CN108213085B - 基于金属厚度控制模型的推理传感器 - Google Patents

Abstract

基于金属厚度控制模型的推理传感器。一种用于控制由轧机的辊产生的金属片的厚度的轧制金属片轧机控制器，该控制器包括一个或多个处理器和被所述一个或多个处理器可读取以控制产生的金属片的厚度的存储在介质上的代码，该控制器包括被耦合以接收多个测量轧机参数的输入，所述测量轧机参数包括从金属片的产生被时间延迟的产生的金属片厚度；金属片轧机的多个模型，其中金属片厚度被建模为基于被耦合到输入的多个测量参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；基于所述多个模型的卡尔曼滤波器；以及输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

Description

基于金属厚度控制模型的推理传感器

背景技术

当将金属轧制成片材时，所得到的片材的厚度难以控制。轧机机架通常具有安装在垂直平面中的四个或更多辊，其中两个较小直径工作辊被支撑在较大直径支承辊之间。

中心线厚度（薄厚（gage））偏差在任何金属轧制应用（铁、非铁金属、热或冷轧制）中可论证地是最重要的关键性能指示符（KPI）。尽管实际上采用的控制技术和金属轧制过程的相对成熟，轧机操作员不断地争取改善的过程性能。实际上，这是部分地由一般而言的金属行业中的竞争异常激烈的经济市场条件驱动的。

对鲁棒（robust）而高性能的厚度控制策略的设计存在许多挑战。主要挑战从轧机机架与测量设备之间的变化时间延迟的存在变动至跨操作范围的显著非线性。此外，测量干扰（诸如入口厚度和入口速度）或未测量内部干扰（诸如辊偏心率、热生长和工作辊的热机械磨损）的快速干扰拒绝的要求提出进一步的挑战。尽管这些挑战中的每一个是众所周知的并被相当好地理解，但是缺少可以有效地结合所有上述特征的对厚度控制设计的协调且系统的方法。

发明内容

一种用于控制由轧机的辊产生的金属片的厚度的轧制金属片轧机控制器，该控制器包括一个或多个处理器和存储在介质上被所述一个或多个处理器可读取以控制产生的金属片的厚度的代码，所述控制器包括被耦合以接收多个测量轧机参数的输入，所述测量轧机参数包括从金属片的产生被时间延迟的产生的金属片厚度；金属片轧机的多个模型，其中金属片厚度被建模为基于被耦合到输入的多个测量参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；基于所述多个模型的卡尔曼滤波器；以及输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

一种将用于轧制金属片轧机的控制器编程的方法，所述方法包括：获得轧制金属片轧机的物理表示，识别用于生成轧制金属片轧机的内部状态的推理估计（inferentialestimate）的可用测量结果，使关键内部干扰与可用测量结果相关以对轧制金属片轧机进行建模，基于模型而生成卡尔曼滤波器，以及将该卡尔曼滤波器添加到控制器，使得控制器被编程为提供由金属片轧机产生的金属片的闭环控制厚度。

轧制金属片轧机控制器包括处理器、传感器以及被耦合到处理器且具有存储在其上以用于由程序处理器执行以进行以下各项的程序的存储器设备：从传感器接收包括被从金属片的产生进行时间延迟的产生的金属片厚度的多个测量轧机参数的输入，处理金属片轧机的多个模型，其中金属片厚度被建模为基于耦合到输入的多个测量参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；执行基于所述多个模型的卡尔曼滤波器；并且提供输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

附图说明

图1是根据示例性实施例的具有基于模型的厚度控制的金属片轧制机架的框图。

图2是图示出根据示例性实施例的金属片厚度控制机构的方框流程图。

图3是图示出根据示例性实施例的金属片厚度控制机构的方框流程图。

图4是图示出根据示例性实施例的金属片厚度控制机构的方框流程图。

图5是根据示例性实施例的被叠加以示出偏心率的理想和实际辊的框图示意性表示。

图6是图示出根据示例性实施例的创建用于金属片轧机的厚度控制器的方法的流程图。

图7是根据示例性实施例的被示为轧机弹性（mill stretch）对比辊力的用于轧机机架的弹性曲线的图。

图8是图示出根据示例性实施例的用于推理地感测并控制金属片厚度的轧制金属片系统的框图。

图9是图示出根据示例性实施例的用于辊偏心率补偿的厚度控制的一个示例的方框示意图。

图10是图示出根据示例性实施例的用于辊偏心率补偿的厚度控制的替换示例的方框示意图。

图11是根据示例性实施例的用以实现所述控制器和方法的计算机系统的方框示意图。

具体实施方式

在下面的描述中，对形成本申请的一部分的附图进行参考，并且其中以图示的方式示出了可以实施的特定实施例。足够详细地描述这些实施例以使得本领域技术人员能够实施本发明，并且将理解的是可以利用其它实施例，并且可以在不脱离本发明的范围的情况下进行结构、逻辑和电气改变。因此，不将在被限制的意义上理解示例性实施例的以下描述。

