冷连轧机组负荷分配智能优化新方法

D0I:10.13374/i.issm1001053x.2002.05.018 第24卷第5期 北京科技大学学报 Vol.24 No.5 2002年10月 Journal of University of Science and Technology Beijing 0ct.2002 冷连轧机组负荷分配智能优化新方法 王焱”刘景录)孙一康引 1)济南大学信息科学与工程学院，济南2500222)济南大学计算中心，济南2500223)北京科技大学信息工程学院，北京100083 摘要提出基于免疫遗传算法与BP网络混合模型的冷连轧机组负荷分配的智能优化新方 法，该方法具有学习功能强、计算精度高，使用方便等特点，且适合在线计算.实验证明了该方 法的有效性 关键词冷连轧机组；神经网络；免疫遗传算法；负荷分配：智能优化 分类号TG333.71;TP18 轧制规程中压下方式及压下参数的指定， 1冷连轧机组负荷分配的IG-BP网 实际上就是确定各机架的负荷分配或厚度分 配，从而进行厚度设定及板形设定"，冷连轧机 络混合模型 组的负荷分配优化，即针对一卷要轧制的带钢， 用BP网络解决问题的过程主要是设计适 如何确定各机架出口厚度h,使整个机组工作 当的网络结构和构造相应的网络权值的过程 状态达到最优 过去一般采用试探法，通过不断前向计算和反 目前，大部分冷连轧生产过程还是按照带 向传播得到权值，而结构参数要经过多次增减 钢材料强度、来料厚度、成品厚度、带钢宽度、润 试探才能获得，这种方法既不能避免反向传播 滑条件、压下方式等数据，把压下值、张力、冷却 算法所固有的不足，也会使网络的性能过分依 量等以数据库的形式存人计算机，形成所谓“标 赖试探的过程.近年来，许多学者已开始尝试使 准轧制规范表”，作为负荷分配的依据.传统的 用进化算法（包括遗传算法、进化策略和进化规 负荷分配优化方法多为首先建立各种条件下的 划)优化神经网络的结构参数.本文利用IGA的 单一目标函数（如“等功率余量”、“等压力”、“等 全局搜索能力优化BP网络结构参数的方法就 主负荷”等)，通过相应的寻优方法（如动态规划 是在这一背景下提出的. 法、单纯形加速法等)，在给定的各机架出口厚 基于免疫遗传算法与BP神经网络结合对 度h,上下限范围内，找出使目标函数为最小的 冷连轧机组负荷分配进行优化的系统模型如 一组.虽有多目标函数的优化设定，但均不适 图1所示.其中单隐层BP网络模型采用了动量 合在线计算. 法和学习率自适应调整两种策略，且使用了 本文首次提出将一种新的智能优化方法 Levenberg-Marquardt快速算法，进一步提高了学 免疫遗传算法(IGA)与人工神经网络结合 习速度及增加了算法的可靠性. 应用于冷连轧机轧制参数优化的思想.实验分 析表明，该方法在轧制参数优化计算方面的性 IGA模型 网络结构参数 h. 能优于传统的优化方法，它既节省了计算机资 适值f八x)=C-E BP网络 源，简化了步骤，又提高了效率，排除了主观因 隐节点数，权值，阙值 素的影响，为新产品的试制和原有产品轧制规 误差的平方和E 程的优化计算提供了一种新的尝试途径. 图1IG一BP网络混合系统负荷分配优化模型 Fig.2 Optimization model of the load distribution of an 收稿日期200109-23王焱女，39岁，博士 *国家自然科学基金资助项目(N0.69772012) IG-BP network mixed system

