CN105488319A - 一种适于交叉轧制的模型学习方法 - Google Patents
一种适于交叉轧制的模型学习方法 Download PDFInfo
- Publication number
- CN105488319A CN105488319A CN201410480123.XA CN201410480123A CN105488319A CN 105488319 A CN105488319 A CN 105488319A CN 201410480123 A CN201410480123 A CN 201410480123A CN 105488319 A CN105488319 A CN 105488319A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- matrix
- rolling
- steel
- study
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 38
- 239000010959 steel Substances 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005098 hot rolling Methods 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 abstract 1
- 239000002436 steel type Substances 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
- Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
一种适于交叉轧制的模型学***,用最大树法确定截集水平对应的模糊规则数,以此建立轧制线前滑学习模糊矩阵,对矩阵值为1的量,学习可以完全继承;对矩阵值为0的量,则学习不继承。本发明可提高生产过程的稳定性,有效防止交叉轧制过程中因模型学习趋势错误引起的起套卡钢事故,提高产品质量精度,实现自由轧制。
Description
技术领域
本发明属于轧钢自动控制领域,尤其涉及一种适合于热轧带钢交叉轧制的模型学习方法。
背景技术
目前,国内、外的热连轧厂采用的数学模型基本上有GE模型、西门子模型和日本三菱模型。三菱模型采用经典的金属压力加工公式,GE、西门子模型采用经验公式,其学习方法都使用上次轧制时的实际数据来进行学习,无论是哪种模型都适合批量轧制,批量越大,同一钢种、规格轧制越多轧制过程越稳定,产品质量精度越高。反之交叉轧制时,不仅规格、钢种交叉,炉序也交叉,都不同程度地存在轧制不稳定,产品质量精度低的问题。围绕交叉轧制时如何提高轧制的稳定性,从而开发出一套适合交叉轧制的模型学习方法,是一个亟待解决的当务之急。
发明内容
本发明旨在提供一种能有效防止热轧带钢交叉轧制过程中,因轧制工况变化导致模型学习趋势错误引起的起套卡钢事故,从而提高产品质量,实现自由轧制的模型学习方法。
为此,本发明所采取的解决方案是:
一种适于交叉轧制的模型学习方法,其特征在于,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,建立模糊矩阵,根据模糊矩阵值确定其相似程度,并最终确定其学习继承的程度;具体方法和步骤为:
1、确定模糊集:用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类,在***内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新,建立模糊子集A的隶属函数,采用ZADEH表示法来表示模糊集,即:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un。
2、进行模糊聚类分析:隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数,利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据,采集至少1.8万块钢的数据,对采集的数据按厚度、宽度、钢种进行分类,采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析。
3、确定模糊相似矩阵的截集水平及模糊规则数:根据钢种、规格的分布情况,依照T-S模糊建模算法,用黄金分割法确定满意的模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数,提高聚类算法的收敛速度和聚类精度。
4、建立模糊矩阵:将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模,最终确定的模糊矩阵为:
5、学习与继承:矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度,将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量,认为两类钢完全一致,学习可以完全继承;对矩阵值为0的量,则认为两类钢完全不一致,学习不继承。
本发明的有益效果为:
本发明方法打破了传统的模型学习理念,将模糊数学控制算法引入热轧带钢交叉轧制的模型学习中,解决了已有技术存在的轧制不稳定,产品质量精度低的问题,不仅可增加生产过程的稳定性,有效防止热轧带钢交叉轧制过程中,因轧制工况变化导致模型学习趋势错误而引起的起套卡钢事故,减少事故损失;而且能提高产品的质量精度,实现自由轧制,满足生产实际的需要。本发明具有较大的推广应用价值。
具体实施方式
传统的三菱模型学习方法,根据上次轧制本规格钢的实际数据来进行学习,考虑因素比较单一,未全面考虑当时的轧制工况,因而学习效果不理想。
本发明用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,建立模糊矩阵,根据模糊矩阵值确定其相似程度,并最终确定其学习继承的程度。
本发明的具体方法和步骤为:
1、确定模糊集:用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类,在***内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新,建立模糊子集A的隶属函数,采用ZADEH表示法来表示模糊集,即:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un。
2、进行模糊聚类分析:隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数,利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据,采集至少1.8万块钢的数据,对采集的数据按厚度、宽度、钢种进行分类,采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析。
3、确定模糊相似矩阵的截集水平及模糊规则数:根据钢种、规格的分布情况,依照T-S模糊建模算法,用黄金分割法确定满意的模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数,提高聚类算法的收敛速度和聚类精度。
4、建立模糊矩阵:将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模,最终确定的模糊矩阵为:
5、学习与继承:矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度,将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量,认为两类钢完全一致,学习可以完全继承;对矩阵值为0的量,则认为两类钢完全不一致,学习不继承。
将本发明方法投入到在线控制中,即可获得提高生产过程稳定性,实现自由轧制的满意效果。
Claims (1)
1.一种适于交叉轧制的模型学习方法,其特征在于,用模糊数学方法对前后轧制的钢种进行聚类分析并归类,采用模糊分布法求出其隶属函数,建立模糊矩阵,根据模糊矩阵值确定其相似程度,并最终确定其学习继承的程度;具体方法和步骤为:
(1)确定模糊集:用数学方法定义模糊集论域U为前面轧过的钢的至少18种分类,在***内存中开辟一缓存,存储轧过的至少18种钢数据并随时更新,建立模糊子集A的隶属函数,采用ZADEH表示法来表示模糊集,即:
A=A(u1)/u1+A(u2)/u2+…+A(un)/un;
(2)进行模糊聚类分析:隶属函数是建立模糊集的基石,论域U上的隶属函数就是U到[0,1]的一个实值函数,利用模糊分布法来确定隶属函数,根据热轧生产线某一季度的实际生产数据,采集至少1.8万块钢的数据,对采集的数据按厚度、宽度、钢种进行分类,采用MINKOWSKI距离贴近度法来对钢种、规格的相似程度进行聚类分析;
(3)确定模糊相似矩阵的截集水平及模糊规则数:根据钢种、规格的分布情况,依照T-S模糊建模算法,用黄金分割法确定满意的模糊相似矩阵的截集水平,用最大树法确定截集水平对应的模糊规则数,提高聚类算法的收敛速度和聚类精度;
(4)建立模糊矩阵:将确定的满意模糊相似矩阵的截集水平及对应的模糊规则数应用于轧制线前滑学习模糊建模,最终确定的模糊矩阵为:
(5)学习与继承:矩阵值为钢种、规格的相似程度,根据钢种、规格的相似程度来确定模型的继承程度,将模糊计算结果与传统的模型学习结果结合,对矩阵值为1的量,认为两类钢完全一致,学习可以完全继承;对矩阵值为0的量,则认为两类钢完全不一致,学习不继承。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410480123.XA CN105488319A (zh) | 2014-09-19 | 2014-09-19 | 一种适于交叉轧制的模型学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410480123.XA CN105488319A (zh) | 2014-09-19 | 2014-09-19 | 一种适于交叉轧制的模型学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488319A true CN105488319A (zh) | 2016-04-13 |
Family
ID=55675294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410480123.XA Pending CN105488319A (zh) | 2014-09-19 | 2014-09-19 | 一种适于交叉轧制的模型学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773774A (zh) * | 2015-11-19 | 2017-05-31 | 鞍钢股份有限公司 | 一种适合交叉轧制的模型学习方法 |
CN107330291A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种光伏发电日发电量的二型点值Zadeh模糊计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080255684A1 (en) * | 2002-11-18 | 2008-10-16 | Universiti Putra Malaysia | Artificial intelligence device and corresponding methods for selecting machinability data |
CN101545026A (zh) * | 2009-05-08 | 2009-09-30 | 大连理工大学 | 一种转炉炼钢吹氧量影响因素的权重确定方法 |
KR20100009275A (ko) * | 2008-07-18 | 2010-01-27 | 주식회사 포스코 | 학습형 최적화 기능이 구비된 지능형 분류기를 이용한 주편표면결함 분류장치 및 이에 의한 분류방법 |