本文所述的功能或算法可以在一个实施例中用软件实现。该软件可以由存储在计算机可读介质或计算机可读存储设备（诸如一个或多个非临时存储器或其它类型的基于硬件的存储设备，无论是本地的还是联网的）上的计算机可执行指令构成。此外，此类功能对应于模块，其可以是软件、硬件、固件或其任何组合。可以根据期望在一个或多个模块中执行多个功能，并且所描述的实施例仅仅是示例。软件可以在数字信号处理器、ASIC、微处理器或在计算机系统（诸如个人计算机、服务器、或将此类计算机系统转变成特定编程的机器的其它计算机系统）上操作的其它类型的处理器上执行。

利用内部干扰建模和补偿，基于模型的推理传感器可以在控制器中被用于控制金属片厚度。在各种实施例中，对辊偏心率进行建模并由轧制模型来进行补偿。HGC（液压间隙控制）模型计及轧机弹性（mill stretch），其是轧制力的非线性函数。使用主驱动模型来对主驱动动态进行建模。可以将模型表示为一系列非线性常微分方程。

在设计推理传感器方面，可以识别可用测量结果并将其写为测量的输出函数。轧机机架下游可用的厚度测量被延迟，并且可以将其建模为明显地随轧机速度而变化的传送延迟。关于内部干扰建模，用户可以取决于轧制应用的类型来选择要建模的各种内部干扰。可以将卡尔曼滤波器用于具有不确定参数的系统。可以将参数不确定性结合在卡尔曼滤波器描述中，其中协变性（covariance）被相应地更新。

可以将考虑中的过程的物理模型与可用过程测量结果组合以提供不可测量过程参数的估计，以便控制经由轧机机架产生的金属的厚度。在一个实施例中，推理传感器设计的系统的方法考虑到时间延迟、不可测量内部干扰和参数不确定性的影响。

尽管所描述的各种实施例关注于单个机架、冷轧带钢机中的厚度（也称为薄厚（gage））控制，但是应预期的是本发明的主题可以适用于任何类型的金属轧制应用。在图1中的100处示出了具有厚度控制的金属轧机的示意图。由材料辊105提供厚度为H的输入材料，该材料辊105通过以已知速度

转动的许多辊110、115、120和125（称为机架130）被减小并被辊106收集。机架130被装配有间隙定位系统135，其可以是机械的、液压的或两者的组合，并且可以被反馈设备140控制。材料在箭头所指示的点处以可以由厚度测量设备（传感器145）测量的厚度h离开机架。控制目标是调节此输出厚度h尽可能地接近于目标

。可以使用许多不同传感器145来测量厚度，其中常见的设备包括x射线类型量规（gauge）。

控制问题由出口厚度测量设备（传感器145）与机架130之间的（变化）运输延迟的存在而被明显复杂化。由机架中心线L与机架速度

之间的距离来表征此时变运输延迟。众所周知的是此类时间延迟可以对控制行为具有失稳效应，并且因此在控制设计阶段考虑该延迟是至关重要的。

所使用的一个常见的简单方法是直接地部署比例/积分（PI）调节器或控制器以经由控制辊的定位的液压定位系统来控制厚度。由于该时间延迟，控制器被解谐（de-tune），因此导致具有有限带宽的闭环性能。在图2中在200处以框图形式示出了此简单控制结构。控制结构200包括被耦合到装置（plant）或机架215的表示的控制器210，其与液压或间隙定位系统135和厚度传感器相对应以控制具有测量厚度h的金属片的供应（provision），其中厚度反馈在220处被与作为输入提供到控制器210的期望或参考厚度求和。

