KR20010064348A - Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills - Google Patents
Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills Download PDFInfo
- Publication number
- KR20010064348A KR20010064348A KR1019990064523A KR19990064523A KR20010064348A KR 20010064348 A KR20010064348 A KR 20010064348A KR 1019990064523 A KR1019990064523 A KR 1019990064523A KR 19990064523 A KR19990064523 A KR 19990064523A KR 20010064348 A KR20010064348 A KR 20010064348A
- Authority
- KR
- South Korea
- Prior art keywords
- rolling
- learning
- load
- coefficient
- learning coefficient
- Prior art date
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/12—Rolling load or rolling pressure; roll force
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
Description
본 발명은 철강의 연속 열간 압연 설비 중 탄뎀 방식으로 배열된 사상 압연 설비의 압연 설정 모델(FSU : Finishing-mill Set-up Model)의 압연 하중 예측 정도를 높이기 위한 단기 학습을 개선하는 퍼지 제어 방법에 관한 것이며, 특히, 단기 학습에 퍼지 추론 방법을 추가하여 압연 하중 예측 정도를 높임과 동시에 차회((次回)) 압연재의 두께 오차가 감소되도록 하는 하중 예측의 퍼지 보상 제어 방법에 관한 것이다.The present invention relates to a fuzzy control method for improving short-term learning to improve the rolling load prediction degree of a finishing set-up model (FSU: Finishing-mill Set-up Model) of a finishing rolling mill arranged in tandem method among continuous hot rolling facilities of steel. In particular, the present invention relates to a fuzzy compensation control method for load prediction, in which a fuzzy inference method is added to short-term learning to increase the degree of rolling load prediction and at the same time reduce the thickness error of the next rolling material.
일반적으로 사상 압연기 제어에 있어서 설정 작업은 압연 수식 모델을 이용하여 차회((次回)) 압연재에 대한 압연 하중을 예측하고, 이를 바탕으로 두께 제어기(AGC : Automatic Gap Control, 자동 롤 갭 제어)에 설정을 행하는 것이 주된 일이다. 이때 설정 정도를 향상시키기 위하여 보다 정확하게 압연 하중을 예측할 필요가 있는데, 보통 한 압연재의 작업이 끝나면 차회((次回)) 압연재의 압연전에 작업된 압연재에 대한 학습을 행하게 된다. 이것을 보통 단기학습으로 부른다.In general, in the finishing mill control, the setting operation predicts the rolling load on the next rolling material by using a rolling formula model, and based on the thickness controller (AGC: Automatic Gap Control) Setting is the main thing. At this time, it is necessary to predict the rolling load more accurately in order to improve the setting accuracy. Usually, when the work of one rolled material is finished, learning about the rolled material worked before rolling the next rolled material is performed. This is usually called short-term learning.
사상 압연 설정 수식 모델은 사상 압연 공정에서 발생하는 야금학적, 물리적 및 열적-기계적 현상들을 수학적으로 표현하여 통판 속도, 수냉 및 공냉 온도, 열간 변형 저항, 압연력, 모터 파워(Motor Power) 및 롤 갭(Roll Gap) 등의 개별 수식 모델을 확립함과 동시에 이들을 컴퓨터 프로그래밍화하고 통합하여 열연 제품의 품질, 두께 정도, 생산성 및 실수율 향상 등을 도모하기 위한 핵심 모델이다.The finishing rolling setup mathematical model mathematically expresses the metallurgical, physical and thermo-mechanical phenomena occurring in the finishing rolling process, such as plate speed, water cooling and air cooling temperature, hot deformation resistance, rolling force, motor power and roll gap. It is a key model to establish individual mathematical models such as Roll Gap, and to improve the quality, thickness, productivity and error rate of hot rolled products by computer programming and integrating them.
사상 압연 설정 수식 모델은 1962년 이후에 미국의 McLouth Steel사에서 열연 사상 압연기에 처음으로 실기 적용되어 생산성, 품질 및 실수율이 향상되는 결과를 가져옴으로써, 열연 라인에서는 필수 불가결한 요소 기술로서 등장하게 되었다.The milling setting model was first applied to McLouth Steel's hot rolling mill since 1962, resulting in improved productivity, quality, and error rate, making it an indispensable element technology in hot rolling lines. .
사상 압연 공정에서 사상 압연 설정 수식 모델의 적용에 따른 효과를 살펴보면 다음과 같이 정리된다.In the finishing rolling process, the effects of applying the finishing rolling setting equation model are summarized as follows.
