热轧带钢轧制力模型自学习算法优化

D0:10.13374/i.issnl100103x.2010.06.017 第32卷第6期 北京科技大学学报 Vo132N96 2010年6月 Journal ofUniversity of Science and Technobgy Bejjing Jun 2010 热轧带钢轧制力模型自学习算法优化 宋勇苏岚荆丰伟 刘文仲 北京科技大学高效轧制国家工程研究中心.北京100083 摘要根据轧制数量，测量数据质量和轧制力预报误差的影响建立了轧制力自学习速度因子优化模型。在长期自学习的 判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量，减少了换规格的次数.长期自学习系数计算时利用了从前 一块钢数据中分离出的设备状态信息。从而改善了模型自学习的连续性。离线仿真分析结果表明，轧制力计算精度相对于自 学习算法优化前有较大的提高. 关键词热连轧：轧制力：数学模型：自学习：过程自动化 分类号TG33515TP181 Self learn ing algorithm optm ization for the rolling forcem odel of hot strips SONG Yong SLan JING Feng wei LIWe4ong Na tiona l Eng inee ring Reseaich Center prAdvanoed Rolling Technoloy Un iversity of Science and Technobgy Beijng Beijing 100083 Chna ABSTRACT The infuences of the number of rolled strips the quality ofm easured data and the plerance of rolling force pred ction were aken into account pr building a self leaming speed op ti izat pn model of rollng prce The grades and values of hickness and w dth were cosidered in he deteminant conditon of long tem self leaming p reduce he frequency of size change The npmation of equpment sates which was separated from the daaa of the last strip was used into the cakulaton of bng tem self leaming actor to m pove the contnuity of the self eamingmodel ()fflne siuaton esults show hat he accuracy of he rolling forcemolel is mproved after he self leam ng algorithm is op tin ized KEY WORDS hot strp mill rolling force mathematicalmdlel self leamng process aurmation 热轧带钢的产品厚度控制水平很大程度上取决 制力预报模型，由于存在假设条件、测量误差以及系 于过程自动化系统的轧制力模型预报精度：因为轧 统特性的变化，其本身的精度是有限的（误差一 制力的预报值误差直接影响空载辊缝设定和AGC 般在1%以上，在实际控制系统中必须引入模型 工作状况，而前者决定带钢头部厚度控制精度，后者 自学习功能以提高其预报精度.文献[11-12]从轧 决定带钢本体厚度控制精度山. 制力模型自学习参数的选择以及人工离线分析的角 为了提高轧制力模型的预报精度，近年来人们 度对自学习功能进行优化提高了模型精度 进行了许多有益尝试研究工作大多集中在模型的 本文通过对轧制力模型自学习算法的研究分 结构改进和系数优化上2，如采用有限元模拟结 析，确立了自学习速度因子的选取策略以及长期自 果对轧制力模型参数进行回归分析2-，对变形抗 学习的处理方法，使得自学习功能充分发挥其作用. 力模型进行改进及考虑残余应变的影响，将人 仿真结果表明，优化后的自学习算法能有效提高轧 工智能方法与轧制力理论模型相结合，均取得 制力模型在线预报精度，这为研究提高轧制力模型 了一定成果.但是，通过以上各种方式所建立的轧 预报精度提供了一个的重要思路. 收稿日期：2009-08-25 基金项目：国家高技术研究发展计划资助项目(N92009A04Z☑63) 作者简介：宋勇(1974-，助理研究员，Emao0n@u5动ycm