还已应用了略微更高级的控制技术，其结合了延迟补偿。此类延迟补偿环路的示例是在图3中的300处示出的著名的史密斯预估器。尽管此延迟补偿结构允许改善的闭环带宽，但是其遭受与相对于延迟不确定性的鲁棒性有关的众所周知的问题。控制器310被耦合到装置315，其还提供厚度h的金属片。另外，控制器310被耦合到装置的模型320，其对装置进行建模以向延迟块325和求和块330两者提供预期厚度。延迟块325提供与测量厚度h的计时相当的延迟，并且导致在335处从测量厚度减去建模厚度。结果是反馈340，其还被提供到求和块330以在345处提供从参考厚度减去的反馈值，该反馈值然后被提供到控制器。

推理感测是在控制工程中通常使用的技术。推理传感器使用从其它测量结果和过程参数可用的信息来计算感兴趣的量的估计。用于构造推理传感器的典型动机是替换昂贵或不切实际的物理仪器或通过关键（不可测量）过程参数的估计来改善控制性能。基于统计推理的卡尔曼滤波器是用于实现推理感测技术的通常使用的软件算法。在此情况下，将在考虑中的过程的物理模型与可用的过程测量结果组合以提供不可测量的过程参数的估计。

推理感测技术在金属轧制应用中被广泛地使用并被广泛地误解。自从英国钢铁研究协会（BISRA）量规在20世纪50年代被作为避免从机架到量规的时间延迟的影响的手段而报导，推理感测技术在大多数金属轧制自动化解决方案中已变成标准。

尽管已提议的推理传感器实施方式的过剩，但是考虑到时间延迟、不可测量内部干扰和参数不确定性的影响的推理传感器设计的系统的方法仍然是悬而未决的问题。

在其最简单的形式中，BISRA量规利用这样的事实，即用于辊分离力的表达式可以被写为

其中

辊分离力[N]

机架模数[N/m]

出口厚度（exit thickness）[m]

HGC（液压间隙控制）螺钉位置[m]。

在一个实施例中，测量辊分离力和HGC螺钉位置两者，其允许将估计的出口厚度写为：

。

在此类模型的典型应用中，以两个方式中的任一个使用估计的厚度。首先，可以使用估计的出口厚度来构造反馈环路，类似于图2中示出的那个。一般地在图4中的400处示出此基于观察者的控制器，其中在410处提供估计的厚度反馈。

其次，可以使用估计的厚度来构造前馈补偿，其通常被添加到来自图2中示出的原始反馈环路的补偿。可以将此前馈修正导出为：

相对于厚度取导数：

。

观察到

，其允许简化并重新整理为

。

可以将螺钉补偿重写为：

。

质量流（massflow）控制是基于通过单个机架来节省质量流的观察。如果假设不存在横向扩散（在热轧带钢精轧机应用或冷轧带材轧制应用中的合理假设），则以简化形式将质量流的节省写为下式是可能的

其中：

入口带速度[m/s]

出口带速度[m/s]

在此情况下，假设使用例如激光速度计来测量进口和出口带速度。进一步假设测量入口厚度。因此将厚度估计写为下式是可能的

。

然后可以以与关于图4所描述的类似的方式来使用此厚度估计。

在一个实施例中，可以执行内部干扰建模和补偿。未测量但可观察干扰在金属轧制应用中对厚度控制具有显著的重要性。这些干扰由于这样的事实而被称为是内部的，即其在装置/模型的内部状态上显示自身，与直接地出现在任一输入/输出处相反。针对此类内部干扰的原因通常是轧机机架辊上的不均匀圆筒形磨削、轧机机架辊中的热机械变化和支承辊轴承（bearing）的流体动力效应（取决于轴承类型和构造）。

辊偏心率建模和补偿

在一个实施例中，对辊偏心率进行建模和补偿。辊偏心率可以是由辊针对使用的准备或制造期间的磨削不准确、辊颈与辊身（roll barrel）的轴之间的偏差或者由不均匀的热膨胀引起的。辊上的偏心率的简单示意图在图5中的500处被示为由实线510所示的实际辊形状和如由虚线515所示的理想辊形状，其是有效地共轴的。偏心率的量在520处的最大偏心率e处被示为理想和实际半径之间的差。

可以如下来解释偏心率对轧制应用中的厚度的影响：通常，增加的力意味着出口厚度已增加（因此将辊推开）。然而，如果辊是偏心的，则当最大半径通过辊间隙时，力增加，但是出口厚度实际上减小。因此，当存在偏心分量（eccentricity component）时，力的变化被错误解释。假设偏心率信号e如下进入，则这可以在下面容易地看到

