CN104707869B - 一种热轧宽度模型快速动态自适应方法 - Google Patents

Abstract

本发明涉及一种热轧宽度模型快速动态自适应方法，本发明专利主要控制原理是，改变模型学习策略，改进数据采集方法，从以往需要带钢整体通过宽度检测设备来进行一次模型自适应学习，改变为带钢局部通过宽度检测设备就进行学习，且为多次动态学习策略的方法；从而解决了实际生产控制中宽度自适应修正滞后，宽度超调现象，并且该方法消除在高速轧制节奏下宽度控制偏差，提高后续带钢宽度控制精度。

Description

一种热轧宽度模型快速动态自适应方法

技术领域

本发明涉及一种自适应学习方法，具体来说涉及一种热轧宽度模型快速动态自适应方法，属于热轧生产控制技术领域。

背景技术

目前国内外宽度模型自适应方法主要通过利用轧机后测宽仪设备进行宽度自适应控制，其主要原理为当一块热轧带钢A完全通过现场仪表后，仪表对其进行整个宽度数据采样，并把该带钢控制情况采样后的反馈数据经PLC提交给过程控制模型系统，过程控制模型系统根据一定的算法对下一块带钢B进行宽度修正控制计算，并发送给相应的设备进行控制，以达到通过前一带钢轧制情况来修正下一轧制带钢宽度的目的，实现自适应，提高热轧产品宽度控制精度。

在实际生产中，由于现场工艺产线的特点，宽度控制设备基本分布在粗轧区域，模型对产品的宽度控制只能在粗轧区域完成，而在热轧轧制生产过程中，特别在高轧制节奏情况，常常一块带钢B已经离开粗轧区域即将进入精轧区域，而前一块带钢A还未完全离开精轧区域，在这种情况下利用前一带钢的宽度反馈数据对下一带钢进行宽度的调节控制就无法实现了，只能对再下一块带钢C进行宽度修正，这就造成了该带钢B宽度无法修正，也常常造成带钢C宽度超调，影响整个轧制宽度控制。

经过检索，现有技术相关的对比文件如下，

1）一种粗轧宽度自学习的方法,专利号CN201110148757.1； 该专利是通过对粗轧入口、出口宽度实测数据来比较模型计算精度，通过自学习修正提高计算精度。

2）热轧带钢宽度控制模型智能学习系统及计算学习方法，专利号CN201110152867.5；该专利通过对粗轧出口测宽仪和精轧测宽仪反馈值来进行修正，就是现有技术，与本专利申请的技术方法不同。

3）经检索，中国专利ZL201110431519.1公开了一种热连轧精轧带钢宽度自动控制方法，其亦通过将带钢宽度实测值与目标宽度值相比得到宽度偏差，并对带钢宽度进行修正。该专利与本案件相比较，不同之处在于：1）本案件通过设定最小采样周期，多次测量实际宽度取其均值，与目标宽度相比得到宽度偏差，能快速完成自学习修正功能，解决滞后超调等问题。

4）低配置热连轧带钢轧机宽度控制精度的改进；作者：郭立平 郭占武 出处：《轧钢》 2011年第6期 ；该文献通过RSU模型二次设定以及自学习系数更新方法来提高带钢精度，与本专利申请的技术方法不同。

5）提高热轧带钢宽度控制精度的综合措施；作者：李兴田 机构地区：本溪钢铁集团公司热连轧厂,辽宁本溪117000 出处：《轧钢》 2004年第21卷第1期 49-51页,共3页Steel Rolling ；该文献通过对工艺制度的要求来减少影响宽度控制因素，提高宽度控制精度，与本专利申请的技术方法不同。

上述公开的技术方案均没有能够消除在高速轧制节奏下宽度控制偏差的问题，并且后续带钢宽度控制精度不高。因此，迫切的需要一种新的技术方案来解决上述技术问题。

发明内容

本发明通过改变现有的模型自适应方法，尤其改变学习策略，通过宽度模型快速自适应方法来消除在高速轧制节奏下宽度控制偏差，提高后续带钢宽度控制精度。

为了实现上述目的，本发明的技术方案如下，一种热轧宽度模型快速动态自适应方法，其特征在于，所述方法包括以下步骤:

