CN1194825C - 轧制金属带的方法 - Google Patents

Abstract

众所周知，在一个粗轧机列(1)和一个精轧机列(2)中轧制金属带(5)时，根据在精轧机列(2)中金属带(5)宽度变化的预测值(Y_pre)，调整在粗轧机列(1)中的轧制过程，使金属带(5)在从精轧机列(2)出口时具有预定的成品带额定宽度。为了在对宽度变化与影响过程的参数之间的关系没有准确了解的情况下也能可靠地预测宽度的变化，在一个中枢网络(13)中模拟这一关系，它的网络参数在每一次金属带(5)通过精轧机列(2)后，根据在通过期间所测得或算出的参数(X_nach)与所测得的实际宽度变化(Y_ist)自适应地改变。

Description

轧制金属带的方法

本发明涉及一种在粗轧机列和精轧机列中轧制金属带的方法，其中，在粗轧机列中的轧制过程，根据在精轧机列中金属带宽度变化的预测值调整，使金属带在从精轧机列出口时具有预定的成品带额定宽度。

伴随着轧制过程产生的金属带宽度变化也称为宽展。其中，在精轧机列中的宽展是成品带宽度，亦即从精轧机列出口的带的宽度，与粗轧带宽度，亦即与进入精轧机列的带的宽度之差，此时所涉及的是处于相同温度下的金属带的宽度。有必要准确预测宽展，以便金属带在粗轧机列的立轧道次(Stauchstichen)中能轧制到这样的粗轧带宽度，即，紧接着在精轧机列中的宽展能导致所要求的成品带额定宽度。在这种情况下，在粗轧机列中的轧制过程根据预测的宽度进行调整，以便在粗轧机列中将金属带轧至一个粗轧带宽度，这一宽度等于成品带额定宽度减去在精轧机列中的预测宽展。

金属带在精轧机列中的宽度变化取决于许多参数，其中有金属带本身的因素，例如宽度、厚度和温度，也有在精轧机列的轧制过程中作用在金属带上的，例如在轧机各机架中的轧制压力。但并不详细知道的是，哪些参数究竟以什么程度决定宽展。鉴于这种不确定性，例如在如GB-A 2042389中所公开的那种宽度确定方法中那样，必须相应地将就被轧出材料宽度的大的波动。采用模糊逻辑，例如在EP-A 0460892中所公开的那样，则与高的设计费用相联系，因为所有的参数必须按一种以规则为基础的形式进行检测和储存。然而并不是对于所有的参数都能在经济上合理支出的情况下做到这一点。

此外，由DE-4301 130 A1已知一种确定轧钢机列参数的方法，其中，借助于一个分析模型进行额定值的调整。学习并匹配此模型的参数。然而这种方法必须模拟轧钢机列中的物理关系。这同样不是对于所有的参数都能在经济上合理支出的情况下做得到的。

本发明的目的是，尽管并不准确了解在宽展与影响宽展的参数之间的关系，也仍能可靠地预测宽展。

本发明的目的是这样实现的，即在本文开头所述类型的方法中，至少在粗轧机列最后一个立轧道次前为预调精轧机列所进行的预先计算的范围内，确定与宽度变化有关的不同参数，并作为输入量输入具有可改变网络参数的神经中枢网络(das neuronale Nettwerk)；中枢网络产生一个宽度变化的计算值作为网络应答，以此为基础确定预测值；在金属带经过精轧机列的过程中，测量出参数或由测得的其他过程参数算出；在金属带通过精轧机列后，将测得的或算出的参数输往中枢网络；以及，如此获得的网络应答与测得的金属带实际的宽度变化之间的偏差，用于使网络参数适配，目的是减小此偏差。

因此，在精轧机列中金属带宽度变化的预测，借助于一个基于网络参数适配的自适应的中枢网络，无须对参数与宽度变化之间的关系作任何模型假定(Modellannahmen)。采用这种中枢网络可以将所有的那些有可能以某种方式影响宽度变化的参数，全都包括在宽度变化的预测中。在这种情况下至少采用下列参量的一部分作为影响因素：金属带进入精轧机列前的温度和厚度；在金属带从精轧机列出口时的温度、厚度、额定宽度和出口速度；金属带的材料强度和外形；金属带在精轧机列各轧机机座中相对厚度的减小；移动轧辊的移动位置；以及，在精轧机列各轧机机座之间的金属带中的拉力。

与迄今以模型假定为基础预测宽展的方法相比，借助于中枢网络达到了明显改善预测品质的目的。在最简单的情况下，中枢网络包括一个自适应的线性神经元(Adaline)。此外，按另一种可供选择的方案，也可以采用带屏蔽层的前馈网络，它由具有S形(sigmoidem)应答特性的元件组成。

