CN104415972A - 一种粗轧带钢宽度的综合自适应控制方法 - Google Patents

Abstract

本发明提出一种粗轧宽度的综合自适应控制方法，该方法在首次获得粗轧宽度实测数据后，首先综合宽度实测数据、立辊轧制力信息，估计带钢全长宽度；综合计算已经轧制的所有道次自然宽展和狗骨宽展，通过乘性学习计算，更新所有道次的模型学习；在随后每获得一次宽度实测数据，都进行宽度相关道次的学习；在精轧获得宽度实际值后，对全局宽度目标进行学习。每次粗轧完成相关计算后，启动粗轧再计算，从新设定后续立辊轧制辊缝。本发明的热轧宽度综合自适应方法，从系统角度梳理了宽度模型控制系统的自适应方法，充分利用了各种轧制信息，快速提升了热轧宽度控制指标精度。该技术方法宽度控制精度达到0～12.5mm99.5％的控制精度，快速提高了热轧宽度控制精度。

Description

一种粗轧带钢宽度的综合自适应控制方法

技术领域

本发明属于轧钢控制技术领域，具体地，本发明涉及一种粗轧带钢宽度的综合自适应控制方法，该方法在首次获得粗轧宽度实测数据后，首先综合宽度实测数据，估计带钢全长宽度；综合计算已经轧制的所有道次自然宽展和狗骨宽展，通过乘性学习计算，更新所有道次的模型学习；在随后每获得一次宽度实测数据，都进行宽度相关道次的学习；在精轧获得宽度实际值后，对全局宽度目标进行学习；每次粗轧完成相关计算后，启动粗轧宽度再计算，从新设定后续立辊轧制辊缝。

背景技术

在热轧领域，粗轧常见配置是两组轧机，在粗轧R2轧机出口处配置宽度测量仪。在传统的粗轧宽度控制过程中，粗轧采用多道次轧制，例如3－3道次或1－5道次。目前，在粗轧宽度模型学习及控制中存在的问题包括：

（1）由于在粗轧R2轧机的出口处才能采集到宽度数据。如果采用3－3道次轧制，粗轧在R21（表示R2轧机第一道次轧制）轧制后，获得长度的部分宽度数据。此时，常规处理方法是简单将获得的数据平均，以代替全长宽度进行学习。这种处理方法在某种情况下会产生一定的偏差。

（2）宽度模型学习本身比较困难。

由于R2测量得到的宽度是由多个道次反复轧制后的结果，例如3－3道次轧制时，R21第一次获得宽度实测值，该宽度是结果粗轧3道次立辊轧制、4道次水平辊轧制后的结果，很难判断宽度的误差是哪个道次设定误差所产生的。

常规的方法是，采用简化的立辊辊缝学习或局部的狗骨宽展学习方法，即，将轧制误差归结为立辊辊缝或狗骨模型，再采用加性或乘性（加性学习是指遗传系数以“加在模型计算结果上”的形式修正模型计算，乘性学习是指遗传系数以“乘模型计算结果上”的形式修正模型计算）学习。

由于粗轧自然宽展和狗骨模型难以进行优化学习，很多粗轧系统不能启动再设定计算，同时人工干预情况也比较普遍。

（3）精轧轧制后虽然获得了精轧宽度，但精轧宽度值只用于精轧宽展学习或立辊辊缝的快速修正，没用充分利用这一信息；另外，

（4）常规的精轧宽度学习启动时序在精轧抛钢后，这时精轧的宽度学习往往不能对其后面板坯起作用，只能用于再后面的带钢板坯。

专利和各种公开文献检索

主要查询网站：

（1）http://www.soopat.com/国内外专利查询

（2）http://www.dialoguser.com

（3）http://10.251.8.163:81/维普期刊综合服务平台

主要关键词

（1）关键词：粗轧宽度自适应（学习）

（2）关键词：Rough AND mill AND width AND adaptation（learning）经检索，本领域以往的专利和文章有：

申请号为“200510030915.8”、发明名称为“一种粗轧带钢的宽度优化设定方法”。

该发明公开了一种粗轧带钢的宽度优化设定方法，其方法主要是涉及精轧自然宽展的学习。

申请号为“201110148757.1”、发明名称为“一种粗轧宽度自学习的方法”的发明申请。

该申请技术方案系将出口宽度实测值w2与计算的出口宽度进行比较的方案，其步骤包括：

如果差值|w2-w2′|≤C，则宽度自学习步骤结束；如果差值|w2-w2′|＞C，则采用二分法重新分配自学习系数λ，重复前面的步骤，直到所述差值≤C为止，其中，C为常数，通常为期望得到的粗轧宽度精度，例如，C＝0.0001或0.001。根据本发明，自学习系数λ的取值范围可以为[-0.9，0.9]。

然而，该申请的技术方案的学习方法是一种一次性学习，不同于本发明的一种误差衰减自学习方式。

申请号为“201110152867.5”、发明名称为“热轧带钢宽度控制模型智能学习系统及计算学习方法”。该专利技术方案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，系利用粗轧出口宽度测量仪反馈值与立辊辊缝实际执行状态的智能分析，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；通过粗轧出口宽度测量仪反馈值与精轧出口宽度测量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。该专利申请涉及的是一种模型学习逻辑。

专利申请号为“JP19920178583”的日本专利涉及粗轧带钢的宽度控制装置，但该专利方法主要涉及带钢的在线短行程和模糊控制。

专利申请号为“JP19940101124”、发明名称为“DEVICE FOR AUTOMATICALYCORRECTING SETUP OF WIDTH IN ROUGH HOT ROLLING”的日本专利涉及粗轧模型的学习，但主要采用最小二乘方法。

