一种毛管质量预报与控制方法

摘要

一种毛管质量预报与控制方法，包括毛管质量预测模型建模方法和基于方差子时段MPLS质量预报模型的迭代优化控制方法，预报模型采用公式；本发明采用迭代优化控制方法不断修正控制变量轨迹，提高毛细管质量。批次的终点质量误差描写为：，该式为收敛的，从而使毛管细的误差逐渐减小，因此，发明能大幅度提高斜轧穿孔生产的无缝钢管的质量，降低维护费用，实时性好，精度高。

主权项

1.一种毛管质量预报模型的建模方法，包括毛管质量预报模型建模和基于方差子时段MPLS质量预报模型的迭代优化控制方法，其特征是：预报模型建立在对穿孔过程各时段分析的基础上，确定了建模所需的各时段过程变量，再将各时段批次生产数据展开成二维矩阵，将展开后的数据进行分时段处理，对每个过程变量在该时段取方差，对过程变量数据处理后，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，即为所求的预报模型；所述基于方差子时段MPLS质量预报模型的迭代优化控制方法，由于模型误差和未知扰动的影响，采用一次离线优化得到的控制变量轨迹，在投入实际应用中可能得不到理想的质量指标，这时就需要在穿孔生产过程中依据人工采样的检测结果不断进行控制变量轨迹的调整，迭代学习算法经常被用来与基于模型的控制算法相结合，以抵消模型不准带来的控制问题；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，使得毛管质量不断趋于理想指标，根据，第k个测量批次的毛管质量指标可表示为：式中：为行向量，表示第k个测量批次展开后的数据，，为最终产品质量预报值，为质量模型的误差；若期望达到的毛管质量为，则第k个测量批次的毛管质量实测偏差为最终质量指标的实际偏差如下：则第k+1个测量批次的实测偏差为：为了使第k+1个测量批次的毛管质量接近期望毛管质量，结上合式，构造如下二次目标函数，可得优化变量增量式中，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；令其中，从上式(15)中能得出增量可以通过第k次预测误差得到；因为预报模型和实际存在不可知误差，所以预测误差应当被修正；第k+1次变量轨迹应被修正为：其中，为权重因子，它能调整优化速度；根据增量的计算方法，终点质量误差能确定是逐步收敛的，k+1批次的终点质量误差可被描述为所以，如果满足,则式上是收敛的，毛管质量的误差逐渐减小；实测偏差和模型误差之和是逐步收敛的，在算法实施时，确定批次初始值为，所以。