因为在顺序带的情况下，亦即同一带类的彼此相继的金属带，参数基本上保持不变，因此在这里可以将测得的前一个金属带的实际宽度变化，用作为金属带宽展的预测值；而在变换带的情况下，亦即在改变了带的品种的情况下，将中枢网络的网络应答用作预测值。

考虑到在处于粗轧机列中至少最后一个立轧道次前的金属带n+i(i≥1)与从精轧机列出口的金属带n之间，可能存在一个或多个其他的金属带，并因而参数的测量和中枢网络的适配只对第二、第三或继续跟随的带才能有效，所以用于在精轧机列中的金属带n+i宽度变化的预测值Y_pre(n+i)，由中枢网络产生的宽度变化计算值Y_NN(X_vor(n+i))、用于从精轧机列出口的金属带n基于测量或计算的参数X_nach产生的网络应答Y_NN(X_nach(n))、以及实际的宽度变化Y_ist(n)，按下式确定：

Y_pre(n+i)＝K1·Y_ist(n)+K2·Y_NN(X_vor(n+i))+(1-K1-K2)·Y_NN(X_nach(n))，式中0≤K1，K2≤1。

其中，值K1＝1和K2＝0适用于理想的顺序带(所谓短期遗传(Kurzzeitvererbung))，而值K1＝0和K2＝1适用于理想的变换带(所谓长期遗传(Langzeitvererbung))，此外，值K1最好是差值Y_ist(n)-Y_NN(n)绝对值的单调增加的函数，值K2最好是差值Y_NN(n+i)-Y_NN(n)绝对值的单调增加的函数。

下面借助于附图进一步说明本发明，附图中：

图1为按本发明的方法在粗轧机列和精轧机列中生产过程控制的线路框图；

图2为自适应线性神经元；

图3为前馈网络，分别作为所采用的中枢网络的举例。

图1表示用于轧制金属带5的带有轧机机座3或4的粗轧机列1和精轧机列2。粗轧机列1的控制通过控制设备6进行，它对各个轧机机座3起作用，并在那里操纵不同的调节机构。控制设备6既从计算装置7也从测量值检测装置8处获得控制轧机机座3所需的信息。在轧制过程的一开始，还不存在为调整生产过程所需参数的测量值。因此在计算装置7中以模型假定为基础计算参数的预测值，并传输给控制设备6对粗轧机列1进行预调。随着过程的进行，通过测量值检测装置8，测得用于调整过程的参数的测量值，并输入控制设备6。

此外，控制设备6经线路9获得信息，用于确定为在精轧机列2中获得所期望的金属带5宽度变化的预测值Y_pre。根据这一预测值Y_pre，调整轧制过程，亦即调整在粗轧机列1中金属带5的立轧，使粗轧带宽度，亦即在金属带从粗轧机列1出口时的金属带5宽度，等于在金属带5从精轧机列2出口时希望达到的金属带5成品带的额定宽度减去在精轧机列2中金属带5的预测宽度变化Y_pre。以此方式，在准确预告金属带5在精轧机列2中的宽度变化的情况下，可以做到在金属带5从精轧机列2出口时具有所期望的成品带额定宽度。

在精轧机列2中与在粗轧机列1中一样，由控制设备10控制各个轧机机座4，控制设备10为此所需的信息来自计算装置11和测量值检测装置12。在一条已通过粗轧机列1的金属带5进入精轧机列2以前，在计算装置11中计算用于调整精轧机列2中的轧制过程所需的参数的预测值，并输给控制设备10用于预调精轧机列2。从这些事先确定的参数中，将那些对精轧机列2中金属带5宽度变化可能有影响的参数，作为输入量X_vor输入中枢网络13，中枢网络13生成一个宽度变化的计算值Y_NN(X_vor)作为网络应答，并将它在线路9上准备好，用于在控制设备6中计算预测值Y_pre。作为参数或用于中枢网络13的输入量，下列参量是特别适用的，这些参量构成入口矢量X_vor：粗轧带温度TV；粗轧带厚度DV；成品带温度TF；成品带厚度DF；成品带额定宽度BF；成品带从精轧机列2出口的速度VF；材料强度AL；外形PR；在各个轧机机座4中的相对厚度减小EPS1至EPS7；移动轧辊的移动位置SCH3至SCH5；以及，在各轧机机座4之间金属带5中的拉力ZUG1至ZUG6。

