CN108229072A - 基于数据解析的连退均热炉带钢张力在线测量方法 - Google Patents

Abstract

本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法，建立均热炉内各辊子处的带钢张力的机理模型，获取训练样本集；采用最小二乘支持向量机建立机理偏差率的估计模型；采用粒子群优化算法优化机理偏差率估计模型的模型参数；实时采集均热炉内带钢生产数据，将带钢生产数据输入带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力；将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型，得到机理模型偏差率的值；根据均热炉内各辊子处的带钢张力和均热炉出口张力，以及机理模型偏差率，预测均热炉内各辊子处的带钢张力和均热炉出口张力，在该方法实现了对中间辊子张力的计算，拥有较高的精度。

Description

基于数据解析的连退均热炉带钢张力在线测量方法

技术领域

本发明属于钢铁工业的连退生产技术领域，具体涉及一种基于数据解析的连退均热炉带钢张力在线测量方法。

背景技术

钢铁工业是国民经济的支柱性产业，是衡量国家经济实力的重要指标。现代钢铁工业的生产工艺主要包括烧结、炼铁、炼钢、连铸、热轧、冷轧等，其中连续退火工艺(简称连退)是冷轧退火工艺中的一种。在钢铁企业中，冷轧连退工艺主要由预热、加热、均热、风冷、辊冷、过时效、终冷等工序组成。在这些工序中，均热是关键的一环，带钢经过预热，加热后到达均热阶段，逐步稳定在退火温度，并在此温度下实现再结晶。这一过程是在均热炉中发生的，想要达到好的均热效果必须要保证均热炉中带钢能够平稳运行。然而均热炉中的带钢张力经常会发生较大的波动，容易导致带钢的打滑、跑偏，造成带钢发生褶皱甚至断裂，严重影响产品的质量和生产的连续性。均热炉附近炉段的辊系图如图1所示，其中，RTF为加热炉，SF为均热炉，SCF为缓冷炉，带钢的运行方向为从右向左。图中的SR代表纠偏辊，当带钢发生跑偏时，能够起到一定的纠偏作用。TR代表测张辊，能够实时监测炉入口和出口处的带钢张力值。在连退生产现场中，传感器只能测得均热炉的入口张力和出口张力，中间辊子的张力无法获取。为了提高带钢运行的稳定性以及带钢的质量，就必须准确获取各个辊子处的张力，以减少带钢张力的波动，这就和现状相矛盾，成为亟待解决的技术问题。

针对中间辊子张力不可测量的问题，中国专利200910197595.3提出了一种连续退火机组辊间带钢张力的软测量方法。该方法首先对带钢过程数据进行采集和预处理，通过经验公式递推的方式建立了带钢张力软测量的主模型，接着为了补偿主模型存在的误差，加入了神经网络模型，最后当现场工况出现较大变动时去更新神经网络模型。然而，此方法仍然存在一些不足：首先在建立主模型时采用经验公式递推的方式，模型精度有待进一步提高；其次，神经网络在使用中学习速度慢，样本需求量大，并且容易出现维数灾难；最后，现场工况发生较大变化时才去更新模型，模型可能存在滞后性。

发明内容

针对现有技术的不足，本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法，包括以下步骤：

步骤1：建立均热炉内各辊子处的带钢张力的机理模型，获取均热炉内历史带钢生产数据，计算均热炉内各辊子处的带钢张力和均热炉出口张力，并得到机理模型的偏差率，将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S；

步骤1.1：根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢张力的机理模型；

步骤1.2：获取均热炉内历史带钢生产数据，包括：带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力；

步骤1.3：根据均热炉内历史带钢生产数据，采用四阶龙格库塔法求解带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力；

步骤1.4：根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力，计算得到机理模型的偏差率；

步骤1.5：将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S；

步骤2：将训练样本集S中的均热炉内历史带钢生产数据作为输入，将训练样本集S中的机理模型的偏差率作为输出，采用最小二乘支持向量机建立机理偏差率的估计模型；

步骤3：采用粒子群优化算法优化机理偏差率估计模型的模型参数，得到优化后的机理偏差率估计模型；

步骤4：实时采集均热炉内带钢生产数据，将带钢生产数据输入带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力；