另外，论文：热轧宽度模型改造（作者：龚少腾，吴毅平，朱涛，单旭沂，朱健勤，《宝钢技术》2012年第4期），提及粗轧模型学习的层别划分和传统模型学习方法。

论文：基于R2出口宽度测量的宽度模型研究和优化（作者：刘苗，《宝钢技术》2011年第5期），该论文研究了宝钢2050热轧宽度模型学习存在的问题，提出采用R2宽度数据进行各道次宽度偏差平均分配的学习策略，但未涉及如本发明提及的乘性学习和误差安宽展比例分配。

发明内容

针对以上问题，为提高热轧宽度控制精度，对粗轧宽度学习进行全面优化，本发明提供一种粗轧带钢宽度的综合自适应控制方法，所述方法在首次获得粗轧宽度实测数据后，首先综合宽度实测数据，估计带钢全长宽度；综合计算已经轧制的所有道次自然宽展和狗骨宽展，通过乘性学习计算，更新所有道次的粗轧宽度模型学习；在随后每获得一次宽度实测数据，都进行宽度相关道次的学习；在精轧获得宽度实际值后，对全局宽度目标进行学习；每次粗轧完成相关计算后，启动粗轧再计算，从新设定后续立辊轧制辊缝。

本发明的一种粗轧带钢宽度的综合自适应控制方法的具体方案如下。

一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述方法包括粗轧宽度设定计算过程及粗轧宽度模型的自适应计算，所述带钢板坯的粗轧宽度设定和模型自适应计算过程包括下述步骤：

粗轧宽度计算及其模型自适应计算过程：

（1）用于粗轧宽度设定计算的数据准备，

（2）进行粗轧宽度目标计算，

（3）进行粗轧立辊轧制设定计算；

（4）进行粗轧立辊轧制和数据收集；

（5）判断粗轧轧制是否结束，如判断粗轧轧制未结束，则再返回（1），过程计算机会再次进行轧制设定，即粗轧再计算设定。

如判断粗轧轧制结束，则转入所述精轧轧制生产和精轧宽度自适应计算过程：

（7）精轧轧制和精轧自然宽展学习，精轧宽度模型学习的启动在时序上包括两次，分别是精轧带钢轧制完成30％带钢的条件下或轧制带钢长度>400m情况下启动一次，精轧完成全长带钢轧制后再次启动；所述精轧自然宽展学习的遗传数据保存并返回（遗传系数更新）粗轧宽度计算过程；

（8）精轧宽度全局学习，所述精轧宽度全局学习的遗传数据保存并返回（遗传系数更新）粗轧宽度计算过程；

（9）结束；

所述粗轧宽度计算过程包括粗轧宽度预计算过程及粗轧宽度再计算过程。

所述粗轧宽度再计算设定流程由粗轧或精轧的自适应计算触发，即粗轧收到宽度测量数据后，完成宽度相关的模型自适应计算后，在计算时间允许的条件下，启动粗轧再计算设定。

根据本发明，所述粗轧宽度模型的自适应计算过程包括:

粗轧宽度测量数据处理、粗轧宽度模型学习、精轧宽度模型学习、精轧宽度数据处理、精轧自然宽展学习和宽度全局学习几个部分。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述粗轧宽度测量数据的处理方法为：

利用粗轧立辊轧机的轧制力、辊缝和部分宽度测量数据估计粗轧出口宽度模型修正系数，从而推导全长宽度数据，估算粗轧出口宽度平均值。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述粗轧宽度模型学习方法为：

根据粗轧后计算获得的宽度偏差，以粗轧宽度预测的宽展量为权重，进行误差分解，根据该误差进行自然宽展和狗骨宽展的自适应学习。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述精轧宽度自适应计算过程还包括：

精轧宽度模型学习的启动逻辑：

精轧宽度模型学习的启动次数为两次，分别是精轧带钢轧制完成30％带钢的条件下或轧制带钢长度>400m情况下启动一次，精轧完成全长带钢轧制后再次启动。

这种设计主要考虑了轧制节奏对模型整体学习的影响。热轧模型学习基本采用模型后计算值同实际值比较的方法进行学习；精轧全局宽度学习采用宽度目标值同实际值比较的方法进行学习。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，根据所述粗轧宽度目标计算，粗轧出口目标宽度考虑以下因素：

（6）不同钢种、规格的宽度余量，

（7）精轧小立辊压下量及其狗骨宽展量，

（8）精轧自然宽度预测值，

（9）人工目标宽度修正量，

（10）宽度全局遗传学习；

粗轧出口目标宽度包括：

粗轧出口目标宽度冷值，

粗轧出口目标宽度冷值计算公式如下：

W_RMTarget=W_FMTarget-W_FMspread+dW_E3effect+Margin+W_HMI+W_Inherglobal  （1）

将粗轧出口宽度冷值转换成粗轧出口宽度热值：

W_RMTargetHot=W_RMTargetHot·alpha

其中：

alpha：冷热转换系数，

W_RMTarget：粗轧出口宽度目标冷值（单位：mm），

W_FMTarget：精轧出口宽度目标冷值（单位：mm），

W_FMspread：精轧自然宽度计算值（单位：mm），

dW_E3effect=dW_E3-W_E3dog

dWE3effect:E3有效宽度压下，等于E3压下（dWE3）减去狗骨宽展(WE3dog)，

Margin=MarginBase+MarginTechnics＋MarginInher，MarginTechnic：宽度余量工艺修正值（根据不同钢种和厚度、宽度分层别）（单位：mm），

