭代学习算法,能够让输出温度轨线最大限度的跟踪期望温度轨线。
Description
技术领域
本发明属于工业过程控制领域,涉及连铸坯电磁感应加热过程温度控制方法,具体是一种基于迭代学习控制的感应加热过程温度控制方法。
背景技术
感应加热技术具有损耗低、清洁、加热时间短等特点,已经被广泛应用于工业生产当中,如金属淬火、预热、锻造等。连铸连轧生产中,往往希望被加热连铸坯在加热后具有一致的温度分布,能够满足后续轧制要求,从而提高成品率。对连铸坯感应加热的温度控制一直是一个难点问题。困难在于:首先,感应加热是电磁场和温度场的强耦合物理过程,至今仍无一个完整精确地数学理论可以解耦此过程;其次,从控制角度说,感应加热系统是一个多变量、大时滞、非线性、时变的复杂系统,传统的PID算法无法取得很好的控制效果。再次,感应电炉内部温度高且封闭,一般只能在感应电炉出入口处放置温度传感器,因此,最终获得的温度轨线并不是某一段工件的加热过程跟踪轨线,不能直接求取系统传递函数;最后,感应加热工控环境复杂,大量的干扰也加大了控制的难度。目前对感应加热温度控制大多采用离线建模的控制策略,即模型预测加优化控制的方法,如基于神经网络预测模型的随机搜索算法。这些控制算法能够从实际数据出发,摆脱复杂物理过程的束缚,并取得了较好的控制效果。但是,这种控制算法的控制效果过度依赖于预测模型的精度,实际当中由于模型的简化和数据预处理不足可能导致模型精度低,另外,这种基于离线建模的控制策略属于开环控制,模型的抗干扰能力不足。由于上述方法存在的缺陷,实际当中未得到广泛的应用,很多工厂依旧通过经验法和试凑法来进行温度控制,控制效果不佳。因此,提出一种简单有效且实用性强的控制方法具有很重要的实际意义。
发明内容
本发明的目的在于克服现有技术的不足,提出了一种基于迭代学习控制(ILC)的连铸坯感应加热过程温度控制方法。利用前几次过程测量的钢坯出口温度误差信息和感应电炉控制电压修正当前循环的控制电压,使感应炉加热任务在该次操作过程做的更好,如此不断重复。
本发明的技术方案为:对历史过程数据进行预处理,并将最近一次运行的过程输入输出轨线作为参考轨线。将历史数据轨线减去参考轨线,去除其中大量非线性,得到摄动模型变量。利用偏线性最小二乘(PLS)回归法处理修正后的数据集,求得围绕参考轨线的线性化摄动模型。根据迭代学习控制的学习律计算本次运行的控制输入电压。将计算得到的控制输入电压作用于感应加热过程,从而获得本次过程钢坯出口温度。将新获得的过程数据加入历史数据集,并剔除一个旧数据,进入下一个迭代周期。
本发明主要通过以下几个步骤来实现:
步骤1:数据预处理。
历史数据库中有k个过程数据,从中获取如下数据轨线:中频电源控制电压U,钢坯入口温度R、钢坯出口温度Y,其中,U为输入轨线,Y为输出轨线。具体预处理步骤如下:
步骤1-1:截取入口温度上升沿和出口温度下降沿之间的感应电炉电压信号作为控制输入,截取出口上升沿和下降沿之间的温度数据作为输出。
步骤1-2:利用3δ准则剔除输入输出序列中的异常值,再利用滑动平均去除其中的随机噪声。
步骤1-3:对处理后的序列进行重采样,控制数据量。重采样后的控制电压和钢坯出口温度仍然用U和Y表示。
步骤2:计算摄动模型输入变量和输出变量其中,下标i∈1,2,...,k,表示历史数据集中第i个过程。
步骤2-1:从历史数据集中选取第k次过程输入输出轨线作为参考轨线{Us,Ys}。
步骤2-2:将历史数据集中的其他过程输入输出轨线减去参考轨线获得摄动模型变量
步骤3:根据摄动模型输入输出变量的集合,利用偏最小二乘(PLS)回归获得系统线性化摄动模型控制器
步骤4:计算第k+1次迭代输入控制电压Uk+1。迭代学习控制率为式中,Yd是期望的钢坯出口温度轨线,设定为1100℃恒定值,Yk第k次过程运行完后钢坯出口温度实测轨线。Q和R是权重矩阵,影响着跟踪轨迹误差和控制变化的贡献程度。如果R取得比较大,将导致输入控制的变化量小,收敛速度较慢;如果R比较小,将导致控制输入变化量大,可能导致算法不收敛。Q和R的权重因子可以随着时间段不同而不同。为了简便,一般取为对角阵,Q=IM,R=λ·IN。
步骤5:将Uk+1作用于感应加热过程,获得钢坯出口温度Yk+1。将Uk+1和Yk+1加入历史数据集,并剔除一组旧数据。重复1-5的过程,只要生产继续,迭代学习就可以一直进行下去。
本发明的有益效果:充分利用感应加热过程重复性的特点,引入迭代学习算法,能够让输出温度轨线最大限度的跟踪期望温度轨线。系统模型的建立完全是基于当前和历史过程数据的,不需要考虑复杂的物理过程。在迭代轴形成闭环控制,加上更新摄动模型抑制过程参数的不确定性,能够有效抑制模型不匹配和各种干扰带来的影响。
附图说明
图1为本发明迭代学习控制系统结构图;
图2为本发明实施方式的流程图;
图3为本发明连铸坯感应加热过程图。
具体实施方式
以下结合附图对本发明作进一步说明。
下面结合附图对本发明的具体实施做进一步说明。以下实施只用于说明本发明,但不用来限制本发明的范围。
如图2所示,本发明方法包括以下步骤:
1.数据预处理
历史数据库中有k个过程数据,从中获取如下数据轨线:中频电源控制电压U,钢坯入口温度R、钢坯出口温度Y,其中,U为输入轨线,Y为输出轨线。具体预处理步骤如下:
步骤1-1:感应电炉出入口各有一个温度传感器。设定入口温度阈值700℃,钢坯进入感应器入口温度开始上升,超过这个阈值的时刻定义为入口温度上升沿,相反的,钢坯离开感应器入口温度开始下降,当温度低于阈值的时刻定义为入口温度下降沿。同理设定出口温度阈值为800℃,得到出口温度的上升沿和下降沿。截取入口温度上升沿和出口温度下降沿之间的电压信号作为控制输入,截取出口上升沿和下降沿之间的温度数据作为输出。