1）带钢通过精轧区域设备，并通过精轧机出口的宽度仪表后，仪表对带钢宽度进行检测，然后仪表检测周期把相应的宽度数据发送给一级PLC系统；

2）一级PLC系统在接收的宽度数据后，以固定的通讯周期，把相应的检测宽度数据发送给二级过程控制系统；

3）二级过程控制系统中的带钢状态分析子系统，根据两机架间距离，中间坯厚度，精轧成品厚度，末机架轧制速度来确定带钢进入稳定轧制的长度和最小采样周期；

4）当带钢通过宽度仪表长度超过稳定轧制长度，状态分析子系统启动宽度数据采集分析子系统；

5）宽度数据采集分析子系统对一级PLC系统送来的数据进行分析，当采样周期满足一个最小采样周期后，对相应的采集数据进行判定，当数据满足一定原则时确定该数据可靠，模型可用后，把相应的采样数据平均值发送给事件调度中心；

6）事件调度中心子系统接收到该采样周期的数据平均值后，立即把该数据发送给模型系统；

7）模型系统随即通过一定的算法，该算法随各模型设计不同而不同，简单的可用为差分回归法，确定模型自学习系数，并立刻运用该系数对下一带钢进行重新计算，并把计算结果返回给事件调度中心子系统；

8）事件调度中心子系统把设定值直接发送给一级PLC系统；

9）PLC控制粗轧宽度控制设备，进行现场下一带钢的宽度实际控制；

10）当带钢每完成1个最小采样周期后，循环5）～9）步骤，直至带钢轧制完成；

作为本发明的一种改进，所述步骤3中的计算方法如下，

L =（D1/D2）* L1 （1）

T = dL/dv （2）

L表示稳定轧制长度，T表示最小采样周期，D1表示中间坯厚度，D2表示精轧出口厚度，L1表示精轧两机架距离，v表示末机架轧制速度。

作为本发明的一种改进，所述步骤5中同时满足的原则如下：

采样数据值与控制目标值绝对偏差小于2倍产品公差；

1个最小采样周期内采样数据的最大和最小值偏差小于2倍产品公差；

1个最小采样周期内采样数据不允许有2个以上数值为零的采样点。

本发明的优点如下，1）本发明专利主要控制原理是，改变模型学习策略，改进数据采集方法，从以往需要带钢整体通过宽度检测设备来进行一次模型自适应学习，改变为带钢局部通过宽度检测设备就进行学习，且为多次动态学习策略的方法；2）该技术方案中，当一块带钢某个局部位置，一般情况是带钢头部通过轧机且通过检测宽度仪表后，仪表对该带钢进行宽度测量，并把实绩测量宽度数据发送给一级PLC系统，PLC系统实时把这些测量数据发送给二级过程控制计算机系统，过程控制计算机中的带钢状态分析子系统对带钢状态进行分析，确定带钢完成穿带进入稳定轧制阶段后，启动宽度数据采集分析子系统，对现场轧制宽度数据进行采集分析，当数据采集样本满足模型控制最小数据样本单位后，由事件调度子系统把该组数据发送给模型系统，模型根据收到采样数据进行计算，进行相应的自学习后，并立即对下一带钢宽度进行干预控制，于此同时数据采集子系统继续工作，不停的对L1发送上来的带钢数据进行采样分析，当采集样本每满足一次最小样本采集单位后，就由事件调度子系统给模型系统发送一次数据，模型每次对收到的所有采样数据进行相应的自学习，这样就实现快速和多次动态学习策略来控制模型自适应方法，当带钢轧制完成后，相应的采集分析子系统停止工作，事件调度子系统通知模型对整个带钢的数据进行最后一次自学习，从而解决了实际生产控制中宽度自适应修正滞后，宽度超调现象，并且该方法消除在高速轧制节奏下宽度控制偏差，提高后续带钢宽度控制精度。

