CN110414171B - 一种板形执行机构群体协调调节方法 - Google Patents
一种板形执行机构群体协调调节方法 Download PDFInfo
- Publication number
- CN110414171B CN110414171B CN201910719267.9A CN201910719267A CN110414171B CN 110414171 B CN110414171 B CN 110414171B CN 201910719267 A CN201910719267 A CN 201910719267A CN 110414171 B CN110414171 B CN 110414171B
- Authority
- CN
- China
- Prior art keywords
- plate shape
- plate
- adjustment
- actual
- edge
- 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.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 37
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 52
- 239000010959 steel Substances 0.000 claims abstract description 52
- 230000007547 defect Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 230000001105 regulatory effect Effects 0.000 claims description 51
- 238000013000 roll bending Methods 0.000 claims description 47
- 238000005452 bending Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 21
- 230000000694 effects Effects 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Mechanical Engineering (AREA)
- Bending Of Plates, Rods, And Pipes (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供了一种板形执行机构群体协调调节方法,步骤如下:一、基于板形辊检测到的待消除板形偏差和板形执行机构消除的板形偏差建立评价函数J;二、根据板形执行机构调节上、下极限确定约束条件;三、根据双边浪、中浪、单边浪以及边部减薄板形缺陷,设计板形目标曲线系数;四、构造实际板形状况判别因子;五、建立板形执行机构群体协调调节机制;六、计算板形执行机构群体协调调节量;七、建立Topkis‑Veinott和遗传算法协同优化的协调算法;八、输出板形执行机构群体协调调节量。采用本发明的执行机构群体协调调节方法,各测量段带钢板形偏差均显著减小,改善了带钢的板形质量。
Description
技术领域
本发明属于带钢生产技术领域,具体涉及一种板形执行机构群体协调调节方法。
背景技术
随着我国钢铁产业升级的不断深化,客户对带钢的板形质量的要求越来越高。在轧制过程中,实际的板形状况十分复杂,而且对成品带钢的板形质量有重要影响。实现高精度板形自动控制必须满足三个条件:首先,板形检测装置要具备较高的可靠性和实时性,能够不间断地获取准确的在线板形信息;其次,轧机需要配备多种类型的板形调节机构,能够有效地消除复杂的板形缺陷;最后,在检测装置与执行机构之间应装备与实际工况相适应的板形控制***。