在金属带5经过精轧机列2时，这些对生产过程意义重大的参量，其中包括参数TV、DV......ZUG6，借助于测量值检测装置12进行测量，并输入控制设备10以及用于补充计算的装置14。再检算包括例如所测得参数的统计学处理以及计算不能直接测量并取决于其它测量值的参数。通过这些再检算的，亦即与在计算装置11中预先计算相比要准确得多的参数，在金属带5通过精轧机列2之后，进行中枢网络13的网络参数的适配。为此，将再检算得出的参数综合在入口矢量X_nach中，并输入中枢网络13。由此从中枢网络13获得的网络应答Y_NN(X_nach)输入自适应规则系统15中，除此之外还向它输入在精轧机列2之前位置16处测得的实际粗轧带宽度BV，以及在精轧机列2之后位置17处测得的实际成品带宽度BF。将如此得到的实际宽度变化Y_ist＝BF-BV与网络应答Y_NN(X_nach)进行比较，此时，在网络应答Y_NN(X_nach)与实际宽度变化Y_ist之间的偏差，经线路18用于网络参数的适配，目的是减少这一偏差。除计算值Y_NN(X_vor)之外，在线路9上还准备好值Y_NN(X_nach)和Y_ist待用，并输入控制设备6用于计算宽度变化的预测值Y_pre。

在图1表示的举例中，上一次再检算参数X_nach和对于带n的中枢网络13的适配在精轧机列2的末端进行，而下一个用于精轧机列2中金属带5宽度变化的预测为带n+i所需，它位于粗轧机列1的开始处，但至少在粗轧机列1最后的立轧道次前。在这两个带n与n+i之间有i-1个金属带5在粗轧机列1和精轧机列2中，其中i≥1。对于在精轧机列2中金属带n+i宽度变化的预测值Y_pre(n+i)，由中枢网络13产生的金属带n+i宽度变化的计算值Y_NN(X_vor(n+i))、基于为金属带n再检算出的参数X_nach(n)生成的网络应答Y_NN(X_nach(n))、以及金属带n实际的宽度变化Y_ist(n)，按下式计算：

Y_pre(n+i)＝K₁·Y_ist(n)+K₂·Y_NN(X_vor(n+i))+(1-K₁-K₂)·Y_NN(X_nach(n))，式中0≤K₁，K₂≤1。

其中，值K₁＝1和K₂＝0适用于理想的顺序带，亦即同一带类品种彼此相继的带，而值K₁＝0和K₂＝1适用于理想的变换带，亦即从一个带的品种变换到另一个带的品种。对于居中的带，值K₁最好是差值Y_ist(n)-Y_NN(n)的函数，例如K₁＝P₁·|Y_ist(n)-Y_NN(n)|，以及值K₂最好是差值Y_NN(n+i)-Y_NN(n)的函数，例如K₂＝P₂·|Y_NN(n+i)-Y_NN(n)|。

图2表示了一个自适应线性神经元(Adaline)，作为中枢网络13的举例。综合在入口矢量X中的24个参数TV，DV，.....，ZUG6，经由相应数量的入口元件19输入累加点20，在那里它们分别通过各自的加权因数a₁，a₂，......，a₂₄和一个常数b累加得出网络应答

Y_NN＝aX+b，其中a＝(a₁，a₂，......，a₂₄)

此网络应答Y_NN在比较点21与测得的实际宽度变化Y_ist比较，在下属的自适应规则系统22中，网络参数a₁，a₂，......，a₂₄

按照

Δa＝μ(Y_ist-Y_NN)·X_nach和Δb＝μ(Y_ist-Y_NN)

相互适配，式中μ决定自适应的步长。

图3表示前馈网络，作为中枢网络13的举例，它有一个为每个参数TV，DV，......，ZUG6各有一个入口元件23的入口层。通过一个附加的入口元件24，向中枢网络输入一个补偿值K₁。入口层是一个屏蔽层，它由多个，在这里是10个，下属的元件25组成，其中每一个元件具有一种在-1和+1之间S形变化的响应特性。入口端输入元件25的参数Xj，其中j＝1，......，24和X₂₅＝K₁，在屏蔽层的每个元件25中分别供给各自的加权因数W_ij，i＝1，......，10；j=1，......，25进行累加，并根据如此形成的总和，产生出口端的应答

$Z_i=\tanh \underset{j=1}{\overset{25}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\·X_j.$

屏蔽层有一个附加的元件26，它用作另一个补偿值K₂的输入元件，并产生一个相应的输出信号Z₁₁。屏蔽层的下属是一出口元件27，它将屏蔽层元件25的应答Z_i分别通过各自的加权因数C_i累加为网络应答

$Y_{\mathrm{NN}}=\underset{i=1}{\overset{11}{\mathrm{\Σ}}}{C}_i{Z}_i.$

网络参数W_ij和C_i在线的自适应，在每一次金属带5通过精轧机列2后，以反馈算法(Backpropagationalgorithmus)为基础进行。

Claims (9)