附图说明

图1是本发明的流程图；

图2是实施例1的示意图；

图3是实施例2的示意图。

具体实施方式

为了加深对本发明的理解和认识，下面结合附图和具体实施方式对本发明做出进一步的说明和介绍。

实施例1：

参见图1，一种热轧宽度模型快速动态自适应方法，所述方法包括以下步骤，1）带钢通过精轧区域设备，并通过精轧机出口的宽度仪表后，仪表对带钢宽度进行检测，然后仪表检测周期性的把相应的宽度数据发送给一级PLC系统；

2）一级PLC系统在接收的仪表数据后，以固定的通讯周期，把相应的测量宽度数据发送给二级过程控制系统；

3）二级过程控制中的带钢状态子系统，根据两机架间距离，中间坯厚度，精轧成品厚度，末机架轧制速度来确定带钢进入稳定轧制的长度和最小采样周期；该步骤中的计算方法如下，

L =（D1/D2）* L1 （1）

T = dL/dv （2）

L表示稳定轧制长度，T表示最小采样周期，D1表示中间坯厚度，D2表示精轧出口厚度，L1表示精轧两机架距离，v表示末机架轧制速度。

4）当带钢通过宽度仪表长度超过稳定轧制长度，状态分析子系统启动宽度数据采集分析子系统；

5）采集子系统对PLC送来的数据进行分析，当采样周期满足一个最小采样周期后，对相应的采集数据进行判定，当数据满足一定原则时确定该数据可靠，模型可用后，把相应的采样数据平均值发送给事件调度中心；同时满足的原则如下：采样数据值与控制目标值绝对偏差小于2倍产品公差；1个最小采样周期内采样数据的最大和最小值偏差小于2倍产品公差；1个最小采样周期内采样数据不允许有2个以上数值为零的采样点。

5）事件调度中心子系统接收到该采样周期的平均值后，立即把该数据发送给模型系；

6）模型系统随即通过一定的算法，该算法随各模型设计不同而不同，简单的可用为差分回归法，确定模型自学习系数，并立刻运用该系数对下一带钢进行重新计算，并把计算结果返回给事件调度中心子系统；

7）事件调度中心子系统把设定值直接发送给一级PLC。

8）PLC控制粗轧宽度控制设备，进行现场下一带钢的宽度实际控制。

9）当带钢每完成1个最小采样周期后，循环5）～9）步骤，直至带钢轧制完成。

应用实例：

以某钢厂，板坯来料为1350mm，粗轧2台宽度控制设备E1和E2，精轧出口宽度检测设备Width仪为例，要生产的带钢目标宽度均为1300mm，E1和E2分配减宽25mm，中间坯厚度为40mm，精轧出口厚度为4.0mm，精轧机轧制速度为匀速轧制10m/s，两机架中心点位置距离5.5m。

应用实施例1：

带钢A，当带钢头部通过Width仪后，发送数据给PLC系统，PLC把相应宽度数据发给二级过程控制系统，二级带钢状态子系统根据公式（1）确定带钢稳定轧制长度为55米，由公式（2）确定最小采样周期为5.5秒，如图2所示，完成第一次数据采集，由轧制稳定区域55米和现场最小数据采集周期为5.5秒，由于轧制速度为匀速10m/s，固最小检测周朝长度也为55米，假设仪表采样周期为0.1秒，确定最小数据采集量为55个采样点，数据采集系统对该组数据进行校验后，计算平均值假设平均宽度为1280mm，模型接收到该数据后与预计算偏差为－20mm，模型进行参数自学习，此时带坯B即将进入E1设备，模型根据计算的－20mm的宽度偏差，对带钢B的E1和E2的实际减宽量进行调整，分别由25mm变为(25－20/2)＝15mm，从而通过修正，保证最终成品宽度仍为1300mm，当带钢头部通过Width仪165米时，完成了第二次数据采集，假设2个周朝110个采样数据的平均值为1282mm，这时与预计算偏差为－18mm，假设带坯B已经离开E1轧机，模型对E2设定值进行调整（50－15－18）＝17mm。

实施例二：

带钢A，当带钢头部通过Width仪后，发送数据给PLC系统，PLC把相应宽度数据发给二级过程控制系统，二级带钢状态子系统根据公式（1）确定带钢稳定轧制长度为55米，由公式（2）确定最小采样周期为5.5秒，如图3所示，完成第一次数据采集，由轧制稳定区域55米和现场最小数据采集周期为5.5秒，由于轧制速度为匀速10m/s，固最小检测周朝长度也为55米，假设仪表采样周期为0.1秒，确定最小数据采集量为55个采样点，数据采集系统对该组数据进行校验后，计算平均值假设平均宽度为1280mm，模型接收到该数据后与预计算偏差为－20mm，模型进行参数自学习，此时带坯B即将进入E2设备，带坯C即将进入E1设备，模型根据计算的－20mm的宽度偏差，对带钢B的E2的是实际减宽量进行调整，由25mm变为25－20＝5mm，而对带钢C的E1和E2的实际减宽量也进行调整，分别由25mm变为(25－20/2)＝15mm，从而通过修正，保证这两块带坯最终成品宽度仍为1300mm。

需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述基础上所作出的等同替换或者替代均属于本发明的保护范围，本发明的保护范围以权利要求书为准。

Claims (2)

1.一种热轧宽度模型快速动态自适应方法，其特征在于，所述方法包括以下步骤：

1）带钢通过精轧区域设备，并通过精轧机出口的宽度仪表后，宽度仪表对带钢宽度进行检测，然后宽度仪表周期性的把检测的相应宽度数据发送给一级PLC系统；

2）一级PLC系统在接收宽度数据后，以固定的通讯周期，把相应的检测宽度数据发送给二级过程控制系统；

3）二级过程控制系统中的带钢状态分析子系统，根据精轧两机架距离，中间坯厚度，精轧出口厚度，末机架轧制速度来确定带钢进入稳定轧制的长度和最小采样周期；

4）当带钢通过宽度仪表长度超过稳定轧制长度，带钢状态分析子系统启动宽度数据采集分析子系统；

5）宽度数据采集分析子系统对一级PLC系统送来的数据进行分析，当采样周期满足一个最小采样周期后，对相应的采集数据进行判定，当数据满足一定原则时确定该数据可靠，模型可用后，把相应的采样数据平均值发送给事件调度中心子系统；

6）事件调度中心子系统接收到该采样周期的数据平均值后，立即把该数据平均值发送给模型系统；

7）模型系统随即通过差分回归法，确定模型自学习系数，并立刻运用该系数对下一带钢进行重新计算，并把计算结果返回给事件调度中心子系统；

8）事件调度中心子系统把设定值直接发送给一级PLC系统；

9）一级PLC控制粗轧宽度控制设备，进行现场下一带钢的宽度实际控制；

10）当带钢每完成1个最小采样周期后，循环5）～9）步骤，直至带钢轧制完成；

步骤5中满足的原则如下：

采样数据值与控制目标值绝对偏差小于2倍产品公差；

1个最小采样周期内采样数据的最大和最小值偏差小于2倍产品公差；

1个最小采样周期内采样数据不允许有2个以上数值为零的采样点。

2.根据权利要求1所述的一种热轧宽度模型快速动态自适应方法，其特征在于，所述步骤3中的计算方法如下，

L =（D1/D2）* L1 （1）

T = dL/dv （2）

L表示稳定轧制长度，T表示最小采样周期，D1表示中间坯厚度，D2表示精轧出口厚度，L1表示精轧两机架距离，v表示末机架轧制速度。