第 32卷 第 6期 2010年 6月 北 京 科 技 大 学 学 报 JournalofUniversityofScienceandTechnologyBeijing Vol.32 No.6 Jun.2010 热轧带钢轧制力模型自学习算法优化 宋 勇 苏 岚 荆丰伟 刘文仲 北京科技大学高效轧制国家工程研究中心, 北京 100083 摘 要 根据轧制数量、测量数据质量和轧制力预报误差的影响, 建立了轧制力自学习速度因子优化模型.在长期自学习的 判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量, 减少了换规格的次数.长期自学习系数计算时利用了从前 一块钢数据中分离出的设备状态信息, 从而改善了模型自学习的连续性.离线仿真分析结果表明, 轧制力计算精度相对于自 学习算法优化前有较大的提高. 关键词 热连轧;轧制力;数学模型;自学习;过程自动化 分类号 TG335.11;TP181 Self-learningalgorithmoptimizationfortherollingforcemodelofhotstrips SONGYong, SULan, JINGFeng-wei, LIUWen-zhong NationalEngineeringResearchCenterforAdvancedRollingTechnology, UniversityofScienceandTechnologyBeijing, Beijing100083, China ABSTRACT Theinfluencesofthenumberofrolledstrips, thequalityofmeasureddataandthetoleranceofrollingforceprediction weretakenintoaccountforbuildingaself-learningspeedoptimizationmodelofrollingforce.Thegradesandvaluesofthicknessand widthwereconsideredinthedeterminantconditionoflong-termself-learningtoreducethefrequencyofsizechange.Theinformationof equipmentstateswhichwasseparatedfromthedataofthelaststripwasusedintothecalculationoflong-termself-learningfactortoim￾provethecontinuityoftheself-learningmodel.Offlinesimulationresultsshowthattheaccuracyoftherollingforcemodelisimproved aftertheself-learningalgorithmisoptimized. KEYWORDS hotstripmill;rollingforce;mathematicalmodel;self-learning;processautomation 收稿日期:2009--08--25 基金项目:国家高技术研究发展计划资助项目(No.2009AA04Z163) 作者简介:宋 勇(1974— ), 助理研究员, E-mail:songyong@ustb.edu.cn 热轧带钢的产品厚度控制水平很大程度上取决 于过程自动化系统的轧制力模型预报精度 ;因为轧 制力的预报值误差直接影响空载辊缝设定和 AGC 工作状况,而前者决定带钢头部厚度控制精度 ,后者 决定带钢本体厚度控制精度 [ 1] . 为了提高轧制力模型的预报精度 ,近年来人们 进行了许多有益尝试, 研究工作大多集中在模型的 结构改进和系数优化上 [ 2--9] , 如采用有限元模拟结 果对轧制力模型参数进行回归分析 [ 2--3] , 对变形抗 力模型进行改进及考虑残余应变的影响 [ 4--6] , 将人 工智能方法与轧制力理论模型相结合 [ 7--9] , 均取得 了一定成果 .但是, 通过以上各种方式所建立的轧 制力预报模型 ,由于存在假设条件 、测量误差以及系 统特性的变化 [ 10] , 其本身的精度是有限的 (误差一 般在 10%以上),在实际控制系统中必须引入模型 自学习功能以提高其预报精度.文献 [ 11--12]从轧 制力模型自学习参数的选择以及人工离线分析的角 度对自学习功能进行优化,提高了模型精度 . 本文通过对轧制力模型自学习算法的研究分 析, 确立了自学习速度因子的选取策略以及长期自 学习的处理方法,使得自学习功能充分发挥其作用. 仿真结果表明 ,优化后的自学习算法能有效提高轧 制力模型在线预报精度, 这为研究提高轧制力模型 预报精度提供了一个的重要思路 . DOI :10.13374/j .issn1001 -053x.2010.06.017

第6期 宋勇等：热轧带钢轧制力模型自学习算法优化 803° 1轧制力模型自学习基本算法 平滑法： am=Ba‘+(1-B)a (3) 热轧带钢的轧制力模型一般采用西姆斯公式， 式中，α为更新后的模型修正系数，用于以后带钢 其基本形式为： 的预设定计算：α为根据当前带钢的实测值反推出 F-BIQKna (1) 的修正系数；α为当前带钢预设定计算使用的修正 式中，F为轧制力，yB为轧件宽度，四为考虑 系数：B为自学习速度因子，≤1反映了自学习 压扁后的轧辊与轧件接触弧的水平投影长度，四 算法对轧制过的带钢数据信息的利用程度，该系数 Q为应力状态影响系数，量纲上K为变形抗力， 太大或太小都不利于发挥自学习功能的作用. MP?α为模型自学习修正系数 由上可知，自学习速度因子的选取和长期自学 一般Q和K的计算模型都是根据大量轧制 习的处理策略是轧制力自学习算法的关键. 