CN111797520B - 一种基于智能增强的在线冷却控制方法 - Google Patents
一种基于智能增强的在线冷却控制方法 Download PDFInfo
- Publication number
- CN111797520B CN111797520B CN202010603899.1A CN202010603899A CN111797520B CN 111797520 B CN111797520 B CN 111797520B CN 202010603899 A CN202010603899 A CN 202010603899A CN 111797520 B CN111797520 B CN 111797520B
- Authority
- CN
- China
- Prior art keywords
- cooling
- temperature control
- control model
- priority
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000001816 cooling Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012821 model calculation Methods 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Heat Treatment Processes (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种基于智能增强的在线冷却控制方法，属于IA智能控制领域。本发明建立了专家库系统，并通过严格的分级决策模型维护专家库中的样本。本发明保证了温控模型计算规程的准确稳定性；同时以合理的方式将IA技术引进中厚板在线冷却系统中，将人工干预与温控模型对比计算相结合，在保证温度命中率的同时兼顾冷却路径与冷速的工艺需求。本发明整体上极大地提高了生产效率及系统可靠性。
Description
技术领域
本发明属于IA智能控制领域，尤其涉及一种在线冷却控制方法。
背景技术
目前，中厚板在线冷却生产过程中，再有经验的技术人员也无法长期保持高精度的控制水平，再完美的自学习模型也无法准确计算从未遇到(无学习样本)的问题以及应对突发状况(过于依赖变量和信号)。经过在实际生产过程中的长期探索发现，单纯依靠人或机器都是不长久可靠的，人为导向结合机器学习辅助更符合实际生产的需求，因此IA(智能增强)的技术理念将更适合中厚板在线冷却智能控制系统的开发。本发明成功将IA技术引进中厚板在线冷却系统中，有效提高了钢板的冷却命中率，减少了异常因素的干扰。
发明内容
为了提升冷却系统在中厚板生产过程中温度控制的稳定性及命中率，本发明提供了一种基于智能增强的在线冷却控制系统，在原控冷系统中的单纯温度控制模型(以下简称温控模型)基础上，增加人为导向结合机器学习，最终得出合适的冷却规程。
本发明的技术方案为：
一种基于智能增强的在线冷却控制方法，该方法具体包括以下步骤：
(1)将对冷却换热过程影响较大的若干个重要参数，划分成样本空间的若干个关键维度。所述关键维度为钢板厚度规格、水温、终轧温度、终冷温度和化学成分等。各关键维度的节点构成一个学习样本，即一个实例；若干个实例保存至数据库中形成工艺专家库。
所述工艺专家库的实例供温控模型参考和学习，其中实例所采用的规程从两方面获得：一方面来自温控模型本身计算并执行工艺规程所得到的冷却结果，称之为“机器习得”，这一部分主要基于历史实例预估出当前条件下所需执行的冷却规程，并通过传感器等仪表进行温度的自修正学习；另一方面直接来自执行人工经验给出的工艺规程所得到的冷却结果，称之为“人为习得”，这部分与机器习得的最大区别是温控模型学习样本并非来自历史实例而是人工给出的经验规程。
(2)当一块新钢板需要冷却时，温控模型计算规程提供理论工艺规程；基于参考规程进行人工干预过程，即人为根据实际工况进行调整以减少改动量，降低错误率；温控模型对计算规程与人工干预规程进行对比，以保证最终实例的可靠性。所述的对比计算过程如下：当系统检测到人工设定的当前工艺与温控模型基于专家库所计算出的工艺不一致时，温控模型会自主重新计算工艺规程以模拟人为设置的经验规程，当计算规程与经验规程基本一致时，温控模型会对该实例进行自修正，按照PDI信息(Primary Data Input)调整工艺以满足冷却路径及冷速的需求。
所述的人工干预过程如下：当温控模型设定规程发到HMI(人机接口)准备执行过程中，若操作人员认为规程不合理，则可以进行人工干预，按照修改辊速、修改开水组数、修改单根集管水量的优先级顺序逐步修改。如果单纯修改辊速能满足需求，则只需修改辊速；如果单纯修改辊速不能满足需求，则继续修改组数，依然不满足则修改单根集管水量，直至满足需求。
所述的人工干预过程还包括快速撤销功能：程序将自动保存人工操作的当前步和上一步，便于误操作时及时撤销，减少操作时间。
(3)工艺专家库对实例具备筛选功能，冷却结束后根据工况异常情况和人为误操作情况判断是否创建新实例还是直接摒弃。本发明基于现场经验建立一种分级决策模型来进行实例筛选，该分级决策模型具体实现如下：