(1) 압연 사양의 변경에 대한 즉각적인 대응이 가능하다.(1) Immediate response to changes in rolling specifications is possible.
수요가가 요구하는 열연 제품의 두께, 폭 등의 변동분에 대하여 층별 구분된 입력 정보에 의존하여 즉각적으로 설정치가 반영되어 적중율 향상은 물론 생산성 및 품질 향상을 가져온다.On the basis of input information divided by floor for variation of thickness and width of hot rolled products demanded by demand, the set value is immediately reflected, resulting in improved hit ratio as well as productivity and quality.
(2) 오동작에 의한 불량을 감소할 수 있다.(2) The defects caused by malfunctions can be reduced.
압연중 오동작이 발생하면, 후처리에 많은 시간과 인력이 소요되어 경제적 손실을 초래한다. 따라서, 수식 모델을 적용하여 작업 조건을 고려함으로써, 불량원인을 감소시킬 수 있다. 이는 생산성 향상의 측면에서 그 비중이 크다.If a malfunction occurs during rolling, it takes a lot of time and manpower for post-treatment, resulting in economic losses. Therefore, by considering the working conditions by applying the mathematical model, it is possible to reduce the cause of failure. This is large in terms of productivity improvement.
(3) 수요가 품질 수준 엄격화에 대응한 두께 적중율의 향상을 가져온다.(3) Demand leads to an improvement in the thickness hit rate in response to stringent quality levels.
작업 조건을 가장 잘 반영한 적정화된 설정치-압하 위치(Roll Gap) 및 롤(Roll) 회전수가 압연 설비적 하드웨어에 부여되어 선단부의 두께 적중율이 향상되며, 압연 설정 수식 모델 설정치에 의존하여 AGC(Automatic Gage Control)에 의한 두께 제어 정도를 더욱 높일 수 있다.Appropriate set point-rolling position and roll rotation speed that best reflects the working conditions are given to the rolling equipment hardware to improve the thickness hit ratio of the tip, and rely on AGC (Automatic Gage) depending on the rolling setting formula model setting. The thickness control degree by Control) can be further improved.
도 1은 종래의 압연 하중 설정 과정을 나타낸 흐름도로서, 현재 열간 사상 압연 제어기에서 사용되는 사상 압연 설정 수식 모델의 수행은 작업이 반복하여 이루어진다.1 is a flowchart illustrating a conventional rolling load setting process, and the execution of the finishing rolling setting equation model used in the current hot finishing rolling controller is repeatedly performed.
먼저, 스텝 S101에서, 압연 하중 수식 모델을 사용하여 다음 작업할 압연재에 대한 압연 하중을 예측하고, 스텝 S102에서, 롤 갭(Roll Gap) 제어기준값(Control Reference)을 계산하여 두께 제어기로 전달한다. 이어서, 스텝 S103에서, 압연시 각 스탠드의 두께 제어기가 이 값을 기준으로 제어를 행한 후, 스텝 S104에서, 압연 설정 수식 모델은 모델 설정의 오차를 계산하여, 이를 보상하기 위한 학습을 시행하고, 상기 스텝 S101로 복귀한다.First, in step S101, the rolling load for the next rolled material is predicted using the rolling load equation model, and in step S102, a roll gap control reference value is calculated and transferred to the thickness controller. . Then, in step S103, after the thickness controller of each stand at the time of rolling controls based on this value, in step S104, the rolling setting formula model calculates an error of model setting, and learns to compensate for this, The flow returns to step S101.
보통 압연 수식 모델에서 사용하는 하중 수식 모델은 모델 자신의 구조에 기인한 오차, 그 동정(System Identification)시의 오차를 포함하고 있다. 특히, 모델 동정 작업은 모델을 구성하는 압연 변수에 기초해서 그 영향 계수를 회귀 기법으로 찾아내는데 압연 변수가 실측 불가능한 것이 많으므로, 오차 요인이 많이 발생하고 있다. 또한, 실측 가능해도 측정 오차가 존재하기 때문에 동정을 통해 계수를 구해도 물리적 결과를 올바르게 표현하는 결과를 얻기란 참으로 어렵다.The load equation model usually used in the rolling equation model includes an error due to the structure of the model itself and an error in its identification. In particular, the model identification work finds the coefficient of influence by a regression technique based on the rolling variables constituting the model, but since the rolling variables are often impossible to measure, many error factors occur. In addition, since there is a measurement error even if the measurement is possible, it is difficult to obtain a result that correctly represents the physical result even if the coefficient is obtained through identification.