不同类型的板形调节机构对带钢板形的控制效果具有复杂的差异性,具有对称调节能力的执行机构为工作辊弯辊、中间辊弯辊和中间辊横移;具有非对称调节能力的执行机构为工作辊倾斜;具有高敏感度的执行机构为工作辊弯辊、工作辊倾斜、中间辊横移;具有低敏感度的执行机构为中间辊弯辊。在现有的板形控制***中,仅仅是简单地将全部执行机构的最优调节量进行设定计算,然后发送给板形控制闭环来消除板形辊检测到的不良浪形。然而,在实际应用过程中,这种方式存在执行机构群体调节不协调的问题:(1)当板形辊检测到对称性板形缺陷时,工作辊倾斜执行机构也参与到板形调节过程中,但工作辊倾斜执行机构动作过程中又会引起额外的板形变化,这将消耗掉板形闭环控制***中其他执行机构的调节裕量;(2)当工作辊弯辊和中间辊弯辊朝着相反方向调节时,由于这两种执行机构的调控功效曲线均是凹弧形的,这将导致两种执行机构对带钢板形的作用效果互相抵消,降低板形控制***的有效弯辊率;(3)当中间辊横移执行机构发生交替增加调节时,工作辊与中间辊接触区域将产生大量热变形,这不仅会导致液压缸弯辊和横移精度降低,而且也引起严重的轧辊磨损。
发明内容
本发明的针对现有技术中的不足,提供一种板形控制***执行机构群体协调调节方法。针对以上问题,本发明专利在原板形控制***基础上,利用板形执行机构调节特性与待消除板形缺陷的匹配度,预先设计板形执行机构群体协调调节机制,以达到提高整个板形控制***效用的目的。
为实现上述目的,本发明采用以下技术方案:一种板形执行机构群体协调调节方法,包括如下步骤:
步骤一、基于板形辊检测到的待消除板形偏差和板形执行机构消除的板形偏差建立评价函数J:沿带钢宽度方向等分为n1个测量段,将每一个测量段上板形辊检测到的待消除板形偏差减去板形执行机构消除的板形偏差并取平方,再对全部测量段的平方差求和;
步骤二、根据板形执行机构调节上、下极限确定约束条件:将前一个周期的调节机构实际值与本周期的调节机构调节量相加得出下一个周期的调节机构理论值,然后令下一个周期的调节机构理论值限制在调节机构上、下极限之内;
步骤三、根据双边浪、中浪、单边浪以及边部减薄板形缺陷,设计板形目标曲线系数:将一次函数与目标板形曲线一次系数X_1作乘积,表示操作侧有单边浪、传动侧有单边浪;将二次函数/>与目标板形曲线二次系数作乘积,表示有中浪、双边浪;将一组递增项/>分别与目标板形曲线边部系数作乘积,表示边部减薄状况;表达式为:
式中,X_1为目标板形曲线一次系数,X_2为目标板形曲线二次系数,X_3为目标板形曲线边部系数,m3为带钢占用的测量段的个数,T(j)为j测量段目标板形值;
步骤四、构造实际板形状况判别因子:通过板形辊测得实际板形值,对实际板形测量值进行特征提取;
首先,分别将单边浪判别因子X_1_e、对称判别因子X_2_e和边部判别因子X_3_e代入T(j,X_1,X_2,X_3)得到T(j,X_1_e,X_2_e,X_3_e);其次,将每一个测量段上的实际板形值M(j)与T(j,X_1_e,X_2_e,X_3_e)作平方差,并对全部测量段平方差求和;最后,通过这些判别因子的上限、下限建立约束条件,求解使达到最小值时对应的判别因子;
步骤五、建立板形执行机构群体协调调节机制:
1)当X_1_e单边浪判别因子大于一次合理范围上界,实际板形的局部状况为传动侧有单边浪,此时实际板形状况为非对称状态;当X_1_e单边浪判别因子小于一次合理范围的下界,实际板形的局部状况为操作侧有单边浪;此时实际板形状况为非对称状态;非对称状态下令板形调节执行机构组合方式为:轧辊倾斜调节量多;当X_1_e单边浪判别因子在一次合理范围内,实际板形的局部状况为操作侧板形与传动侧板形对称;此时实际板形状况为对称状态,令板形调节执行机构组合方式为,轧辊倾斜调节量少;
2)当X_2_e对称判别因子大于二次合理范围上界,实际板形的局部状况为:带钢板形出现严重中浪;当X_2_e对称判别因子小于二次合理范围下界,实际板形的局部状况为:带钢板形出现严重双边浪;此时带钢出现严重板形缺陷,令板形调节执行机构组合方式为,工作辊弯辊调节量多于中间辊弯辊调节量;当X_2_e对称判别因子在二次合理范围内,实际的板形状况为:带钢出现轻微中浪、双边浪;此时带钢出现轻微板形缺陷,令板形调节执行机构组合方式为,工作辊弯辊调节量少于中间辊弯辊调节量;
3)当X_3_e边部判别因子大于边部合理范围上界,实际板形的局部状况为:带钢出现严重边部减薄;当X_3_e边部判别因子小于边部合理范围下界,实际板形的局部状况为:带钢两端最外侧板形比较紧;当带钢出现严重边部减薄,令板形调节执行机构组合方式为,中间辊横移调节量多;
当X_3_e边部判别因子在边部合理范围内,实际板形的局部状况为:带钢出现轻微边部减薄;当带钢出现轻微的边部减薄,令板形调节执行机构组合方式为,中间辊横移调节量少;