当工况异常发生时，即由于现场误信号、设备故障或通讯异常导致冷却工艺无法按照常规流程完成，需要人工进行干预时，由分级决策模型判断是否创建新实例还是直接摒弃。具体为：
分级决策模型将判断的优先级分为高、中、低3个等级，通过异常优先级逐步向下进行判断，一旦高优先级区出现“是”，则直接摒弃该实例；若高优先级全“否”，而中优先级区出现“是”，则保存该实例并做上异常标记；若高、中优先级全“否”，而低优先级区出现“是”，则新建或替换该实例。
本发明的有益效果：本发明建立了专家库系统，并通过严格的分级决策模型维护专家库中的样本。本发明保证了温控模型计算规程的准确稳定性；同时以合理的方式将IA技术引进中厚板在线冷却系统中，将人工干预与温控模型对比计算相结合，在保证温度命中率的同时兼顾冷却路径与冷速的工艺需求。本发明整体上极大提高了生产效率及系统可靠性。
附图说明
图1为工艺专家库示意图。
图2为IA冷却控制策略示意图。
图3为分级决策模型。
具体实施方式
下面参照附图，通过对实例的描述，对本发明具体实施方式作进一步详细说明，帮助本领域技术人员对本发明有更完整深入的理解。
实施例：
本实施例基于C++后台服务端程序和SQLITE数据库建立了具备IA智能控制策略的工艺专家库系统。一方面在HMI操作界面上实现更好的人机交互式体验，模型根据PDI信息、HMI上设定的规程及当前信息状态自动计算执行钢板冷却工艺；另一方面可以人为指导促进机器学习。具体步骤如下：
(1)温控模型将整个冷却过程划分成可分类识别的若干个关键维度：钢板厚度规格、水温、终轧温度、终冷温度和化学成分等。不同维度的节点构成一个学习样本，即一个实例；若干个实例将保存至SQLITE数据库中形成工艺专家库。
所述工艺专家库的实例供温控模型参考和学习，其中实例所采用的规程从两方面获得：一方面来自温控模型本身计算并执行工艺规程所得到的冷却结果，称之为“机器习得”，这一部分主要基于历史实例预估出当前条件下所需执行的冷却规程，并通过传感器等仪表进行温度的自修正学习；另一方面直接来自执行人工经验给出的工艺规程所得到的冷却结果，称之为“人为习得”，这部分与机器习得的最大区别是温控模型学习样本并非来自历史实例而是人工给出的经验规程。
(2)“人为习得”的优势在于加速温控模型学习速度以降低成本，并充分发挥人对现场突发情况随机应变的能力，然而“人为习得”过程也存在难点，主要有工况异常的判断和人为误操作的处理。工况异常判断的意思是，由于现场误信号、设备故障或通讯异常而导致冷却工艺无法按照常规流程完成，需要人工进行干预；此时对于机器来说实例就发生了变化，因此需要模型判断是否创建新实例还是直接摒弃。
基于现场经验建立一种分级决策模型，分级决策模型将判断的优先级分为高、中、低3个等级；其中PDI异常、轨道速度异常等属于高优先级，信号时序异常、终轧温度异常等属于中优先级，开冷温度异常、终冷温度异常等属于低优先级。通过异常优先级逐步向下进行判断，一旦高优先级区出现“是”，则直接摒弃该实例；若高优先级全“否”，而中优先级区出现“是”，则保持该实例并做上异常标记；若高、中优先级全“否”，而低优先级区出现“是”，则新建或替换实例。
对于人为误操作的处理方法，采用模型参考和快速撤销，模型参考是机器应对新问题提供理论工艺规程，基于参考规程人为进行调整以减少改动量，降低错误率；快速撤销就是程序将自动保存人为操作的当前步和上一步，便于误操作时及时撤销，减少操作时间。
(3)上述处理过程是当机器察觉异常做出的决策。若“人为习得”流程正常，温控模型也不应该直接使用该实例，此时温控模型会自主重新计算工艺规程以模拟人为设置的经验规程，当计算规程与经验规程基本一致时，温控模型才对该实例进行自修正，以在保证精度的同时兼顾冷却路径及冷速的需求。
经过IA智能控制，加快了机器学习速度，并降低了突发情况下温控模型的出错率，提高了温控模型稳定性。某钢厂原控制系统命中率保持在94％左右，利用IA使得温控模型命中率在原有基础上进一步提高了约2.5％。采用IA辅助机器学习，学习周期由3次直接缩减至1次，大幅度降低了学习成本。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.一种基于智能增强的在线冷却控制方法，其特征在于，该方法包括以下步骤：
(1)将对冷却换热过程中的若干个重要参数划分成样本空间的若干个关键维度；各关键维度的节点构成一个学习样本，即一个实例；若干个实例保存至数据库中形成工艺专家库；
所述工艺专家库的实例供温控模型参考和学习，其中实例所采用的规程从两方面获得：一方面来自温控模型本身计算并执行工艺规程所得到的冷却结果；另一方面直接来自执行人工经验给出的工艺规程所得到的冷却结果；
(2)冷却一块新钢板时，温控模型计算规程提供理论工艺规程；基于参考规程进行人工干预过程，即人为根据实际工况进行调整以减少改动量，降低错误率；温控模型对计算规程与人工干预规程进行对比计算，所述对比计算过程如下：当系统检测到人工设定的当前工艺与温控模型基于专家库所计算出的工艺不一致时，温控模型自主重新计算工艺规程以模拟人为设置的经验规程，当计算规程与经验规程一致时，温控模型对实例进行自修正，按照PDI信息调整工艺以满足冷却路径及冷速的需求；
(3)根据工况异常和人为误操作情况，基于现场经验建立分级决策模型进行实例筛选；所述分级决策模型的具体实现过程为：