步骤5：将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型，得到机理模型偏差率的值；

步骤6：根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力，以及步骤5中得到的机理模型偏差率，预测均热炉内各辊子处的带钢张力和均热炉出口张力。

步骤7：将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本，存储至临时样本集S_temp中，当临时样本集S_temp中的样本数量达到给定的阈值n时，将n个新的样本依次加入到训练样本集S中，并删除训练样本集S中的前n个样本，清空临时样本集S_temp，返回步骤2。

本发明的有益效果：

本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法，在该方法中使用了基于均热炉内机理关系的建模方法，通过求解微分方程，实现了对中间辊子张力的计算，拥有较高的精度；同时使用最小二乘支持向量机方法来建立机理偏差率的估计模型，对于机理模型与实际的偏差进行了补偿。最终的混合模型将机理模型和数据模型进行了综合，提高了带钢张力预测值的精度，实现了准确在线测量均热炉内带钢张力的目的。新的样本数据库对模型进行在线地更新，使得模型拥有良好的自适应性。

附图说明

图1为均热炉附近炉段的辊系图；

图2为本发明具体实施方式中基于数据解析的连退均热炉带钢张力在线测量方法；

图3为本发明所提出的基于数据解析的建模方法与机理模型针对均热炉出口张力的预测结果偏差对比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本实施方式中，基于图1所示的均热炉附近炉段的辊系图，图1中的圆圈代表水平放置的辊子，连续的线段代表依附在辊子上的带钢。辊子高速旋转带动带钢前进，使带钢能够在炉中均匀受热。图1中的RTF为加热炉，SF为均热炉，SCF为缓冷炉，带钢的运行方向为从右向左。SR代表纠偏辊，当带钢发生跑偏时，能够起到一定的纠偏作用。TR代表测张辊，能够实时监测该辊子处的带钢张力值。图1中R18到R41这24根辊子是研究的重点，其中R18为SF炉入口处的辊子，R41为SF炉出口处的辊子，这两个辊子的张力能够采集到，而这两个辊子之间的炉内各辊子处的带钢张力是未知的。想要确定因带钢张力波动导致的带钢打滑跑偏的具体位置，就需要知道这些辊子处的带钢张力值。本实施方式中，首先采集现场的带钢数据，利用炉内的机理关系建立机理模型，去求解中间辊子的张力值。然后针对机理模型存在的偏差，利用最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)来对机理偏差率进行学习，建立偏差率的数据模型。最后将数据模型和机理模型进行综合，构建一个混合模型，从而实现对带钢张力的高精度在线测量。最后通过新的样本数据库对模型进行在线地更新，使得模型拥有极高的适应性。

本发明提出一种基于数据解析的连退均热炉带钢张力在线测量方法，如图2所示，包括以下步骤：

步骤1：建立均热炉内各辊子处的带钢张力的机理模型，获取均热炉内历史带钢生产数据，计算均热炉内各辊子处的带钢张力和均热炉出口张力，并得到机理模型的偏差率，将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。

步骤1.1：根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢的机理模型。

本实施方式中，根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢的机理模型如式(1)-(2)所示：

其中，F_i(t)为第i个辊子的带钢张力，T_i(t)为各段电机的电磁力矩，J为电机转轴上的总转动惯量，F_i-1(t)为第i-1个辊子的带钢张力，K_i为均热炉内各段带钢的弹性系数，v_i(τ)、v_i(τ-1)为第i个辊子的线速度。

均热炉内各段带钢的弹性系数K_i如式(3)所示：

K_i＝(E_i×S)/L (3)

其中，E_i为各段带钢的弹性模量，与各段的温度相关，S为带钢的截面积，L为两辊子之间的带钢长度。

第i个辊子的线速度v_i(t)如式(4)所示：

v_i(t)＝w_i(t)×R_i (4)

