CN109261724A - 一种在多品种轧制模式下提高预设定模型精度的方法 - Google Patents

Abstract

本发明提供一种在多品种轧制模式下提高预设定模型精度的方法，属于轧制控制技术领域。该方法针对某一产线轧制新品种，原有神经网络算法无法满足提升新钢种的预设定模型精度时，通过数据统计分析的方法，对神经网络算法进行补偿，计算新的修正系数投入现场使用，提高了预设定模型精度，在此基础上分钢种分规格计算修正系数，进一步提高了预设定模型精度，并设计了层别表，将修正系数维护进数据库表格中，更利于现场维护和操作。

Description

一种在多品种轧制模式下提高预设定模型精度的方法

技术领域

本发明涉及冷连轧的轧制过程控制技术领域，特别是指一种在多品种轧制模式下提高预设定模型精度的方法。

背景技术

在冷连轧过程控制中，预设定模型计算是高精度轧制的基本条件之一，也是进行在线控制的基础,只有精确的预设定模型计算才能将优化的工艺思想应用于现场轧制过程中。而轧制过程是一个典型的多变量、时变、强耦合和非线性过程，轧制过程的复杂性决定了轧制过程数学模型大多是经过假设和简化的模型，本身不能精确反应轧制过程，因此，预设定模型计算完成后，都会引入自适应计算模型，进一步对预设定模型进行修正，提高预设定模型精度。

神经网络算法作为预设定模型修正算法，目前广泛应用于冷连轧机组的模型系统中，对于提高原有预设定模型精度有着明显作用。但是随着市场多元化发展，为了充分挖掘产线生产潜力，满足用户定制化需求，很多生产厂纷纷在原有产线上开发新品种。然而，通过对大量生产数据的分析，发现原有神经网络修正不能满足多品种轧制模式下提高预设定模型精度的要求，在多品种轧制模式下，神经网络优化算法的修正值波动较大，不利于稳定轧制，同时，对生产中的轧制力精度分析，显示出经过神经网络算法修正后的轧制力偏差较大。

现有较多的文献对预设定模型精度进行研究，但主要是针对在单一品种轧制模式下提升预设定模型精度的方法，包括利用变形抗力和摩擦系数自适应间接修正轧制力与轧制力直接自适应修正相结合的方法。论文《基于神经网络的冷连轧轧制力预报模型》(中南大学学报，2006年6期)主要介绍了将轧制变形区的轧制力、摩擦和变形抗力进行离散化的处理，而神经网络对预设定模型的校正过程描写并不详细。发明专利《一种提高轧制力计算精度的方法》(申请号201010209247.6)利用对压上液压缸的操作，获取实测轧制力和弯辊力，对计算轧制力进行补偿计算，提高轧制力计算精度，但是该方法实际操作较为复杂，当多品种轧制时，需要频繁进行实验，不利于连续生产，影响生产效率。

发明内容

本发明要解决的技术问题是提供一种在多品种轧制模式下提高预设定模型精度的方法。当产线轧制原有产品大纲内品种，神经网络修正有效时，使用原有神经网络优化方法对模型进行修正；当产线添加新品种时，原有神经网络修正方式不适应时，重新计算模型修正系数，对预设定模型进行修正，提高预设定模型精度。

为了进一步提高模型精度，本发明进一步对新品种分规格计算模型修正值，最后，为了避免反复对模型程序修改，设计了模型优化层别表，将计算得到的模型修正系数写入数据库表格中，并在模型程序中进行了相应的代码编写，最后实现了针对不同钢种和规格，只需要修改数据库中的模型优化表格数据，实现对预设定模型的修正，提高预设定模型精度。具体工艺步骤如下：

(1)对生产线的轧制过程数据进行收集，确定设定数据，即设定轧制力

其中，rfCⁱ为对应钢种的神经网络修正系数，为实际轧制速度，为实际机架入口厚度，为实际机架出口厚度，为实际机架入口张应力，为实际机架出口张应力，kf为变形抗力，u为摩擦系数，Rd为轧辊数据，i为机架号；

(2)根据步骤(1)中获取到的轧制过程数据，根据设定轧制力公式反算：去除神经网络的修正，获取纯的轧制力模型设定值；

(3)计算设定模型新的修正系数：其中，为实际轧制力；

(4)将步骤(3)中计算的修正系数写入现场模型程序中，并收集试验数据，对比试验前后实际值与设定值的偏差情况，分析试验方向是否正确，试验数据证明试验方向正确后，继续投入修正系数，提升预设定模型精度，否则，使用原有神经网络修正系数作为模型进一步优化参数，最终使用优化参数提升预设定模型精度。

