CN102069095B - 一种基于统计学习的精轧终轧温度预测和控制方法 - Google Patents

Abstract

本发明为一种基于统计学习的精轧终轧温度预测和控制方法，涉及温度控制领域。现有精轧温度控制具有典型的滞后性，难以得到理想的控制效果。本发明提供了一种基于统计学习的精轧终轧温度预测和控制方法，该方法在每个控制周期，首先以穿带速度和指定机架水量为自变量，终轧温度为因变量，用精轧过程数据建立统计学预测模型，对终轧温度进行实时预测；然后在预测模型的预测值与实际值变化趋势一致的前提下，基于给定终轧目标温度和预测模型，采用滚动时域优化算法，给出水量的有限时域滚动优化控制决策。本发明可以根据精轧实时动态给出在线实时温度预测，并根据温度预测对终轧温度进行实时优化控制决策，满足实时性要求。

Description

一种基于统计学习的精轧终轧温度预测和控制方法

技术领域

本发明涉及热连轧生产控制方法，具体涉及一种基于统计学习的精轧终轧温度预测和控制方法。

背景技术

在热轧带钢生产中，精轧机组终轧温度的控制精度直接影响到最终产品的组织性能。精轧带钢全长终轧温度控制一直是热轧生产中的重要研究课题，也是难点之一。现有的热轧带钢生产线，一般是通过预先设计穿带速度和温度加速度，并对机架间喷淋水进行PID控制，来实现对终轧温度的控制，但精轧温度控制具有典型的滞后性，用经典的PID控制方法难以得到理想的控制效果。

为此，人们尝试进行改进，探索新的方法。如采用工艺模型进行精轧终轧温度的预测和控制。由于在精轧生产过程中，影响精轧终轧温度的因素众多，如中间辊道的保温状态、高压除鳞模式、各个机架间的冷却水量、轧制速度和加速度等。采用工艺模型进行温度预报，要考虑非常多的因素，包括各种过程变量和各种传热学物理系数等，这给工艺模型的准确性带来很大的不确定性。同时，工艺模型也很难跟踪过程实时动态。

发明内容

本发明的目的是提供一种基于统计学习的精轧终轧温度预测和控制方法，通过对过程数据进行实时采样和统计学习，建立精轧终轧温度的实时预测模型，并对精轧终轧温度进行实时优化控制，解决现有技术存在的无法实时监控工况建立精轧温度控制模型，以及由控制滞后引起的控制精度不高问题。

为实现上述目的，本发明采取以下技术方案：

一种基于统计学习的精轧终轧温度预测和控制方法，由以下步骤组成：

(1)设定采样周期、预测模型的输入输出变量及其阶次，其中预测模型的输入变量为指定机架水量和终轧机架穿带速度，预测模型的输出变量为终轧温度；

(2)在每个固定的采样周期，进行以下步骤：

a、采集预测模型的输入输出变量，并按照步骤(1)设定的预测模型变量阶次，确定模型结构，构造相应的输入输出数据回归向量矩阵和建模用训练数据集；

b、对步骤(a)得到的输入输出数据回归向量矩阵进行去噪处理；

c、基于步骤(a)得到的建模用训练数据集，用统计学方法建立终轧温度的非线性输入输出预测模型；

d、检验预测模型对终轧温度的预测值与实际值变化趋势的一致程度，如果基本一致，则将非线性模型在当前工作点线性化，得到线性模型；否则，不进行后续控制计算，直接返回步骤(a)；