MarginBase：宽度余量基本值（单位：mm），

MarginInher：宽度余量学习值（根据不同钢种和厚度、宽度分层别值）（单位：mm），

W_HMI：粗轧目标宽度系统修正（画面输入，为操作工操作提供手段）（单位：mm），

W_Inherglobal：宽度全局修正值（单位：mm）。

热轧的宽度控制目标一般指精轧宽度，但宽度的主要轧制过程在粗轧完成。

带钢在精轧轧制过程中宽度会发生宽展和拉窄现象。因此粗轧轧制设定首先要在精轧宽度目标的基础上确定粗轧粗口宽度目标。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧宽度测量及数据处理:

宽度测量数据是板坯宽度的对称数据，根据这个特点宽度测量数据处理如下：

（1）对宽度测量数据进行限幅滤波、限速率波处理，

（2）根据辊道速度曲线，判断板坯调头位置，将数据整理成同位置宽度测量数据，

（3）比较同位置宽度数据，如果偏差大于一定量，去除，

（4）计算宽度平均值。

根据本发明，所述（3）中，比较同位置宽度数据，如果偏差大于一定量，例如5mm，则去除。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧宽度模型第一次学习采用乘性学习方法，学习算法中考虑各道次的自然宽展和狗骨宽展变化。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，下面假设E2入口宽度已知，轧制一道次，采用后计算值的进行宽度模型学习的算法，

粗轧水平轧机出口宽度（即粗轧完成某1道次轧制后的出口宽度）如式（3）所示，

W_Post(1)-W_E2(0)+dW(1)=dW_Nature(1)+dW_Dog(1)

W_Act(1)-W_E2(0)+dW(1)=K_Act(1)·dW_Nature(1)+K_DogAct(1)·dW_Dog(1)  （3）

式中：W_Post(1)：水平轧机第一道次出口板坯后计算宽度（单位：mm），

W_E2(0)：立辊轧机第一道次轧制前板坯入口宽度（单位：mm），

dW(1)：立辊轧机第一道次压下量（单位：mm），

dW_Nature(1)：水平第一道次轧制后自然宽展（单位：mm），

dW_Dog(1)：水平第一道次轧制后狗骨宽展（单位：mm），

W_Act(1)：水平轧机第一道次出口板坯宽度实测平均值（单位：mm），

K_Act(1)：水平轧制第一道次自然宽展修正系数（需要模型自适应的值），

K_DogAct(1)：水平轧制第一道次狗骨宽展修正系数（需要模型自适应的值）。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧立辊轧制设定和轧制:

当侧压后平轧时，平轧后板材宽度W_out由以下三项组成：

W_out=W_in+dW_dog+dW_nature  （2）

式中：W_in为侧压后轧件宽度（单位：mm）；

dW_nature为水平轧制后除鼓形回展外的轧件宽展（单位：mm），即水平宽展，模型细节略；

dW_dog为水平轧制后的鼓形回展（单位：mm），即“狗骨”宽展。

模型细节略。

在已知粗轧立辊入口宽度、厚度、水平轧制压力量及水平轧机出口目标宽度等条件下，求出立辊压下量的过程即粗轧立辊轧制设定。

立辊（轧制）设定的精度取决于水平宽展模型和狗骨宽展模型的计算精度，而模型的精度同宽展模型的自适应算法关系密切。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，

假设模型后计算值和实际的压下、来料入口宽度一致，由上式（3）得：

W_Post(1)-W_Act(1)=[1-K_Act(1)]·dW_Nature(1)+[1-K_DogAct(1)]·dW_Dog(1)  （4）

假设自然宽展和狗骨宽展的误差同模型计算结果成比例，定义：

$\mathrm{\β}=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)+{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)},$ 则：

[W_Post(1)-W_Act(1)]·β=[1-K_Act(1)]·dW_Nature(1)

[W_Post(1)-W_Act(1)]·(1-β)=[1-K_DogAct(1)]·dW_Dog(1)  （5）

由（7）推出：

$K_{\mathrm{Act}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}}{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}=\mathrm{upd}\left(1\right)$

$K_{\mathrm{DogAct}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·(1-\mathrm{\β})}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)}=\mathrm{upd}\left(2\right)---\left(6\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，

模型自适应系数新值采用如下方法计算：

K_New(1)=α·upd+(1-α)·K_Old(1)  （7）

式中：K_New(1)：模型新的自适应系数（无单位，0.7～1.35），

K_Old(1)：模型老的自适应系数（无单位，0.7～1.35），

upd：新模型系数的计算更新值（无单位，0.7～1.35），

即式（8）中的K_Act(1),K_DogAct(1)

α：模型学习系数（无单位），0～1之间。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，常规轧机，R1后没有测量仪表的，则在第一次测量到板坯宽度时，宽度关系如下式：

$W_{\mathrm{Post}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)$

$W_{\mathrm{Act}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{K}_{\mathrm{Act}}\left(i\right)\·{\mathrm{dW}}_{\mathrm{Nature}\left(i\right)}+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{K}_{\mathrm{DogAct}}\left(j\right)\·{\mathrm{dW}}_{\mathrm{Dog}}\left(j\right)---\left(8\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，设自然宽展和狗骨宽展的误差同模型计算结果成比例，则定义：

${\mathrm{dW}}_{\mathrm{Total}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)$

$\mathrm{\β}\left(j\right)=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(j=1~n)---\left(9\right)$

$\mathrm{\β}(n+i)=\frac{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(i=1~m)$

进一步可推出：

$K_{\mathrm{Act}}\left(j\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)}$