步骤1-2:利用3δ准则剔除输入输出序列中的异常值,再利用滑动平均去除其中的随机噪声。利用3δ准则剔除异常值,
P{|x-μ|>3δ}≤0.003 (1)
式中,μ为总体数据的数学期望,δ为总体数据的标准差。将数据集中数值不在[μ-3δ,μ+3δ]范围内的数据作为异常值剔除。为去除数据中的随机噪声,采用滑动平均的方法,将前后5个数据的算术平均来代替中间位置的数值:
步骤1-3:对处理后的序列进行重采样,控制数据量。以0.5s作为时间间隔,输入采样点个数为N,输出采样点个数为M,如果采样点没有测温数据,就将采样点前后测温数据的平均值作为当前采样时刻的测温数据。重采样后的控制电压和钢坯出口温度仍然用U和Y表示。
2、计算摄动模型变量。
步骤2-1:从历史数据集中选取第k次过程输入输出轨线作为参考轨线{Us,Ys}。
步骤2-2:将历史数据集中的其他过程输入输出轨线减去参考轨线获得摄动模型变量其中,下标i∈1,2,...,k,表示历史数据集中第i个过程。
3、利用偏最小二乘(PLS)回归获得系统线性化摄动模型控制器
根据图3所述感应加热过程,输入输出的非线性关系可以表示为
Yi=F(Ui) (3)
F(·)表示输入、输出之间关系的非线性函数。在参考轨线附近做一阶泰勒展开,进行线性化得到:
所求的线性化摄动模型控制器的定义为
系统线性化摄动模型为
严格的说,钢坯在t时刻的输出温度yi(t)是t时刻之前的所有输入的非线性函数,但是实际上距离感应电炉较远的钢坯段受此时刻感应器的输入控制的影响很小。为了简化后续计算,假设某段钢坯的出炉温度只与钢坯在入口测温点到出口测温点之间的这段时间的输入有关,这个假设忽略了部分磁力线逸散对钢坯的影响。限定Gs表达式为
利用MATLAB的PLS工具箱计算Gs的估计值再按照(7)的形式待定各个参数。
4、计算第k+1次过程迭代输入控制电压Uk+1。
如图1迭代学习控制结构图所示,摄动模型的跟踪误差为
又由(6)得到
当第k次过程完成后,第k+1次最优控制输入可以通过求解如下二次目标函数得到
上式中,Q和R是权重矩阵,影响着跟踪轨迹误差和控制变化的贡献程度。如果R取得比较大,将导致输入控制的变化量小,收敛速度较慢;如果R比较小,将导致控制输入变化量大,可能导致算法不收敛。Q和R的权重因子可以随着时间段不同而不同。为了简便,一般取为对角阵,Q=IM,R=λ·IN。
令得到第k+1次的输入控制为
5、将Uk+1作用于感应加热过程,获得钢坯出口温度Yk+1。将Uk+1和Yk+1加入历史数据集,并剔除一组旧数据。重复1-5的过程,只要生产继续,迭代学习就可以一直进行下去。
Claims (1)
1.一种基于迭代学习控制的连铸坯感应加热过程温控方法,其特征在于该方法包括以下步骤:
步骤1:数据预处理;
历史数据库中有k个过程数据,从中获取如下数据轨线:中频电源控制电压U,钢坯入口温度R、钢坯出口温度Y;具体预处理步骤如下:
步骤1-1:截取入口温度上升沿和出口温度下降沿之间的感应电炉电压信号作为控制输入,截取出口上升沿和下降沿之间的温度数据作为输出;
步骤1-2:利用3δ准则剔除输入输出序列中的异常值,再利用滑动平均去除其中的随机噪声;
步骤1-3:对处理后的序列进行重采样,控制数据量;重采样后的控制电压和钢坯出口温度仍然用U和Y表示;
步骤2:计算摄动模型输入变量和输出变量其中,下标i∈1,2,...,k,表示历史数据集中第i个过程;
步骤2-1:从历史数据集中选取第k次过程输入输出轨线作为参考轨线{Us,Ys};
步骤2-2:将历史数据集中的其他过程输入输出轨线减去参考轨线获得摄动模型变量
步骤3:根据摄动模型输入输出变量的集合,利用偏最小二乘回归获得系统线性化摄动模型控制器
步骤4:计算第k+1次迭代输入控制电压Uk+1;迭代学习控制率为式中,Yd是期望的钢坯出口温度轨线,设定为1100℃恒定值,Yk表示第k次过程运行完后钢坯出口温度实测轨线;Q和R是权重矩阵,取为对角阵,Q=IM,R=λ·IN;
步骤5:将Uk+1作用于感应加热过程,获得钢坯出口温度Yk+1;将Uk+1和Yk+1加入历史数据集,并剔除一组旧数据;重复步骤1-5的过程,只要生产继续,迭代学习就可以一直进行下去。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410717793.9A CN104407642B (zh) | 2014-12-01 | 2014-12-01 | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410717793.9A CN104407642B (zh) | 2014-12-01 | 2014-12-01 | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104407642A CN104407642A (zh) | 2015-03-11 |
CN104407642B true CN104407642B (zh) | 2016-09-07 |
Family