分级决策模型将判断的优先级分为高、中、低3个等级，其中PDI异常、轨道速度异常属于高优先级，信号时序异常、终轧温度异常属于中优先级，开冷温度异常、终冷温度异常属于低优先级；通过异常优先级逐步向下进行判断，当高优先级区出现“是”，则直接摒弃该实例；若高优先级全“否”，而中优先级区出现“是”，则保存该实例并做上异常标记；若高、中优先级全“否”，而低优先级区出现“是”，则新建或替换该实例。
2.根据权利要求1所述的一种基于智能增强的在线冷却控制方法，其特征在于，步骤(1)中，所述的关键维度为钢板厚度规格、水温、终轧温度、终冷温度和化学成分。
3.根据权利要求1或2所述的一种基于智能增强的在线冷却控制方法，其特征在于，步骤(2)中，所述的人工干预过程如下：当温控模型设定规程发到HMI准备执行过程中，若操作人员认为规程不合理，则进行人工干预，按照修改辊速、修改开水组数、修改单根集管水量的优先级顺序逐步修改；若单纯修改辊速能满足需求，则只需修改辊速；若单纯修改辊速不能满足需求，则继续修改组数，依然不满足则修改单根集管水量，直至满足需求。
4.根据权利要求1或2所述的一种基于智能增强的在线冷却控制方法，其特征在于，所述的人工干预过程还包括快速撤销功能：程序将自动保存人工操作的当前步和上一步，便于误操作时及时撤销，减少操作时间。
5.根据权利要求3所述的一种基于智能增强的在线冷却控制方法，其特征在于，所述的人工干预过程还包括快速撤销功能：程序将自动保存人工操作的当前步和上一步，便于误操作时及时撤销，减少操作时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010603899.1A CN111797520B (zh) | 2020-06-29 | 2020-06-29 | 一种基于智能增强的在线冷却控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010603899.1A CN111797520B (zh) | 2020-06-29 | 2020-06-29 | 一种基于智能增强的在线冷却控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111797520A CN111797520A (zh) | 2020-10-20 |
| CN111797520B true CN111797520B (zh) | 2023-10-13 |
Family
ID=72804707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010603899.1A Active CN111797520B (zh) | 2020-06-29 | 2020-06-29 | 一种基于智能增强的在线冷却控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797520B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3694636A (en) * | 1970-03-20 | 1972-09-26 | Westinghouse Electric Corp | Digital computer process control with operational learning procedure |
| CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
| CN104392296A (zh) * | 2014-10-24 | 2015-03-04 | 东北大学 | 一种轧机多智能体模型系统的信息交换方法 |
| CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070028219A1 (en) * | 2004-10-15 | 2007-02-01 | Miller William L | Method and system for anomaly detection |
-
2020
- 2020-06-29 CN CN202010603899.1A patent/CN111797520B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3694636A (en) * | 1970-03-20 | 1972-09-26 | Westinghouse Electric Corp | Digital computer process control with operational learning procedure |
| CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
| CN104392296A (zh) * | 2014-10-24 | 2015-03-04 | 东北大学 | 一种轧机多智能体模型系统的信息交换方法 |
| CN109033505A (zh) * | 2018-06-06 | 2018-12-18 | 东北大学 | 一种基于深度学习的超快冷温度控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| Intelligent control system of water-curtain cooling after steel plate rolling;ZHAO Yu-gang等;《JOURNAL OF TIANJIN POLYTECHNIC UNIVERSITY》;第22卷(第4期);59-62 * |