$K_{\mathrm{Dog}}\left(i\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}(n+i)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}---\left(10\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，采用式（7）更新遗传系数，粗轧出口宽度的模型的层别包括：质量号×道次号×宽度等级×厚度等级，

粗轧宽度的学习算法采用长时、短时二种，长时系数用于换规格时使用，短时用于同一轧制计划中同规格后续带钢，

同一轧制计划中轧制新规格带钢采用长时遗传系数，而否则采用短时遗传系数，

本步骤更新的遗传系数用于后续带钢的轧制设定。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧再设定计算及宽度模型再次学习（一块钢的轧制需要多个轧制道次完成，在粗轧完成一道次轧制，可以获得一系列测量数据，依据这些新数据可以计算出新的后续道次设定）

粗轧完成前向道次（粗轧前向道次轧制指带钢沿轧线方向运动的加工过程，粗轧逆向道次则是带钢沿轧线反方向运动的轧制。在粗轧区域，带钢需要在某一个机架往复轧制）轧制，获得了宽度实际值后，根据该新宽度实际值值从新进行轧制设定，学习方法见式（8）、（9）、（10）。

根据本发明，粗轧完成学习后，将启动后续带钢的再设定计算，再设定计算方法同预设定。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，（精轧）宽度全局模型学习：

一般热轧宽度控制中，精轧轧制后虽然获得了精轧宽度，但精轧宽度值只用于精轧宽展学习或立辊辊缝的快速修正，没用充分利用这一信息。本发明采用如下方法，如式（11），其主要特征包括：

（1）模型学习获得的遗传系数直接用于修正粗轧宽度目标，而不是粗轧最后道次的辊缝。

W_Global(new)=(1-α)·W_Global(old)+α·(W_FMTarget-W_FMAct+W_OPMod·β)  （11）

式中：W_Global(new),W_Global(old)为宽度全局遗传系数,

α,β：（精轧宽度全局）模型学习系数（无单位）

W_FMTarget：精轧宽度目标（单位：mm）

W_FMAct：精轧宽度实际（即实测宽度值）（单位：mm）

W_OPMod：宽度目标操作工修正（操作工根据自己的生产经验，对应计算机设定过程的一种干预）（单位：mm）。

一般粗轧出口装宽度测量仪表，因此在粗轧R2轧机的出口才能采集到宽度数据。粗轧轧制时，如果不是最后道次，由于宽度测量仪表安装位置原因，往往只能测量到部分板坯的宽度实际，数据中还包含部分干扰。因为不是最后道次的前向轧制，板坯要进行逆道次轧制，因此宽度测量数据是板坯宽度的对称数据，根据这个特点宽度测量数据处理如图3（a），（b）所示。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧宽度模型第一次学习

本发明采用乘性学习方法，学习算法中考虑各道次的自然宽展和狗骨宽展变化。下面假设E2入口宽度已知，轧制一道次，采用后计算值的进行宽度模型学习的算法。粗轧水平轧机出口宽度如式（3）所示。

W_Post(1)-W_E2(0)+dW(1)=dW_Nature(1)+dW_Dog(1)

W_Act(1)-W_E2(0)+dW(1)=K_Act(1)·dW_Nature(1)+K_DogAct(1)·dW_Dog(1)  （3）

式中：W_Post(1)：水平轧机第一道次出口板坯后计算宽度（单位：mm）

W_E2(0)：立辊轧机第一道次轧制前板坯入口宽度（单位：mm）

dW(1)：立辊轧机第一道次压下量（单位：mm）

dW_Nature(1)：水平第一道次轧制后自然宽展（单位：mm）

dW_Dog(1)：水平第一道次轧制后狗骨宽展（单位：mm）

W_Act(1)：水平轧机第一道次出口板坯宽度实测平均值（单位：mm）

K_Act(1)：水平轧制第一道次自然宽展修正系数（需要模型自适应的值）（无单位），

K_DogAct(1)：水平轧制第一道次狗骨宽展修正系数（需要模型自适应的值）（无单位）。

粗轧宽度模型学习本身比较困难，由于R2测量得到的宽度是由多个道次反复轧制后的结果，例如3－3道次轧制时，R21第一次获得宽度实测值，该宽度是结果粗轧3道次立辊轧制、4道次水平辊轧制后的结果，很难判断宽度的误差是哪道次设定误差产生的。常规的方法是采用简化的立辊辊缝学习或局部的狗骨宽展学习方法，即轧制误差归结为立辊辊缝或狗骨模型，采用加性或乘性学习。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，假设模型后计算值和实际的压下、来料入口宽度一致，由上式（3）得：

W_Post(1)-W_Act(1)=[1-K_Act(1)]·dW_Nature(1)+[1-K_DogAct(1)]·dW_Dog(1)  （4）

假设自然宽展和狗骨宽展的误差同模型计算结果成比例，定义：

$\mathrm{\β}=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)+{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)},$ 则：

[W_Post(1)-W_Act(1)]·β=[1-K_Act(1)]·dW_Nature(1)

[W_Post(1)-W_Act(1)]·(1-β)=[1-K_DogAct(1)]·dW_Dog(1)  （5）

由（7）推出：

$K_{\mathrm{Act}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}}{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}=\mathrm{upd}\left(1\right)$

$K_{\mathrm{DogAct}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·(1-\mathrm{\β})}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)}=\mathrm{upd}\left(2\right)---\left(6\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，模型系数采用误差衰减方法进行自学习，另模型系数的新值为：

K_New(1)=α·upd+(1-α)·K_Old(1)  （7）

式中：K_New(1)：模型新自适应系数（无单位）

K_Old(1)：模型老的自适应系数（无单位）

upd：新模型系数的计算更新值（无单位），即式（8）中的K_Act(1),K_DogAct(1)