步骤六、计算板形执行机构群体协调调节量:将评价函数J作为计算板形执行机构群体协调调节量的目标函数;根据实际板形状况判别因子选择与之相匹配的形执行机构群体协调调节策略,并与调节上限、下限约束条件共同作为计算板形执行机构群体协调调节量的约束条件;
步骤七、建立Topkis-Veinott和遗传算法协同优化的协调算法,求解板形状况判别因子与板形执行机构群体协调调节量;
步骤八、输出板形执行机构群体协调调节量。
为优化上述技术方案,采取的具体措施还包括:
步骤一中,评价函数J的表达式为:
fi=ΔuWB·EffWB(i)+ΔuIB·EffIB(i)+ΔuIS·EffIS(i)+ΔuWT·EffWT(i)
式中,n1为测量段数目,gi为权重因子,mesi为板形测量值,refi为板形设定值,mesi-refi为板形辊检测到的待消除板形偏差,fi为板形执行机构消除的板形偏差,J为评价函数;ΔuWB为工作辊弯辊的调节量,EffWB为工作辊弯辊的调节效率因子,ΔuIB为中间辊弯辊的调节量,EffIB为中间辊弯辊的调节效率因子,ΔuIS为中间辊横移的调节量,EffIS为中间辊横移的调节效率因子,ΔuWT为工作辊倾斜的调节量,EffWT为工作辊倾斜的调节效率因子,i为小于n1的正整数。
步骤二中确定约束条件的表达式为:
llWB≤vWB(n2+1)=vWB(n2-1)+ΔuWB(n2)≤ulWB
llIB≤vIB(n2+1)=vIB(n2-1)+ΔuIB(n2)≤ulIB
llIS≤vIS(n2+1)=vIS(n2-1)+ΔuIS(n2)≤ulIS
llWT≤vWT(n2+1)=vWT(n2-1)+ΔuWT(n2)≤ulWT
式中,ΔuWB(n2)为第n2个周期工作辊弯辊调节量,vWB(n2-1)为第n2-1个周期工作辊弯辊实际值,vWB(n2+1)为第n2+1个周期工作辊弯辊实际值,ΔuIB(n2)为第n2个周期中间辊弯辊调节量,vIB(n2-1)为第n2-1个周期中间辊弯辊实际值,vIB(n2+1)为第n2+1个周期中间辊弯辊实际值,ΔuIS(n2)为第n2个周期中间辊横移调节量,vIS(n2-1)为第n2-1个周期中间辊横移实际值,vIS(n2+1)为第n2+1个周期中间辊横移实际值,ΔuWT(n2)为第n2个周期工作辊倾斜调节量,vWT(n2-1)为第n2-1个周期工作辊倾斜实际值,vWT(n2+1)为第n2+1个周期工作辊倾斜实际值,ulWB为工作辊弯辊上极限,llWB为工作辊弯辊下极限,ulIB为中间辊弯辊上极限,llIB为中间辊弯辊下极限,ulIS为中间辊横移上极限,llIS为中间辊横移下极限,ulWT为工作辊倾斜上极限,llWT为工作辊倾斜下极限。
步骤四的表达式为:
ll1≤X_1_e≤ul1
s.t. ll2≤X_2_e≤ul2
ll3≤X_3_e≤ul3
式中,M(j)为j测量段的实际板形,ul1为单边浪判别因子的上限,ll1为位单边浪判别因子的下限,ul2为对称判别因子的上限,ll2为对称判别因子的下限,ul3为边部判别因子的上限,ll3为边部判别因子的下限。
步骤五中第1)部分,根据X_1_e单边浪判别因子与一次合理范围进行设置调节策略具体为:
当X_1_e>ulline-advisable-scope时与当X_1_e<llline-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略C为:
ΔuWT>ΔuWB
ΔuWT>ΔuIB
ΔuWT>ΔuIS
当llline-advisable-scope<X_1_e<ulline-advisable-scope时,板形执行机构群体协调调节策略D为:
ΔuWT<ΔuWB
ΔuWT<ΔuIB
ΔuWT<ΔuIS
式中,ulline-advisable-scope为一次合理范围上界,llline-advisable-scope为一次合理范围下界;ΔuWT为工作辊倾斜调节量,ΔuWB为工作辊弯辊调节量,ΔuIB为中间辊弯辊调节量,ΔuIS为中间辊横移调节量。
步骤五中第2)部分,根据X_2_e对称判别因子与二次合理范围进行设置调节策略具体为:
当X_2_e>ulquadratic-advisable-scope与当X_2_e<llquadratic-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略E为:
ΔuWB>ΔuIB
当llquadratic-advisable-scope<X_2_e<ulquadratic-advisable-scope时,板形执行机构群体协调调节策略F为:
ΔuWB<ΔuIB
式中,ulquadratic-advisable-scope为二次合理范围上界,llquadratic-advisable-scope为二次合理范围下界。
步骤五中第3)部分,根据X_3_e边部判别因子与边部合理范围进行设置调节策略具体为:
当X_3_e>uledge-advisable-scope与当X_3_e<lledge-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略G为:
ΔuIS>ΔuWB
ΔuIS>ΔuIB
当lledge-advisable-scope<X_3_e<uledge-advisable-scope时,板形执行机构群体协调调节策略H为:
ΔuIS<ΔuWB
ΔuIS<ΔuIB
式中,uledge-advisable-scope为边部合理范围上界,lledge-advisable-scope为边部合理范围下界。
步骤七的协调算法用于求解步骤四板形状况判别因子与步骤六板形执行机构群体协调调节量,等价于如下形式的函数优化问题:
式中,为目标函数,/>为非线性及线性不等式约束条件,mTV为非线性及线性不等式约束的个数,/>为未知变量向量,NTV为未知变量个数。
协调算法的步骤如下:
S1选取为初始点,εTV>0,令kTV=0;
式中,为Topkis-Veinott算法初始点,εTV为Topkis-Veinott算法迭代精度,kTV为Topkis-Veinott算法迭代次数;
S2构造规划问题A:
最优解为是第kTV次迭代的结果;
式中,向量为点/>处的一个下降方向,/>nTV为向量/>的维数,yTV为终止迭代判定参数,/> 为目标函数偏导数,/>为不起作用约束函数偏导数;
S3将规划问题A等价转换为如下形式B:
min fLP(xδ)1≤δ≤N
其中,fLP(xδ)为目标函数,xδ为的分量,N为变量个数,hε(xδ)为问题A中约束条件进行等价转换后的不等式约束条件,M为问题A约束条件进行等价转换后的不等式约束条件个数,aδ、bδ分别为约束域的上界、下界;
S4令aδ=-1,bδ=-1;
S5给定最大进化代数T,种群数Mpopulation,交叉概率Pcross,变异概率Pmutation,t=0;t是遗传代数,随机生成Mpopulation个个体作为初始种群;
S6对于每一代种群中的每个个体分别计算其适应值Ffitness;
S7若满足终止条件1:t<T,转到S13;不满足则继续S8;
S8对种群中的每个个体计算选择概率Pselect,计算累积概率Paccumulate,产生一个区间[0,1]的随机数,若该随机数小于Paccumulate(1),则选择第一个个体;若该随机数大于Paccumulate(k-1),而且随机数小于Paccumulate(k),则选择第k个个体,最好的个体得到多个拷贝,中等个体保持平稳,最差的个体死亡;
S9根据选择概率Pselect,从种群中随机选择Mpopulation个个体,得到新种群;
S10根据交叉概率Pcross,对于新种群中的每个个体,产生一个区间[0,1]的随机数,当该随机数小于Pcross时,则所选个体被选择进行交叉;从新种群中选择个体进行交配;其子代进入到下一代种群,新种群中未进行交配的个体,直接复制到下一代种群中;
S11根据变异概率Pmutation,每个个体的分量都有均等的机会变异,对群体中的每个个体的分量,产生一个区间[0,1]的随机数,当该随机数小于Pmutation时,个体的该分量进行变异;从新群体中选择个体进行变异,用变异后的个体代替群体中原来的个体;
S12用新群体代替旧群体,t=t+1,转到S6;
S13对进化过程中适应值Ffitness最大的个体进行解码,解码后x(t)为最优值,输出x(t),即第kTV次的最优解 是方向向量最优值,/>是终止判定参数向量最优解,
S14如果则输出/>是第kTV次的迭代调节量向量最优解,计算停止;否则转到S15;
S15利用直线搜索技术,确定使
其中,为第kTV次搜索步长因子上界,/>为第kTV次搜索步长因子;
