CN108326049B - 一种冷连轧轧制力的自学习方法 - Google Patents

Abstract

本发明公开了一种冷连轧轧制力的自学习方法，按预定义的自学习方法修正预设轧制力数学模型，本发明对模型参数进行了三种分类，根据生产的实际情况选择自学习方式，解决了各模型参数之间的耦合问题，符合现场实际情况，提高了轧制力数学模型精度。

Description

一种冷连轧轧制力的自学习方法

技术领域

本发明属于冷连轧过程控制领域，尤其涉及一种冷连轧轧制力的自学习方法。

背景技术

冷连轧过程控制系统的一项重要功能是计算和设定轧制力。轧制力模型是厚度控制及板形设定计算的基础。高精度的轧制力数学模型是保证轧制力计算准确的基础，然而，一方面轧制过程机理复杂，各参数相互耦合，建立准确的模型非常困难；另一方面为了满足在线实时控制的性能要求，往往忽略一些次要的因素，构建出一个简洁便于计算的模型。

为了提高模型的计算精度，业内通常采用自学习(self-learning)或者自适应(adaption)算法，就是利用实测数据来修正下次预设定数据。目前主流的自学习方法有如下两种：

方法一：轧制力自学习都是在原有数学模型的基础上，加入一个自学习因子系数，在生产中不断修正这个系数，来不断适应现场的工况。

方法二：由于轧制力的主要影响因素包括变形抗力和摩擦系数，轧制力自学习模型采用修正变形抗力模型系数或者摩擦模型系数来适应现场的工况。

上述方法存在显著的缺点，其中方法一中的自学习因子系数在长期的学习过程中，由于环境的变化或者数学模型本身的不准确性，系数将会失去其物理意义。方法二中把轧制力的影响因素单一的认为是变形抗力造成的或者是摩擦系数造成的，不符合实际，因为实际中轧制力的影响的这两种因素相互耦合的。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种冷连轧轧制力的自学习方法。本发明采用自学习的方法，在轧制过程的不同阶段，采用不同的自学习方法去修正模型系数，解决各系数之间的耦合问题，从而更好的提高轧制力数学模型的精度。

为达到以上目的，本发明采用的技术方案是：

一种冷连轧轧制力的自学习方法，包括：按预定义的自学习方法修正预设轧制力数学模型，其中：

所述预设轧制力数学模型为：

F^*＝a·F，其中，F＝f(k₁，k₂，…k_m，b₁，b₂，…b_n，…)

其中,F是理论计算轧制力；F*是自学习修正后的轧制力；a表示机架的自学习因子；k₁到k_m表示m个与变形抗力相关的模型系数；b₁到b_n表示n个与摩擦系数相关的模型系数；

所述按预定义的自学习方法包括以下方法：

第一层自学习方法：正在轧制的带钢周期性收集生产实测数据，并选取预设速度平台的典型生产数据，当该带钢的速度达到预设运行速度且选取了相应运行速度平台的生产数据后,对机架的自学习因子a进行自学习，其中，所述速度平台至少包括过焊缝速度平台及运行速度平台；

第二层自学习方法：周期性收集正在轧制的带钢的生产实测数据，当焊缝到达轧机前活套的出口处时，选取所述速度平台的典型生产数据，利用预设方法计算各组数据的偏差系数，当满足预设要求时对与摩擦系数相关的模型系数b₁,b₂…b_n进行自学习，所述焊缝为正在轧制的带钢与即将开始轧制的第一卷带钢之间焊接形成的焊缝；

第三层自学习方法：发生换辊操作，统计了此轧辊从上辊到目前所有的典型生产数据，按照钢种分类进行分组，然后进行自学习，所述自学习系数为变形抗力模型相关系数k₁，k₂，…k_m以及摩擦系数模型相关系数b₁,b₂…b_n，同时对上述系数进行自学习。

进一步的，各机架的自学习因子a的计算公式如下：

a^new＝β·a^cal+(1-β)·a^old

其中a^cal表示未经平滑处理的自适应系数，F^meas表示实测轧制力，F^back根据实测参数使用模型计算的预测轧制力,β为增益系数。a^old为上次自学习因子，a^new为指数平滑后自学习因子。