이러한 셋업의 정도 향상을 위한 한 방법으로서, 과거 실적을 바탕으로 모델을 수정하는 학습 기법이 있다. 이 기법은 조업 조건의 변경, 압연 설비의 시변동 등의 외부적 변동을 반영할 수 있으므로, 하중 예측 정도를 향상시킬 수 있다.One way to improve this set up is to learn how to modify the model based on past performance. This technique can reflect external fluctuations such as changes in operating conditions and time-varying rolling equipment, thus improving the accuracy of load prediction.
이러한 학습 방법에는 단기 학습 및 장기 학습으로 구분하여 제시하고 있다. 단기 학습은 동종의 재료를 연속 압연시 하중 오차를 학습하기 위하여 선단부 압연 하중의 실적과 모델 하중의 비를 차회((次回)) 압연재의 하중 계산에 반영하는 것으로 하중학습계수는 지수평활 처리하여 차회(次回) 압연재에 사용한다. 반면, 장기학습은 Lot 변경 시 축적된 과거 동종재료의 선단압연하중실적과 모델하중의 비를 하중계산 시에 사용하는 방식이다. 이때, 과거의 학습계수는 모델하중계산에서 참조하기 위하여 통계 처리되어 테이블에 보관된다.These learning methods are divided into short-term and long-term learning. Short-term learning reflects the ratio of the tip rolling load and the model load to the next calculation of the load of rolling materials in order to learn the load error of continuous rolling of the same material. The load learning coefficient is exponentially smoothed. It is used for the next rolling material. On the other hand, long-term learning is a method that uses the ratio of tip rolling load performance and model load of past homogeneous materials accumulated at lot change in load calculation. At this time, past learning coefficients are statistically processed and stored in a table for reference in model load calculation.
단기 학습 방식의 흐름(Flow)은 다음과 같다.The flow of the short-term learning method is as follows.
먼저, 금회(今回) 압연재의 압연이 종료된 후에 데이터 로거(Data Logger)에서 수집된 선단부 압연 하중 실적치(RFa)와 압연 실적치를 이용하여 계산된 압연 하중 모델 계산치(RFma)의 비를 구한다. 그런 다음, 하기 [수학식 1]과 같이 전회(前回) 압연재의 하중비 학습 계수(ξ(t-1))와 금회(今回) 압연재의 압연 하중비를 이용하여 지수 평활 처리하여 차회(次回) 압연재의 하중 예측에 사용할 새로운 하중비 학습 계수 ξ(t)를 구한다.First, after the rolling of the current rolling material is completed, the ratio of the rolling load model calculation value RF ma calculated using the rolling load performance value RF a and the rolling performance value collected by the data logger is calculated. Obtain Then, using the load ratio learning coefficient (ξ (t-1)) of the previous rolled material and the rolling load ratio of the current rolled material as shown in the following Equation 1,次 回) Find the new load ratio learning coefficient ξ (t) to be used for load prediction of rolled materials.
여기에서 ξ(t - 1)은 전회(前回) 코일의 하중비 학습 계수이며, α는 0 ≤ α ≤ 1인 실수이다.Here, ξ (t-1) is a load ratio learning coefficient of the previous coil, and α is a real number with 0 ≦ α ≦ 1.
다음으로, 차회(次回) 압연재의 압연하중 예측 시에는 하기 [수학식 2]를 이용하는데, 상기 [수학식 1]로부터 구한 하중비 학습 계수 ξ(t)와 차회(次回) 압연 설정치로부터 계산된 압연 하중 수식 모델 계산치 RFm을 사용하여 압연 하중 예측치 RFr을 만들어 낸다.Next, the following Equation 2 is used to predict the rolling load of the next rolling material, which is calculated from the load ratio learning coefficient ξ (t) and the next rolling set value obtained from Equation 1 above. Rolled load estimate RF r is generated using the calculated rolling load formula model calculated value RF m .
여기서, RFr은 압연 하중 예측치이며, ξ(t)는 하중비 학습 계수이고, RFm은 압연 하중 모델 계산치이다.Here, RF r is a rolling load prediction value, ξ (t) is a load ratio learning coefficient, and RF m is a rolling load model calculation value.