工况的统计数据或实验数据建立的，它们无法对带 2轧制力模型自学习算法的优化 钢之间所存在的各种差异（如设备特性、润滑条件、 变形温度和化学成分进行精确逼近，而在生产中 21自学习速度因子的选取 这些因素对模型精度的影响效果相互耦合并且难以 轧制力模型的自学习功能就是利用己经轧过的 分别确定，因此控制系统需要在轧制过程中不断地 带钢的数据信息不断地在线更新模型修正系数.以 根据实测数据对修正系数α进行更新，以补偿特定 适应系统状态的变化，从而提高以后带钢的设定精 工况下的轧制力模型预报精度. 度.由于那些轧制过的带钢的数据信息中存在测量 由于实际轧制的工况与预设定的工况可能存在 误差和某些特定因素（如水印和成分偏析的影响， 差异，预报轧制力与实测轧制力之间不具备可比性， 在利用这些信息进行模型修正时必须加以权衡考 为了确定自学习修正系数的实际值，首先需要进行 虑，修正量太大可能会影响模型的稳定性太小则不 轧制规程后计算，即根据实测成品厚度和各机架速 能有效地逼近当前的系统状态 度按照秒流量相等原则推算出各机架的出口厚度和 在调试过程中，选取轧制力自学习速度因子的 压下率，以及根据实测成品温度、速度、轧制力和机 一般方法是，根据模型修正系数变化趋势和预报精 架间冷却水量计算出各机架的实际变形温度，然后 度情况选取一个比较合适的值，使得修正系数既能 采用下面公式计算： 够快速逼近目标，又不会因为意外情况产生大的波 F 动.但是，实践表明很难找出这样的一个常数去适 a-BIGK (2) 应大生产中可能出现的各种状况，比如某个测量值 式中，α”为根据实测值反推出的修正系数：F为实 出现异常而造成误调整，或者由于刚换规格模型误 测轧制力，ky【为根据实测轧制力计算的压扁后 差较大时而又调整不到位.因此轧制力自学习速 轧辊与轧件接触弧的水平投影长度，mm四Q为根 度因子的取值有必要能够根据各种情况在线动态 据实际变形区参数计算的应力状态影响系数，量纲 优化： 上K为实际压下率、变形速率和变形温度下的变 K 形抗力，MPa 8= mn+(-m1KN1KMK.m 采用自学习系数α修正轧制力模型时，需分两 (4) 种情况考虑：如果下一块带钢与当前带钢相似（如 式中，Bm和m分别为自学习因子的最小和最大取 钢种相同、规格相近，则采用根据当前带钢的实测 值；M为测量值的等效可信度，由轧制力、辊缝、速 值更新后的修正系数，即称为短期自学习：如果下一 度和厚度等测量值的可信度组成：为换规格后的 块带钢变换了规格，与当前带钢差异很大，则需要采 轧制块数；K、K和K为调节系数；K为当前轧制 用最近轧过的类似带钢修正后的模型系数，即称为 力模型误差放大系数，误差越大，该影响系数取值 长期自学习.长期自学习系数代表的有可能是几个 越大 小时甚至几天之前的系统状态信息，它与当前轧制 从式(4)可以看出，在该轧制力自学习速度因 的系统状态己经发生了较大的改变，因此模型精度 子优化模型中，综合考虑了轧制数量、测量数据质量 将会降低，这也是换规格后首块钢的控制精度要相 和轧制力预报误差的影响，在线根据实际情况自动 对差的原因之一 调整取值.换规格后轧制的块数越大，公式中第 轧制力模型自学习修正系数更新算法采用指数 1部分将逐渐从Bm过渡到Pmn这样当刚换规格或

第 6期 宋 勇等:热轧带钢轧制力模型自学习算法优化 1 轧制力模型自学习基本算法 热轧带钢的轧制力模型一般采用西姆斯公式 , 其基本形式为: F=Blc′QpKmα (1) 式中, F为轧制力, kN;B为轧件宽度, m;l′c为考虑 压扁后的轧辊与轧件接触弧的水平投影长度 , mm; Qp为应力状态影响系数 , 量纲 1;Km 为变形抗力 , MPa;α为模型自学习修正系数 . 一般 Qp和 Km 的计算模型都是根据大量轧制 工况的统计数据或实验数据建立的, 它们无法对带 钢之间所存在的各种差异 (如设备特性 、润滑条件 、 变形温度和化学成分 )进行精确逼近, 而在生产中 这些因素对模型精度的影响效果相互耦合并且难以 分别确定,因此控制系统需要在轧制过程中不断地 根据实测数据对修正系数 α进行更新, 以补偿特定 工况下的轧制力模型预报精度 . 由于实际轧制的工况与预设定的工况可能存在 差异, 预报轧制力与实测轧制力之间不具备可比性 . 为了确定自学习修正系数的实际值, 首先需要进行 轧制规程后计算 ,即根据实测成品厚度和各机架速 度按照秒流量相等原则推算出各机架的出口厚度和 压下率 ,以及根据实测成品温度、速度、轧制力和机 架间冷却水量计算出各机架的实际变形温度 , 然后 采用下面公式计算: α ＊ = F ＊ Blc′ ＊ Q ＊ p K ＊ m (2) 式中, α ＊为根据实测值反推出的修正系数 ;F ＊ 为实 测轧制力, kN;lc′ ＊为根据实测轧制力计算的压扁后 轧辊与轧件接触弧的水平投影长度, mm;Q ＊ p 为根 据实际变形区参数计算的应力状态影响系数 , 量纲 1;K ＊ m 为实际压下率、变形速率和变形温度下的变 形抗力 , MPa. 采用自学习系数 α修正轧制力模型时 , 需分两 种情况考虑 :如果下一块带钢与当前带钢相似 (如 钢种相同、规格相近 ), 则采用根据当前带钢的实测 值更新后的修正系数 ,即称为短期自学习 ;如果下一 块带钢变换了规格,与当前带钢差异很大 ,则需要采 用最近轧过的类似带钢修正后的模型系数 , 即称为 长期自学习 .长期自学习系数代表的有可能是几个 小时甚至几天之前的系统状态信息, 它与当前轧制 的系统状态已经发生了较大的改变, 因此模型精度 将会降低,这也是换规格后首块钢的控制精度要相 对差的原因之一 . 