α：模型学习系数（无单位），0～1之间。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，常规轧机，R1后没有测量仪表的，则在第一次测量到板坯宽度时，宽度关系如下式：

$W_{\mathrm{Post}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)$

$W_{\mathrm{Act}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{K}_{\mathrm{Act}}\left(i\right)\·{\mathrm{dW}}_{\mathrm{Nature}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{K}_{\mathrm{DogAct}}\left(j\right)\·{\mathrm{dW}}_{\mathrm{Dog}}\left(j\right)---\left(8\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，同样假设自然宽展和狗骨宽展的误差同模型计算结果成比例，则定义：

${\mathrm{dW}}_{\mathrm{Total}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)$

$\mathrm{\β}\left(j\right)=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(j=1~n)---\left(9\right)$

$\mathrm{\β}(n+i)=\frac{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(i=1~m)$

进一步可推出：

$K_{\mathrm{Act}}\left(j\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Nature}\left(j\right)}}$

$K_{\mathrm{Dog}}\left(i\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}(n+i)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}---\left(10\right)$

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，采用式（7）更新遗传系数。

粗轧出口宽度的模型的层别包括：质量号×道次号×宽度等级×厚度等级。粗轧宽度的学习算法采用长时、短时二种，长时系数用于换规格时使用，短时用于同一轧制计划中同规格后续带钢。同一轧制计划中轧制新规格带钢采用长时遗传系数，而否则采用短时遗传系数。

本步骤更新的遗传系数将用于后续带钢的轧制设定。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，根据宽度全局模型学习，一般热轧宽度控制中，精轧轧制后虽然获得了精轧宽度，但精轧宽度值只用于精轧宽展学习或立辊辊缝的快速修正，没用充分利用这一信息。本发明采用如下方法，如式（11），其主要特征包括：

模型学习量用于修正粗轧宽度目标：

W_Global(new)=(1-α)·W_Global(old)+α·(W_FMTarget-W_FMAct+W_OPMod·β)  （11）

式中：W_Global(new),W_Global(old)为宽度全局遗传系数（无单位）

α,β：模型学习系数（无单位）

W_FMTarget：精轧宽度目标（单位：mm）

W_FMAct：精轧宽度实际（单位：mm）

W_OPMod：宽度目标操作工修正（单位：mm）。

根据本发明的一种粗轧带钢宽度的综合自适应控制方法，本发明将精轧模型的学习分成两次启动：

（1）精轧完成30％带钢的条件下或轧制带钢长度>400m情况下，精轧启动第一次精轧自然宽展和宽度全局修正学习，产生一组遗传系数A，

（2）精轧完成全部带钢轧制后启动第二次精轧自然宽展和宽度全局模型学习，产生一组遗传系数B。

精轧自然宽展遗传系数主要给后续带钢使用，在后续带钢最后道次轧制前如果收到精轧自然宽展的全长带钢自适应遗传系数B，就使用自适应遗传系数B；否则使用自适应遗传系数A。

常规的精轧宽度模型学习是在完成全部带钢轧制后启动学习。这种情况下，在粗轧轧制节奏比较快的情况下，精轧完成了轧制，紧跟其后的带钢也开始或完成了粗轧最后道次的轧制。这种情况下，粗轧就不能进行轧制设定的修正。为此，根据本发明的热轧宽度综合自适应方法，从系统角度梳理了宽度模型控制系统的自适应方法，充分利用了各种轧制信息，快速提升了热轧宽度控制指标精度。该技术方法宽度控制精度达到0～12.5mm99.5％的控制精度。

附图说明

图1为粗轧宽度自适应控制系统示意图。

图2为粗轧宽度自适应控制流程图。

图3（a）为非最后道次的宽度测量数据示意图（纵坐标单位：mm，横坐标单位：s）,

图3（b）为E2R2轧机出口辊道速度示意图（纵坐标单位：m/s，横坐标单位：s）。

图4为板坯同位置宽度数据（纵坐标单位：mm，横坐标单位：测量点数）图。

图5为板坯同位置宽度数据（纵坐标单位：mm，横坐标单位：测量点数）图。

具体实施方式

图1为本发明提出的粗轧宽度自适应完整控制系统图。粗轧宽度控制过程中有两条主线：一条是宽度设定计算过程，另一条是宽度模型自适应计算和后计算过程。

对于某一块带钢，粗轧完成初步粗轧宽度目标计算后，粗轧进行设定轧制；当粗轧立辊每轧制完成一个道次，过程计算机会再次进行轧制设定，即粗轧再计算设定。粗轧再计算设定流程由粗轧或精轧的自适应计算触发，即粗轧收到宽度测量数据后，完成宽度相关的模型自适应计算后，在计算时间允许的条件下，启动粗轧再计算设定。

粗轧宽度模型的自适应计算包括粗轧数据处理、粗轧宽度模型学习、精轧宽度模型学习、精轧宽度数据处理、精轧自然宽展学习和宽度全局学习几个部分。本发明创新技术主要包括：

（1）局部粗轧宽度测量数据的处理方法：利用粗轧立辊轧机的轧制力、辊缝和宽度测量数据估计粗轧出口宽度模型修正系数，从而推导全长宽度数据，估算宽度出口宽度平均值。

（2）粗轧宽度学习方法：根据粗轧后计算获得的宽度偏差，以粗轧宽度预测的宽展量为权重，进行误差分解。根据该误差进行自然宽展和狗骨宽展的自适应学习。

（3）精轧宽度自适应技术：包括精轧宽度模型学习的启动逻辑和精轧全局宽度学习。精轧宽度自适应包括精轧自然宽展模型的学习和宽度全局学习。精轧宽度模型学习的启动次数为两次，主要考虑了轧制节奏对模型整体学习的影响。热轧模型学习基本采用模型后计算值同实际值比较的方法进行学习；精轧全局宽度学习采用宽度目标值同实际值比较的方法进行学习。