步骤(1)中的轧制过程数据包括实际生产数据、生产设定数据、模型计算日志数据；通过轧制力计算模型rf(…)获得设定轧制力

其中，实际生产数据为来源于过程控制系统从基础自动化获取的实际轧制力

生产设定数据通过轧制力计算模型rf(…)获得设定轧制力

模型计算日志数据用于查找出对应钢种的神经网络修正系数rfCⁱ。

步骤(4)中偏差情况包括绝对偏差和相对偏差其中，

将修正系数投入现场使用，分析试验方向是否正确，统计试验前后的过程数据，投入后偏差减少，则证明试验方向正确，将修正系数继续投入使用，反之则不采用该修正系数。

绝对偏差进行对比：

相对偏差进行对比：

对于同一钢种，修正系数按照不同规格(宽度、原料厚度、成品厚度)进行计算，修正系数的计算方式与步骤(3)相同。

神经网络补偿方法计算模型修正系数时，对于某一钢种，首先不分规格，计算每一钢卷的修正系数new_rfCⁱ，然后采用取平均值的方式获取该钢种的修正系数。

式中，m为某一钢种的钢卷数，为某个钢卷的修正系数。

修正系数投入现场使用后，在保证了试验方向正确性后，进一步要分钢种分规格计算模型修正系数进一步提升预设定模型精度。

式中，为某一钢种某一个规格的模型修正系数，s为不同规格类型标识。

针对现场的实际情况，对于新轧制品种，统计出神经网络算法不能满足模型精度的钢种，采用新的模型修正系数进行修正；对于原来的轧制品种，采用原有的神经网络修正系数rfCⁱ对预设定模型进行修正。

按照规格细分后，计算的修正系数会进一步提升模型精度，但在模型程序中按照规格进行划分，所添加的程序会比较繁琐。并且当产线新增的品种增多时，需要不断的修改程序，对于现场实际生产存在较大的安全隐患。因此，根据实际需求，按照钢种、宽度、原料厚度、宽度，设计出修正系数层别表，并插入数据库表格中，层别表中存储离线分析计算的模型修正系数，模型程序根据不同钢种和规格读取数据库的表格数据，避免了不断修改现场程序。同时，每次增添新钢种，新规格时，只需要离线计算出修正系数，再将数据维护进数据库中，操作安全。

修正系数层别表为3个，表名分别为MOSADPCOE.xls、MOSKFCOE.xls、MOSMUCOE.xls，其中，

表MOSADPCOE.xls表示的是根据带钢钢种和规格，获得带钢修正系数以此来代替神经网络的系数，该系数用来修正设定轧制力，

表MOSMUCOE.xls表示的是根据带钢钢种和规格，获得优化后的摩擦系数，

表MOSKFCOE.xls表示的是根据带钢钢种和规格，获得优化后的变形抗力系数。

本发明的上述技术方案的有益效果如下：

针对多品种轧制模式下神经网络算法在模型自适应方面存在的缺陷，本发明在轧制新品种时，收集生产过程中的轧制过程数据和模型计算输出日志等。结合对产线预设定模型计算方式的理解，现场收集的模型设定值已经经过神经网络修正过了，因此，要获取“纯”模型设定值，必须先将收集到的模型设定值还原，然后再计算新修正系数，作为某一新品种的预设定模型自适应系数，投入现场使用。同时，当产线轧制原有品种时，采用原有神经网络修正系数对模型进行修正。因此，本发明能够为生产线实现小批量、多品种轧制提供有力支撑，满足用户定制化需求。

附图说明

图1为本发明的在多品种轧制模式下提高预设定模型精度的方法操作流程示意图；

图2为本发明神经网络修正系数的变化趋势图；

图3为本发明实施例中钢种64AO2试验前轧制力平均偏差绝对值；

图4为本发明实施例中钢种64AO2试验前轧制力平均偏差；

图5为本发明实施例中钢种64AO2的钢卷神经网络系数与新修正系数对比示意图；

图6为本发明实施例中钢种64AO2试验后轧制力平均偏差绝对值；

图7为本发明实施例中钢种64AO2试验后轧制力平均偏差值。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明提供一种在多品种轧制模式下提高预设定模型精度的方法，如图1所示，该方法大致流程如下：