轧制力模型自学习修正系数更新算法采用指数 平滑法: α new =βα ＊ +(1 -β)α old (3) 式中 , α new为更新后的模型修正系数 , 用于以后带钢 的预设定计算 ;α ＊为根据当前带钢的实测值反推出 的修正系数;α old为当前带钢预设定计算使用的修正 系数 ;β为自学习速度因子 , 0≤β≤1,反映了自学习 算法对轧制过的带钢数据信息的利用程度, 该系数 太大或太小都不利于发挥自学习功能的作用 . 由上可知, 自学习速度因子的选取和长期自学 习的处理策略是轧制力自学习算法的关键. 2 轧制力模型自学习算法的优化 2.1 自学习速度因子的选取 轧制力模型的自学习功能就是利用已经轧过的 带钢的数据信息不断地在线更新模型修正系数, 以 适应系统状态的变化 ,从而提高以后带钢的设定精 度.由于那些轧制过的带钢的数据信息中存在测量 误差和某些特定因素(如水印和成分偏析 )的影响, 在利用这些信息进行模型修正时必须加以权衡考 虑, 修正量太大可能会影响模型的稳定性,太小则不 能有效地逼近当前的系统状态. 在调试过程中, 选取轧制力自学习速度因子的 一般方法是,根据模型修正系数变化趋势和预报精 度情况选取一个比较合适的值, 使得修正系数既能 够快速逼近目标, 又不会因为意外情况产生大的波 动.但是,实践表明很难找出这样的一个常数去适 应大生产中可能出现的各种状况 , 比如某个测量值 出现异常而造成误调整, 或者由于刚换规格模型误 差较大时而又调整不到位 .因此, 轧制力自学习速 度因子的取值有必要能够根据各种情况在线动态 优化 : β = βmin +(βmax -βmin) 1 1 +KaN Kb (1 +KcMc) Kerr (4) 式中 , βmin和 βmax分别为自学习因子的最小和最大取 值;Mc为测量值的等效可信度 ,由轧制力 、辊缝、速 度和厚度等测量值的可信度组成 ;N为换规格后的 轧制块数 ;Ka、Kb和 Kc为调节系数 ;Kerr为当前轧制 力模型误差放大系数 , 误差越大 , 该影响系数取值 越大 . 从式 (4)可以看出, 在该轧制力自学习速度因 子优化模型中 ,综合考虑了轧制数量、测量数据质量 和轧制力预报误差的影响, 在线根据实际情况自动 调整取值 .换规格后轧制的块数 N越大 ,公式中第 1部分将逐渐从 βmax过渡到 βmin, 这样当刚换规格或 · 803·

。804 北京科技大学学报 第32卷 者轧制力预报误差大时，则自学习速度加块使得轧 变换到1.41mn时，厚度分档则由2变换到3则轧 制力模型尽快适应当前设备状态，保证预报精度：而 制力模型修正系数必须采用长期自学习系数.因 当测量值可信度差时，M的值变大，从而公式的第 此这种判定长期自学习的方法过于简单，有时即使 2部分值变小，自学习速度放慢防止系统修正出现 带钢成品厚度变化很小，却被判为长期自学习，破坏 失误，如图1所示.调节系数K用于控制换规格后 了模型自学习的连续性，从而影响了模型精度 轧制块数对自学习速度的影响程度，K和K用于 针对这种情况对判定长期自学习的条件进行 控制测量值可信度对自学习速度的影响程度，可以 如下优化（卿只要表2中有一个条件满足则为长期 在调试过程中确定. 自学习) 表2判定长期自学习的方法 ◆自学习速度动态调整 Tabke2 Method of judgng bng tem self keamng ·自学习速度为常数 判定条件 范围 是否刚换辊 是 前后两块钢的间隔时间 大于30mn 空过机架是否相同 否 是否属于同一钢种 91113151719212325 密 带钢块数 规格变化程度 不属于同一分档且规格变化系数多冬 图1自学习速度优化效果 Fg 1 OPtmization effect of self leaming speed 在表2中， 22判定长期自学习的方法 ekA+k会 (5) △W 在过程自动化系统中，通常将轧制力自学习修 式中，△h为前后两块钢的成品厚度差四h为前 正系数按钢种分类以及规格分档保存在数据文件 块带钢的成品厚度，四△w为前后两块钢的成品宽 中.当下一块带钢的钢种发生了变化或规格属 度差，m四△%为标准宽度差，四k和k为加权 于不同的分档即转换卷，则需要从该数据文件中 系数 取出之前保存的对应类别的修正系数即长期自学 23长期自学习系数的确定 习系数用于该带钢的预设定计算.表1是按带钢 当前后两块钢的差异较大时，轧制力模型修正 厚度规格分档的例子. 系数必须采用之前保存的长期自学习系数.长期自 表1带钢的厚度分档 学习系数中包含的设备状态信息与当前情况己经有 T ab le 1 Thickness grades of strps 较大的变化，如果能利用前一块钢的自学习系数所 分档 厚度范围/m 包含的当前设备状态信息，则能提高模型精度.但 1 ≤12 是，因为前一块钢自学习系数中同时还包含有对其 2 1.21-14 所对应的规格的模型修正量，不可以直接使用，因此 3 1.41-16 有必要从自学习系数中分离出设备状态信息并加以 1.61-19 利用 5 1.91-22 精轧机组各机架轧制的为同一块带钢，带钢本 6 221-26 身对各机架轧制力的影响有一定的相似性，并且轧 7 261-32 机设备状态的变化比较缓慢，因此可采用下面公式 8 321-49 近似地估算设备状态信息的变化量： 9 491-65 651-82 △aFi= (6) 821-109 12 1091-160 式中，△αF为第机架每轧制一块钢后的设备状态 1601-250 信息变化量；α；为第机架的模型自学习修正系数： 女 ≥2501 α为第机架的当前设备状态影响系数，初始值取 从表1可以看出，如果当带钢厚度从1.40m 上为模型加权系数；为精轧机组机架数，为