e、基于步骤(d)得到的线性模型，选择指定机架水量为控制变量，并参考实际设备和工艺条件，定义有限时域滚动优化问题；

f、求解步骤(e)中得到的优化问题，得到相应控制决策向量，该向量的第一个元素经限幅处理后作为当前采样周期的控制决策；

(3)重复步骤(a)——步骤(f)至控制任务结束，构建精轧温度预测和控制***；

所述的步骤(a)中，在每个采样周期，都会采集新的指定机架水量、终轧机架穿带速度和终轧温度，并将新的数据加入到建模用训练数据集。

所述的步骤(b)包括如下步骤：

根据精轧设备和工艺条件，确定变量终轧温度、指定机架水量和终轧机架穿带速度及其变化率的上下限；

用变量值和变量变化率的上下限对所有实时数据进行去噪处理。

所述的步骤(c)中的统计学方法为建立统计学模型，统计学模型中的核函数为RBF核函数，具体的非线性模型形式为：

$y\left(x\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_k\exp \{-{\left|\right|x-x_k\left|\right|}_2^2/{\mathrm{\σ}}^2\}+b$

其中，x_k是支持向量，α_k是对应支持向量x_k的加权系数，x是当前的回归数据向量，y(x)是与x相对应的输出，即终轧温度预测值。

所述的步骤(d)包括如下步骤：

对比终轧温度实际值序列T_a({T_a(t)，T_a(t-1)，T_a(t-2)，L})和模型预测值序列T_p({T_p(t-1)，T_p(t-2)，L})，如果终轧温度实际值序列与模型预测值序列之间偏差的交流分量连续若干采样周期不超过指定的交流分量上限，则认定当前时刻终轧温度的预测值与实际值基本一致。

如果预测模型对终轧温度的预测值与实际值基本一致，则将非线性模设在当前工作点线性化，所得线性模型形式如下：

$T\left(t\right)=b_{1}q(t-1)+...+b_{n_q}q(t-n_q)-a_{1}T(t-1)-...-a_{n_T}T(t-n_T)+$

$p_0+c_1*v(t-1)+...+c_{n_v}*v(t-n_v)$

如果预测模型对终轧温度的预测值与实际值不一致，则不进行后续的控制计算，直接返回步骤(a)。

所述的步骤(e)包括如下步骤：

参考实际设备和工艺条件，定义优化目标函数，函数中包括温度控制偏差惩罚项和控制量增量惩罚项；选定优化时域和控制时域；从而定义如下滚动时域优化问题，具体公式为：

$\min J\left(t\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\μ}}_i{[T_r(t+i)-\hat{T}(t+i)]}^2+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{\left[\mathrm{\Δq}(t+j-1)\right]}^2$

其中，P是预测时域，M是控制时域，T_r是参考给定，u_i(1≤i≤P)和λ_i(1≤j≤M)是对应惩罚项的加权系数。

所述的步骤(f)包括如下步骤：

通过矩阵计算，得到如下最优控制增量序列[Δq(t)，Δq(t+1)，L，Δq(t+M-1)]；

参考实际设备和工艺条件，确定水量的上下限约束和变化率约束。如果Δq(t)超限则，对其进行限幅；

由控制增量序列得到相应的控制决策序列为

[q(t-1)+Δq(t)，q(t-1)+Δq(t)+Δq(t+1)，L，q(t-1)+Δq(t)+L+Δq(t+M-1)]

其中序列的第一个元素q(t)＝q(t-1)+Δq(t)，如果q(t)超限，也要进行限幅，最终所得q(t)就是当前时刻的控制决策。

采用本发明方法，具有以下优点：

1、常用的非线性预测模型包括神经网络及模糊模型等，其学习算法都是基于经验风险最小化原理。基于这种原理的学习算法都存在“过拟合”问题。本发明基于统计学习和结构风险最小化原理，建立终轧温度的统计学模型，可以兼顾学习算法的经验风险和推广能力。该模型具有鲁棒性和稀疏性，并且无需在线求解二次规划问题，完全能够满足快速***在线建模的实时性要求。