단기 학습시 중요한 것으로는 적절한 α값의 선정이다. 이 값을 너무 크게 선정하면, 시스템이 불안정해 질 수 있고, 너무 작게 하면, 학습의 효과가 떨어지는 단점이 있다. 일반적으로는 이 α값을 설정할 때, 마지막 스탠드 두께 오차(fh6dev)의 절대크기 정도를 고려하여 α값의 크기를 결정한다. 즉, 두께 오차가 크면 α를 크게하고 작으면 α값을 작게 하는 식으로 정하는데 그 기준은 다를 수 있다.The important thing for short-term learning is the selection of an appropriate α value. If this value is set too large, the system may become unstable, and if it is set too small, the effectiveness of learning may be reduced. In general, when setting the value of α, the magnitude of the α value is determined in consideration of the absolute magnitude of the last stand thickness error fh6dev. In other words, if the thickness error is large, α is increased, and if the thickness is small, α is decreased.
이러한 단기 학습 방식은 압연재 고유의 오차, 즉 변형 저항 오차를 줄이는데 목적을 두고 사용되고 있으며, 압연재 성분이나 열간 압연 공정의 조업 조건등이 랜덤하게 변화하여도 압연 하중 실적치를 어느 정도 잘 예측하고 있다. 그러나, 현재의 학습 결과가 차회(次回) 출측 두께 오차에 개선 효과를 주는지 않는지에 대한 영향은 고려하지 않고 학습이 이루어지므로 수식 모델의 부정확성, 측정 오차 및 외란등에 의하여 금회(今回) 압연 하중비가 물리적 현상을 대표하지 못할 때, 학습의 결과는 차회(次回) 압연재의 두께 오차를 증가시키는 방향으로 작용하는 경우가 생길 수 있다. 이러한 현상은 실제 열연 조업 결과 속에서 조사되었으며, 이로 인하여 압연 하중 예측력이 떨어지고, 더 나아가 두께 오차의 정도가 더 개선되지 못하는 단점으로 작용하고 있다.This short-term learning method is used to reduce the inherent error of the rolling material, that is, the deformation resistance error, and predicts the rolling load performance value to some extent even if the rolling material components or the operating conditions of the hot rolling process change randomly. . However, since the learning is carried out without considering the effect of the current learning result on the improvement of the next measurement thickness error, the current rolling load ratio is physically changed due to the inaccuracy of the mathematical model, the measurement error, and the disturbance. When the phenomenon is not representative, the result of the learning may act in the direction of increasing the thickness error of the next rolling material. This phenomenon has been investigated in the result of the actual hot rolling operation, which causes a disadvantage that the rolling load predictive power is lowered, and furthermore, the degree of thickness error is not improved further.
포항제철 1 열연의 6 월달 한달동안 6781 코일에 대하여 통계 조사를 하여 압연 하중 단기 학습의 성과와 두께 오차 개선 정도의 관계를 분석하여 하기 [표 1]을 작성하였다.Statistical investigations were made on the 6781 coil during the month of June of Pohang Steel 1 hot rolling to analyze the relationship between the results of the short-term learning of rolling load and the degree of improvement of the thickness error.
여기서, g_lrn은 금회(今回) 압연재의 스탠드 출측 두께 오차 fh6dev(= 실적치 - 기준치)가 (+)일 때, ξ(t) ≥ ξ(t - 1)이 된 것으로 이러한 경우는 차회(次回) 압연재 압연시 압연 하중 예측치를 높게 하여 차회(次回) 압연재의 두께 오차를 줄이는 방향으로 학습이 진행되었으므로, 단기 학습이 올바르게 되었다고 정의한다. b_lrn은 금회(今回) 압연재의 스탠드 출측 두께 오차 fh6dev(= 실적치 - 기준치)가 (+)일 때 ξ(t) < ξ(t - 1)이 된 것으로 이러한 경우는 차회(次回) 압연재 압연시 압연 하중 예측치를 낮게 하여 차회(次回) 압연재의 두께 오차가 늘어나는 방향으로 학습이 진행되었으므로 단기 학습이 틀리게 되었다고 정의한다.Here, g_lrn becomes ξ (t) ≥ ξ (t-1) when the stand exit thickness error fh6dev (= performance value-reference value) of the current rolled material is (+). Since learning progressed in the direction which reduces the thickness error of the next rolling material by making the rolling load prediction value high at the time of rolling material rolling, it is defined that short-term learning was correct. b_lrn is ξ (t) <ξ (t-1) when the stand exit thickness error fh6dev (= performance value-reference value) of (+) is (+) in this case. Short-term learning is defined as learning progressed in the direction which the thickness rolling error of the next rolling material increases by lowering the test rolling load prediction value, and increasing.