进一步的，与摩擦系数相关的模型系数b₁,b₂…b_n的计算采用遗传算法或Newton-Raphson算法。

进一步的，与变形抗力模型相关系数k₁，k₂，…k_n的计算采用遗传算法或Newton-Raphson算法。

进一步的，所述利用预设方法计算各组数据的偏差系数的方法包括：

式中：e表示偏差系数；F_cal表示计算轧制力；F_mea表示实测轧制力；

所述预设要求包括：如果N2/N1的值大于最小阈值，则进行第二层自学习，其中，N1为得到的偏差系数个数，N2为N1中满足预设偏差系数阈值的个数。

进一步的，所述运行速度是指设定的稳定轧制速度或者设定的最高速度。

进一步的，将第三层自学习的结果和典型生产数据的实际预报结果进行比对，如果第三层自学习结果相比实测结果更接近，则针对钢种分类采用新的学习系数。

进一步的，所述典型数据包括钢种、各机架的入出口厚度、入出口张力、工作辊辊径、入出口速度、轧辊线速度、实际轧制力中的至少一种。

本发明与现有技术相比的有益效果在于：本发明对模型参数进行了三种分类，根据生产的实际情况选择自学习方式，解决了各模型参数之间的耦合问题，符合现场实际情况，提高了轧制力数学模型精度。

附图说明

图1是在一些实施例中，某五机架冷连轧生产线的过程控制系统的机组构造示意图。

图2是在一些实施例中，某冷轧机组的实际出口速度曲线示意图。

具体实施方式

为了使本发明的目的、技术方案以及优点更加清楚明白，下面结合实施例进行进一步详细说明。应该理解的是，此实施例仅仅是本发明应用的一个方面，并不用于限定本发明。

在一些实施例中，某五机架冷连轧生产线的过程控制系统应用了本发明的方法，以进行轧制力模型的自学习。其机组构造如图1所示，活套布置在冷连轧之前，带钢从开卷机开卷后，与生产线上的带钢尾部进行焊接，然后进入生产线，依次是活套，冷连轧，以及后续工序。

此机组主要用来生产不锈钢，来料范围是6.0mm-1.8mm，成品范围是3.0mm-0.7mm，宽度范围是1300mm-800mm。

首先对钢种以及厚度划分层别，部分层别如表1所示。

表1

影响冷轧轧制力的两个重要因素是变形抗力与摩擦系数。变形抗力模型很多，本实施例采用如下模型：

式中：k_fm表示平均变形抗力；ε表示累计平均压下率；k₁、k₂、k₃为变形抗力模型系数，其与钢种有关。

摩擦系数的模型也很多，本实施例采用如下模型：

式中：μ表示摩擦系数；v_r表示轧辊线速度；N_r表示换辊后轧制数量；b₁、b₂、b₃、b₄、b₅、b₆为变形抗力模型系数，其与轧辊状态，轧制入出口厚度有关。

轧制力数学模型也很多，本实施例采用经典的Bland-Ford-Hill模型如下所示：

式中：F表示轧制力；B表示轧件宽度；R′表示压扁半径；H表示轧前带钢厚度；h表示轧后带钢厚度；Δh表示带钢压下率，Δh＝H-h；Q_p表示外摩擦影响系数；n_t表示张力影响系数；ε表示带钢压下率，ε＝Δh/H；t_f表示前张应力；t_b表示后张应力；μ_t表示加权系数；

考虑轧件的弹性变形，采用如下Hitchcock公式：

式中：γ_R表示泊松比；E_R表示杨氏模量；C_H表示中间系数；

通过迭代求解或者显示求解，可知：

F＝f(k₁，k₂，k₃，b₁，b₂，b₃，b₄，b₅，b₆，…)

在上述公式基础上，加入自学习因子，修正后的轧制力模型如公式(1)所示：

F^*＝a·F (1)

式中：a表示自学习因子，不同机架的自学习因子是独立的；F^*表示修正后的轧制力。本发明按预定义的自学习方法修正预设轧制力数学模型公式(1)。

具体的包括三层自学习方法:

第一层自学习方法：正在轧制的带钢周期性收集生产实测数据(比如1s采集一次，5分钟就采集了300组数据)，并选取预设速度平台的典型生产数据，当该带钢的速度达到预设运行速度且选取了相应运行速度平台的生产数据后,对机架的自学习因子a进行自学习。运行速度是指设定的稳定轧制速度或者设定的最高速度，只有稳定状态的数据才能具有代表性。所述典型生产实测数据是指轧制力数学模型中包含的参数，包括但不限于各机架的入出口厚度，入出口张力，工作辊辊径，入出口速度，轧辊线速度，实际轧制力等。