北 京 科 技 大 学 学 报 第 32卷 者轧制力预报误差大时,则自学习速度加块,使得轧 制力模型尽快适应当前设备状态,保证预报精度;而 当测量值可信度差时 , Mc的值变大 , 从而公式的第 2部分值变小, 自学习速度放慢, 防止系统修正出现 失误, 如图 1所示.调节系数 Ka用于控制换规格后 轧制块数对自学习速度的影响程度, Kb和 Kc用于 控制测量值可信度对自学习速度的影响程度 , 可以 在调试过程中确定. 图 1 自学习速度优化效果 Fig.1 Optimizationeffectofself-learningspeed 2.2 判定长期自学习的方法 在过程自动化系统中 ,通常将轧制力自学习修 正系数按钢种分类以及规格分档保存在数据文件 中 [ 13] .当下一块带钢的钢种发生了变化或规格属 于不同的分档(即转换卷 ),则需要从该数据文件中 取出之前保存的对应类别的修正系数 (即长期自学 习系数 )用于该带钢的预设定计算 .表 1是按带钢 厚度规格分档的例子 . 表 1 带钢的厚度分档 Table1 Thicknessgradesofstrips 分档 厚度范围 /mm 1 ≤1.2 2 1.21 ～ 1.4 3 1.41 ～ 1.6 4 1.61 ～ 1.9 5 1.91 ～ 2.2 6 2.21 ～ 2.6 7 2.61 ～ 3.2 8 3.21 ～ 4.9 9 4.91 ～ 6.5 10 6.51 ～ 8.2 11 8.21 ～ 10.9 12 10.91 ～ 16.0 13 16.01 ～ 25.0 14 ≥25.01 从表 1可以看出 , 如果当带钢厚度从 1.40 mm 变换到 1.41 mm时, 厚度分档则由 2变换到 3,则轧 制力模型修正系数必须采用长期自学习系数.因 此, 这种判定长期自学习的方法过于简单,有时即使 带钢成品厚度变化很小 ,却被判为长期自学习,破坏 了模型自学习的连续性 ,从而影响了模型精度. 针对这种情况, 对判定长期自学习的条件进行 如下优化 (即只要表 2中有一个条件满足则为长期 自学习). 表 2 判定长期自学习的方法 Table2 Methodofjudginglong-termself-learning 判定条件 范围 是否刚换辊 是 前后两块钢的间隔时间 大于 30min 空过机架是否相同 否 是否属于同一钢种 否 规格变化程度 不属于同一分档且规格变化系数 g≥gmax 在表 2中 , g=kh Δh h +kw Δw Δw0 (5) 式中 , Δh为前后两块钢的成品厚度差, mm;h为前 块带钢的成品厚度 , mm;Δw为前后两块钢的成品宽 度差 , mm;Δw0 为标准宽度差 , mm;kh和 kw为加权 系数 . 2.3 长期自学习系数的确定 当前后两块钢的差异较大时 ,轧制力模型修正 系数必须采用之前保存的长期自学习系数 .长期自 学习系数中包含的设备状态信息与当前情况已经有 较大的变化,如果能利用前一块钢的自学习系数所 包含的当前设备状态信息 ,则能提高模型精度 .但 是, 因为前一块钢自学习系数中同时还包含有对其 所对应的规格的模型修正量 ,不可以直接使用,因此 有必要从自学习系数中分离出设备状态信息并加以 利用 . 精轧机组各机架轧制的为同一块带钢 ,带钢本 身对各机架轧制力的影响有一定的相似性, 并且轧 机设备状态的变化比较缓慢, 因此可采用下面公式 近似地估算设备状态信息的变化量: ΔαFi =kgain αi ∑ n j=1 kjαj -αFi (6) 式中 , ΔαFi为第 i机架每轧制一块钢后的设备状态 信息变化量;αi为第 i机架的模型自学习修正系数; αFi为第 i机架的当前设备状态影响系数 ,初始值取 1;kj为模型加权系数 ;n为精轧机组机架数, kgain为 · 804·

第6期 宋勇等：热轧带钢轧制力模型自学习算法优化 ·805° 增益系数.设备状态影响系数αF在换辊后或长时 准备工厂设备参数 间停轧后，需要以一定衰减速度减弱它的影响. 因此，换规格时轧制力模型修正系数可采用如 打开数据记录文件 下方法计算： 读取一块钢的记录 a=qjaF (7) 式中，α为从数据文件中取出的长期自学习系数. 取新的自学习系数 3轧制力模型自学习算法仿真 按照实际生成工况 重新计算轧制力 为了对比优化后的轧制力自学习算法的控制效 分析轧制力预报精度 果，需要对其进行仿真，即对同一时段的生产过程， 采用新算法进行自学习 按照实际生产顺序重新进行后计算和模型自学习， 分析自学习算法优化前后轧制力模型预报精度的差 是否最后一块钢 异，具体做法是，按照现场生产的先后顺序收集带 是 钢的各种数据，包括原始数据、设备数据、设定数据 统计轧制力预报精度 以及头部阶段各种实测数据G过程控制系统主要是 结果输出 对带钢头部进行预报和设定)等，同时将换辊和停 轧信息也一起保存到数据文件中.编写自学习算法 图2轧制力模型自学习算法仿真分析流程 仿真程序读取并分析该数据文件，按照数据的保存 Fg2 Fbw chant of self leaming a boritm smulation and aalysis or the rolling foroe malel 顺序分别对每块钢的实际工况进行后计算，然后比 较和分析轧制力模型后计算值与实测值，并在进行 出，判定为换规格的块数减少了11.3%，各机架的 下块钢的后计算前按照优化后的自学习算法修正模 轧制力计算精度相对于优化前都有不同程度的提 型系数.