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 冷连轧机组负荷分配智能优化新方法 王 众 ” 刘 景 录 ， 孙一 康 ” 济南大学信息科学与工程学院 ， 济南 济南大学计算 中心 ， 济南 北京科技大学信息工程学院 ， 北京 摘 要 提 出基于 免疫遗传算法 与 网络混合模型 的冷连轧机组 负荷分配 的智能优化新方 法 ， 该方法具有学 习 功 能强 、 计算精度高 、 使用 方便等特点 ， 且适合在线计算 实验证 明了该方 法 的有效性 关键词 冷连轧机组 神经 网络 免疫遗传算法 负荷分配 智能优化 分 类 号 一 轧制规程 中压下 方式 及 压 下 参数 的 指定 ， 实 际 上 就是 确 定 各机架 的负荷 分配 或 厚 度 分 配 ， 从而进行厚度设定及板形设定 ‘叫 冷连 轧机 组 的负荷分配优化 ， 即针对一 卷要轧制 的带钢 ， 如何确定各机架 出 口 厚度 瓶 ， 使整个机组 工作 状态达到最优叹 目前 ， 大部分冷连 轧生 产过程还是按 照 带 钢 材料强度 、 来料厚度 、 成 品厚度 、 带钢 宽度 、 润 滑条件 、 压下方式等数据 ， 把压下值 、 张力 、 冷却 量等以数据库 的形式存人计算机 ， 形成所谓 “ 标 准 轧制规范表 ” ， 作为负荷分配 的依据 传统 的 负荷分配优化方法多为首先建立各种 条件下 的 单一 目标 函数 如 “ 等功率余量 ” 、 “ 等压力 ” 、 “ 等 主负荷 ” 等 ， 通过相应 的寻优方法 如动态规划 法 、 单纯形 加速法等 ， 在给定 的各机架 出 口 厚 度 ‘ 上 下 限范 围内 ， 找 出使 目标 函 数为最小 的 一组 ‘ 虽 有多 目标 函数的优化设定 ， 但均不 适 合在线计算 本 文 首 次 提 出 将 一 种 新 的 智 能优 化 方 法 — 免疫遗传算法 与人工神经 网络结合 应用 于 冷 连 轧机轧制 参数优化 的思 想 实验分 析表 明 ， 该方法在轧制参数优化计算方面 的性 能优于传统 的优化方法 ， 它 既节省 了 计算机资 源 ， 简化 了步骤 ， 又 提高 了效率 ， 排 除 了 主 观 因 素 的影 响 ， 为新产 品 的试制和 原有 产 品轧制规 程 的优化计算提供 了一 种新 的尝 试途径 冷连轧机组负荷分配的 一 网 络混合模型 用 网络 解决 问题 的过程 主 要是设计适 当的 网络结构 和 构造相应 的 网络权值 的过程 过去 一般采用 试探法 ， 通 过不 断前 向计算和 反 向传播得 到权 值 ， 而 结 构参数要 经过 多 次增 减 试探才能获 得 ， 这种 方法 既不 能避免反 向传播 算法所 固有 的不 足 ， 也会使 网络 的性 能过分依 赖试探 的过程 近 年来 ， 许多学者 已 开始尝试使 用 进化算法 包括遗传算法 、 进化策略和进化规 划 优化神经 网络的结构 参数 本文利 用 的 全局 搜索能力 优化 网 络结构参数 的方法就 是在 这一 背 景 下 提 出 的 基于 免疫遗传算法 与 神经 网络结合对 冷 连 轧 机 组 负荷 分 配 进 行 优 化 的 系统模 型 如 图 所 示 其 中单 隐层 网络模型 采用 了动量 法 和 学 习 率 自适 应 调 整 两 种 策 略 ， 且 使 用 了 一 ，决速算法 ， 进一步提高了学 习 速度及 增 加 了算法 的可 靠性 收稿 日期 刁 一 王 众 女 ， 岁 ， 博士 国 家 自然科学基金资助项 目 图 一 网 络 混 合 系统负荷分 配优化模型 · 一 议 DOI ：10．13374／j ．issn1001—053x．2002．05．018

·552· 北京科技大学学报 2002年第5期 BP网络的输入节点为带钢钢种、材料强度、 善，此时网络隐节点数为15，是输入节点数的2 来料厚度、成品厚度、带钢宽度、润滑条件、压下 倍多，符合BP网络结构设计的经验值，且网络 方式等7个，输出节点为四机架冷连轧机组各 收敛速度很快.图2给出了优化结构参数后的 机架负荷分配预报值.考虑到保持板形良好 BP网络训练误差曲线.从图中可以看到，按IGA 的条件，选择h作为BP网络的输出值.BP网络 模型优化后设计的BP网络，在经过近5.5万步 的隐层节点数及相应的权值、阈值、动量项及学 训练后，误差的平方和已从10数量级降至系统 习率等参数由IGA模型优化给出. 设置的10~数量级.训练所需时间大约12min, 预测所需时间约1s. 2实验分析 102 为了验证上述方法的有效性，选择钢种 Q195稳定轧制后的现场数据62组，其中50组 10° 数据用于对神经网络的离线训练，另12组数据 好 102 用于对神经网络性能的在线测试，以检验神经 网络的学习效果.BP网络隐层节点的激活函数 10 为对数Sigmoid函数，输出节点的激活函数为线 性函数.