图2示出了某冷轧机组的实际出口速度曲线，其包括4个速度平台，分别是速度平台1、速度平台2、速度平台3、速度平台4。其中速度平台1、速度平台4是过焊缝速度平台，也叫低速平台。速度平台3是运行速度平台，也叫高速平台。其中低速平台和高速平台的数据最为重要，是供自学习的关键数据。有时候有1个或者多个中间平台，大部分生产顺利的时候没有。

该层采用指数平滑法，其计算公式如(2)、(3)所示。

a^new＝β·a^cal+(1-β)·a^old (3)

其中a^cal表示未经平滑处理的自适应系数，F^meas表示实测轧制力，F^back根据实测参数使用模型计算的预测轧制力。β为增益系数。ao^ld为上次自学习因子，a^new为指数平滑后自学习因子。

第一层自学习的结果应用于即将开始轧制的第一卷带钢。

可以理解的，当满足如下条件之一则不进行自学习，且即将开始轧制的第一卷带钢的自学习因子复位为1.

(1)正在轧制的带钢与即将开始轧制的第一卷带钢的钢种分类不同。

(2)从正在轧制的带钢开始轧制到焊缝到达轧机前活套出口处期间发生环境变化

另外，如果正在轧制的带钢与即将开始轧制的第一卷带钢在某机架的入口厚度分组、出口厚度分组不相同，则对这个道次不进行学习，且该道次自学习因子复位为1。

第二层自学习方法：周期性收集正在轧制的带钢的生产实测数据，当焊缝到达轧机前活套的出口处时，选取各速度平台的典型生产数据，利用预设方法计算各组数据的偏差系数，当满足预设要求时对与摩擦系数相关的模型系数b₁,b₂…b_n进行自学习；所述焊缝为正在轧制的带钢与即将开始轧制的第一卷带钢之间焊接形成的焊缝。

具体的，利用公式(4)计算各组数据的偏差系数

式中：e表示偏差系数；F_cal表示计算轧制力；F_mea表示实测轧制力。

可以得到N₁个偏差系数值，在其中统计偏差系数大于等于e_min并且小于等于e_max的个数N₂，如果N₂/N₁的值大于N_min，则进行第二层自学习，否则放弃第二层自学习。在一些实施例中e_min取值为3％，e_max取值为10％，N_min取值为80％。在实际应用中，为了提高自学习的准确性，还可以选取其余数值。

与摩擦系数相关的模型系数b₁,b₂…b_n的计算采用遗传算法或Newton-Raphson算法或者其他可行方法，在实际操作中根据具体需求选择合适方法。在本实施例中以采取了遗传算法。其主要包括以下步骤：

步骤1.量子实数编码

步骤2.实数交叉

步骤3.混沌变异

步骤4.自适应网格

步骤5.最优个体选择

此方法主要思想是采用量子位实数编码改善计算精度；通过在解空间内将实数染色体通过反向变换映射到量子位采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索，提高寻优效率和收敛速度；在基于非支配排序、精英保留和外部解集等多目标优化策略保持群体多样性的同时，保证进化向全局最优解集方向进行。更具体的实现方法可以参考现有技术，比如论文“基于自适应网格多目标量子遗传算法的轧制规程优化”(刊登于《塑性工程学报》，2016年,23(06):79-86)，在此不再赘述。

第二层自学习的结果应用于即将开始轧制的第二卷带钢。

可以理解的，进行第二层自学习的条件还包括正在轧制的带钢与即将开始轧制的第一卷带钢在整个生产过程中未发生停机(比如带钢以小于30m/min的速度持续了大于10分钟，则可以认为发生了停机现象)或者换辊等环境变化。

第三层自学习方法：发生换辊操作，统计了此轧辊从上辊到目前所有的典型生产数据，按照钢种分类进行分组，然后进行自学习，所述自学习系数为变形抗力模型相关系数k₁，k₂，…k_m以及摩擦系数模型相关系数b₁,b₂…b_n。同时对与变形抗力模型相关系数k₁，k₂，…k_m以及摩擦系数模型相关系数b₁,b₂…b_n进行自学习，采用遗传算法或Newton-Raphson算法或者其他可行方法。第三层自学习的结果应用于即将开始轧制的第二卷带钢以及之后的带钢。本步骤同时考虑了轧制力的影响因素：变形抗力及摩擦系数，能提高了轧制力数学模型精度。