g_thk는 금회(今回) 단기 학습을 통해 구한 하중 예측치를 사용했을시 차회(次回) 압연재의 압연 후 측정한 출측 두께 오차 fh6dev이 감소된 경우나전회(前回) 압연재와 금회(今回) 압연재의 두께 오차 부호가 반대가 된 경우 전회(前回) 압연재 학습이 올바르게 작용한 것으로 정의한다. b_thk는 g_thk와는 반대가 된 경우로 전회(前回) 압연재 학습이 올바르게 작용하지 못한 경우로 정의한다.g_thk is the case that the exit thickness error fh6dev measured after the rolling of the next rolling material is reduced when the load prediction value obtained through the current short-term learning is used, or the previous rolling material and the current rolling material. If the thickness error sign is reversed, the previous rolled material learning is defined as working correctly. b_thk is defined as the case in which the previous rolled material learning did not work correctly as opposed to g_thk.
이 결과를 보면 금회(今回) 압연재의 압연하중 학습이 올바르게 되었을 때 차회(次回) 압연재의 두께 오차를 개선하는 방향으로 작용한 비율은 48.046%로 다른 경우에 비해서 높은 비중을 차지하고 있음을 알 수 있다. 그리고, b_lrn 약 36.1%를 차지하고 있어 이러한 부분을 개선해 준다면, 하중 오차, 두께 오차가 상당 부분 개선될 수 있다고 할 수 있다.The results show that when the rolling load learning of the current rolled material is correct, the ratio that acts to improve the thickness error of the next rolled material is 48.046%, which is higher than other cases. Can be. In addition, b_lrn occupies about 36.1%, and if this part is improved, the load error and thickness error can be considerably improved.
따라서, 종래의 단기 학습으로는 차회(次回) 압연재의 두께 오차를 개선하도록 단기 학습이 이루어지기 어렵다는 결론을 낼 수 있다. 따라서, 금회(今回) 압연재의 두께 오차의 부호와 압연 하중 예측 방향의 정오(正誤)를 판단하여 기존 단기 학습을 보완할 필요가 있다.Therefore, it can be concluded that the short-term learning is difficult to be made by conventional short-term learning to improve the thickness error of the next rolling material. Therefore, it is necessary to supplement the existing short-term learning by judging the sign of the thickness error of this rolling material and the noon of the rolling load prediction direction.
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로서, 철강의 연속 열간 압연 설비 중 탄뎀 방식으로 배열된 사상 압연 설비의 압연 설정 모델(FSU : Finishing-mill Set-up Model)의 압연 하중 예측 정도를 높이기 위한 단기 학습을 개선하는 퍼지 제어 방법을 제공하는데 그 목적이 있다.The present invention has been made to solve the problems of the prior art as described above, the rolling of the rolling set-up model (FSU: Finishing-mill Set-up Model) of the finishing rolling equipment arranged in tandem method of the continuous hot rolling equipment of steel The purpose is to provide a fuzzy control method that improves short-term learning to increase load prediction.
도 1은 종래의 압연 하중 설정 과정을 나타낸 흐름도이고,1 is a flow chart showing a conventional rolling load setting process,
도 2는 본 발명의 일 실시예에 따른 퍼지 단기 학습 방법을 나타낸 도면이고,2 is a view showing a fuzzy short-term learning method according to an embodiment of the present invention,
도 3은 판 두께 오차의 히스토그램을 나타낸 도면이고,3 is a diagram showing a histogram of plate thickness error,
도 4는 종래 기술에 따른 압연 하중 예측치와 압연 하중 실적치의 관계를 보여주는 도면이고,4 is a view showing a relationship between the rolling load prediction value and the rolling load performance value according to the prior art,
도 5 및 도 6은 본 발명의 일 실시예에 따른 퍼지 추론 방법에 대한 모의 실험을 나타낸 결과 도면이다.5 and 6 are the result diagrams showing the simulation of the fuzzy inference method according to an embodiment of the present invention.