2、本发明中选用基于径向基函数作为模型的和函数，可以所建模型可以有效地拟和精轧温度***的非线性特性。

3、该方法可以根据精轧实时动态给出在线实时温度预测，并根据温度测对终轧温度进行实时优化控制决策，进而通过控制模块控制终轧温度，从而实现精轧终轧温度控制。

附图说明

图1为本发明功能模块示意图

图2为本发明精轧终轧温度预测和控制的流程框图

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

实施例

如图2所示，一种基于统计学习的精轧终轧温度预测和控制方法，由以下步骤组成：

(1)设定采样周期、预测模型的输入输出变量及其阶次，其中预测模型的输入变量为指定机架水量和终轧机架穿带速度，预测模型的输出变量为终轧温度。根据精轧生产工艺和设备条件，选择采样周期为1秒左右。确定采样周期之后，可以相应的选择机架水量q、终轧机架穿带速度v和终轧温度T的阶次。变量阶次选为3。以调节过水量的机架为指定机架，其它机架水量则保持恒定。

(2)在每个固定的采样周期，进行以下步骤：

a、采集预测模型的输入输出变量，并按照步骤(1)设定的预测模型变量阶次，确定模型结构，构造相应的输入输出数据回归向量矩阵和建模用训练数据集；当前t时刻的输入输出回归向量为：

x(t)＝[q(t-1)，L，q(t-n_q)，v(t-1)，L，v(t-n_v)，T(t-1)，L，T(t-n_T)].     (1)

其中，n_q，n_v和n_T分别是机架水量q、终轧机架穿带速度v和终轧温度T的阶次。一个回归向量和对应终轧温度构成一个训练数据，例如：{x(t)，T(t)}，它作为训练样本集合中的样本，被记作{x_k，T_k}。

由轧制起始时刻开始到当前时刻t，所有的回归向量组成回归向量矩阵{x_k}_k＝1 ^N，而回归向量矩阵与对应的终轧温度组成建模用训练数据集{x_k，T_k}_k＝1 ^N，其中N是数据集中训练样本的数目。

b、对步骤(a)得到的输入输出数据回归向量矩阵进行去噪处理，根据精轧设备和工艺条件，确定终轧温度、指定机架水量和终轧机架穿带速度等变量值及其变化率的上下限。用变量值和变量变化率的上下限对所有实时数据进行检验，去掉所有超限变量值所构成的训练样本。

c、基于步骤(a)得到的建模用训练数据集，用统计学方法建立终轧温度的非线性输入输出预测模型，具体建模方法是：

首先基于统计学习原理，建立如下矩阵方程

$\left[\begin{array}{cc}0& {\stackrel{\→}{1}}^T\\ \stackrel{\→}{1}& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ T\end{array}\right]---\left(2\right)$

其中，T＝[T₁，T₂，...，T_N]^T； $\stackrel{\→}{1}={[1,...,1]}^T;$ α＝[α₁，...，α_N]^T；Ω是一个方阵，其第k列l行的元素是

K(·，·)是核函数。

由(2)式可求得α和b，从而得到如下的非线性模型：

$T\left(x\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_k\exp \{-{\left|\right|x-x_k\left|\right|}_2^2/{\mathrm{\σ}}^2\}+b---\left(3\right)$

其中，x_k是支持向量，α_k是对应支持向量x_k的加权系数，b是模型修正系数，x是当前的回归数据向量(形式见公式1)，T(x)是与x相对应的预测输出，即终轧温度预测值。

d、检验预测模型对终轧温度的预测值与实际值变化趋势的一致程度，如果基本一致，则将非线性模型在当前工作点线性化，得到线性模型；否则，不进行后续控制计算，直接返回步骤(a)；具体通过以下方式：

对比终轧温度实际的实际值序列T_a({T_a(t)，T_a(t-1)，T_a(t-2)，L})和模型预测值序列 $\hat{T}\left(\right\{\hat{T}(t-1),\hat{T}(t-2),L\left\}\right):$

计算预测偏差的滑动平均值 $\mathrm{Avg}=\frac{1}{m_1}\underset{i=1}{\overset{m_1}{\mathrm{\Σ}}}[T_a(t-i)-\hat{T}(t-i)];$