实施例

带钢入口宽度：Width=1200.0mm；

带钢精轧宽度目标：FMWTarget=1160.0mm；

E1辊径：E1Diam=800.0mm;

E2辊径：E2Diam=1190.0mm;

粗轧入口温度：1100℃；

来料厚度：230mm

R1辊径：R1Diam=1300.0mm

R2辊径：R2Diam=1230.0mm

粗轧宽度目标计算

精轧自然宽度计算值：W_FMspread＝-5.6mm

宽度余量工艺修正值：MarginTechnic＝0

宽度余量基本值：MarginBase＝7.5mm

宽度余量学习值：MarginInher＝0mm

则Margin=7.5mm

E3宽度有效压下：dW_E3effect=dW_E3-W_E3dog＝5.0－4.0＝1.0mm

粗轧目标宽度系统修正W_HMI=0mm

宽度全局修正值W_Inherglobal=1.5mm

则根据式（1）计算粗轧宽度控制目标：

W_RMTarget=W_FMTarget-W_FMspread+dW_E3effect+M_argin+W_HMI+W_Inherglobal

＝1160.0+5.6+1.0+7.5+0+1.5=1175.6mm

粗轧立辊轧制设定和轧制

粗轧采用3－3道次轧制；

R1水平辊轧制压下量（mm）：46.8595、40.9917、33.9571

R1水平辊轧制压下量（mm）：32.5882、28.6701、17.5452

通过计算，粗轧立辊各道次压下设定为：

E1立辊压下量（mm）：E1Draft=79.999390,54.735149

E2立辊压下量（mm）：E2Draft=28.009495,13.104386

R2Target[2]=[1168.5955,1175.6011](两个前向道次出口目标）粗轧宽度测量及全长宽度计算

实际如图3的宽度数据，进行限幅滤波、限速率波处理，根据辊道速度曲线，判断板坯调头位置，将数据整理成图4板坯同位置数据。

图4板坯同位置宽度数据（纵坐标单位：mm，横坐标单位：测量点数）

进一步比较同位置宽度数据，去除偏差同位置偏差较大的数据，得到图5测量曲线：

图5板坯同位置宽度数据（纵坐标单位：mm，横坐标单位：测量点数）

计算宽度平均值1167.22mm。

5.2.4粗轧宽度模型第一次学习

3－3道次轧制时，R21第一次获得宽度实测值，该宽度是结果粗轧3道次立辊轧制、4道次水平辊轧制后的结果。

前一步骤获得粗轧宽度：RMWidthAct.Mean=1167.22

模型后计算R1轧机3道次自然宽展（单位：mm）：

PostEdgerDraftData.postR1Spread[0]=9.27224

PostEdgerDraftData.postR1Spread[1]=8.37404

PostEdgerDraftData.postR1Spread[2]=6.06186

模型后计算E1轧机2道次狗骨宽展（单位：mm）：

PostEdgerDraftData.postE1Dog[0]=43.817

PostEdgerDraftData.postE1Dog[1]=24.6091

模型后计算R2轧机1道次自然宽展（单位：mm）：

PostEdgerDraftData.postE2Spread[0]=7.21693

模型后计算E2轧机1道次狗骨宽展（单位：mm）：

PostEdgerDraftData.postE2Dog[0]=8.08418

模型后计算各前向道次出口宽度（单位：mm）：

PostEdgerDraftData.postR1Width[0]=1178.64

PostEdgerDraftData.postR1Width[1]=1186.93

PostEdgerDraftData.postR1Width[2]=1170.99

PostEdgerDraftData.postR2Width[0]=1164.06

取各个道次的狗骨和自然宽展初始遗传系数均为1.0；

则计算得到的各道次自然宽展和狗骨宽展长时和短时遗传系数如下：

R1三个道次自然宽展长时遗传系数：

E1Long[3]=(1.0091842,1.0099195,1.0128145)

E1两个道次狗骨宽展长时遗传系数：

E1DogLong[2]=(1.0037800,1.0049123)

R2一个道次自然宽展长时遗传系数：

E2Long[7]=(1.0083523,1.0,1.0,1.0,1.0,1.0,1.0)

R2一个道次狗骨宽展长时遗传系数：

E2DogLong[4]=(1.0040767,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0)

R1三个道次自然宽展短时遗传系数：

E1Short[3]=(1.0137764,1.0148792,1.0192219)

E1两个道次狗骨宽展短时遗传系数：

E1DogShort[2]=(1.0056701,1.0073683)

R2一个道次自然宽展短时遗传系数：

E2Short[7]=(1.0111364,1.0,1.0,1.0,1.0,1.0,1.0)

R2一个道次狗骨宽展短时遗传系数：

E2DogShort[4]=(1.0050958,1.0,1.0,1.0)

5.2.5粗轧再设定计算及宽度模型再次学习

粗轧完成前向道次轧制，获得了宽度实际后，根据新的宽度值从新进行轧制设定。粗轧E2立辊压下新设定为：E2Draft=5.2053mm。

粗轧完成后续2道次水平轧制和1道次立辊轧制，测量实际板坯宽度：

RMWidthAct.Mean=1177.28;