(1)对生产线的轧制过程数据进行收集，确定设定数据，即设定轧制力

其中，rfCⁱ为对应钢种的神经网络修正系数，为实际轧制速度，为实际机架入口厚度，为实际机架出口厚度，为实际机架入口张应力，为实际机架出口张应力，kf为变形抗力，u为摩擦系数，Rd为轧辊数据，i为机架号；

(2)根据步骤(1)中获取到的轧制过程数据，根据设定轧制力公式反算去除神经网络的修正，获取纯的轧制力模型设定值；

(3)计算设定模型新的修正系数：其中，为实际轧制力；

(4)将步骤(3)中计算的修正系数写入现场模型程序中，并收集试验数据，对比试验前后实际值与设定值的偏差情况，分析试验方向是否正确，试验数据证明试验方向正确后，继续投入修正系数，提升预设定模型精度，否则，使用原有神经网络修正系数作为模型进一步优化参数，最终使用优化参数提升预设定模型精度。

下面结合具体实施例予以说明。

在多品种轧制模式下提高预设定模型的方法，工艺步骤如下：

步骤一：在对神经网络算法修正之前，首先分析了神经网络修正值对轧制力预设定模型的影响。通过分析某一新加钢种的神经网络修正系数的变化趋势，如图2所示，可以看出神经网络修正值是一个波动的值，并且是在数值1上下波动，说明神经网络的修正，不仅仅会改变预设定模型的值，也会改变预设定模型的趋势，此时神经网络的修正会使得预设定模型变化过大，影响轧制稳定性。此次实施产线为家电板产线，在该产线上轧制高强钢(钢种64AO2)时，神经网络修正不能满足模型优化需求，重新对该钢种进行模型修正。

步骤二：收集一周内生产的钢种64AO2的轧制过程数据，包括两大类数据：钢卷的轧制过程数据(实际值和设定值)，数据频率是1S；以及带钢在生产中的模型计算输出日志(神经网络修正系数)。并对钢种实施前的预设定模型精度进行统计，包括轧制力平均偏差绝对值和轧制力平均偏差值，如图3、图4所示，试验前钢种64AO2的1#---4#机架轧制力平均偏差绝对值均在5％以上，3#机架甚至达到7.08％；试验前钢种64AO2的1#---4#机架轧制力平均偏差在5％左右，4#机架达到5.06％。

其中，轧制力相对偏差均值的绝对值为

轧制力平均偏差值为

式中，为钢种64AO2的某一钢卷轧制力设定值，为其实际值。

步骤三：根据对轧制数据的统计分析，获取修正系数，来对轧制力预设定模型进行修正，但在实际生产中收集到的轧制力设定数据为已经经过了神经网络修正，所以要获得原预设定模型的设定值，需要去除掉神经网络的修正，

根据计算公式，对采集到的钢种64AO2的每一卷带钢计算出新修正系数，取所有钢卷修正系数的平均值作为钢种64AO2的新修正系数，代替原有神经网络修正系数。图5为钢种64AO2新修正系数和原有神经网络修正系数的对比图，结合轧制力偏差情况可以看出，新的修正系数更适合提高轧制力预设定精度。

步骤四：将统计分析计算得到的新的修正系数写入现场模型设定程序中，针对特殊钢种如64AO2，关闭神经网络算法修正值，采用新的修正系数。

步骤五：收集新的修正系数投入1个月后，所生产的钢种64AO2的轧制数据，统计分析带钢轧制力平均偏差绝对值和轧制力平均偏差值，如图6、图7所示，试验后钢种64AO2的1#---4#机架轧制力平均偏差绝对值均在3％左右，偏差最小的是1#机架，为1.88％；试验后钢种64AO2的1#---4#机架轧制力平均偏差在3％以内，2#机架甚至达到0.94％。对比新的修正系数投入前后轧制力偏差情况，可以看出试验后轧制力预设定精度有了明显的提升。

步骤六：对于钢种64AO2，每次计算修期系数都是采用的钢种64AO2各个规格数据的平均值，而通过跟踪修正系数投入后钢种64AO2对应的轧制力精度情况，对规格和轧制力精度数据分析发现，如果采用某一种规格的数据计算修正系数，投入现场后，该对应规格的轧制力精度高于其他规格的轧制力精度，因此对轧制钢卷的修正系数进行分规格计算。对于钢种64AO2，分不同规格(宽度、原料厚度、成品厚度)进行计算修正系数。