判定当前时刻的预测偏差的交流分量 $\mathrm{Err}\left(t\right)=|\hat{T}\left(t\right)-T_a\left(t\right)-\mathrm{Avg}|\≤\mathrm{Err}\_\mathrm{Ac}$ 是否成立，如果连续m₂个采样周期内均有Err(i)≤Err_Ac，((m₂-1)≤i≤t)，则认定当前时刻终轧温度的预测值与实际值变化趋势基本一致；

其中，Err_Ac是指定的预测值偏差的交流分量上限。m₁是计算偏差滑动均值的时间周期，m2是判定预测值是否稳定的检验周期。在实际精轧生产中，通过实际控制调试可得这三个参数的设置值，一般指定m₁＝15，m₂＝8，Err_Ac＝10℃。

如果预测模型对终轧温度的预测值与实际值变化趋势一致，则将非线性模型在当前工作点线性化。设当前采样时刻为t，则当前采样点为x(t)，为表达方便令x₀＝x(t)。将式(4)在点x₀处线性化型，有

$T\left(x\right)$

$=T\left(x\right){|}_{x=x_0}+\frac{\∂T}{\∂x\left(1\right)}{|}_{x=x_0}[x\left(1\right)-x_0\left(1\right)]+L+\frac{\∂T}{\∂x(n_q+n_v+n_T)}{|}_{x=x_0}[x(n_q+n_v+n_T)-x_0(n_q+n_v+n_T)]$

$=T\left(x\right){|}_{x=x_0}-\frac{\∂T}{\∂x\left(1\right)}{|}_{x=x_0}{x}_0\left(1\right)-...-\frac{\∂T}{\∂x(n_q+n_v+n_T)}{|}_{x=x_0}{x}_0(n_q+n_v+n_T)$

$+\frac{\∂T}{\∂x\left(1\right)}{|}_{x=x_0}x\left(1\right)+...+\frac{\∂T}{\∂x(n_q+n_v+n_T)}{|}_{x=x_0}x(n_q+n_v+n_T)$

$=p_0+b_1*x\left(1\right)+...+b_{n_q}*x\left(n_q\right)+c_1*x(n_q+1)+...+c_{n_v}*x(n_q+n_v)$

$-a_1*x(n_q+n_v+1)-...-a_{n_T}*x(n_q+n_v+n_T)---\left(4\right)$

其中， $\frac{\∂T}{\∂x\left(i\right)}=-\frac{2}{{\mathrm{\σ}}^2}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\left\{{\mathrm{\α}}_k\exp (-{\left|\right|x-x_k\left|\right|}_2^2/{\mathrm{\σ}}^2)\right[x\left(i\right)-x_k\left(i\right)\left]\right\}(1\≤i\≤n_q+n_v+n_T),$

$b_i=\frac{\∂T}{\∂x\left(i\right)}{|}_{x=x_0}(1\≤i\≤n_q),$

$c_i=\frac{\∂T}{\∂x(n_q+i)}{|}_{x=x_0}(1\≤i\≤n_v),$

$a_i=-\frac{\∂T}{\∂x(n_q+n_v+i)}{|}_{x=x_0}(1\≤i\≤n_T),$

$p_0=T\left(x\right){|}_{x=x_0}-\frac{\∂T}{\∂x\left(1\right)}{|}_{x=x_0}{x}_0\left(1\right)-...-\frac{\∂T}{\∂x(n_q+n_v+n_T)}{|}_{x=x_0}{x}_0(n_q+n_v+n_T)$

按照公式(1)的回归向量中变量的排列，可知线性化后的模型为

$T\left(t\right)+a_{1}T(t-1)+...+a_{n_T}T(t-n_T)=b_{1}q(t-1)+...+b_{n_q}q(t-n_q)$

$+c_1*v(t-1)+...+c_{n_v}*v(t-n_v)+p_0---\left(5\right)$

即

A(z^-1)T(t)＝B(z^-1)q(t-1)+C(z^-1)v(t-1)+p₀                (6)