模型启动后计算，

RMWidthAct.Mean=1177.28

PostEdgerDraftData.postE2Spread[1]=5.96932

PostEdgerDraftData.postE2Dog[1]=3.9665

PostEdgerDraftData.postE2Spread[2]=3.66995

PostEdgerDraftData.postR2Width[2]=1176.60

PostEdgerDraftData.targetR2Width[2]=1175.06

学习后更新遗传系数如下：

E2Long[7]=(1.0083523,1.0069791,1.0094917,1.0,1.0,1.0,1.0)

E2DogLong[4]=(1.0040767,1.0090040,1.0,1.0,1.0,1.0,1.0,1.0,1.0)

E2Short[7]=(1.0111364,1.0303769,1.0413128,1.0,1.0,1.0,1.0)

E2DogShort[4]=(1.0050958,1.0391902,1.0,1.0)

5.2.6精轧宽度模型学习

精轧轧制后，依次获得带钢两个宽度：前部分平均宽度和全长平均宽度。

W_FMAct＝1165.5mm  1166.5mm

全局模型学习系数α,β＝0.2，0.5

宽度目标操作工修正W_OPMod：1.0mm

精轧宽度目标W_FMTarget：1167.5mm

W_Global(old)＝1.0mm

两次计算获得的全局宽度学习系数为：1.3mm，1.1mm。

根据本发明的热轧宽度综合自适应方法，从系统角度梳理了宽度模型控制系统的自适应方法，充分利用了各种轧制信息，快速提升了热轧宽度控制指标精度。该技术方法宽度控制精度达到0～12.5mm99.5％的控制精度，快速提高了热轧宽度控制精度。

Claims (15)

1.一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述方法包括带钢板坯的粗轧宽度设定计算过程及粗轧宽度模型的自适应计算，所述带钢板坯的粗轧宽度设定计算过程包括下述步骤：

（1）用于粗轧宽度设定计算的数据准备，

（2）进行粗轧宽度目标计算，

（3）进行粗轧立辊轧制设定计算；

（4）进行粗轧立辊轧制和数据收集；

（5）判断粗轧轧制是否结束，如判断粗轧轧制未结束，则再返回（1），过程计算机会再次进行轧制设定，即粗轧再计算设定，

如判断粗轧轧制结束，则转入精轧轧制过程，在精轧轧制过程中和轧制结束后，启动精轧宽度自适应计算过程，精轧宽度自适应计算过程包括精轧自然宽展模型的自适应学习及精轧宽度全局学习两方面内容，所述精轧宽度自适应学习在精轧轧制过程中和轧制结束后分别启动两次，

（6）对所述精轧自然宽展学习和精轧宽度全局学习的遗传进行数据保存并返回。这些遗传数据将用于下带钢板坯的粗轧轧制设定计算，结束。

2.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述粗轧宽度测量数据的处理方法为：

利用粗轧立辊轧机的轧制力、辊缝和部分宽度测量数据估计粗轧出口宽度模型修正系数，从而推导全长宽度数据，估算粗轧出口宽度平均值。

3.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于,根据粗轧后计算获得的宽度偏差，以粗轧宽度预测的宽展量为权重，进行误差分解，根据该误差进行自然宽展和狗骨宽展的自适应学习。

4.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，所述精轧宽度自适应计算过程还包括：

精轧宽度模型学习的启动逻辑：

精轧宽度模型学习的启动次数为两次，分别是精轧带钢轧制完成30％带钢的条件下或轧制带钢长度>400m情况下启动一次，精轧完成全长带钢轧制后再次启动。

5.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，根据所述粗轧宽度目标计算，粗轧出口目标宽度考虑以下因素：

（1）不同钢种、规格的宽度余量，

（2）精轧小立辊压下量及其狗骨宽展量，

（3）精轧自然宽度预测值，

（4）人工目标宽度修正量，

（5）宽度全局遗传学习；

粗轧出口目标宽度包括：

粗轧出口目标宽度冷值，

粗轧出口目标宽度冷值计算公式如下：

W_RMTarget=W_FMTarget-W_FMspread+dW_E3effect+Margin+W_HMI+W_Inherglobal  （1）

将粗轧出口宽度冷值转换成粗轧出口宽度热值：

W_RMTargetHot=W_RMTargetHot·alpha

其中：

alpha：冷热转换系数，

W_RMTarget：粗轧出口宽度目标冷值（单位：mm），

W_FMTarget：精轧出口宽度目标冷值（单位：mm），

W_FMspread：精轧自然宽度计算值（单位：mm），

dW_E3effect=dW_E3-W_E3dog

dWE3effect：E3有效宽度压下，

dWE3：E3压下，

WE3dog：狗骨宽展，

Margin=MarginBase+MarginTechnics＋MarginInher，

MarginTechnic：宽度余量工艺修正值，根据不同钢种和厚度、宽度分层别，（单位：mm），

MarginBase：宽度余量基本值（单位：mm），

MarginInher：宽度余量学习值，根据不同钢种和厚度、宽度分层别（单位：mm），

W_HMI：粗轧目标宽度系统修正（单位：mm），

W_Inherglobal：宽度全局修正值（单位：mm）。

6.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧宽度测量及数据处理：

宽度测量数据是板坯宽度的对称数据，根据这个特点宽度测量数据处理如下：

（1）对宽度测量数据进行限幅滤波、限速率波处理，

（2）根据辊道速度曲线，判断板坯调头位置，将数据整理成同位置宽度测量数据，

（3）比较同位置宽度数据，如果偏差大于一定量，去除，

（4）计算宽度平均值。

7.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，粗轧宽度模型第一次学习采用乘性学习方法，学习算法中考虑各道次的自然宽展和狗骨宽展变化。

