冷軋機板形調控功效係數離線自學習方法

2023-05-11 17:37:01

專利名稱：冷軋機板形調控功效係數離線自學習方法
技術領域：
本發明涉及冷軋帶鋼領域，尤其涉及一種冷軋機板形調控係數離線自學習方法。
背景技術：
隨著國內裝備製造業的飛速發展，下遊用戶對冷軋帶鋼產品的板形質量要求也越來越高，尤其表現在高檔汽車、IT產業和家用電器等行業。提高產品板形質量已經成為冷軋帶鋼企業提高經濟效益和核心競爭力的重要途徑之一。冷軋帶鋼板形控制技術是一項融合多學科知識、高度複雜的關鍵性技術，涉及工藝、設備、液壓、電氣控制和計算機等多個學科的專業知識，需要各個專業協同做好每一個控制功能模塊的優化設計工作。冷軋板形控制技術一直為國外公司所壟斷而導致進口冷軋板形控制系統價格昂貴，即使高價進口後由於不掌握核心技術在產品變規格後不能保證系統良好運行，因此進行冷軋板形控制核心技術的國產化研發勢在必行。為了增強冷軋機的板形控制能力，現代冷軋軋機一般具有多種板形調控手段，如壓下傾斜、工作輥正負彎輥、中間輥正彎輥、軋輥橫移和噴射冷卻等。在冷軋帶鋼板形控制系統投入運行時，板形自動控制系統需要綜合考慮各個板形調控手段的調控能力，通過統籌計算使得各板形調控手段相互配合以達到最大限度消除板形偏差的控制效果。因此，對各個板形調控手段的調控能力的準確評估，也就是說是否能夠獲取高精度的冷軋機板形調控功效係數便成為影響板形控制效果優劣的一個關鍵因素。已有板形控制系統獲取冷軋機板形調控功效係數的方法主要分為有限元數值計算、軋機實驗和在線自學習三種方法。由於不同冷軋機板形調控機構對出口板形的影響機理非常複雜，模型中未知幹擾因素眾多，軋機工作狀況也是不斷變化的，因此很難通過傳統的輥系彈性變形理論、軋件三維變形理論等機理性方法來精確計算出高精度的冷軋機板形調控功效係數；這也是用有限元數值計算方法解決該類問題時所遇到的瓶頸。在實際帶材軋制生產過程中，冷軋機板形調控功效係數還會受到諸多軋制過程參數的影響，如帶鋼寬度、軋制力、軋輥粗糙度和軋輥溫度等；不同規格的帶鋼對應不同的冷軋機板形調控功效係數，即使相同的規格的帶鋼在不同的工況下(例如不同軋制張力條件)其冷軋機板形調控功效係數也會發生變化，因而由軋機實驗得到的冷軋機板形調控功效係數在精度方面也存在較大問題。還有，使用在線自學習方法可以在一定程度上改善調控功效係數的精度，但是由於在線板形變化是由若干個板形調控機構共同作用的結果，各調控機構對板形的影響是相互耦合的，並且在線自學習算法會受到控制系統實時性的苛刻要求，目前已有在線自學習方法並不能對冷軋機板形調控功效係數進行精確解耦，因而所得到的自學習結果通常並不理想，甚至有時會變得更差。另一方面，軋制過程中會產生很多軋機輸入輸出過程數據，在這些數據中蘊含著豐富的軋制信息。如果能夠合理利用這些過程數據進行離線自學習，就可以得到真實的軋機生產過程中的輸入輸出關係，從而獲得高精度的冷軋機板形調控功效係數。與此同時，離線自學習不受控制系統的實時性要求限制，可以設計利用足夠多組過程數據的複雜自學習算法來進行冷軋機板形調控功效係數的離線自學習，有效避免了樣本數據過少時異常數據點造成計算結果精度變差現象的發生。因此，研發冷軋機板形調控功效係數離線自學習方法是一條能夠進ー步提高冷軋帶鋼板形控制質量的可行性技術方案。

發明內容
本發明所要解決的技術問題是提供一種冷軋機板形調控功效係數離線自學習方法，該方法能夠很好地解決傳統冷軋帶鋼生產中僅僅由技術人員使用機理模型計算方法進行冷軋機板形調控功效係數計算時計算值與實際值之間通常偏差較大，將精度不高的功效係數應用於閉環板形控制系統後會造成冷軋帶鋼產品板形控制精度不高、甚至發生斷帶停機生產事故的技術問題。本發明解決其技術問題採用以下的技術方案本發明提供的冷軋機板形調控係數離線自學習方法，具體是通過採集軋制過程的冷軋機輸入輸出過程數據，對這些數據按照軋制前張カ組別進行數據初步篩選後再進ー 步進行時序處理，建立基於數據驅動的板形控制作用機理模型和目標優化函數，然後利用最小ニ乘算法計算出目標優化函數取最小值時的冷軋機板形調控功效係數，以提高冷軋機板形調控功效係數的精度。