其中， $A\left(z^{-1}\right)=1+a_1{z}^{-1}+...+a_{n_T}{z}^{-n_T},$

$B\left(z^{-1}\right)=b_1+b_2{z}^{-1}+...+b_{n_q}{z}^{-n_q+1},$

$C\left(z^{-1}\right)=c_1+c_2{z}^{-1}+...+c_{n_v}{z}^{-n_v+1}.$

e、基于步骤(d)得到的线性模型，选择指定机架水量为控制变量，并参考实际设备和工艺条件，定义有限时域滚动优化问题；终轧机架穿带速度已经预先设定，属于已知的动态变化量，因此选择指定机架水量为控制变量。

由公式(6)，有

D(z^-1)T(t)＝B(z^-1)Δq(t-1)+C(z^-1)Δv(t-1)               (7)

其中， $\mathrm{\Δ}=1-z^{-1},D\left(z^{-1}\right)=\mathrm{\ΔA}\left(z^{-1}\right)=1+d_1{z}^{-1}+L{d}_{n_T+1}{z}^{-n_T+1}.$ p₀与时间无关，因此Δgp₀＝0。

由公式(8)可知终轧温度T的预测方程如下：

$C_D\hat{T}=C_B\mathrm{\Δq}+C_C\mathrm{\Δv}+H_B{\mathrm{\Δq}}_p+H_D{T}_p+H_B\mathrm{\Δ}{q}_p---\left(8\right)$

其中， $C_D=\left[\begin{array}{ccccc}1& 0& L& L& 0\\ d_1& 1& 0& L& 0\\ M& M& M& M& M\\ d_{n_T}& L& 1& L& 0\\ & & M& & \\ 0& 0& d_{n_T}& L& 1\end{array}\right],$ $H_{D_L}=\left[\begin{array}{ccccc}{d}_1& d_2& L& L& 0\\ d_2& L& d_{n_T}& L& 0\\ M& M& M& M& M\\ d_{n_T}& 0& 0& L& 0\\ 0& 0& 0& L& 0\end{array}\right],$ $\hat{T}=\left[\begin{array}{c}\hat{T}(t+1)\\ \hat{T}(t+2)\\ M\end{array}\right]$ 是未来时刻的预测温度， $T_p=\left[\begin{array}{c}T\left(t\right)\\ M\\ T(t-n_T+1)\end{array}\right]$ 是历史温度信息，其它的符号依此类推。

由(9)式知C_D可逆，且有

$\hat{T}=C_D^{-1}{C}_B\mathrm{\Δq}+C_D^{-1}{C}_C\mathrm{\Δv}+C_D^{-1}{H}_B\mathrm{\Δ}{q}_p+C_D^{-1}{H}_D{T}_p+C_D^{-1}{H}_B\mathrm{\Δ}{q}_p=C_D^{-1}{C}_B\mathrm{\Δq}+Q---\left(9\right)$

其中， $Q=C_D^{-1}{C}_C\mathrm{\Δv}+C_D^{-1}{H}_B{\mathrm{\Δq}}_p+C_D^{-1}{H}_D{T}_p+C_D^{-1}{H}_B{\mathrm{\Δq}}_p$ 是当前时刻已知信息。

参考实际设备和工艺条件，定义优化目标函数，函数中包括温度控制偏差惩罚项和控制量增量惩罚项；选定优化时域和控制时域，从而定义如下滚动时域优化问题：

$\min J\left(t\right)=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\μ}}_i{[T_r(t+i)-\hat{T}(t+i)]}^2+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{\left[\mathrm{\Δq}(t+j-1)\right]}^2---\left(10\right)$

其中，P是预测时域，M是控制时域，T_r是参考给定，u_i(1≤i≤P)和λ_j(1≤j≤M)是对应惩罚项的加权系数。

f、求解步骤(e)中得到的优化问题，得到相应控制决策向量，该向量的第一个元素经限幅处理后作为当前采样周期的控制决策；具体过程为将式(11)转化成向量形式，有

$\min J{=(T_r-\hat{T})}^T\mathrm{\Φ}(T_r-\hat{T})+{\mathrm{\Δq}}^T\mathrm{\Λ\Δq}---\left(12\right)$