重复以上过程，直至文件中保存的带钢数 高.由于上游机架出口厚度随轧制规格指带钢成 据全部处理完成.最后统计计算其中所有带钢的轧 品厚度尺寸)的变化没有下游机架显著，因此换规 制力计算精度来评估自学习算法的优化效果.轧制 格次数合理地减少所带来的优势对上游机架来说要 力模型自学习算法仿真分析流程如图2所示 更为明显，表3中的数据也说明了这一点(2机架 表3是自学习算法仿真程序的分析结果.通过 出现例外的原因是，轧制某些规格时其被设为空过， 对优化前后的轧制力模型预报误差的比较可以看 影响了该机架模型自学习的连续性，. 表3轧制力模型自学习算法优化效果 Table 3 OPtmizat ion effect of the self leamng agorithm for the rolling forcemodel 预报误差>10%的块数 类别 总块数 换规格次数 F F3 伤 6 优化前 9938 54 231 394 226 234 179 343 479 优化后 9938 491 173 358 181 203 167 308 433 不必要的换规格处理次数.(3)从前一块带钢数据 4结论 中分离出设备状态影响系数，并对换规格后的长期 轧制力模型本身的计算精度是有限的，在实际 自学习系数进行修正，保证自学习的连续性 控制系统中必须引入自学习功能以提高其预报精 度，自学习速度因子的选取和长期自学习的处理策 参考文献 略是轧制力自学习算法的关键.离线仿真程序分析 [I]ChingZQ Ana psis on the factors affecting the strip head hick 结果表明，可通过对自学习算法进行以下优化来提 ness prec isin Si Technol Baopu Steel (GouP)Co 2005 31 (1,11 高模型精度：(1)根据轧制数量、测量数据质量和轧 (常在勤.影响带钢头部厚度精度原因的分析.包钢科技 制力预报误差的影响，自学习速度因子的取值实现 200531(1)片11) 在线动态调整.(2长期自学习的判定条件中综合 [2 DaiJB Zhang Q D Chen X L.et al Deve kpment of olling 考虑规格分档的变化以及厚度、宽度的改变量，减少 prcemodel for 2800 mm steel plate fnishing mill J Univ Sci

第 6期 宋 勇等:热轧带钢轧制力模型自学习算法优化 增益系数.设备状态影响系数 αF 在换辊后或长时 间停轧后,需要以一定衰减速度减弱它的影响 . 因此, 换规格时轧制力模型修正系数可采用如 下方法计算 : α=αlαF (7) 式中, αl为从数据文件中取出的长期自学习系数. 3 轧制力模型自学习算法仿真 为了对比优化后的轧制力自学习算法的控制效 果 ,需要对其进行仿真 ,即对同一时段的生产过程 , 按照实际生产顺序重新进行后计算和模型自学习 , 分析自学习算法优化前后轧制力模型预报精度的差 异 .具体做法是, 按照现场生产的先后顺序收集带 钢的各种数据,包括原始数据、设备数据、设定数据 以及头部阶段各种实测数据 (过程控制系统主要是 对带钢头部进行预报和设定 )等, 同时将换辊和停 轧信息也一起保存到数据文件中.编写自学习算法 仿真程序读取并分析该数据文件, 按照数据的保存 顺序分别对每块钢的实际工况进行后计算 , 然后比 较和分析轧制力模型后计算值与实测值, 并在进行 下块钢的后计算前按照优化后的自学习算法修正模 型系数 .重复以上过程 , 直至文件中保存的带钢数 据全部处理完成 .最后统计计算其中所有带钢的轧 制力计算精度来评估自学习算法的优化效果 .轧制 力模型自学习算法仿真分析流程如图 2所示. 表 3是自学习算法仿真程序的分析结果 .通过 对优化前后的轧制力模型预报误差的比较可以看 图 2 轧制力模型自学习算法仿真分析流程 Fig.2 Flowchartofself-learningalgorithmsimulationandanalysis fortherollingforcemodel 出, 判定为换规格的块数减少了 11.3%, 各机架的 轧制力计算精度相对于优化前都有不同程度的提 高.由于上游机架出口厚度随轧制规格 (指带钢成 品厚度尺寸 )的变化没有下游机架显著 , 因此换规 格次数合理地减少所带来的优势对上游机架来说要 更为明显 ,表 3中的数据也说明了这一点 (F2机架 出现例外的原因是 ,轧制某些规格时其被设为空过, 影响了该机架模型自学习的连续性). 表 3 轧制力模型自学习算法优化效果 Table3 Optimizationeffectoftheself-learningalgorithmfortherollingforcemodel 类别 总块数 换规格次数 预报误差 >10%的块数 F1 F2 F3 F4 F5 F6 F7 优化前 9 938 554 231 394 226 234 179 343 479 优化后 9 938 491 173 358 181 203 167 308 433 4 结论 轧制力模型本身的计算精度是有限的, 在实际 控制系统中必须引入自学习功能以提高其预报精 度 .自学习速度因子的选取和长期自学习的处理策 略是轧制力自学习算法的关键 .