S16求解一维搜索问题
S17置转到S2,/>是第kTV+1次的迭代调节量向量最优解。
S3中hε(xδ)由规划问题A的约束条件进行等价转换得到。
本发明的有益效果是:本发明通过板形判别因子建立板形调节学习库,使各调节执行机构组合后的整体调节能力与待消除的板形缺陷相匹配,并且基于神经网络-遗传算法来搜索板形调节最优值。采用本发明的执行机构群体协调调节方法时,各测量段带钢板形偏差均显著减小,改善了带钢的板形质量。
附图说明
图1a是工作辊倾斜调节效率系数。
图1b是工作辊弯辊调节效率系数。
图1c是中间辊弯辊调节效率系数。
图1d是中间辊横移调节效率系数。
图2是本发明的板形控制***执行机构群体协调调节方法流程图。
图3是融合Topkis-Veinott和遗传算法的协调算法流程图。
图4是本发明实施例的板形控制***设备分布图。
图5是本发明的板形控制效果图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
为了使各调节执行机构组合后的整体调节能力与待消除的板形缺陷相匹配,本文提出了一种新的板形调节执行机构的深度学习模型。第一,它可以判断实际板形缺陷的对称性。再者,它能够根据实际板形的状况动态控制消除板形偏差的快慢,当板形偏差较大时,以保证消除板形偏差速度为主,以保证消除板形偏差的精度为辅。当板形偏差较小时,以保证消除板形偏差的精度为主,以保证消除板形偏差速度为辅。最后,根据实际板形的对称性来自动安排板形执行机构的调节顺序。当出现对称板形缺陷时,令具有对称调节能力的执行机构优先级较高。当出现非对称板形缺陷时,令具有非对称调节能力的执行机构优先级较高。
如图2所示,在板形控制***中,多种不同性质的调节机构同时参与板形调节过程。为了充分发挥其作用,需要研究调节机构的特点并且制定合理的调节策略。
步骤一、基于板形辊检测到的待消除板形偏差和板形执行机构消除的板形偏差建立评价函数J:沿带钢宽度方向等分为n1个测量段,将每一个测量段上板形辊检测到的待消除板形偏差减去板形执行机构消除的板形偏差并取平方,再对全部测量段的平方差求和;
评价函数J的表达式为:
fi=ΔuWB·EffWB(i)+ΔuIB·EffIB(i)+ΔuIS·EffIS(i)+ΔuWT·EffWT(i)
式中,n1为测量段数目,gi为权重因子,mesi为板形测量值,refi为板形设定值,mesi-refi为板形辊检测到的待消除板形偏差,fi为板形执行机构消除的板形偏差,J为评价函数;ΔuWB为工作辊弯辊的调节量,EffWB为工作辊弯辊的调节效率因子,ΔuIB为中间辊弯辊的调节量,EffIB为中间辊弯辊的调节效率因子,ΔuIS为中间辊横移的调节量,EffIS为中间辊横移的调节效率因子,ΔuWT为工作辊倾斜的调节量,EffWT为工作辊倾斜的调节效率因子。
常规板形闭环控制仅仅从最大调节范围的角度对调节量进行修订。在板形控制***的调节周期内,通过前一个周期的调节机构实际值和本周期的调节机构调节量可以得出下一个周期的调节机构理论值,为了得到下一个周期的调节机构实际值,需要对其进行修订。
步骤二、根据板形执行机构调节上、下极限确定约束条件:将前一个周期的调节机构实际值与本周期的调节机构调节量相加得出下一个周期的调节机构理论值,然后令下一个周期的调节机构理论值限制在调节机构上、下极限之内;
表达式为:
llWB≤vWB(n2+1)=vWB(n2-1)+ΔuWB(n2)≤ulWB
llIB≤vIB(n2+1)=vIB(n2-1)+ΔuIB(n2)≤ulIB
llIS≤vIS(n2+1)=vIS(n2-1)+ΔuIS(n2)≤ulIS
llWT≤vWT(n2+1)=vWT(n2-1)+ΔuWT(n2)≤ulWT
式中,ΔuWB(n2)为第n2个周期工作辊弯辊调节量,vWB(n2-1)为第n2-1个周期工作辊弯辊实际值,vWB(n2+1)为第n2+1个周期工作辊弯辊实际值,ΔuIB(n2)为第n2个周期中间辊弯辊调节量,vIB(n2-1)为第n2-1个周期中间辊弯辊实际值,vIB(n2+1)为第n2+1个周期中间辊弯辊实际值,ΔuIS(n2)为第n2个周期中间辊横移调节量,vIS(n2-1)为第n2-1个周期中间辊横移实际值,vIS(n2+1)为第n2+1个周期中间辊横移实际值,ΔuWT(n2)为第n2个周期工作辊倾斜调节量,vWT(n2-1)为第n2-1个周期工作辊倾斜实际值,vWT(n2+1)为第n2+1个周期工作辊倾斜实际值,ulWB为工作辊弯辊上极限,llWB为工作辊弯辊下极限,ulIB为中间辊弯辊上极限,llIB为中间辊弯辊下极限,ulIS为中间辊横移上极限,llIS为中间辊横移下极限,ulWT为工作辊倾斜上极限,llWT为工作辊倾斜下极限。