步骤七：为了避免增加新规格时不断修改模型设定计算程序，采取在数据库中添加层别表的方式，通过读取数据表来获取修正系数。首先根据实际需求，按照规格入口厚度、出口厚度、宽度、钢种，设计出了3个层别表，MOSADPCOE.xls、MOSKFCOE.xls、MOSMUCOE.xls，其中，表MOSADPCOE.xls表示的是根据带钢规格，获得带钢修正系数以此来代替神经网络的系数，该系数用来修正设定计算轧制力。表MOSMUCOE.xls表示的是根据带钢规格，获得优化后的摩擦系数。表MOSKFCOE.xls表示的是根据带钢规格，获得优化后的变形抗力系数。

步骤八：根据数据库中添加表的操作步骤，在数据库中加入了这三个表格。并在酸轧模型计算程序中，添加访问层别表的访问代码，根据传入的参数(钢种、出口厚度、入口厚度、宽度)进行检索，获得相应的预期参数。

步骤九：在轧制高强钢时，观察钢种64AO2的修正系数，对比输出日志和数据库中的层别表的数值，完全符合，表明此次通过添加层别表和修改程序后，达到了根据规格来获取数据库中层别表的效果。

数据层别表

输出日志

alloyCode:64AO2
	TESTC rfCorrC[0]:1.00201
TESTC rfCorrC[1]:0.94453
	TESTC rfCorrC[2]:0.994848
TESTC rfCorrC[3]:1.07321
	TESTC rfCorrC[4]:0.938018

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种在多品种轧制模式下提高预设定模型精度的方法，其特征在于：包括步骤如下：

(1)对生产线的轧制过程数据进行收集，确定设定数据，即设定轧制力

其中，rfCi为对应钢种的神经网络修正系数，为实际轧制速度，为实际机架入口厚度，为实际机架出口厚度，为实际机架入口张应力，为实际机架出口张应力，kf为变形抗力，u为摩擦系数，Rd为轧辊数据，i为机架号；

(2)根据步骤(1)中获取到的轧制过程数据，根据设定轧制力公式反算：去除神经网络的修正，获取纯的轧制力模型设定值；

(3)计算设定模型新的修正系数：其中，为实际轧制力；

(4)将步骤(3)中计算的修正系数写入现场模型程序中，并收集试验数据，对比试验前后实际值与设定值的偏差情况，分析试验方向是否正确，试验数据证明试验方向正确后，继续投入修正系数，提升预设定模型精度，否则，使用原有神经网络修正系数作为模型进一步优化参数，最终使用优化参数提升预设定模型精度。

2.根据权利要求1所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：所述步骤(1)中的轧制过程数据包括实际生产数据、生产设定数据、模型计算日志数据；通过轧制力计算模型rf(…)获得设定轧制力

其中，实际生产数据为来源于过程控制系统从基础自动化获取的实际轧制力

生产设定数据通过轧制力计算模型rf(…)获得设定轧制力

模型计算日志数据用于查找出对应钢种的神经网络修正系数rfCi。

3.根据权利要求1所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：所述步骤(4)中偏差情况包括绝对偏差和相对偏差其中，

绝对偏差进行对比：

相对偏差进行对比：

4.根据权利要求1所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：对于同一钢种，修正系数按照不同规格进行计算，修正系数的计算方式与步骤(3)相同。

5.根据权利要求4所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：所述钢种规格包括宽度、原料厚度、成品厚度。

6.根据权利要求1所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：按照钢种、宽度、原料厚度、宽度，设计出修正系数层别表，并插入数据库表格中，层别表中存储离线分析计算的模型修正系数，模型程序根据不同钢种和规格读取数据库的表格数据。

7.根据权利要求6所述的在多品种轧制模式下提高预设定模型精度的方法，其特征在于：所述修正系数层别表为3个，表名分别为MOSADPCOE.xls、MOSKFCOE.xls、MOSMUCOE.xls，其中，

表MOSADPCOE.xls表示的是根据带钢钢种和规格，获得带钢修正系数以此来代替神经网络的系数，该系数用来修正设定轧制力，

表MOSMUCOE.xls表示的是根据带钢钢种和规格，获得优化后的摩擦系数，

表MOSKFCOE.xls表示的是根据带钢钢种和规格，获得优化后的变形抗力系数。