。

现在，将出口厚度的估计给出为

。

因此，明显的是控制器将认为偏心率变化是输出中的干扰并设法对其进行补偿。

偏心率信号可以被建模为如下的具有多个谐波的复合多正弦信号

偏心率信号

正弦分量i的j次谐波的振幅

正弦分量i的频率

绝对时间

正弦分量的数目

每个正弦分量的谐波的数目。

可以将偏心率补偿技术宽泛地分成两类：被动和主动。被动补偿仅尝试去除轧机弹性补偿环路中的上文所描述的增益效应。然而，主动补偿生成液压定位系统的位置或力控制环路中的信号以便减小带中的周期性干扰。

利用相当大量的工程师见识和经验，用于金属轧制应用中的厚度控制的推理传感器的设计已是相当特定的（ad-hoc）。在各种实施例中，可以针对用于金属压制应用中的厚度控制的推理传感器设计来使用系统的方法，如图6的流程图中的600处所示。

推理传感器构造工作流中的第一步骤是如610处所指示的轧机机架区域的建模。尽管这对任何类型的轧机（单机架、回动式（reversing）或级联式（tandem））是有效的，但是描述了与具有图1中所示的几何结构的轧机有关的实施例。模型部件包括轧制模型、HGC模型以及主驱动模型。

轧制模型

使用经典的非线性轧制模型来简化辊接触区域计算。这具有以下形式

轧制负荷[N]

轧制转矩[Nm]

前滑[-]

材料硬度[Pa]

辊半径[m]

带宽度[m]

HGC 模型。

如先前提到的，带钢退出量规取决于由液压传感器控制的辊间隙

以及轧机弹性。轧机弹性反过来是轧制力的非线性函数。在图7中的700处示出用于轧机机架的弹性曲线的典型示例，其被示为轧机弹性对比辊力。然后可以将用于出口厚度的表达式写为

轧机弹性[m]。

还应注意

，其在用于构造AGC类型控制器的重要观察中。HGC系统的动态被假设成由下面的微分方程支配：

HGC位置参考[m]

HGC时间常数[s]

主驱动模型

主驱动动态的简单模型具有以下形式

工作辊速度[m/s]

工作辊速度参考[m/s]

主驱动时间常数[s]。

将模型部件收集在一起并以紧凑形式表示为所述形式的一系列非线性常微分方程

模型的动态状态

模型输入

测量干扰

可估计的参数

模型输出。

在设计推理传感器方面，在图6中的630处，确定可用于估计系统状态的测量结果。可以将测量的输出函数表达为：

。

关于运输延迟L，在典型情况中对厚度测量进行建模在轧机机架下游是可用的。由于此测量位置，在输出上存在可变运输延迟（如果出口厚度被选择为感兴趣的测量输出的话）。用于此可变运输延迟L的表达式被给出为隐式积分关系：

该可变运输延迟在卡尔曼滤波器实施方式中被视为传送延迟。该延迟至少部分地是轧机速度变化的结果。较慢的轧机速度导致较大的延迟，并且较快的轧机速度导致厚度测量的较短延迟。

针对内部干扰建模，取决于考虑中的轧制应用的类型，用户可以在630处选择要估计的各种内部干扰。尽管这在原理上可以扩展至影响退出量规的任何类型的内部干扰模型，但是当前可选择的是

支承辊和工作辊偏心率

工作辊热凸度

工作辊机械磨损

支承辊轴承悬浮。

利用可用数据，然后使用所选择的内部干扰来在640处对轧机机架进行建模。然后在650处基于该模型而生成卡尔曼滤波器并可以在660处将其集成到控制器中。在670处，可以将具有卡尔曼滤波器的控制器参数化，并且对应的轧机机架运行以产生金属片。然后可以收集可用数据，包括实际金属片厚度测量。在680处，可以通过基于所收集数据来调整卡尔曼滤波器参数而调整模型，并且轧机机架再次地运行以确保基于模型的控制器正在提供期望厚度的金属片。

推理传感器的鲁棒性可以极强地取决于模型质量。其示例是导致推断的值中的假伪像的模型动态失配。

通过采取模型中的某些参数不确定性（例如机架模块），并且利用等效噪声的概念，一个人可以设计针对此类参数不确定性鲁棒的卡尔曼滤波器。

图8是一般地在800处图示出轧制金属片系统的框图。系统800包括轧机810，其利用多个辊来从金属片原料产生期望厚度的金属片。多个传感器815提供关于系统800的测量数据，诸如产生的实际金属片厚度、辊速度、辊力以及其它可用的测量结果。在控制器825的输入820处接收该测量的数据。控制器825包括一个或多个处理器和存储在介质上被一个或多个处理器可读取以控制所产生的金属片的厚度的代码。