其中， $T_r={[T_r(t+1),L,T_r(t+P)]}^T,$ $\hat{T}={[T\left(\widehat{t+}1\right),L,T\left(\widehat{t+}P\right)]}^T,$ Δq＝[Δq(t)，L，Δq(t+M-1)]^T；Φ是以μ_i为对角元素的对角矩阵，Λ是以λ_j为对角元素的对角矩阵。

求目标函数J的最小值，有

$\frac{\∂J}{\∂\mathrm{\Δq}}=-2\frac{{\∂\hat{T}}^T}{\∂\mathrm{\Δq}}\mathrm{\Φ}(T_r-\hat{T})+2\mathrm{\Λ\Δq}=0$

结合(9)式，有

$\mathrm{\Δq}={[C_B^T{\left(C_D^{-1}\right)}^T\mathrm{\Φ}{C}_D^{-1}{C}_B+\mathrm{\Λ}]}^{-1}{C}_B^T{\left(C_D^{-1}\right)}^T\mathrm{\Φ}[T_r-Q]---\left(13\right)$

相应的控制决策序列为

[q(t-1)+Δq(t)，q(t-1)+Δq(t)+Δq(t+1)，L，q(t-1)+Δq(t)+L+Δq(t+M-1)]

参考实际设备和工艺条件，确定水量的上下限约束和变化率约束，

$\left\{\begin{array}{c}0\&le;q(t+j-1)\&le;q_{\max }\\ \left|\mathrm{\&Delta;q}(t+j-1)\right|<{\mathrm{\&Delta;q}}_{\max }\end{array}\right.,1\&le;j\&le;M$

如果Δq(t)超限则，对其进行限幅：

$\left\{\begin{array}{cc}\mathrm{\&Delta;q}\left(t\right)>\mathrm{\&Delta;}{q}_{\max }& \mathrm{\&Delta;q}\left(t\right)={\mathrm{\&Delta;q}}_{\max }\\ \mathrm{\&Delta;q}\left(t\right)<-\mathrm{\&Delta;}{q}_{\max }& \mathrm{\&Delta;q}\left(t\right)=-\mathrm{\&Delta;}{q}_{\max }\end{array}\right.$

序列中的第一个元素q(t)＝q(t-1)+Δq(t)，如果q(t)超限，也要进行限幅。

$\left\{\begin{array}{cc}q\left(t\right)<0& q\left(t\right)=0\\ q\left(t\right)>q_{\max }& q\left(t\right)=q_{\max }\end{array}\right.$

最终所得q(t)就是当前时刻的控制决策。

(3)重复步骤(a)——步骤(f)至控制任务结束，构建精轧温度预测和控制***；

本发明方法的工作原理是根据精轧实时动态给出在线实时温度预测，并根据温度测对终轧温度进行实时滚动优化控制决策，从而实现精轧终轧温度的控制。实际工作中，如图2所示，实现本发明方法的功能模块包括：精轧温度***、建立统计模型模块、预测性能分析模块、非线性模型线性化模块、滚动时域优化控制模块、开关模块，其中建立统计模型模块实现步骤(b)、(c)和(d)中的数据采集整理、去噪和建模功能，并将取得的模型分别输出至非线性模型线性化模块、预测性能分析模块，设置在建立统计模型模块与非线性模型线性化模块之间的开关控制模块用于控制建立统计模型模块向非线性模型线性化模块输出的信息。预测性能分析模块和非线性模型线性化模块实现步骤(e)的功能，定义有限时域滚动优化问题，并将结果输入滚动时域优化控制模块，滚动时域优化控制模块执行步骤(f)和(g)的功能，进而控制精轧温度***调节精轧终轧温度。

Claims (7)