앞서 설명한 바와 같은 목적을 달성하기 위한 본 발명에 따르면, 압연기의 하중 예측 보상 제어 방법에 있어서, 학습 이득 및 차회(次回) 압연재의 하중비 학습 계수를 구하는 제 1 단계; 스탠드 출측 두께, 전회(前回) 압연재 하중비 학습 계수 및 계산된 차회(次回) 압연재 하중비 학습 계수의 부호를 이용하여 학습이 적절하게 이루어 졌는지 판단하는 제 2 단계; 상기 제 2 단계에서의 판단 결과, 학습이 적절하게 이루어진 경우에는, 상기 차회(次回) 압연재 하중비 학습 계수를 수정없이 사용하는 제 3 단계; 상기 제 2 단계에서의 판단 결과, 학습이 적절하게 이루어지지 아니한 경우에는, 퍼지 추론 방식을 사용한 보상 알고리즘으로 차회(次回) 압연재 하중비 학습 계수를 수정하여 사용하는 제 4 단계를 포함하여 이루어진 것을 특징으로 하는 압연기의 하중 예측 보상 제어 방법이 제공된다.According to the present invention for achieving the above object, a load prediction compensation control method of a rolling mill, comprising: a first step of obtaining a learning gain and a load ratio learning coefficient of a next rolling material; A second step of judging whether the learning has been properly made by using the sign of the stand exit thickness, the previous rolling material load ratio learning coefficient and the calculated next rolling material load ratio learning coefficient; A third step of using the next rolling material load ratio learning coefficient without modification when learning is properly performed as a result of the determination in the second step; As a result of the determination in the second step, if the learning is not performed properly, a fourth step of modifying the next rolling material load ratio learning coefficient using a compensation algorithm using a fuzzy inference method is used. A load prediction compensation control method for a rolling mill is provided.
아래에서, 본 발명에 따른 양호한 일 실시예를 첨부한 도면을 참조로 하여 상세히 설명하겠다.In the following, with reference to the accompanying drawings, a preferred embodiment according to the present invention will be described in detail.
도 2는 본 발명의 일 실시예에 따른 퍼지 단기 학습 방법을 나타낸 도면으로서, 이를 상세히 설명하면 다음과 같다.2 is a diagram illustrating a fuzzy short-term learning method according to an embodiment of the present invention.
먼저, 스텝 S201 및 스텝 S202에서는 기존 단기 학습 방식대로 학습 이득 α와 차회(次回) 압연재의 하중비 학습 계수를 구한다. 이어서, 스텝 S203 및 스텝 S204에서는 스탠드 출측 두께 fh6dev와 전회(前回) 압연재 하중비 학습 계수 ξ(t - 1)과 기존 방식으로 계산된 차회(次回) 압연재 하중비 학습 계수 ξ(t)의 부호를 바탕으로 학습이 적절하게 이루어 졌는지 판단한다. 학습이 적절하게 이루어진 경우는 차회(次回) 압연재 하중비 학습 계수를 수정없이 사용하고, 그렇지 않은 경우는 퍼지 추론 방식을 사용한 보상 알고리즘으로 차회(次回) 압연재 하중비 학습 계수를 수정하여 사용한다.First, in step S201 and step S202, the learning gain alpha and the load ratio learning coefficient of the next rolling material are calculated | required according to the existing short-term learning system. Subsequently, in steps S203 and S204, the stand exit thickness fh6dev, the previous roll material load ratio learning coefficient ξ (t-1), and the next rolling material load ratio learning coefficient ξ (t) calculated by the conventional method. Judging whether the learning was appropriate based on the sign. If the learning is done properly, the next rolling material load ratio learning coefficient is used without modification. Otherwise, the next rolling material load ratio learning coefficient is modified by a compensation algorithm using fuzzy inference. .
다음으로 퍼지 추론 방식에 대하여 설명한다. 상기 스텝 S203 및 스텝 S204의 조건을 만족하지 못한 경우는 다음과 같은 경우이다. 즉, (fh6dev ≥ 0)을 만족하나, ξ(t) < ξ(t - 1)인 경우와 (fh6dev < 0)을 만족하나, ξ(t) ≥ ξ(t - 1) 인 경우이다.Next, the fuzzy inference method will be described. The case where the conditions of step S203 and step S204 are not satisfied is as follows. That is, (fh6dev ≥ 0) is satisfied, but ξ (t) <ξ (t-1) and (fh6dev <0), but ξ (t) ≥ ξ (t-1).
이때, 전자의 경우는 ξ(t)가 ξ(t - 1)보다 크거나 같도록 해주면 되고, 후자의 경우는 ξ(t)가 ξ(t - 1)보다 작도록 수정을 해 주면 된다. 그러나, 어느 정도의 수정을 가할지는 애매모호하므로 본 발명에서는 fh6dev의 크기를 참조로 하여 퍼지하게 결정하도록 퍼지 규칙을 작성하였다. 사용된 퍼지 규칙은 7가지로 간단히 하여 실시간 계산에 지장이 없도록 하였으며 경우에 따라서는 더 많이 늘릴 수도 있다. 하기의 [표 2]는 작성된 퍼지 규칙들이다.At this time, in the former case, ξ (t) is greater than or equal to ξ (t-1), and in the latter case, the correction is made so that ξ (t) is smaller than ξ (t-1). However, since it is ambiguous how much modification is to be made, the present invention has written a fuzzy rule to determine fuzzy with reference to the size of fh6dev. The fuzzy rules used are seven simple so that they do not interfere with real-time calculations, and in some cases can be increased. Table 2 below shows the created fuzzy rules.