控制器825包括输入820，其至少接收从金属片的产生被时间延迟的金属片厚度的测量结果。控制器还包括金属片轧机的多个模型830、835。金属片厚度被建模为传送延迟。该传送延迟是可变运输延迟输入的函数，因为不能直接测量辊之间的厚度。模型中的至少一个包括基于在输入820处接收的多个测量数据中的一个或多个的内部干扰模型。在一个实施例中，使用该模型来形成卡尔曼滤波器840。输出845被耦合到轧机810以控制产生轧制金属片的辊之间的间隙。

在一个实施例中，所述多个模型包括具有辊转矩的对应输入的轧制模型、具有轧制力的对应输入的间隙控制模型以及具有轧制速度的对应输入的主驱动模型中的一个或多个。从由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损以及支承辊轴承悬浮构成的组中选择被建模的一个或多个内部干扰。

卡尔曼滤波器可以包括作为从金属片轧机的操作测量的轧机参数值的函数被调整的滤波器参数。

图9是一般地在900处图示出用于辊偏心率补偿的厚度控制的一个示例的方框示意图。在910处以方框形式图示出轧机，其包括多个辊和液压间隙控制（HGC）以改变辊之间的间隙，其改变来自源金属辊920的输入金属片915的厚度。具有已改变厚度的输出金属片922被收集在收集辊925上。由位于轧机910下游的传感器930测量输出金属片的厚度。因此，取决于片材通过轧机前进的速度和厚度的变化，在辊间隙之后且在实际上按压可变的金属片之后的时间进行厚度测量。

以mm为单位的厚度测量或出口薄厚h被提供到卡尔曼滤波器（KF）935，其还经由940接收由轧机910的对应传感器测量的测量参数s、F和v。s是HGC位置或以mm为单位的间隙。F是以吨为单位的轧制负荷，并且v是以m/分钟为单位的轧机速度。KF 935提供厚度估计，

，其中

是偏心率估计，并且cg是以N/m为单位的机架模数。厚度估计ĥ被提供到求和点（summing junction）945，在那里其被与对应于输出金属片922的期望厚度的参考厚度href组合并被提供到比例/积分（PI）调节器950，其实现比例和积分控制的组合C(s)，以向求和点955提供控制信号。

求和点955将控制信号与来自KF 935的前馈偏心率估计ê组合以向轧机910提供位置调整信号以控制间隙。因此，间隙的控制是基于前馈偏心率的估计和金属片穿过辊间隙时的厚度两者的估计，其两者都由KF 935提供。

图10是一般地在1000处图示出用于辊偏心率补偿的厚度控制的替换示例的方框示意图。图10的元件具有与图9的那些相对应的参考数字。差别是图10中的求和点945从传感器930接收测量厚度h方向，与从KF 935接收它相反。由厚度控制1000执行的另外的操作与由厚度控制900执行的那些相同。

图11是用以实现根据示例实施例的控制器和方法的计算机1100的方框示意图。在各种实施例中不需要使用所有部件。采用计算机1100的形式的一个示例性计算设备可以包括处理单元1102、存储器1103、可移动储存器1110以及不可移动储存器1112。尽管示例性计算设备被图示并描述为计算机1100，但是在不同实施例中计算设备可以采取不同形式。例如，计算设备可以替代地是智能电话、平板电脑、智能手表、或者包括与关于图11所示和所述的相同或类似的元件的其它计算设备。诸如智能电话、平板电脑以及智能手表之类的设备一般地被统称为移动设备。此外，尽管各种数据存储元件被图示为计算机1100的一部分，但是储存器可以同样或者替换地包括经由网络（诸如因特网）可访问的基于云的储存器。

存储器1103可以包括易失性存储器1114和非易失性存储器1108。计算机1100可以包括计算环境，或者具有对所述计算环境的访问，所述计算环境包括多种计算机可读介质，诸如易失性存储器1114和非易失性存储器1108、可移动储存器1110和不可移动储存器1112。计算机储存器包括随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM）&电可擦除可编程只读存储器（EEPROM）、闪存或其它存储器技术、压缩磁盘只读存储器（CD ROM）、数字多功能磁盘（DVD）或其它光盘储存器、磁带盒、磁带、磁盘储存器或者能够存储用于执行的计算机可读指令以执行本文所述的功能的其它磁性存储设备。

