一种单张板精密冷轧板厚测量系统的厚度控制方法

摘要

一种单张板精密冷轧板厚测量系统的厚度控制方法，属于机械自动化控制领域。由于单张板长度短、轧制时间少，测厚仪获得的厚度反馈值，无法用于进行厚度闭环控制。本发明将厚度测量值用于过程控制系统的板厚计算模型进行模型自学，对材料变形抗力与实际工况摩擦系数进行修正，通过提高板厚计算模型的设定计算精度，来从根本上提高厚度控制精度。本发明采用先进的支持向量机建模方法对单张板变形抗力与摩擦系数进行统计建模，形成解析模型与统计模型相结合的模型结构，并根据不同累积压下率建立多个变形抗力支持向量机，以及根据不同轧制线速度建立多个摩擦系数支持向量机，从而缩小每个支持向量机的作用范围，有效提高了模型计算精度，能够大幅度提高单张板冷轧产品的厚度控制精度。

主权项

1.一种单张板精密冷轧板厚测量系统的厚度控制方法，由于单张板长度短、轧制时间少，安装在单张板可逆轧机前后的测厚仪获得的厚度反馈值，无法用于进行厚度闭环控制，只能用于过程控制系统的板厚计算模型进行模型自学习，对材料变形抗力与实际工况摩擦系数进行修正，通过提高板厚计算模型的控制精度，来从根本上提高厚度控制精度；其特征在于该控制方法分为厚度设定计算与厚度自学习计算两部分内容，详细内容如下：厚度设定计算部分：对单张板在其单个轧程进行厚度设定计算时，首先进行各道次厚度分配，即确定各道次入口侧设定厚度与出口侧设定厚度，然后按照如下步骤从第1道次开始，进行每道次的厚度设定计算：(1)读取单张板轧制的轧机入口侧设定厚度H、轧机出口侧设定厚度h，单张板宽度W以及单张板轧制线速度v；(2)根据相应工况参数通过变形抗力模型计算得到单张板轧制此道次变形抗力计算值Kf，相应工况参数包括从第1道次开始的累积变形率ε_a、化学成分Che、作为前工序的热轧终轧温度FTe、卷取温度CTe、退火温度ATe、退火时间ATm，变形抗力模型为变形抗力解析模型与变形抗力统计模型相结合的模型，根据累积变形率ε_a通过变形抗力解析模型得到其输出Kf_B，变形抗力解析模型为Kf_B=f₁(ε_a)；变形抗力统计模型根据累积变形率不同，分别对应累积变形率为0%、20%、40%、60%、80%、100%，由6个支持向量机组成，每个支持向量机的输入为化学成分Che、热轧终轧温度FTe、卷取温度CTe、退火温度Ate以及退火时间ATm，根据输入得到每个支持向量机输出Kf_Ci(i=1,2,…,6)，6个支持向量机输出Kf_Ci通过累积变形率ε_a进行高斯插值得到总的统计模型输出Kf_C，高斯插值计算模型为：${\mathrm{Kf}}_C=\underset{i=1}{\overset{6}{\Sigma }}{\mathrm{Kf}}_{\mathrm{Ci}}·{\mathrm{gk}}_i\left({ϵ}_a\right)$${\mathrm{gk}}_i\left({ϵ}_a\right)=\frac{e^{-\frac{{({ϵ}_a-{ϵ}_{\mathrm{ai}})}^2}{{\sigma }^2}}}{\underset{i=1}{\overset{6}{\Sigma }}{e}^{-\frac{{({ϵ}_a-{ϵ}_{\mathrm{ai}})}^2}{{\sigma }^2}}}$式中，ε_ai为6个支持向量机所对应的标准累积变形率，分别为0%、20%、40%、60%、80%、100%，σ为变形抗力统计模型高斯插值宽度，设为14%，gk_i(ε_a)为累积变形率插值权重；将变形抗力解析模型输出Kf_B与变形抗力统计模型输出Kf_C进行乘积，就得到单张板轧制此道次变形抗力计算值Kf，即：Kf=Kf_B·Kf_C(3)根据相应工况参数通过摩擦系数模型计算得到单张板轧制此道次摩擦系数计算值μ，相应工况参数包括轧辊粗糙度R，润滑介质LTy，轧制长度L，单张板轧制线速度v，摩擦系数模型为摩擦系数解析模型与摩擦系数统计模型相结合的模型，根据轧辊粗糙度R、润滑介质LTy、轧制长度L、单张板轧制线速度v通过摩擦系数解析模型得到其输出μ_B，摩擦系