离线仿真程序分析 结果表明,可通过对自学习算法进行以下优化来提 高模型精度 :(1)根据轧制数量、测量数据质量和轧 制力预报误差的影响, 自学习速度因子的取值实现 在线动态调整.(2)长期自学习的判定条件中综合 考虑规格分档的变化以及厚度 、宽度的改变量 ,减少 不必要的换规格处理次数 .(3)从前一块带钢数据 中分离出设备状态影响系数, 并对换规格后的长期 自学习系数进行修正,保证自学习的连续性 . 参 考 文 献 [ 1] ChangZQ.Analysisonthefactorsaffectingthestripheadthick￾nessprecision.SciTechnolBaotouSteel(Group)Co, 2005, 31 (1):11 (常在勤.影响带钢头部厚度精度原因的分析.包钢科技, 2005, 31(1):11) [ 2] DaiJB, ZhangQD, ChenXL, etal.Developmentofrolling forcemodelfor2800 mm steelplatefinishingmill.JUnivSci · 805·

。806° 北京科技大学学报 第32卷 Technol Beiing 2002 24(3)318 I到 Lu DD W ang Y Guo QL Prediction of rolling ome based an (藏江波，张清东，陈先霖，等.2800m中厚板轧机轧制力模 multineural newots JUniv Jinan Sci Technol 2007 21(3)234 型研究.北京科技大学学报，200224(3：318) (刘东东。王焱，郭庆玲.基于多神经网络的热连轧轧制力预 13]Lu Y Zhou X D Xing JB Finite element smulation of rolling 计算.济南大学学报：自然科学版.200721(3)：234) force during continuous hotstrp rolling pocess J Henan Univ Sci [9 Chen Z M Luo E Huang X H et al Rolling pre predictin TechnolNat Sci 2006 27(6)1 based on chaotic optm ized support vecprmachine Control Decis 刘洋，周旭东，刑建斌.带钢热连轧过程轧制力有限元模拟. 200924(6为808 河南科技大学学报：自然科学版，200627(6：1) (陈治明，罗飞黄晓红，等.基于混沌优化支持向量机的轧制 [4 HouLG ZhangGM XoH Smultin of rolling force durng 力预测.控制与决策。200924(6)，：808) tadem hot olling J Iron Sted Res 2006 18(9):6 [10 Sun YK Hot StrPRolling Malel and Cantrol Beijing MemL 候立刚，张国民，背宏.热连轧过程中的轧制力模拟。钢铁研 ugical ndusty Press 2002 究学报，200618(9)：26) (孙一康.带钢热连轧的模型与控制.北京：治金工业出版 【习YuW H Han JT Lu Y et a]Deveppment of aprocess param. 社.2002) etermodel for lot rolling J Univ Si Technol Beijing 2006 28 [11]YangGL BaiY GuoL P etal Ana pysis of feasibility for roll (5461 ing forcemodeloptmization of hot strpm ill of Jnan Ioon&Steel (余万华，韩静涛，刘勇，等.一种新型实用热轧工艺参数模型 Group Corpomtion JMater Meta]I 2006 5(4):04 的开发.北京科技大学学报，200628(5)：461) (杨贵玲，白彦，郭立平，等.济钢热连轧厂轧制力数学模型 [6 LiH J Xu JZ Wang G D Hih-Precisian rolling prce predic 优化的可行性分析.材料与治金学报.20065(4)：304) tinmodel frhotstrp contnuous rolling process J Northeast Univ [12 LiX T LiH B Zhang X E Strain rate effect and hot iolling NatS9200930(5).669 model prediction mprovement Iron Steel 2004 39(8)86 李海军，徐建忠王国栋.热轧带钢精轧过程高精度轧制力 (李兴田，李鸿斌张晓芳.应变速率的影响与带钢热轧模型 预测模型.东北大学学报：自然科学版，200930(5：669) 预报精度改进.钢铁200439(8)86) [7]WangXM WangGD Liu XH et al Hentification of parame 【13 Zhu FW Hu X I,ZhaoZ et al Hh Prec is知short tem ters of nerve nework based olling model Res Iron Steel 2000 se lf leaming of rolling force in plate olling process J Northeast (144 Univ Nat Sci200829(72980 任秀梅，王国栋刘相华，等.基于神经网络的轧制力模型参 (祝夫文胡贤磊赵忠，等.中厚板生产的高精度轧制力短 数辨识.钢铁研究，2000(1,44) 期自学习.东北大学学报：自然科学版。200829(7)：980)