计算机1100可以包括计算环境或者具有对所述计算环境的访问，所述计算环境包括输入1106、输出1104以及通信连接1116。输出1104可以包括还可以充当输入设备的显示设备，诸如触摸屏。输入1106可以包括触摸屏、触控板、鼠标、键盘、相机、一个或多个设备特定按钮、集成在计算机1100内或者经由有线或无线数据连接被耦合到计算机1100的一个或多个传感器、以及其它输入设备中的一个或多个。计算机可以使用通信连接在联网环境中操作以连接到一个或多个远程计算机，诸如数据库服务器，包括基于云的服务器和储存器。远程计算机可以包括个人计算机（PC）、服务器、路由器、网络PC、对等设备或其它公共网络节点等。通信连接可以包括局域网（LAN）、广域网（WAN）、蜂窝、WiFi、蓝牙或其它网络。

存储在计算机可读存储设备上的计算机可读指令由计算机1100的处理单元1102可执行。硬盘驱动器、CD-ROM以及RAM是包括诸如存储设备之类的非临时计算机可读介质的物品的某些示例。术语计算机可读介质和存储设备不包括载波。例如，计算机程序1118可以用来引起处理单元1102执行本文所述的一个或多个方法或算法。

示例：

示例1包括一种用于控制由轧机的辊产生的金属片的厚度的轧制金属片轧机控制器，该控制器包括一个或多个处理器和存储在介质上的被所述一个或多个处理器可读取以控制产生的金属片的厚度的代码，所述控制器包括被耦合以接收多个测量轧机参数的输入，所述测量轧机参数包括被从金属片的产生进行时间延迟的产生的金属片厚度；金属片轧机的多个模型，其中金属片厚度被建模为基于被耦合到输入的多个测量参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；基于所述多个模型的卡尔曼滤波器；以及输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

示例2包括示例1的轧制金属片轧机，其中所述多个模型包括具有辊转矩的对应输入的轧制模型。

示例3包括示例1—2中的任一项的轧制金属片轧机，其中所述多个模型包括具有轧制力的对应输入的间隙控制模型。

示例4包括示例1—3中的任一项的轧制金属片轧机，其中所述多个模型包括具有轧制速度的对应输入的主驱动模型。

示例5包括示例1—4中的任一项的轧制金属片轧机，其中所述传送延迟是可变运输延迟输入的函数。

示例6包括示例1—5中的任一项的轧制金属片轧机，其中被建模的一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损以及支承辊轴承悬浮构成的组。

示例7包括示例1—6中的任一项的轧制金属片轧机，其中所述卡尔曼滤波器是基于所述模型，并且对已知参数不确定性是鲁棒的。

示例8包括示例1—7中的任一项的轧制金属片轧机，其中所述卡尔曼滤波器包括作为从金属片轧机的操作测量的轧机参数值的函数被调整的滤波器参数。

在示例9中，一种将用于轧制金属片轧机的控制器编程的方法，所述方法包括：获得轧制金属片轧机的物理表示，识别用于生成轧制金属片轧机的内部状态的推理估计的可用测量结果，使关键内部干扰与可用测量结果相关以对轧制金属片轧机进行建模，基于模型而生成卡尔曼滤波器，以及将该卡尔曼滤波器添加到控制器，使得控制器被编程为提供由金属片轧机产生的金属片的闭环控制厚度。

示例10包括示例9的方法，并且还包括根据轧制金属片轧机的操作来测试控制器。

示例11包括示例10的方法，并且还包括响应于测试而调整卡尔曼滤波器参数。

示例12包括示例10—11中的任一项的方法，其中所述多个模型包括具有辊转矩的对应输入的轧制模型。

示例13包括示例10—12中的任一项的方法，其中所述多个模型包括具有轧制力的对应输入的间隙控制模型。

示例14包括示例10—13中的任一项的方法，其中所述多个模型包括具有轧制速度的对应输入的主驱动模型。

示例15包括示例10—14中的任一项的方法，其中所述传送延迟是可变运输延迟输入的函数。

示例16包括示例10—15中的任一项的方法，其中被建模的一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损、以及支承辊轴承悬浮构成的组。