1、一种在一个粗轧机列(1)和一个精轧机列(2)中轧制金属带(5)的方法，其中，在粗轧机列(1)中的轧制过程，根据在精轧机列(2)中金属带(5)宽度变化的预测值(Y_pre)调整，使金属带(5)在从精轧机列(2)出口时具有预定的成品带额定宽度，其特征在于：至少在粗轧机列(1)中最后一个立轧道次前为预调精轧机列(2)所进行的预先计算的范围内，确定与宽度变化有关的不同参数(X_vor)，并作为输入量输入具有可改变网络参数(a，b，W_ij，C_i)的神经中枢网络(13)；神经中枢网络(13)产生一个宽度变化的计算值(Y_NN(X_vor))作为网络应答，以此为基础确定预测值(Y_pre)；在金属带(5)经过精轧机列(2)的过程中，参数(X_nach)被测出或由测得的其它过程参数算出；在金属带(5)通过精轧机列(2)后，将测得的或算出的参数(X_nach)输往中枢网络(13)；以及，如此获得的网络应答(Y_NN(X_nach))与测得的金属带(5)实际的宽度改变(Y_ist)之间的偏差，用于使网络参数(a，b，W_ij，C_i)适配，目的是减小此偏差。

2、按照权利要求1所述的方法，其特征在于：至少采用下列参量的一部分作为输入量：金属带(5)进入精轧机列(2)前的温度(TV)和厚度(DV)；在金属带(5)从精轧机列(2)出口时的温度(TF)、厚度(DF)、额定宽度(BF)和出口速度(VF)；金属带(5)的材料强度(AL)和外形(PR)；金属带(5)在精轧机列(2)各轧机机座(4)中的相对厚度减小(EPS1至EPS7)；移动轧辊的移动位置(SCH3至SCH5)；以及，在精轧机列(2)各轧机机座(4)之间的金属带(5)中的拉力(ZUG1至ZUG6)。

3、按照权利要求1或2所述的方法，其特征在于：中枢网络(13)包括一个自适应的线性神经元(Adaline)。

4、按照权利要求1或2所述的方法，其特征在于：作为中枢网络(13)采用带屏蔽层的前馈网络，它由具有S形应答特性的元件(25)组成。

5、按照上述任一项权利要求所述的方法，其特征在于：在从一个带的品种变更为下一个带的品种时，网络应答(Y_NN(X_vor))用作宽展的预测值(Y_pre)和用于调整粗轧机列(1)；以及，在同一个带品种且彼此相继的带中，所测得的前一个金属带(5)的实际宽度变化，用作宽度变化的预测值和用于调整粗轧机列(1)。

6、按照权利要求1至4中任一项的方法，其特征在于：若情况是，在处于粗轧机列(1)中至少最后一个立轧道次前的金属带n+i(i≥1)与从精轧机列(2)出口的金属带n之间，存在一个或多个其他的金属带，那么用于在精轧机列(2)中的金属带n+i宽度变化的预测值Y_pre(n+i)，由中枢网络(13)产生的宽度变化的计算值Y_NN(X_vor(n+i))、用于从精轧机列(2)出口的金属带n基于测量的或计算的参数X_nach产生的网络应答Y_NN(X_nach(n))、以及实际的宽度变化Y_ist(n)，按下式确定：

Y_pre(n+i)＝K₁·Y_ist(n)+K₂·Y_NN(X_vor(n+i))+(1-K₁-K₂)·Y_NN(X_nach(n))，式中0≤K₁，K₂≤1。

7、按照权利要求6所述的方法，其特征在于：值K₁是差值Y_ist(n)-Y_NN(n)的函数，而K₂是差值Y_NN(n+i)-Y_NN(n)的函数。

8、按照权利要求6或7所述的方法，其特征在于：对于同一个带品种的彼此相继的相同的金属带(5)，值K₁＝1和K₂＝0；在从一个带的品种变更为一个新的带的品种时，值K₁＝0和K₂＝1。

9、一种在一个粗轧机列(1)和一个精轧机列(2)中轧制金属带(5)的装置，其中，在粗轧机列(1)中的轧制过程，根据在精轧机列(2)中金属带(5)宽度变化的预测值(Y_pre)调整，使金属带(5)在从精轧机列(2)出口时具有预定的成品带额定宽度，其特征在于：至少在粗轧机列(1)中最后一个立轧道次前为预调精轧机列(2)所进行的预先计算的范围内，确定与宽度变化有关的不同参数(X_vor)，并作为输入量输入具有可改变网络参数(a，b，W_ij，C_i)的神经中枢网络(13)；神经中枢网络(13)产生一个宽度变化计算值(Y_NN(X_vor))作为网络应答，以此为基础确定预测值(Y_pre)；在金属带(5)经过精轧机列(2)的过程中，参数(X_nach)被测出或由测得的其它过程参数算出；在金属带(5)通过精轧机列(2)后，将测得的或算出的参数(X_nach)输往中枢网络(13)；以及，如此获得的网络应答(Y_NN(X_nach))与测得的金属带(5)实际的宽度改变(Y_ist)之间的偏差，用于使网络参数(a，b，W_ij，C_i)适配，目的是减小此偏差。