其中，R_i为第i个辊子的半径，w_i(t)为第i个辊子的角速度。

步骤1.2：获取均热炉内历史带钢生产数据，包括：带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力。

步骤1.3：根据均热炉内历史带钢生产数据，采用四阶龙格库塔法求解带钢张力的机理模型，得到热炉内各辊子处的带钢张力和均热炉出口张力。

步骤1.4：根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力，计算得到机理模型的偏差率。

步骤1.5：将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。

步骤2：将训练样本集S中的均热炉内历史带钢生产数据作为输入，将训练样本集S中的机理模型的偏差率作为输出，采用最小二乘支持向量机建立机理偏差率的估计模型。

本实施方式中，针对训练样本X_i的机理偏差率的估计模型可以表示如式(5)所示：

Y_e，i＝LSSVM(γ，σ，X_i) (5)

其中，γ和σ为LSSVM模型参数，第i个训练样本其中Wd为带钢的宽度，Th为带钢的厚度，为辊子R18到R41的速度，为辊子R18到R41的扭矩，t_s为带钢的温度，t_l为均热炉的炉温，代表带钢的速度，F_R为入口处张力，Y_e，i为训练样本X_i的机理偏差率估计值，LSSVM表示最小二乘支持向量机模型。

本实施方式中，LSSVM模型的参数γ和σ，能够唯一确定该数据模型的表达式，因而这两个参数的选取对于模型性能具有重要影响。将LSSVM模型参数的选取问题转化为如式(6)的优化问题：其中，Y_e，i表示针对第i个训练样本的机理偏差率估计值，e_obs，i表示针对第i个训练样本的机理偏差率实际值。

s.t.

Y_e，i＝LSSVM(γ，σ，X_i)

γ_min≤γ≤γ_max

σ_min≤σ≤σ_max

其中，σ_min为模型参数σ的最小值，σ_max为模型参数σ的最大值，γ_min为模型参数γ的最小值，γ_max为模型参数γ的最大值。

步骤3：采用粒子群优化算法优化机理偏差率估计模型的模型参数，得到优化后的机理偏差率估计模型。

步骤3.1：设置算法迭代次数g＝0，初始化粒子群参数，包括：种群粒子数目N_p、第g次迭代过程中的第j个粒子记为x_j，g＝[γ_j，g，σ_j，g]、模型参数σ的取值区间[σ_min，σ_max]、模型参数γ的取值区间[γ_min，γ_max]、目标函数为其中，j＝1，...，N_p为粒子序号。

步骤3.2：初始化种群：将模型参数σ的取值区间[σ_min，σ_max]、模型参数γ的取值区间[γ_min，γ_max]的区间平均分为M个子区间，设置各子区间k被选择的概率为p_k＝1/M，每个子区间的选择区域为[a_k-1，a_k]，k＝1，2，...，M，其中，a₀＝0、a_k＝a_k-1+p_k、...、a_M＝1，利用函数rand(0，1)产生0到1之间的随机数，选择该随机数所属的子区间，然后在被选择的子区间里再产生一个随机数，作为模型参数σ或者模型参数γ的值，从而得到一个随机的初始粒子，计算其目标函数值，重复以上过程N_p次，得到包含N_p个粒子的初始种群，随机初始化每个粒子x_j，g在第g次迭代的速度为v_j，g＝0。

将每个粒子作为其个体最好解p_j，g，即p_j，g＝x_j，g，将当前种群中的全局最好解作为G_best，g。

步骤3.3：更新迭代次数g＝g+1，更新粒子的速度和位置，并计算更新后的每个粒子的目标函数值。

粒子的速度更新公式如式(8)所示：

v_j，g＝w×v_j，g-1+c₁r₁(p_j，g-1-x_j，g-1)+c₂r₂(G_best，g-1-x_j，g-1) (8)

粒子的位置更新公式如式(9)所示：

x_j，g＝x_j，g-1+v_j，g (9)