在示例17中，一种轧制金属片轧机控制器，包括处理器、传感器以及存储器设备，该存储器设备被耦合到处理器并且具有存储在其上的用于由程序处理器执行以进行以下各项的程序：从传感器接收包括被从金属片的产生进行时间延迟的产生的金属片厚度的多个测量轧机参数的输入，处理金属片轧机的多个模型，其中金属片厚度被建模为基于耦合到输入的多个测量参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；执行基于所述多个模型的卡尔曼滤波器；以及提供输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

示例18包括示例17的控制器，其中所述多个模型包括具有辊转矩的对应输入的轧制模型、具有轧制力的对应输入的间隙控制模型、以及具有轧制速度的对应输入的主驱动模型。

示例19包括示例17－18中的任一项的控制器，其中所述传送延迟是可变运输延迟输入的函数。

示例20包括示例17－19中的任一项的控制器，其中被建模的一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损、以及支承辊轴承悬浮构成的组。

尽管上文已详细地描述了几个实施例，但是其它修改是可能的。例如，图中所描绘的逻辑流不要求示出的特定顺序或相继顺序来实现期望的结果。可以提供其它步骤，或者可以从所述流中消除步骤，并且可向所述系统添加或从其去除其它部件。

Claims (8)

1.一种用于控制由轧机的辊产生的金属片的厚度的轧制金属片轧机控制器，该控制器包括一个或多个处理器和存储在介质上被所述一个或多个处理器可读取以控制产生的金属片的厚度的代码，所述控制器包括：

被耦合以接收多个测量轧机参数的输入，所述测量轧机参数包括从金属片的产生被时间延迟的产生的金属片厚度；

金属片轧机的多个模型，其包括具有辊转矩的对应输入的轧制模型、具有轧制力的对应输入的间隙控制模型以及具有轧制速度的对应输入的主驱动模型，其中金属片厚度被建模为基于耦合到输入的多个测量轧机参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；

基于所述多个模型的卡尔曼滤波器；以及

输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

2.权利要求1的轧制金属片轧机控制器，其中被建模的内部干扰是一个或多个，所述一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损以及支承辊轴承悬浮构成的组。

3.权利要求1－2中的任一项的轧制金属片轧机控制器，其中所述卡尔曼滤波器包括作为从金属片轧机的操作测量的轧机参数值的函数被调整的滤波器参数。

4.一种将用于轧制金属片轧机的控制器编程的方法，所述方法包括：

获得轧制金属片轧机的物理表示；

识别用于生成轧制金属片轧机的内部状态的推理估计的可用测量结果；

使关键内部干扰与可用测量结果相关以对轧制金属片轧机进行建模，其中对轧制金属片轧机建模的模型包括具有辊转矩的对应输入的轧制模型、具有轧制力的对应输入的间隙控制模型以及具有轧制速度的对应输入的主驱动模型；

基于模型而生成卡尔曼滤波器；以及

将该卡尔曼滤波器添加到控制器，使得控制器被编程为提供由金属片轧机产生的金属片的闭环控制厚度。

5.权利要求4的方法，并且还包括：

根据轧制金属片轧机的操作来测试控制器；以及

响应于测试而调整卡尔曼滤波器参数。

6.权利要求4－5中的任一项的方法，其中被建模的内部干扰是一个或多个，所述一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损以及支承辊轴承悬浮构成的组。

7.一种轧制金属片轧机控制器，包括：

处理器；

传感器；以及

存储器设备，其被耦合到处理器并具有存储在其上以用于由处理器执行来进行以下各项的程序：

从传感器接收包括从金属片的产生被时间延迟的产生的金属片厚度的多个测量轧机参数的输入；

处理金属片轧机的多个模型，其中所述多个模型包括具有辊转矩的对应输入的轧制模型、具有轧制力的对应输入的间隙控制模型以及具有轧制速度的对应输入的主驱动模型，其中金属片厚度被建模为基于耦合到输入的多个测量轧机参数中的一个或多个的至少一个内部干扰模型以及输入变化延迟；

执行基于所述多个模型的卡尔曼滤波器；以及

提供输出，其被耦合以控制产生轧制金属片的辊之间的间隙。

8.权利要求7的控制器，其中被建模的内部干扰是一个或多个，所述一个或多个内部干扰选自由支承辊和工作辊偏心率、工作辊热凸度、工作辊机械磨损以及支承辊轴承悬浮构成的组。

Images