1.一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于由以下步骤组成： 

(1)设定采样周期、预测模型的输入输出变量及其阶次，其中预测模型的输入变量为指定机架水量和终轧机架穿带速度，预测模型的输出变量为终轧温度； 

(2)在每个固定的采样周期，进行以下步骤： 

a、采集预测模型的输入输出变量，并按照步骤(1)设定的预测模型变量阶次，确定模型结构，构造相应的输入输出数据回归向量矩阵和建模用训练数据集； 

b、对步骤(a)得到的输入输出数据回归向量矩阵进行去噪处理； 

c、基于步骤(a)得到的建模用训练数据集，用统计学模型建立终轧温度的非线性输入输出预测模型； 

d、检验预测模型对终轧温度的预测值与实际值变化趋势的一致程度，如果基本一致，则将非线性模型在当前工作点线性化，得到线性模型；否则，不进行后续控制计算，直接返回步骤(a)； 

e、基于步骤(d)得到的线性模型，选择指定机架水量为控制变量，定义有限时域滚动优化问题； 

f、求解步骤(e)中得到的优化问题，得到相应控制决策向量，该向量的第一个元素经限幅处理后作为当前采样周期的控制决策； 

(3)重复步骤(a)一步骤(f)至控制任务结束，构建精轧温度预测和控制***。 

2.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(a)中，在每个采样周期，都会采集新的指定机架水量、终轧机架穿带速度和终轧温度，并将新的数据加入到建模用训练数据集。 

3.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(b)包括如下步骤： 

根据精轧设备和工艺条件，确定变量终轧温度、指定机架水量和终轧机架穿带速度及其变化率的上下限； 

用变量值和变量变化率的上下限对所有实时数据进行去噪处理。 

4.如权利要求1中所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(c)中的统计学模型中的核函数为RBF核函数，具体的非线性模型形式为： 

其中，x_k是支持向量，α_k是对应支持向量x_k的加权系数，b是模型修正系数，x是当前的回归数据向量，T(x)是与x相对应的输出，即终轧温度预测值。 

5.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(d)包括如下步骤： 

对比终轧温度实际值序列T_a({T_a(t)，T_a(t-1)，T_a(t-2)，L})和模型预测值序列T_p({T_p(t-1)，T_p(t-2)，L})，如果终轧温度实际值序列与模型预测值序列之间偏差的交流分量连续若干采样周期不超过指定的交流分量上限，则认定当前时刻终轧温度的预测值与实际值基本一致,

如果预测模型对终轧温度的预测值与实际值基本一致，则将非线性模设在当前工作点线性化，所得线性模型形式如下： 

如果预测模型对终轧温度的预测值与实际值不一致，则不进行后续的控制计算，直接返回步骤(a)。 

6.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(e)包括如下步骤： 

参考实际设备和工艺条件，定义优化目标函数，函数中包括温度控制偏差惩罚项和控制量增量惩罚项；选定优化时域和控制时域，从而定义如下滚动时域优化问题，具体公式为： 

其中，P是预测时域，M是控制时域，t是采样时刻，T_r是参考给定，μ_i和λ_j是对应惩罚项的加权系数，1≤i≤P，1≤j≤M。 

7.根据权利要求1所述的一种基于统计学习的精轧终轧温度预测和控制方法，其特征在于所述的步骤(f)包括如下步骤： 

通过矩阵计算，得到如下最优控制增量序列[△q(t)，△q(t+1)，…，△q(t+M-1)]； 

参考实际设备和工艺条件，确定水量的上下限约束和变化率约束,如果△q(t)超限，则对其进行限幅； 

由控制增量序列得到相应的控制决策序列为 

[q(t-1)+△q(t)，q(t-1)+△q(t)+△q(t+1)，…，q(t-1)+△q(t)+…+△q(t+M-1)] 

其中序列的第一个元素q(t)=q(t-1)+△q(t)，如果q(t)超限，也要进行限幅，最终所得q(t)即当前时刻的控制决策。 

Images