ID=52645280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410717793.9A Active CN104407642B (zh) | 2014-12-01 | 2014-12-01 | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104407642B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428915B (zh) * | 2018-03-26 | 2021-04-27 | 东南大学 | 一种基于迭代学习的燃料电池排气过程阳极压力控制方法 |
MX2022005010A (es) * | 2019-10-28 | 2022-08-04 | Nucor Corp | Deteccion de fallas para control de aprendizaje iterativo de sistemas variables en el tiempo. |
CN112327971B (zh) * | 2020-10-27 | 2021-06-15 | 江南大学 | 金属棒温度分布系统的鲁棒启发式迭代学习控制方法 |
CN115139669A (zh) * | 2022-07-01 | 2022-10-04 | 联想图像(山东)科技有限公司 | 一种打印机加热控制方法、装置、打印机及打印方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB835825A (en) * | 1956-10-29 | 1960-05-25 | Ajax Magnerthermic Corp | Method and apparatus for the induction heating of billets and the like |
US3080468A (en) * | 1960-03-07 | 1963-03-05 | Lindberg Eng Co | Billet heater control and method |
CN101709869A (zh) * | 2009-12-18 | 2010-05-19 | 杭州电子科技大学 | 燃煤锅炉过热蒸汽温度系统混合控制方法 |
CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
CN102520618A (zh) * | 2011-12-31 | 2012-06-27 | 杭州电子科技大学 | 误差容忍限机制下的焦化加热炉辐射出口温度控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0737150A (ja) * | 1993-07-22 | 1995-02-07 | Sanyo Electric Co Ltd | 加温制御方法 |
CN100422356C (zh) * | 2005-05-31 | 2008-10-01 | 宝山钢铁股份有限公司 | 连续退火加热炉炉温控制方法 |
CN101929736B (zh) * | 2009-06-25 | 2012-02-22 | 宝钢新日铁汽车板有限公司 | 一种基于蓄热式烧嘴的加热炉温度控制方法 |
CN201540498U (zh) * | 2009-12-09 | 2010-08-04 | 北京联合大学 | 工业网络环境下的立式电加热炉智能化模糊温控系统 |
CN102455135B (zh) * | 2010-10-27 | 2013-11-20 | 宝山钢铁股份有限公司 | 明火加热炉炉温控制设备 |
-
2014
- 2014-12-01 CN CN201410717793.9A patent/CN104407642B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB835825A (en) * | 1956-10-29 | 1960-05-25 | Ajax Magnerthermic Corp | Method and apparatus for the induction heating of billets and the like |
US3080468A (en) * | 1960-03-07 | 1963-03-05 | Lindberg Eng Co | Billet heater control and method |
CN101709869A (zh) * | 2009-12-18 | 2010-05-19 | 杭州电子科技大学 | 燃煤锅炉过热蒸汽温度系统混合控制方法 |
CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
CN102520618A (zh) * | 2011-12-31 | 2012-06-27 | 杭州电子科技大学 | 误差容忍限机制下的焦化加热炉辐射出口温度控制方法 |
Non-Patent Citations (3)
Title |
---|
基于仿真的连铸坯电磁感应加热过程温度控制研究;潘三强 等;《工业加热》;20121231;第41卷(第6期);25-28,33 * |
基于有限元模型的连铸坯感应加热过程仿真;吴坤 等;《计算机仿真》;20130731;第30卷(第7期);308-310 * |