数解析模型为μ_B=f₂(R,LTy,L,v)；摩擦系数统计模型根据单张板轧制线速度不同，分别对应轧制线速度0m/s、1m/s、2m/s、3m/s、4m/s、5m/s由6个支持向量机组成，每个支持向量机输入为轧辊粗糙度R、润滑介质LTy、轧制长度L，根据输入得到每个支持向量机输出μ_Ci(i=1,2,…,6)，6个支持向量机输出μ_Ci通过单张板轧制线速度v进行高斯插值得到总的统计模型输出μ_C，高斯插值计算模型为：式中，v_i为6个支持向量机所对应的标准速度，分别为0m/s、1m/s、2m/s、3m/s、4m/s、5m/s，λ为摩擦系数统计模型高斯插值宽度，设为0.7m/s，gμ_i(v)为速度插值权重；将摩擦系数解析模型输出μ_B与摩擦系数统计模型输出μ_C进行乘积，就得到单张板轧制此道次摩擦系数计算值μ，即：μ=μ_B·μ_C(4)在已经得到单张板轧制此道次变形抗力计算值Kf与摩擦系数计算值μ的基础上，读取当前的轧制工况参数与轧机设备参数，分别通过轧制力计算模型、力矩计算模型、功率计算模型计算轧制力设定值P、力矩设定值T以及功率设定值N，并进一步通过辊缝计算模型得到辊缝设定值S，轧制工况参数为轧机入口侧设定厚度H、轧机出口侧设定厚度h，单张板宽度W以及单张板轧制线速度v，轧机设备参数包括工作辊直径D_w与轧机纵向刚度C_P，轧制力计算模型为P=f₃(H,h,W,Kf,μ,D_w)，轧制力矩计算模型为T=f₄(H,h,P,D_w)，功率计算模型为N=f₅(T,H,h,D_w,μ,v)，辊缝设定模型为S=f₆(P,h,C_p)；至此，得到了单张板轧制此道次的辊缝设定值，完成了此道次的厚度设定计算，重新回到步骤(1)直到末道次；厚度自学习计算部分：在完成单张板单个轧程的轧制后，按照如下步骤进行厚度自学习计算：(1)读取单张板精密冷轧板厚测量系统所测得的各道次轧机入口侧厚度测量值H^*、轧机出口侧厚度测量值h^*；(2)读取单张板轧制过程中各道次的轧制力测量值P^*、轧制功率测量值N^*以及单张板轧制线速度测量值v^*；(3)根据每道次轧机入口侧厚度测量值H^*、轧机出口侧厚度测量值h^*、轧制力测量值P^*、功率测量值N^*，单张板轧制线速度测量值v^*以及工作辊直径D_w，通过轧制力计算模型、轧制力矩计算模型以及功率计算模型建立方程组，计算每道次的变形抗力实际值Kf^*与摩擦系数实际值μ^*；(4)计算每道次变形抗力实际值Kf^*与变形抗力计算值Kf的偏差ek，计算模型为ek=Kf-Kf^*，在此基础上根据高斯插值计算模型计算得到每个变形抗力支持向量机输出偏差ek_i(i=1,2,…,6)，计算模型为：${\mathrm{ek}}_i=\partial \mathrm{ek}/{\partial \mathrm{gk}}_i\left({ϵ}_a\right)$然后得到每个支持向量机新的输出Kf_Ci^*=Kf_Ci-ek_i(i=1,2,…,6)，每个轧制道次，6个支持向量机新的输出与对应的工况参数化学成分Che、热轧终轧温度FTe、卷取温度CTe、退火温度Ate以及退火时间ATm形成一组样本数据，通过单个轧程中多个道次的样本数据，用来对6个支持向量机的权值进行训练，从而实现模型变形抗力自学习；(5)计算每道次摩擦系数实际值μ^*与摩擦系数计算值μ的偏差eu，计算模型为eu=μ-μ^*，在此基础上根据高斯插值计算模型计算得到每个变形抗力支持向量机输出偏差eu_i(i=1,2,…,6)，计算模型为：${\mathrm{eu}}_i=\partial \mathrm{eu}/{\partial \mathrm{gu}}_i\left(v\right)$然后得到每个支持向量机新的输出μ_ci^*=μ_ci-eu_i，每个轧制道次，6个支持向量机新的输出与对应的工况参数轧辊粗糙度R、润滑介质LTy、轧制长度L形成一组样本数据，通过单个轧程中多个道次的样本数据，用来对6个支持向量机的权值进行训练，从而实现模型摩擦系数自学习；至此，通过对变形抗力与摩擦系数的自学习，实现了对厚度设定模型的自学习。