冷轧机板形调控功效系数离线自学方法

摘要

发明涉及一种冷轧机板形调控系数离线自学方法，该方法是：通过采集轧制过程的冷轧机输入输出过程数据，对这些数据按照轧制前张力组别进行数据初步筛选后再进一步进行时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，然后利用最小二乘算法计算出目标优化函数取最小值时的冷轧机板形调控功效系数，以提高冷轧机板形调控功效系数的精度。本发明给出了一种能够计算出高精度冷轧机板形调控功效系数的有效途径，同时解决了由于功效系数精度不高而造成冷轧带钢产品板形控制精度不理想、甚至发生断带停机等生产事故的技术问题。

主权项

一种冷轧机板形调控系数离线自学习方法，其特征是该方法通过采集轧制过程的冷轧机输入输出过程数据，对这些数据按照轧制前张力组别进行数据初步筛选后再进一步进行时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，然后利用最小二乘算法计算出目标优化函数取最小值时的冷轧机板形调控功效系数，以提高冷轧机板形调控功效系数的精度；该方法包括以下步骤：（1）在冷轧带卷稳定高速轧制时，将在线实时采集的冷轧机输入输出过程数据依据带钢规格分类存储于板形计算机数据库中，包括：每个控制周期内各板形在线调控装置的调节量，每个控制周期内轧制前张力大小，每个控制周期开始时的带钢板形偏差分布信号，并且按照采集时间先后顺序对上述数据进行数据编号；（2）人工确定用于本次冷轧机板形调控功效系数离线自学习的轧机输入输出过程数据组数Num，依据带钢规格从板形计算机数据库中读取DataID值从1到Num的冷轧机输入输出过程数据，包括：冷轧机稳定高速轧制带钢时在线实时采集的Num个控制周期内各板形在线调控装置的调节量uij，其中i=1,…,Num；j=1,…,m；m表示冷轧机配置的在线调控装置个数，在线实时采集的Num个控制周期内轧制前张力大小Ti，其中i=1,…,Num，上述Num个控制周期开始时带钢板形偏差分布信号δij，其中i=1,…,Num；j=1,…,n；单位为板形国际单位I，n表示所轧规格带钢有效覆盖板形仪测量区域的个数；（3）依据冷轧机轧制过程轧制前张力大小情况对轧制前张力进行分组，分组时，首先人工选定所要离线自学习的轧制前张力组别，然后依据轧制前张力Ti对步骤(2)中的冷轧机输入输出数据进行初步筛选，若Ti属于人工选定的轧制前张力组别之中，则其对应控制周期的冷轧机输入输出过程数据对于本次离线自学习来讲是有效数据，否则其对应控制周期的冷轧机输入输出过程数据是无效的；（4）对所述有效数据进行时序处理和建立基于数据驱动的板形控制作用机理模型：对所述有效数据进行时序处理的规则为：由有效冷轧机输入输出数据中DataID值最小数据开始，如果DataID为i和i+1的两组数据同时为步骤(3)中初步筛选有效数据，则按照DataID值由小到大的顺序将uij赋值给Ukj,；同时将板形偏差变化量δij‑δ(i+1)j赋值给Fkj，其中：i∈{1,…,Num}；j=1,…,m，m表示冷轧机配置的在线调控装置个数；k=1,…,N，N为本步骤中对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数，利用时序处理后所得到的N组冷轧机输入输出过程数据Ukj和Fkj来建立基于数据驱动的板形控制作用机理模型： U 11 U 12 Λ U 1 m U 21 U 22 Λ U 2 m M M O M U N 1 U N 2 Λ U Nm × E 11 E 12 Λ E 1 n E 21 E 22 Λ E 2 n M M O M E m 1 E m 2 Λ E mn = F 11 F 12 Λ F 1 n F 21 F 22 Λ F 2 n M M O M F N 1 F N 2 Λ F Nn + r 11 r 12 Λ r 1 n r 21 r 22 Λ r 2 n M M O M r N 1 r N 2 Λ r Nn , 式中：Ekj为第k种板形在线调控装置在第j个板形特征点处的板形轧机板形调控功效系数，其中k=1,…,m；j=1,…,n，这里n为所轧带钢的板形特征点个数；rkj表示模型中第k组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布，其中k=1,…,N；j=1,…,n；（5）建立冷轧机板形调控功效系数离线自学习方法的目标优化函数J： J = Σ i = 1 N ( Σ i = 1 N ( F ij - Σ k = 1 m ( U ik × E kj ) ) 2 ) , 式中：Fij为步骤(4)中得到的板形偏差变化量，其中i=1,…,N，而j=1,…,n；Uik为步骤(4)中时序处理后得到的第i组数据的第k种板形在线调控装置的调节量，其中i=1,…,N，而k=1,…,m；Ekj为第k种板形在线调控装置在第j个板形特征点处的板形轧机板形调控功效系数，其中k=1,…,m，j=1,…,n，这里n为所轧带钢的板形特征点个数；（6）获取目标优化函数J取最小值时的轧机板形调控功效系数Ekj：利用Fij和N组冷轧机输入输出数据Uij提供的信息，按照最小二乘算法求取Ekj，其中k=1,…,m；j=1,…,n；（7）判断计算结果是否符合要求：将离线自学习前的轧机板形调控功效系数代入步骤(5)中的目标优化函数计算出目标优化函数值J1，再将离线自学习后的轧机板形调控功效系数代入步骤(5)中的目标优化函数计算出目标优化函数值J2；如果有J1>J2,说明离线自学习提高了轧机板形调控功效系数的精度，则本次离线自学习符合要求，转至步骤(8)；否则，说明离线自学习没有提高了轧机板形调控功效系数的精度，则本次离线自学习不符合要求，增加用于离线自学习的冷轧机输入输出数据组数Num后重新转至步骤(2)；（8）保存本机计算结果到板形计算机数据库，替换原来的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制；经过上述步骤后，实现对冷轧机板形调控功效系数高精度的离线自学习。