表1给出了各机架出口厚度的实际值 10-6 0 23 与IG一BP网络混合模型预测值的对比情况 训练步数/万次 图2BP网络训练误差曲线 表1各机架出口厚度实际值与IG-BP网络预测值对比 Fig.2 Error curve of BP networks Table 1 Comparison between the trim size of the stand ex- port thickness and the predicated values of IG-BP net- 3 结语 works mm 出口厚度 机架1 机架2 机架3 机架4 对于冷连轧机组，如何进行每架轧机的负 实际值 2.115 1.345 1.062 0.950 荷分配，是制定轧制规程的一个基本问题.传统 预测值 2.129 1.476 1.118 0.955 的经验法、能耗曲线法等负荷分配方法，不仅误 实际值 2.553 1.816 1.375 1.089 差大，效率低，而且人为因素多.应用G-BP网 预测值 2.627 1.764 1.359 1.100 络混合模型对冷连轧机组的负荷分配进行智能 实际值 1.353 0.905 0.667 0.538 预测值 1.281 优化，其方法简单，计算精度高，具有很强的学 0.798 0.682 0.551 实际值 1.006 0.657 0.439 0.322 习功能，避免了主观因素的影响，且适合于在线 预测值 1.110 0.682 0.441 0.314 计算，效果良好，为冷连轧机组轧制规程的智能 优化设计提供了一种新的途径. 在优化计算过程中，由于网络权值是在训 练过程中自动形成的，因此彻底排除了其他方 参考文献 法所带来的主观性，另外，对误差较大的测试点 1刘阶，孙一康.带钢热连轧计算机控制M.北京：机 可追加为训练样本，对网络进行重新训练，以进 械工业出版社，1997 2管克智.冶金机械自动化M).北京：冶金工业出版 一步提高网络的预测精度.由于轧制过程是一 社，1998 个高度非线性的生产过程，实际生产中各种干 3张大志，程秉祥，李谓谋，等.基于遗传网络的冷轧机 扰因素很多，及时利用现场数据训练IG-BP网 轧制压力模型[).北京科技大学学报，2000,22(4)：384 络模型，使系统自适应、自学习及抗干扰能力不 4刘贺平，张兰玲，孙一康，多层回归网络的非线性系 断增强，以提高计算精度.实验中发现：训练样 统预测模型[).北京科技大学学报，2000,22(2)：190 5孙一康.带钢热连轧数学模型基础M北京：冶金工 本越多，网络的预测精度越高，相应训练所需的 业出版社，1979 时间也越长；且隐层数目增加也会增加训练时 6王煦法，张显俊，曹先彬，等.一种基于免疫原理的遗 间.另外，若配以数学模型或网络模型对上述预 传算法[].小型微型计算机系统，1999,20(2)：117 测值进行实时修正，还会进一步提高预测精度. 7孙晓光，常春，刘相华，等.精轧机组负荷分配的人工 IGA迭代150次后，优化参数已有明显改 神经网络识别U.钢铁，1995,30(11)：26 (下转第555页)

北 京 科 技 大 学 学 报 年 第 期 网络的输人节点为带钢钢种 、 材料强度 、 来料厚度 、 成品厚度 、 带钢 宽度 、 润滑条件 、 压下 方式等 个 ， 输 出节点为 四机架冷连轧机组 各 机架 负荷分配 预报值 ‘ 考虑到保持板形 良好 的条件 ，选择 ， 作 为 网络 的输 出值 网络 的隐层节点数及相应 的权值 、 阂值 、 动量项及学 习 率等参数 由 模型 优化给 出 善 ， 此时 网络 隐节点数为 ， 是输人节 点数 的 倍多 ， 符合 网络结构设计 的经验值 ， 且 网络 收敛速度很快 图 给出 了优化结构参数后 的 网络训练误差 曲线 从图中可 以看到 ， 按 模型 优化后设计 的 网络 ， 在经过近 