조건부의 소속 함수들의 정의 구역(Universe of Discourse)은 기존에 사용된fh6dev의 실적치들의 분포를 통계내어 정하면 되고, 마찬가지로 결론부의 수정량에 대한 소속 함수의 정의 구역도 통계적으로 Δξ(t) = ξ(t) - ξ(t - 1)의 분포를 조사하여 결정하면 된다.The Universe of Discourse of the conditional membership function can be determined by calculating the distribution of performance values of fh6dev previously used, and similarly, the definition region of the membership function for the correction amount of the conclusion part is statistically Δξ (t) = ξ ( This can be determined by examining the distribution of t)-ξ (t-1).
도 3은 판 두께 오차의 히스토그램을 나타낸 도면이고, 도 4는 종래 기술에 따른 압연 하중 예측치와 압연 하중 실적치의 관계를 보여주는 도면으로서, 각각의 소속 함수들을 나타내고 있다.FIG. 3 is a diagram showing a histogram of sheet thickness error, and FIG. 4 is a diagram illustrating a relationship between a rolling load prediction value and a rolling load performance value according to the prior art, and shows respective membership functions.
결과적으로 도 2의 스텝 S205에서 수행되는 알고리즘의 출력은 하기의 [수학식 3]과 같이 계산된다.As a result, the output of the algorithm performed in step S205 of FIG. 2 is calculated as shown in Equation 3 below.
여기에서, μi fh6dev는 전건부 fh6dev에 대한 i 번째 소속 함수이며, yi는 i 후건부 소속 함수의 중심부 값이다.Here, μ i fh6dev is the i th membership function for the front part fh6dev, and y i is the central value of the i rear part membership function.
도 5 및 도 6는 본 발명의 일 실시예에 따른 퍼지 추론 방법에 대한 모의 실험을 나타낸 결과 도면으로서, 본 발명에 의해 제안된 알고리즘을 사용할 경우 +- 50 um 내의 두께 적중율이 85.2824에서 86,2705로 약 1 % 증가하였음을 볼 수 있고, 도 5에서 보면 두께 오차가 0 부근에 모여 제안된 알고리즘이 우수함을 보이고있다. 또한, 본 발명에 의해 제안된 알고리즘을 사용하여도 압연 하중 예측에 있어서 기존 알고리즘의 성능을 유지하면서 두께 오차를 개선함을 도 6을 통해서 알 수 있다.5 and 6 show simulation results of the fuzzy inference method according to an embodiment of the present invention. When the algorithm proposed by the present invention is used, the thickness hit ratio within + -50 μm is 85.2824 to 86,2705. It can be seen that the increase of about 1%, and in Fig. 5 shows that the proposed algorithm is excellent because the thickness error gathers around zero. In addition, it can be seen from FIG. 6 that the thickness error is improved while maintaining the performance of the existing algorithm in rolling load prediction using the algorithm proposed by the present invention.
앞서 상세히 설명한 바와 같이 본 발명은 철강의 연속 열간 압연 설비중 탄뎀 방식으로 배열된 사상 압연 설비의 압연 설정 모델의 압연 하중 예측 정도를 높이기 위한 단기 학습을 개선하는 퍼지 제어 방식에 관한 것으로서, 기존 단기 학습에 퍼지 추론 방법을 추가하여 압연 하중 예측 정도를 높임과 동시에 다음 압연재의 두께 오차가 감소되도록 하는 학습 방식을 제공하는 효과가 있다.As described in detail above, the present invention relates to a fuzzy control method for improving short-term learning for increasing the rolling load prediction degree of a rolling setting model of a finishing rolling facility arranged in tandem method among continuous hot rolling facilities of steel. In addition to the fuzzy inference method to increase the accuracy of the rolling load prediction and at the same time there is an effect of providing a learning method to reduce the thickness error of the next rolling material.
