一种基于数据驱动的荒管质量预报与控制方法

摘要

一种基于数据驱动的荒管质量预报与控制方法，包括预报模型建立和模型在线预报。预报模型建立依据钢管接触轧机顺序细化为各时段，咬钢阶段细化为七个子时段，预报模型由表示，模型建立后，利用模型来进行生产过程的在线预报工作，预报值由表示。所述模型在线预报，是将生产时段划分为三个大时段，15个小时段，按生产顺序，第一生产时段均值为，第W时段用表示最后一时段均值，前面各时段均值用当前时段均值来替代，即。本发明克服了传统间歇过程质量预测方法模型结构复杂，计算负荷大的缺点，提高了连轧生产质量。

主权项

1.基于步进均值子时段MPLS的荒管质量预报与控制方法，包括预报模型建立、模型在线预报和荒管质量控制，其特征在于：所述模型建立是将连轧生产过程分为咬钢、稳定轧制和抛钢三个时段，并在每个时段步进选取相关过程变量的平均值作为输入变量；依据建模需要将咬钢阶段细化成七个子时段，每个轧机对该时段的作用表示为一个数据块，同理将抛钢阶段也细化成七个子时段，确定建模所需的各时段过程变量，并对每个过程变量在该时段取其平均值；对过程变量数据平均化处理后，得到下式所示的输入矩阵：应用MPLS方法对其建立质量预报模型，用MPLS算法得到和质量矩阵之间的回归关系：外部关系：其中：A为保留的主成分个数，得分向量，；负载向量，；得分矩阵，；负载矩阵，；内部关系：其中，，是X空间潜变量和Y空间潜变量的内部回归系数；因为b为对角阵，且，那么Y的模型可写为：则可表示为：，即为所求的预报模型；模型建立后，利用模型来进行生产过程的在线预报工作，预报值由下式给出：所述模型在线预报是当模型用于在线预报时，将生产时段划分为三个大时段15个小阶段，按生产进行的顺序，在第一生产时段均值，其余时段用历史均值来代替，当生产进行到第m时段时，用来表示到第m时段均值，前面时段用当前时段均值来代替，后面时段均值仍然用历史均值来代替，当进行到最后时段，即第N时段时用表示最后一时段均值，前面各时段均值用当前时段均值来代替；各时段步进，当生产进行在第m时段时，用作为该时段变量观测值，其中为第m时段生产完成百分比，为第m时段完成的各过程变量时段数据平均值，为第m时段未进行时段历史时刻各过程变量时段数据平均值，用其它时段数据平均值作为该过程其它时段变量观测值；所述荒管质量控制，是在建立完荒管质量预报模型后，同样利用迭代学习控制的方法不断修正控制变量轨迹，抵消模型误差和未知扰动带来的影响，使得荒管质量不断趋于理想指标，在建立荒管质量预报模型时，输入变量毛管质量为不可控变量，将可控变量用表示，对应质量参数设为，不可控变量用表示，对应质量参数设为，根据式(10)，第个测量批次的荒管质量指标可表示为：式中：为质量模型的误差；若期望达到的荒管质量为，则第个测量批次的毛管质量实测偏差为 ：则第个测量批次的实测偏差为进而推算得：为了使第个测量批次的荒管质量接近期望荒管质量，构造如下二次目标函数式中，为正定的对角矩阵，当的权值越大，的变化越慢，收敛也就越慢，令对求偏导令，可得出优化的控制变量增量式中，，上述得到控制变量增量的迭代算法，应能保证毛管质量的实测偏差和模型误差之和逐步收敛；得收敛于。