| 中厚板轧后超快速冷却控制系统的开发与应用;胡啸;苑达;王丙兴;王昭东;王国栋;;轧钢(第01期);57-60 * |
| 深度学习在中厚板轧后超快速冷却系统中的研究与应用;张田;张子豪;田勇;王昭东;;东北大学学报(自然科学版)(第05期);30-35 * |
| 热轧带钢超快冷模型及自适应控制系统的研究和开发;李振垒;胡啸;李海军;袁国;王昭东;王国栋;;钢铁(第02期);49-53 * |
| 输变电设备集中监控信息专家库建设;杨冠军;郭文杰;刘琪;常志鹏;;电力安全技术(第07期);37-41 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111797520A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110101106B (zh) | 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及系统 | |
| CN102814340B (zh) | 热轧带钢宽度控制模型智能学习系统及自学习方法 | |
| CN106774243B (zh) | Pid性能评估方法 | |
| CN106054840B (zh) | 一种全流程产品质量在线管控系统 | |
| CN108311544B (zh) | 一种轧制力参数自学习方法及装置 | |
| CN103699009B (zh) | 批次过程的线性二次型容错控制方法 | |
| CN107463093B (zh) | 一种基于kpls鲁棒重构误差的高炉铁水质量监测方法 | |
| CN109343472A (zh) | 基于恒定切削力的机匣零件表面应力应变场控制方法 | |
| WO2017088207A1 (zh) | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 | |
| CN111797520B (zh) | 一种基于智能增强的在线冷却控制方法 | |
| CN110705042A (zh) | 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质 | |
| CN104076831B (zh) | 基于广义预测控制优化的水箱液位控制方法 | |
| CN106444632A (zh) | 一种数控车床中防止人工输入错误参数的方法 | |
| CN112001096A (zh) | 一种基于实时仿真的电力生产运行推演方法 | |
| CN111474898A (zh) | 一种自由曲面加工工艺参数优化方法 | |
| CN113359419B (zh) | 一种高速并联机器人的模糊耦合控制方法 | |
| JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| CN116703254B (zh) | 模具机械零部件生产信息管理系统 | |
| CN109032097B (zh) | 一种冷轧带钢镀锌线过程控制方法 | |
| CN105631231A (zh) | 一种对热轧过程温度实测值进行修正的方法 | |
| CN115236970A (zh) | 一种pi控制器参数劣化溯源方法 | |
| CN112904798B (zh) | 基于时频分析的二轴运动系统轮廓误差补偿方法及装置 | |
| CN113791603A (zh) | 串级定值控制系统传感器故障诊断方法 | |
| Du et al. | Application of generalized predictive control algorithm for temperature control in modern greenhouse | |
| Wahid | Retuning PI controller to improve the control performance in CO2 removal process, subang field |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tian Yong Inventor after: Liao Shijun Inventor after: Zhang Tian Inventor after: Wang Bingxing Inventor after: Wang Zhaodong Inventor after: Sun Xudong Inventor before: Tian Yong Inventor before: Zhang Tian Inventor before: Wang Bingxing Inventor before: Wang Zhaodong Inventor before: Liao Shijun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |