CN105488319A - 一种适于交叉轧制的模型学习方法 - Google Patents

Abstract

一种适于交叉轧制的模型学习方法，采用数学方法定义模糊集论域U，建立模糊子集A的隶属函数，采用ZADEH表示法来表示模糊集，论域U上的隶属函数就是U到[0,1]的一个实值函数，利用模糊分布法来确定隶属函数,采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析；用黄金分割法确定满意的模糊相似矩阵的截集水平，用最大树法确定截集水平对应的模糊规则数，以此建立轧制线前滑学习模糊矩阵，对矩阵值为1的量，学习可以完全继承；对矩阵值为0的量，则学习不继承。本发明可提高生产过程的稳定性，有效防止交叉轧制过程中因模型学习趋势错误引起的起套卡钢事故，提高产品质量精度，实现自由轧制。

Description

一种适于交叉轧制的模型学习方法

技术领域

本发明属于轧钢自动控制领域，尤其涉及一种适合于热轧带钢交叉轧制的模型学习方法。

背景技术

目前，国内、外的热连轧厂采用的数学模型基本上有GE模型、西门子模型和日本三菱模型。三菱模型采用经典的金属压力加工公式，GE、西门子模型采用经验公式，其学习方法都使用上次轧制时的实际数据来进行学习，无论是哪种模型都适合批量轧制，批量越大，同一钢种、规格轧制越多轧制过程越稳定，产品质量精度越高。反之交叉轧制时，不仅规格、钢种交叉，炉序也交叉，都不同程度地存在轧制不稳定，产品质量精度低的问题。围绕交叉轧制时如何提高轧制的稳定性，从而开发出一套适合交叉轧制的模型学习方法，是一个亟待解决的当务之急。

发明内容

本发明旨在提供一种能有效防止热轧带钢交叉轧制过程中，因轧制工况变化导致模型学习趋势错误引起的起套卡钢事故，从而提高产品质量，实现自由轧制的模型学习方法。

为此，本发明所采取的解决方案是：

一种适于交叉轧制的模型学习方法，其特征在于，用模糊数学方法对前后轧制的钢种进行聚类分析并归类，采用模糊分布法求出其隶属函数，建立模糊矩阵，根据模糊矩阵值确定其相似程度，并最终确定其学习继承的程度；具体方法和步骤为：

1、确定模糊集：用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类，在系统内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新,建立模糊子集A的隶属函数，采用ZADEH表示法来表示模糊集，即：

A＝A(u1)/u1+A(u2)/u2+…+A(un)/un。

2、进行模糊聚类分析：隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数，利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据，采集至少1.8万块钢的数据，对采集的数据按厚度、宽度、钢种进行分类，采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析。

3、确定模糊相似矩阵的截集水平及模糊规则数：根据钢种、规格的分布情况,依照T-S模糊建模算法，用黄金分割法确定满意的模糊相似矩阵的截集水平，用最大树法确定截集水平对应的模糊规则数，提高聚类算法的收敛速度和聚类精度。

4、建立模糊矩阵：将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模，最终确定的模糊矩阵为：

$R=\left|\begin{array}{ccccc}1& 0.95& ..& 0.05& 0\\ 0.95& 1& .& .& 0.05\\ .& .& .& .& .\\ 0.05& .& .& 1& 0.95\\ 0.0& 0.05& .& 0.95& 1\end{array}\right|.$

5、学习与继承：矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度，将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量，认为两类钢完全一致，学习可以完全继承；对矩阵值为0的量，则认为两类钢完全不一致，学习不继承。

本发明的有益效果为：

本发明方法打破了传统的模型学习理念，将模糊数学控制算法引入热轧带钢交叉轧制的模型学习中，解决了已有技术存在的轧制不稳定，产品质量精度低的问题，不仅可增加生产过程的稳定性，有效防止热轧带钢交叉轧制过程中，因轧制工况变化导致模型学习趋势错误而引起的起套卡钢事故，减少事故损失；而且能提高产品的质量精度，实现自由轧制，满足生产实际的需要。本发明具有较大的推广应用价值。

具体实施方式

传统的三菱模型学习方法，根据上次轧制本规格钢的实际数据来进行学习，考虑因素比较单一，未全面考虑当时的轧制工况，因而学习效果不理想。

本发明用模糊数学方法对前后轧制的钢种进行聚类分析并归类，采用模糊分布法求出其隶属函数，建立模糊矩阵，根据模糊矩阵值确定其相似程度，并最终确定其学习继承的程度。

本发明的具体方法和步骤为：

1、确定模糊集：用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类，在系统内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新,建立模糊子集A的隶属函数，采用ZADEH表示法来表示模糊集，即：

A＝A(u1)/u1+A(u2)/u2+…+A(un)/un。

2、进行模糊聚类分析：隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数，利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据，采集至少1.8万块钢的数据，对采集的数据按厚度、宽度、钢种进行分类，采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析。

3、确定模糊相似矩阵的截集水平及模糊规则数：根据钢种、规格的分布情况,依照T-S模糊建模算法，用黄金分割法确定满意的模糊相似矩阵的截集水平，用最大树法确定截集水平对应的模糊规则数，提高聚类算法的收敛速度和聚类精度。

4、建立模糊矩阵：将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模，最终确定的模糊矩阵为：

$R=\left|\begin{array}{ccccc}1& 0.95& ..& 0.05& 0\\ 0.95& 1& .& .& 0.05\\ .& .& .& .& .\\ 0.05& .& .& 1& 0.95\\ 0.0& 0.05& .& 0.95& 1\end{array}\right|.$

5、学习与继承：矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度，将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量，认为两类钢完全一致，学习可以完全继承；对矩阵值为0的量，则认为两类钢完全不一致，学习不继承。

将本发明方法投入到在线控制中，即可获得提高生产过程稳定性，实现自由轧制的满意效果。

Claims (1)

1.一种适于交叉轧制的模型学习方法，其特征在于，用模糊数学方法对前后轧制的钢种进行聚类分析并归类，采用模糊分布法求出其隶属函数，建立模糊矩阵，根据模糊矩阵值确定其相似程度，并最终确定其学习继承的程度；具体方法和步骤为：

(1)确定模糊集：用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类，在系统内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新，建立模糊子集A的隶属函数，采用ZADEH表示法来表示模糊集，即：

A＝A(u1)/u1+A(u2)/u2+…+A(un)/un；

(2)进行模糊聚类分析：隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数，利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据，采集至少1.8万块钢的数据，对采集的数据按厚度、宽度、钢种进行分类，采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析；

(3)确定模糊相似矩阵的截集水平及模糊规则数：根据钢种、规格的分布情况,依照T-S模糊建模算法，用黄金分割法确定满意的模糊相似矩阵的截集水平，用最大树法确定截集水平对应的模糊规则数，提高聚类算法的收敛速度和聚类精度；

(4)建立模糊矩阵：将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模，最终确定的模糊矩阵为：

$R=\left|\begin{array}{ccccc}1& 0.95& ..& 0.05& 0\\ 0.95& 1& .& .& 0.05\\ .& .& .& .& .\\ 0.05& .& .& 1& 0.95\\ 0.0& 0.05& .& 0.95& 1\end{array}\right|;$

(5)学习与继承：矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度，将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量，认为两类钢完全一致，学习可以完全继承；对矩阵值为0的量，则认为两类钢完全不一致，学习不继承。