万步 训练后 ， 误差 的平方和 已从 少 数量级降至 系统 设置 的 一 ，数量级 训 练所需 时间大约 ， 预测 所需 时 间约 晰咚补翎一一 实验分析 为 了 验 证 上 述方 法 的 有 效性 ， 选 择 钢 种 稳定轧制后 的现场数据 组 ， 其 中 组 数据用 于对神经 网络的离线训 练 ， 另 组数据 用 于 对神经 网络性能的在线测试 ， 以检验神经 网络 的学 习效果 网络隐层节点 的激 活 函数 为对数 函数 ， 输 出节点 的激活 函数为线 性 函数 表 给 出了各机架 出 口 厚度 的实际值 与 一 网络混合模型 预测值的对 比情况 表 各机架 出口 厚度 实 际值与 一 网络预测值对 比 泣 代 一 吕 一 一 训练步数 万次 图 网络训 练误差 曲线 出口 厚度 实际值 预测值 实际值 预测值 实际值 预测值 实际值 预测值 机架 机架 机架 机架 在优化计算过程 中 ， 由于 网络权值是在 训 练过程 中 自动形成 的 ， 因此 彻底排除 了其他方 法所带来 的 主观性 另外 ， 对误差较大的测试点 可追加为训 练样本 ， 对 网络进行重新训练 ， 以进 一步提高 网络 的 预测精度 由于轧制过程是一 个高度非线性 的 生 产 过程 ， 实 际生 产 中各种 干 扰 因素很 多 ， 及 时利用 现场数据训 练 一 网 络模型 ， 使系统 自适应 、 自学 习及抗干扰能力不 断增 强 ， 以提高计算精度 实 验 中发现 训 练样 本越多 ， 网络的预测精度越高 ， 相应训练所需 的 时 间也越长 且 隐层数 目增加 也会增加训 练时 间 另外 ， 若配 以数学模型 或 网络模型对上述预 测值进行实时修正 ， 还 会进一步提高预测精度 迭代 次后 ， 优化参数 已有 明显 改 结语 对于 冷连 轧机组 ， 如何进行每架轧机 的负 荷分配 ， 是制定轧制规程 的一个基本问题 传统 的经验法 、 能耗 曲线法等负荷分配方法 ， 不仅误 差 大 ， 效率低 ， 而且人为 因 素多 应用 一 网 络混合模型对冷连轧机组 的负荷分配进行智能 优化 ， 其方法简单 ， 计算精度 高 ， 具有很强 的学 习功能 ， 避免了 主观因素的影响 ， 且适合于在线 计算 ， 效果 良好 ， 为冷连轧机组轧制规程 的智能 优化设计提供 了一种新 的途径 参 考 文 献 刘 价 ， 孙一康 带钢 热连轧计 算机控制 北 京 机 械工 业 出版社 ， 管克智 冶金机械 自动化附〕 北京 冶金工业 出版 社 ， 张大志 ，程秉祥 ，李谓谋 ， 等 基于遗传网络 的冷轧机 轧制压力模型 北京科技大学学报 ， ， 刘贺平 ， 张兰 玲 ， 孙一康 多层 回归 网络的非线性 系 统预测模型 北京科技大学学报 ， ， 孙一康 带钢热连轧数学模型 基础 北 京 冶金工 业 出版社 ， 王 煦法 ， 张显俊 ， 曹先彬 ， 等一种 基于免疫原理 的遗 传算法 小型微型计算机系统 ， ， 孙晓光 ， 常春 ， 刘相华 ，等 精轧机组 负荷分配的人工 神经 网络识别 钢铁 ， ， 下 转第 页

Vol.24 童朝南等：热连轧综合AGC系统的智能化控制 ·555· 2刘阶，孙一康.带钢热连轧计算机控制.北京：机械 的统一性证明[)，控制与决策，2000,153：333 工业出版社，1997 6葛平，栾晓冬，李晓凌，等，基于H鲁棒控制方法的 3张进之.压力AGC分类及控制建模分析).钢铁研 AGC-活套综合控制).北京科技大学学报，2001,23 究学报，1995,18(2)：87 (6):557 4王立平，热连轧机厚度设定与控制系统分析.控制 7何虎，孙一康，热连轧活套系统分析与控制方式的比 与决策，1994,8(2)：115 较[刀.