즉, 본 발명은 기존 압연 하중 학습 방식이 차회(次回) 압연재의 두께 오차를 고려하지 않고 학습됨으로써, 두께 오차뿐만 아니라 하중 예측도도 떨어지는 실질적인 결함을 보완하기 위하여 안출되었으며, 금회 압연재의 두께 오차를 퍼지 규칙으로 판단하여 기존 학습 방식에 퍼지 규칙을 통한 수정을 가함으로써, 차회(次回) 압연재의 하중 적중율과 두께 오차를 줄이는데 기여를 한다.That is, the present invention has been devised in order to compensate for the substantial defects in which the existing rolling load learning method does not consider the thickness error of the next rolling material, but also decreases the load prediction as well as the thickness error. By judging the error as a fuzzy rule and modifying the existing learning method through the fuzzy rule, it contributes to reducing the load hit ratio and thickness error of the next rolling material.
또한, 본 방식은 하중학습뿐만 아니라 게이지 미터 에러(Gauge Meter Error) 학습에도 적용하여 두께 오차를 개선하는데 도움을 얻을 수 있다.In addition, this method can be applied not only to load learning but also to learning gauge meter error, so that the thickness error can be improved.
이상에서 본 발명에 대한 기술 사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 가장 양호한 일 실시예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한, 이 기술 분야의 통상의 지식을 가진 자이면 누구나 본 발명의기술 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.The technical spirit of the present invention has been described above with reference to the accompanying drawings, but this is by way of example only and not by way of limitation to the present invention. In addition, it is obvious that any person skilled in the art may make various modifications and imitations without departing from the scope of the technical idea of the present invention.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019990064523A KR20010064348A (en) | 1999-12-29 | 1999-12-29 | Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019990064523A KR20010064348A (en) | 1999-12-29 | 1999-12-29 | Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20010064348A true KR20010064348A (en) | 2001-07-09 |
Family
ID=19631806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1019990064523A KR20010064348A (en) | 1999-12-29 | 1999-12-29 | Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20010064348A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160421A (en) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | Heat-engine plant grinding machine load prediction method based on periodic rolling optimization |
| KR20200078418A (en) * | 2018-12-19 | 2020-07-01 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control device of rolling process |
-
1999
- 1999-12-29 KR KR1019990064523A patent/KR20010064348A/en not_active Application Discontinuation
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160421A (en) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | Heat-engine plant grinding machine load prediction method based on periodic rolling optimization |
| CN105160421B (en) * | 2015-08-10 | 2018-11-09 | 西安交通大学 | A kind of thermal power plant's mill load prediction technique based on period rolling optimization |
| KR20200078418A (en) * | 2018-12-19 | 2020-07-01 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Learning control device of rolling process |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102016207692B4 (en) | Device and method for controlling the delivery temperature of a hot rolling finish rolling mill | |
| Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
| JP3223856B2 (en) | Rolling mill control method and rolling mill control device | |
| JP2009113101A (en) | Method and apparatus for learning control of rolling load, and manufacturing method of steel sheet | |
| CN104942019A (en) | Automatic control method for width of steel strips during cold rolling | |
| JP4047875B2 (en) | Method for determining optimum values of design parameters and method for determining rolling pass schedule using this method | |
| JP2006255727A (en) | Method for rolling hot-rolled steel sheet | |
| KR20010064348A (en) | Fuzzy Compensation Method for Rolling Force Prediction in Rolling-Mills | |
| CN109675931B (en) | Self-learning method and system for plate-shaped regulation and control efficiency coefficient | |
| DE19731980A1 (en) | Method for controlling and presetting a rolling stand or a rolling train for rolling a rolled strip | |
| JP6772919B2 (en) | Rolling control method, rolling control device and program | |
| JP3467677B2 (en) | Learning control method of rolling load in rolling mill | |
| JP2001252709A (en) | Method for temperature on outlet side of finishing mill for hot rolling | |
| KR100931541B1 (en) | Rolled plate shape control method | |
| KR19990057388A (en) | Determination of the correction function to improve the prediction accuracy of the final pass rolling load during steel sheet rolling | |
| JP7452443B2 (en) | How to learn rolling model | |
| JPS58100907A (en) | Controlling method of sheet gauge in hot rolling mill | |
| JP2628916B2 (en) | Flatness control method during reverse rolling | |
| KR20020002044A (en) | A method of controlling roll gap in a rolling machine | |
| KR20010036626A (en) | Method for setting control gain for the shape of strip in hot rolling mill | |
| JPH08117824A (en) | Method for predicting rolling operation condition and set controlled rolling method using teh same | |
| KR100293222B1 (en) | Roll force estimating method using fuzzy set theory | |
| JPH059166B2 (en) | ||
| TWI786580B (en) | Method for estimating an outlet temperature of a finishing mill | |
| JPH02137606A (en) | Control method for plate thickness at rolling many kinds of materials |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WITN | Withdrawal due to no request for examination |