为了保证自学习结果的准确性，还可以将第三层自学习的结果和典型生产数据的实际预报结果进行评估，如果第三层自学习结果相比实测结果更接近，则针对这个钢种分类采用新的学习系数，否则则放弃学习结果。

上述三层自学习方法可并行执行。

本发明对模型参数进行了三种分类，根据生产的实际情况选择自学习方式，解决了各模型参数之间的耦合问题，符合现场实际情况，提高了轧制力数学模型精度。

本领域技术人员应该明白，本发明所述的方法和系统并不限于具体实施方式中所述的实施例，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围，本发明的保护范围由权利要求及其等同物限定。

Claims (8)

1.一种冷连轧轧制力的自学习方法，其特征在于包括以下内容：

按预定义的自学习方法修正预设轧制力数学模型，其中：

所述预设轧制力数学模型为：

F^*＝a·F，其中，F＝f(k₁，k₂，…k_m，b₁，b₂，…b_n，…)

其中,F是理论计算轧制力；F^*是自学习修正后的轧制力；a表示机架的自学习因子；k₁到k_m表示m个与变形抗力相关的模型系数；b₁到b_n表示n个与摩擦系数相关的模型系数；

所述按预定义的自学习方法包括以下方法：

第一层自学习方法：正在轧制的带钢周期性收集生产实测数据，并选取预设速度平台的典型生产数据，当该带钢的速度达到预设运行速度且选取了相应运行速度平台的生产数据后,对机架的自学习因子a进行自学习，其中，所述速度平台至少包括过焊缝速度平台及运行速度平台；

第二层自学习方法：周期性收集正在轧制的带钢的生产实测数据，当焊缝到达轧机前活套的出口处时，选取所述速度平台的典型生产数据，利用预设方法计算各组数据的偏差系数，当满足预设要求时对与摩擦系数相关的模型系数b₁,b₂…b_n进行自学习，所述焊缝为正在轧制的带钢与即将开始轧制的第一卷带钢之间焊接形成的焊缝；

第三层自学习方法：发生换辊操作，统计了此轧辊从上辊到目前所有的典型生产数据，按照钢种分类进行分组，然后进行自学习，自学习系数为变形抗力模型相关系数k₁，k₂，…k_m以及摩擦系数模型相关系数b₁,b₂…b_n，同时对上述系数进行自学习，

其中，各机架的自学习因子a的计算公式如下：

a^new＝·βa^cal+(1-β)·a^old

其中a^cal表示未经平滑处理的自适应系数，F^meas表示实测轧制力，F^back根据实测参数使用模型计算的预测轧制力,β为增益系数；a^old为上次自学习因子，a^new为指数平滑后自学习因子。

2.如权利要求1所述的自学习方法，其特征在于：与摩擦系数相关的模型系数b₁,b₂…b_n的计算采用遗传算法或Newton-Raphson算法。

3.如权利要求1所述的自学习方法，其特征在于：与变形抗力模型相关系数k₁，k₂，…k_m的计算采用遗传算法或Newton-Raphson算法。

4.如权利要求1所述的自学习方法，其特征在于：所述利用预设方法计算各组数据的偏差系数的方法包括：

式中：e表示偏差系数；F_cal表示计算轧制力；F_mea表示实测轧制力；

所述预设要求包括：如果N2/N1的值大于最小阈值，则进行第二层自学习，其中，N1为得到的偏差系数个数，N2为N1中满足预设偏差系数阈值的个数。

5.如权利要求1所述的自学习方法，其特征在于：所述运行速度是指设定的稳定轧制速度或者设定的最高速度。

6.如权利要求1所述的自学习方法，其特征在于：将第三层自学习的结果和典型生产数据的实际预报结果进行比对，如果第三层自学习结果相比实测结果更接近，则针对钢种分类采用新的学习系数。

7.如权利要求1所述的自学习方法，其特征在于：所述典型生产数据包括钢种、各机架的入出口厚度、入出口张力、工作辊辊径、入出口速度、轧辊线速度、实际轧制力中的至少一种。

8.如权利要求1所述的自学习方法，其特征在于：所述第一层自学习的结果应用于即将开始轧制的第一卷带钢；第二层自学习的结果应用于即将开始轧制的第二卷带钢；第三层自学习的结果应用于即将开始轧制的第二卷带钢以及之后的带钢。