本發明提供的冷軋機板形調控係數離線自學習方法，其包括以下步驟(1)在冷軋帶卷穩定高速軋制吋，將在線實時採集的冷軋機輸入輸出過程數據依據帶鋼規格分類存儲於板形計算機資料庫中，包括每個控制周期內各板形在線調控裝置的調節量，每個控制周期內軋制前張カ大小，每個控制周期開始時的帶鋼板形偏差分布信號，並且按照採集時間先後順序對上述數據進行數據編號；(2)人工確定用於本次冷軋機板形調控功效係數離線自學習的軋機輸入輸出過程數據組數Num，依據帶鋼規格從板形計算機資料庫中讀取DataID值從1到Num的冷軋機輸入輸出過程數據，包括冷軋機穩定高速軋制帶鋼時在線實時採集的Num個控制周期內各板形在線調控裝置的調節量uu，其中i = 1，···, Num ;j = 1,…，m;m表示冷軋機配置的在線調控裝置個數；在線實時採集的Num個控制周期內軋制前張カ大小Ti,其中i = 1，-,Num；上述Num個控制周期開始時帶鋼板形偏差分布信號Sij，其中i = 1，…，Num ； j =1，…，η ；單位為板形國際單位I或者MPa，η表示所軋規格帶鋼有效覆蓋板形儀測量區域的個數；(3)依據冷軋機軋制過程軋制前張カ大小情況對軋制前張カ進行分組，分組時，首先人エ選定所要離線自學習的軋制前張カ組別，然後依據軋制前張カTi對步驟O)中的冷軋機輸入輸出數據進行初歩篩選，若Ti屬於人工選定的軋制前張カ組別之中，則其對應控制周期的冷軋機輸入輸出過程數據對於本次離線自學習來講是有效數據，否則其對應控制周期的冷軋機輸入輸出過程數據是無效的；(4)對所述有效數據進行時序處理和建立基於數據驅動的板形控制作用機理模型對所述有效數據進行時序處理的規則為由有效冷軋機輸入輸出數據中DataID 值最小數據開始，如果DataID為i和i+Ι的兩組數據同時為步驟(3)中初步篩選有效數據，則按照DataID值由小到大的順序將Uij賦值給、；同時將板形偏差變化量δ Γ δ (i+1)J賦值給1\」，所述符號中i e {1，…，Num} ；j = 1，-,m;k= 1,…，N，N為本步驟中對有效冷軋機輸入輸出過程數據進行時序處理後得到的數據個數，利用時序處理後所得到的N組冷軋機輸入輸出過程數據Ukj和Fkj來建立基於數據驅動的板形控制作用機理模型
權利要求
1.一種冷軋機板形調控係數離線自學習方法，其特徵是該方法通過採集軋制過程的冷軋機輸入輸出過程數據，對這些數據按照軋制前張力組別進行數據初步篩選後再進一步進行時序處理，建立基於數據驅動的板形控制作用機理模型和目標優化函數，然後利用最小二乘算法計算出目標優化函數取最小值時的冷軋機板形調控功效係數，以提高冷軋機板形調控功效係數的精度。
2.根據權利要求1所述的冷軋機板形調控係數離線自學習方法，其特徵在於該方法包括以下步驟(1)在冷軋帶卷穩定高速軋制時，將在線實時採集的冷軋機輸入輸出過程數據依據帶鋼規格分類存儲於板形計算機資料庫中，包括每個控制周期內各板形在線調控裝置的調節量，每個控制周期內軋制前張力大小，每個控制周期開始時的帶鋼板形偏差分布信號，並且按照採集時間先後順序對上述數據進行數據編號；(2)人工確定用於本次冷軋機板形調控功效係數離線自學習的軋機輸入輸出過程數據組數Num，依據帶鋼規格從板形計算機資料庫中讀取DataID值從1到Num的冷軋機輸入輸出過程數據，包括冷軋機穩定高速軋制帶鋼時在線實時採集的Num個控制周期內各板形在線調控裝置的調節量Uij,其中i = 1，-,Num;j = 1,…，m;m表示冷軋機配置的在線調控裝置個數，在線實時採集的Num個控制周期內軋制前張力大小Ti,其中i = 1，-,Num,上述Num個控制周期開始時帶鋼板形偏差分布信號δ…其中i = 1，…，Num ;j = 1，…，η ；單位為板形國際單位I或者MPa，η表示所軋規格帶鋼有效覆蓋板形儀測量區域的個數；(3)依據冷軋機軋制過程軋制前張力大小情況對軋制前張力進行分組，分組時，首先人工選定所要離線自學習的軋制前張力組別，然後依據軋制前張力Ti對步驟O)中的冷軋機輸入輸出數據進行初步篩選，若Ti屬於人工選定的軋制前張力組別之中，則其對應控制周期的冷軋機輸入輸出過程數據對於本次離線自學習來講是有效數據，否則其對應控制周期的冷軋機輸入輸出過程數據是無效的；(4)對所述有效數據進行時序處理和建立基於數據驅動的板形控制作用機理模型對所述有效數據進行時序處理的規則為由有效冷軋機輸入輸出數據中DataID值最小數據開始，如果DataID為i和i+Ι的兩組數據同時為步驟(3)中初步篩選有效數據，則按照DataID值由小到大的順序將Uij賦值給Ukj ；同時將板形偏差變化量δ Γ δ (i+1)J賦值給1\」，所述符號中i e {1，-,Num} ；j = 1，-,m;k= 1,…，N，N為本步驟中對有效冷軋機輸入輸出過程數據進行時序處理後得到的數據個數，利用時序處理後所得到的N組冷軋機輸入輸出過程數據Ukj和Fkj來建立基於數據驅動的板形控制作用機理模型 U11 U12 A Ulm E11 E12 A Eln F11 F12Λ Fm rn ri2 Λ rmU21 U22 A U2m 乂 E21 E22 Λ E2n — F21 F22 Λ F2n + r21 r22 Λ r2n M MO ΜΧΜ MO Μ— MMO M MMO Μ，_UN! UN2 Λ UNm」LEml Em2 Λ EmJFn2 Λ FNn J |_rN1 rN2 Λ rNn J式中EW為第k種板形在線調控裝置在第j個板形特徵點處的板形軋機板形調控功效係數，其中k=l，…，m;j = l，…，n，這裡η為所軋帶鋼的板形特徵點個數表示模型中第k組冷軋機輸入輸出過程數據在第j個有效板形測量特徵點處的隨機誤差，它服從隨機正態分布，其中k=l，…，N;j = l，…，η;(5)建立冷軋機板形調控功效係數離線自學習方法的目標優化函數J
3.根據權利要求2所述的冷軋機板形調控係數離線自學習方法，其特徵在於步驟(1) 中，進行數據編號的方法是第一個控制周期的DataID = 1，第二個控制周期的DataID = 2，…，以此類推；對於由於加減速或者換輥等原因造成冷軋帶卷不能繼續穩定高速軋制吋， 暫時停止上述數據存儲過程；待恢復穩定高速軋制時繼續進行數據存儲，且假若上一次數據存儲的最後ー組數據的DataID = i，則本次數據存儲從DataID = i+2開始按照採集時間先後順序繼續進行存儲，後續各組數據的DataID值分別為H2，i+3,…，以此類推。
4.根據權利要求2所述的冷軋機板形調控係數離線自學習方法，其特徵在於步驟(6) 中，按照最小ニ乘算法求取砍的方法是採用常規直接求逆計算算法
5.根據權利要求2所述的冷軋機板形調控係數離線自學習方法，其特徵在於步驟(6) 中，按照最小ニ乘算法求取も的方法是採用矩陣正交分解算法首先將= 1，...，N;j = 1，...，m)構成的NXm維矩陣進行Gram-Schmit正交分解
全文摘要
本發明涉及一種冷軋機板形調控係數離線自學習方法，該方法是通過採集軋制過程的冷軋機輸入輸出過程數據，對這些數據按照軋制前張力組別進行數據初步篩選後再進一步進行時序處理，建立基於數據驅動的板形控制作用機理模型和目標優化函數，然後利用最小二乘算法計算出目標優化函數取最小值時的冷軋機板形調控功效係數，以提高冷軋機板形調控功效係數的精度。本發明給出了一種能夠計算出高精度冷軋機板形調控功效係數的有效途徑，同時解決了由於功效係數精度不高而造成冷軋帶鋼產品板形控制精度不理想、甚至發生斷帶停機等生產事故的技術問題。
文檔編號B21B37/28GK102553941SQ201210012389
公開日2012年7月11日 申請日期2012年1月16日 優先權日2012年1月16日
發明者解相朋, 趙菁 申請人:中冶南方工程技術有限公司