CN103376085A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢板形智能综合评价方法 |
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
-
2014
- 2014-09-19 CN CN201410480123.XA patent/CN105488319A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080255684A1 (en) * | 2002-11-18 | 2008-10-16 | Universiti Putra Malaysia | Artificial intelligence device and corresponding methods for selecting machinability data |
KR20100009275A (ko) * | 2008-07-18 | 2010-01-27 | 주식회사 포스코 | 학습형 최적화 기능이 구비된 지능형 분류기를 이용한 주편표면결함 분류장치 및 이에 의한 분류방법 |
CN101545026A (zh) * | 2009-05-08 | 2009-09-30 | 大连理工大学 | 一种转炉炼钢吹氧量影响因素的权重确定方法 |
CN103376085A (zh) * | 2013-07-05 | 2013-10-30 | 燕山大学 | 冷轧带钢板形智能综合评价方法 |
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
Non-Patent Citations (3)
Title |
---|
R.R.NASCIMENTO等: "CONTROL OF THE MOLTEN STEEL LEVEL IN A STRIP-CASTING PROCESS USING T-S FUZZY MODELS", 《15TH TRIENNIAL WORLD CONGRESS, BARCELONA, SPAIN》 * |
于洋等: "鞍钢2150ASP生产线大调宽轧制工艺的开发应用", 《鞍钢技术》 * |
杨华芬: "基于聚类算法的T-S模糊神经网络模型研究及应用", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773774A (zh) * | 2015-11-19 | 2017-05-31 | 鞍钢股份有限公司 | 一种适合交叉轧制的模型学习方法 |
CN107330291A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种光伏发电日发电量的二型点值Zadeh模糊计算方法及装置 |
CN107330291B (zh) * | 2017-07-12 | 2021-03-30 | 广东工业大学 | 一种光伏发电日发电量的二型点值Zadeh模糊计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103092078B (zh) | 多阶段间歇生产过程的全程优化方法 | |
CN101782771B (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
CN102929148A (zh) | 基于t-k控制图的多品种生产模式统计过程控制方法 | |
CN107272412B (zh) | 一种暂冲式风洞流场控制的辩识方法 | |
CN103676881A (zh) | 一种半导体生产线动态瓶颈分析方法 | |
CN102814340B (zh) | 热轧带钢宽度控制模型智能学习***及自学习方法 | |
WO2017088207A1 (zh) | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 | |
CN111522230B (zh) | Mimo异因子紧格式无模型控制方法 | |
CN108399298B (zh) | 一种管材切割的套料算法 | |
WO2021205479A3 (en) | Method and system for real time trajectory optimization | |
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN103399488B (zh) | 基于自学习的多模型控制方法 | |
CN105182755A (zh) | 一种工业加热炉***的分数阶预测函数控制方法 | |
CN105488319A (zh) | 一种适于交叉轧制的模型学习方法 | |
CN104330972A (zh) | 一种基于模型自适应的综合预测迭代学习控制方法 | |
CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
CN103412486A (zh) | 一种聚氯乙烯汽提过程智能控制方法 | |
CN104611000A (zh) | 一种提高大型乙烯裂解炉作业效率的生产批调度控制方法 | |
CN103903065A (zh) | 基于核学习技术的青霉素生产过程产品质量预测方法 | |
CN104407642A (zh) | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力***模糊网络优化pid控制方法 | |
CN105855298B (zh) | 一种高精度含硼钢热轧轧制力计算方法 | |
CN108681656B (zh) | 一种基于乙烯裂解炉运行数据的过程分析方法 | |
CN116681249A (zh) | 一种预设正态分布反向推导任务分解参数确定方法 | |
CN105718426A (zh) | 一种基于多元线性回归分析的疏浚产量数学模型建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160413 |