连铸坯感应加热过程建模与优化控制研究;车栩龙;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140915(第9期);22-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN104407642A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104407642B (zh) | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 | |
CN104765350B (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 | |
CN102880046B (zh) | 一种化工多变量过程解耦预测函数控制方法 | |
CN103399486A (zh) | 塑料烘干器温度优化节能控制方法 | |
CN102564644B (zh) | 一种加热炉生产过程中板坯温度在线测量方法 | |
CN101286044A (zh) | 一种燃煤锅炉系统混合建模方法 | |
CN102393884A (zh) | 基于bp神经网络的热连轧电磁感应加热温度预测方法 | |
Wu et al. | Neural-network-based integrated model for predicting burn-through point in lead–zinc sintering process | |
CN102520617B (zh) | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 | |
CN102520616B (zh) | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 | |
Feng et al. | Research on the fuzzy predictive control for calcining temperature of the rotary cement kiln | |
Cao et al. | A dynamic subspace model for predicting burn-through point in iron sintering process | |
CN109145421A (zh) | 一种应用于分布参数系统的时空模糊建模方法 | |
Hambali et al. | Various PID controller tuning for air temperature oven system | |
CN104267600B (zh) | 钢包精炼炉电极调节控制系统及其控制方法 | |
CN101221437B (zh) | 网络信息交换模式下的工业生产全过程优化控制方法 | |
CN107030121A (zh) | 一种连铸坯感应加热快速自适应温控方法 | |
CN102662324A (zh) | 槽式反应器基于在线支持向量机的非线性模型预测控制方法 | |
CN102880047B (zh) | 炼油工业加热炉温度过程的伴随矩阵解耦预测控制方法 | |
CN203561850U (zh) | 一种基于平推流反应动力模型的等温化学气相渗透plc-ipc控制系统 | |
Seo et al. | Low-order model identification and adaptive observer-based predictive control for strip temperature of heating section in annealing furnace | |
CN105318312A (zh) | 一种电站锅炉蒸汽温度的全工况多步超前预测控制方法 | |
Ning et al. | Integrated modeling for roller kiln temperature prediction | |
Chen et al. | Online Cooling System and Improved Similar Self-adaptive Strategy for Hot-rolled Seamless Steel Tube | |
Li et al. | Intelligent model building and GPC-PID based temperature curve control strategy for metallurgical industry |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190910 Address after: 311305 No. 59 South Ring Road, Qingshan Lake Street, Linan District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Sida Electric Cooker Complete Plant Co., Ltd. Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street Patentee before: Hangzhou Electronic Science and Technology Univ |
|
TR01 | Transfer of patent right |