北 京 科 技 大 学 学 报 第 32卷 TechnolBeijing, 2002, 24(3):318 (戴江波, 张清东, 陈先霖, 等.2800 mm中厚板轧机轧制力模 型研究.北京科技大学学报, 2002, 24(3):318) [ 3] LiuY, ZhouXD, XingJB.Finiteelementsimulationofrolling forceduringcontinuoushotstriprollingprocess.JHenanUnivSci TechnolNatSci, 2006, 27(6):1 (刘洋, 周旭东, 刑建斌.带钢热连轧过程轧制力有限元模拟. 河南科技大学学报:自然科学版, 2006, 27(6):1) [ 4] HouLG, ZhangGM, XiaoH.Simulationofrollingforceduring tandemhotrolling.JIronSteelRes, 2006, 18(9):26 (侯立刚, 张国民, 肖宏.热连轧过程中的轧制力模拟.钢铁研 究学报, 2006, 18(9):26) [ 5] YuWH, HanJT, LiuY, etal.Developmentofaprocessparam￾etermodelforhotrolling.JUnivSciTechnolBeijing, 2006, 28 (5):461 (余万华, 韩静涛, 刘勇, 等.一种新型实用热轧工艺参数模型 的开发.北京科技大学学报, 2006, 28(5):461) [ 6] LiHJ, XuJZ, WangGD.High-precisionrollingforcepredic￾tionmodelforhotstripcontinuousrollingprocess.JNortheastUniv NatSci, 2009, 30(5):669 (李海军, 徐建忠, 王国栋.热轧带钢精轧过程高精度轧制力 预测模型.东北大学学报:自然科学版, 2009, 30(5):669) [ 7] WangXM, WangGD, LiuXH, etal.Identificationofparame￾tersofnervenetworkbasedrollingmodel.ResIronSteel, 2000 (1):44 (王秀梅, 王国栋, 刘相华, 等.基于神经网络的轧制力模型参 数辨识.钢铁研究, 2000(1):44) [ 8] LiuDD, WangY, GuoQL.Predictionofrollingforcebasedon multi-neuralnetwork.JUnivJinanSciTechnol, 2007, 21(3):234 (刘东东, 王焱, 郭庆玲.基于多神经网络的热连轧轧制力预 计算.济南大学学报:自然科学版, 2007, 21(3):234) [ 9] ChenZM, LuoF, HuangXH, etal.Rollingforceprediction basedonchaoticoptimizedsupportvectormachine.ControlDecis, 2009, 24(6):808 (陈治明, 罗飞, 黄晓红, 等.基于混沌优化支持向量机的轧制 力预测.控制与决策, 2009, 24(6):808) [ 10] SunYK.HotStripRollingModelandControl.Beijing:Metal￾lurgicalIndustryPress, 2002 (孙一康.带钢热连轧的模型与控制.北京:冶金工业出版 社, 2002) [ 11] YangGL, BaiY, GuoLP, etal.Analysisoffeasibilityforroll￾ingforcemodeloptimizationofhotstripmillofJinanIron＆Steel GroupCorporation.JMaterMetall, 2006, 5(4):304 (杨贵玲, 白彦, 郭立平, 等.济钢热连轧厂轧制力数学模型 优化的可行性分析.材料与冶金学报, 2006, 5(4):304) [ 12] LiXT, LiHB, ZhangXF.Strainrateeffectandhotrolling modelpredictionimprovement.IronSteel, 2004, 39(8), 86 (李兴田, 李鸿斌, 张晓芳.应变速率的影响与带钢热轧模型 预报精度改进.钢铁, 2004, 39(8), 86) [ 13] ZhuFW, HuXL, ZhaoZ, etal.Highprecisionshort-term self-learningofrollingforceinplaterollingprocess.JNortheast UnivNatSci, 2008, 29(7):980 (祝夫文, 胡贤磊, 赵忠, 等.中厚板生产的高精度轧制力短 期自学习.东北大学学报:自然科学版, 2008, 29(7):980) · 806·