8.如权利要求7所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，设E2入口宽度已知，轧制一道次，采用后计算值的进行宽度模型学习的算法，

粗轧水平轧机出口宽度，即粗轧完成某1道次轧制后的出口宽度如式（3）所示，

W_Post(1)-W_E2(0)+dW(1)=dW_Nature(1)+dW_Dog(1)

W_Act(1)-W_E2(0)+dW(1)=K_Act(1)·dW_Nature(1)+K_DogAct(1)·dW_Dog(1)  （3）

式中：W_Post(1)：水平轧机第一道次出口板坯后计算宽度（单位：mm），

W_E2(0)：立辊轧机第一道次轧制前板坯入口宽度（单位：mm），

dW(1)：立辊轧机第一道次压下量（单位：mm），

dW_Nature(1)：水平第一道次轧制后自然宽展（单位：mm），

dW_Dog(1)：水平第一道次轧制后狗骨宽展（单位：mm），

W_Act(1)：水平轧机第一道次出口板坯宽度实测平均值（单位：mm），

K_Act(1)：水平轧制第一道次自然宽展修正系数，0.7～1.35，为需要模型自适应的值，

K_DogAct(1)：水平轧制第一道次狗骨宽展修正系数，0.7～1.35，为需要模型自适应的值。

9.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，假设模型后计算值和实际的压下、来料入口宽度一致，由上式（3）得：

W_Post(1)-W_Act(1)=[1-K_Act(1)]·dW_Nature(1)+[1-K_DogAct(1)]·dW_Dog(1)  （4）

设自然宽展和狗骨宽展的误差同模型计算结果成比例，定义：

$\mathrm{\β}=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)+{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)},$ 则：

[W_Post(1)-W_Act(1)]·β=[1-K_Act(1)]·dW_Nature(1)

[W_Post(1)-W_Act(1)]·(1-β)=[1-K_DogAct(1)]·dW_Dog(1)  （5）

由（7）推出：

$K_{\mathrm{Act}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}}{{\mathrm{dW}}_{\mathrm{Nature}}\left(1\right)}=\mathrm{upd}\left(1\right)$

$K_{\mathrm{DogAct}}\left(1\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·(1-\mathrm{\β})}{{\mathrm{dW}}_{\mathrm{Dog}}\left(1\right)}=\mathrm{upd}\left(2\right)---\left(6\right)$

10.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，

模型自适应系数新值采用以下方法计算：

K_New(1)=α·upd+(1-α)·K_Old(1)  （7）

式中：K_New(1)：模型新的自适应系数，0.7～1.35，

K_Old(1)：模型老的自适应系数，0.7～1.35，

upd：新模型系数的计算更新值，0.7～1.35，

即式（8）中的K_Act(1),K_DogAct(1)

α：模型学习系数，0～1之间。

11.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，常规轧机，R1后没有测量仪表的，则在第一次测量到板坯宽度时，宽度关系如下式：

$W_{\mathrm{Post}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)$

$W_{\mathrm{Act}}\left(1\right)-W_{E1}\left(0\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dW}\left(i\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{K}_{\mathrm{Act}}\left(i\right)\·{\mathrm{dW}}_{\mathrm{Nature}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{K}_{\mathrm{DogAct}}\left(j\right)\·{\mathrm{dW}}_{\mathrm{Dog}}\left(j\right)---\left(8\right)$

12.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，

设自然宽展和狗骨宽展的误差同模型计算结果成比例，则定义：

${\mathrm{dW}}_{\mathrm{Total}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)$

$\mathrm{\β}\left(j\right)=\frac{{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(j=1~n)---\left(9\right)$

$\mathrm{\β}(n+i)=\frac{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}{{\mathrm{dW}}_{\mathrm{Total}}}(i=1~m)$

进一步可推出：

$K_{\mathrm{Act}}\left(j\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}\left(j\right)}{{\mathrm{dW}}_{\mathrm{Nature}}\left(j\right)}$

$K_{\mathrm{Dog}}\left(i\right)=1-\frac{[W_{\mathrm{Post}}\left(1\right)-W_{\mathrm{Act}}\left(1\right)]\·\mathrm{\β}(n+i)}{{\mathrm{dW}}_{\mathrm{Dog}}\left(i\right)}$

13.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，采用式（7）更新遗传系数，

粗轧出口宽度的模型的层别包括：质量号×道次号×宽度等级×厚度等级，

粗轧宽度的学习算法采用长时、短时二种，长时系数用于换规格时使用，短时用于同一轧制计划中同规格后续带钢，

同一轧制计划中轧制新规格带钢采用长时遗传系数，而否则采用短时遗传系数，

本步骤更新的遗传系数用于后续带钢的轧制设定。

14.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，在粗轧再设定计算及宽度模型再次学习，

粗轧完成前向道次轧制，获得了宽度实际值后，根据该新宽度实际值值从新进行轧制设定，学习方法见式（8）、（9）、（10）。

15.如权利要求1所述的一种粗轧带钢宽度的综合自适应控制方法，其特征在于，精轧宽度全局模型学习采用如下方法，如式（11），其主要特征包括：

模型学习获得的遗传系数直接用于修正粗轧宽度目标，而不是粗轧最后道次的辊缝。

W_Global(new)=(1-α)·W_Global(old)+α·(W_FMTarget-W_FMAct+W_OPMod·β)  （11）

式中：W_Global(new),W_Global(old)为宽度全局遗传系数,

α,β：精轧宽度全局模型学习系数，

W_FMTarget：精轧宽度目标（单位：mm）

W_FMAct：精轧宽度实际（单位：mm）

W_OPMod：宽度目标操作工修正（单位：mm）。