北京科技大学学报，2000,22(5)：482 5王君，张殿华，王国栋，厚度计型和动态设定型AGC Intelligent Control of a Multi-function AGC System in Hot Strip Mills TONG Chaonan",SUN Yikang".CHEN Baihong.ZHANG Haibo2 1)Information Engineering School,UST Beijing,Beijing 100083,China 2)Ansan Iron and Steel Group Corporation,Ansan 114031,China ABSTRACT A intelligent coordination control of the multi-stand tandem and multi-function AGC arith- metic is introduced.The AGC parameters self-tunning and the monitor AGC fuzzy control method are pro- posed.The effectiveness of actual applications as also presented. KEY WORDS AGC;intelligent control;hot strip mill ★条米孝米本煮条杂※本本总本海来长*本本卷杂春海素紫米米条★条为冷本台为海装★茶米有条浓杂套涤★条米茶本素为*章奉亲条茶章农章本条米条水雀素年海米衣茶为桌动卷冷办 (上接第552页) A New Intelligent Optimization Method for the Scheduling of Cold Continuous Rolling Mills WANG Yan,LIU Jinglu, SUN Yikang 1)Information Science and Engineering School,Jinan University,Jinan 250022,China 2)Computer Center,Jinan University,Jinan 250022.China 3)Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT A new method for optimizing the scheduling of cold continuous rolling mills is proposed by means of the Immune Genetic Algorithm and BP networks.The method has many advantages such as stonger learning function,higher computational accuracy,and being convenient for use and suitable for on-line calcul- ation.With a example,the effectiveness of the method is proved. KEY WORDS cold continuous rolling mills;neural network;immune genetic algorithm;scheduling;in- telligent optimization

】 一 童 朝 南 等 热 连轧 综合 系统 的智 能化 控制 刘阶 ， 孙 一康 带钢热连轧计算机控制 北京 机械 工业 出版社 ， 张进之 压力 分类及控制建模分析 钢铁研 究学报 ， ， 王 立平 热连轧机厚度设定 与控制 系统分析 控制 与决策 ， ， 王 君 ， 张殿华 ， 王 国栋 厚度计型 和 动 态设定型 的统一性证 明 ， 控制与决策 ， ， 葛平 ， 栗晓冬 ， 李晓凌 ， 等 基于 鲁棒控制方法 的 〔 一 活套综合控制 北京科技大学学报 ， ， 何虎 ， 孙一康 热连轧活套系统分析 与控制方式 的 比 较 北京科技大学学报 ， ， 一 九 ，， 动 馆 ，气 心 ，， 月只刀召 万 口 ， ， ， 氏 ， 一 一 几 硕 上 接 第 页 恻万 ’ ， 喇沪 ， 〔 心 ， ， 饥 ， 以 几 ， ， ， ， ， 加 七刃。 众 ， ， 一 ， 加 而