其中，w＝0.9为惯性权重，c₁＝2.0为粒子自身认知学习的系数，c₂＝2.0为粒子间相互学习的系数，r₁和r₂是[0，1]范围内的随机数。。

步骤3.4：更新当前每个粒子的个体最好解p_j，g、当前种群中的全局最好解G_best，g。

步骤3.5：若迭代次数达到设定的最大迭代次数g_max＝200，则执行步骤3.6，否则，返回步骤3.3。

步骤3.6：停止迭代，将算法所得到的全局最好解G_best，g中的模型参数γ和σ代入机理偏差率的估计模型，得到优化后的机理偏差率估计模型。

步骤4：实时采集均热炉内带钢生产数据，将带钢生产数据输入带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力。

步骤5：将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型，得到机理模型偏差率的值。

步骤6：根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力，以及步骤5中得到的机理模型偏差率，预测均热炉内各辊子处的带钢张力和均热炉出口张力。

本实施方式中，由步骤4的机理模型所得到的第l个辊子处的带钢张力记为y_l，均热炉出口张力记为y_out，由步骤5所得到的机理偏差率的估计值记为则最终连退均热炉内各辊子处的带钢张力和均热炉出口张力的预测值如式(10)-(11)所示：

步骤7：将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本，存储至临时样本集S_temp中，当临时样本集S_temp中的样本数量达到给定的阈值n时，将n个新的样本依次加入到训练样本集S中，并删除训练样本集S中的前n个样本，清空临时样本集S_temp，返回步骤2。

针对200个新在线采集的均热炉带钢生产数据样本，使用机理模型与混合模型对均热炉出口张力进行预测，预测结果对比如图3所示，从图中可以看出，通过LSSVM模型对机理模型的偏差率进行补偿之后，混合模型的预测精度要明显优于机理模型，并且其与实际均热炉出口张力值之间的平均预测误差能够达到0.2％(机理模型的平均预测误差为1％)，能够满足实际生产过程中对于带钢张力波动的监测要求。

Claims (2)

1.一种基于数据解析的连退均热炉带钢张力在线测量方法，其特征在于，包括以下步骤：

步骤1：建立均热炉内各辊子处的带钢张力的机理模型，获取均热炉内历史带钢生产数据，计算均热炉内各辊子处的带钢张力和均热炉出口张力，并得到机理模型的偏差率，将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S；

步骤2：将训练样本集S中的均热炉内历史带钢生产数据作为输入，将训练样本集S中的机理模型的偏差率作为输出，采用最小二乘支持向量机建立机理偏差率的估计模型；

步骤3：采用粒子群优化算法优化机理偏差率估计模型的模型参数，得到优化后的机理偏差率估计模型；

步骤4：实时采集均热炉内带钢生产数据，将带钢生产数据输入带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力；

步骤5：将实时采集的均热炉内带钢生产数据输入优化后的机理偏差率估计模型，得到机理模型偏差率的值；

步骤6：根据步骤4中得到的均热炉内各辊子处的带钢张力和均热炉出口张力，以及步骤5中得到的机理模型偏差率，预测均热炉内各辊子处的带钢张力和均热炉出口张力；

步骤7：将步骤6中实时采集的带钢生产数据与机理模型的偏差率作为新的样本，存储至临时样本集S_temp中，当临时样本集S_temp中的样本数量达到给定的阈值n时，将n个新的样本依次加入到训练样本集S中，并删除训练样本集S中的前n个样本，清空临时样本集S_temp，返回步骤2。

2.根据权利要求1所述的基于数据解析的连退均热炉带钢张力在线测量方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1：根据均热炉内各辊子处的带钢张力及各段电机电磁力矩的物理关系建立带钢张力的机理模型；

步骤1.2：获取均热炉内历史带钢生产数据，包括：带钢宽度、带钢厚度、均热炉内各辊子的速度和扭矩、带钢温度、均热炉炉温、带钢速度、均热炉入口张力和均热炉出口张力；

步骤1.3：根据均热炉内历史带钢生产数据，采用四阶龙格库塔法求解带钢张力的机理模型，得到均热炉内各辊子处的带钢张力和均热炉出口张力；

步骤1.4：根据带钢张力的机理模型计算得到的均热炉出口张力与历史带钢生产数据中的实际均热炉出口张力，计算得到机理模型的偏差率；

步骤1.5：将均热炉内历史带钢生产数据和机理模型的偏差率作为训练样本集S。