在主流的板形控制***中,配备的板形调节执行机构包括工作辊弯辊、中间辊弯辊、中间辊横移、工作辊倾斜。为了设计合理的板形调节策略,需要对板形调节执行机构的调节效率的特点进行分析。他们的调节效率系数如图1a、图1b、图1c和图1d所示。
从图1a、图1b、图1c和图1d中可知,具有对称调节能力的执行机构为工作辊弯辊、中间辊弯辊和中间辊横移。具有非对称调节能力的执行机构为工作辊倾斜。具有高敏感度的执行机构为工作辊弯辊、工作辊倾斜、中间辊横移。具有低敏感度的执行机构为中间辊弯辊。
在轧制过程中,带钢的板形状况是错综变化的。对于不同的板形状况,如果采用固定的调节方式来控制,则无法充分发挥各个调节机构的作用。因此,理想的策略为:首先,在板形控制***的学习库中制定相应的调节策略,使各板形调节执行机构组合后的整体调节能力与待消除的板形缺陷相匹配。同时,板形控制***能够实时分析实际的板形状况、而且经过深度学习后智能选择相应的调节策略。
在常规的板形控制***中,主要是通过实际板形和目标板形的偏差来表示板形缺陷,然而,这样处理并不能使板形控制***知道实际板形的局部形态。根据实际生产情况,实际板形的局部形态主要包括,中浪、双边浪、单边浪。因此,引入一组系数来定量地表示实际板形的局部形态。
步骤三、将一次函数与目标板形曲线一次系数X_1作乘积,表示操作侧有单边浪、传动侧有单边浪;将二次函数/>与目标板形曲线二次系数作乘积,表示有中浪、双边浪;将一组递增项/>分别与目标板形曲线边部系数作乘积,表示边部减薄状况;表达式为:
式中,X_1为目标板形曲线一次系数,X_2为目标板形曲线二次系数,X_3为目标板形曲线边部系数,m3为带钢占用的测量段的个数,T(j)为j测量段目标板形值。
步骤四、分别将三个实际板形的局部形态判别因子构成的曲线与实际板形做均方差,而且在约束范围内使该均方差最小。也就是说,三个实际板形的局部形态判别因子构成的曲线与实际板形是等价的。
表达式为:
ll1≤X_1_e≤ul1
s.t. ll2≤X_2_e≤ul2
ll3≤X_3_e≤ul3
式中,M(j)为j测量段的实际板形,ul1为单边浪判别因子的上限,ll1为位单边浪判别因子的下限,ul2为对称判别因子的上限,ll2为对称判别因子的下限,ul3为边部判别因子的上限,ll3为边部判别因子的下限。
智能板形控制***不仅能够实时分析实际的板形的局部状况,而且能够动态地选择合理的控制策略,使各板形调节执行机构组合后的整体调节能力与待消除的板形缺陷相匹配。
步骤五、建立板形执行机构群体协调调节机制:
1)当X_1_e单边浪判别因子大于一次合理范围上界,实际板形的局部状况为传动侧有单边浪,此时实际板形状况为非对称状态;当X_1_e单边浪判别因子小于一次合理范围的下界,实际板形的局部状况为操作侧有单边浪;此时实际板形状况为非对称状态;如果实际板形状况为非对称状态,则令板形调节执行机构组合方式为:轧辊倾斜调节量相对较多一些;当X_1_e单边浪判别因子在一次合理范围内,实际板形的局部状况为操作侧板形与传动侧板形对称;此时实际板形状况为对称状态,如果实际板形状况为对称状态,则令板形调节执行机构组合方式为,轧辊倾斜调节量相对较少一些。
因此,当X_1_e>ulline-advisable-scope时与当X_1_e<llline-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略C为:
ΔuWT>ΔuWB
ΔuWT>ΔuIB
ΔuWT>ΔuIS
当llline-advisable-scope<X_1_e<ulline-advisable-scope时,板形执行机构群体协调调节策略D为:
ΔuWT<ΔuWB
ΔuWT<ΔuIB
ΔuWT<ΔuIS
式中,ulline-advisable-scope为一次合理范围上界,llline-advisable-scope为一次合理范围下界;ΔuWT为工作辊倾斜调节量,ΔuWB为工作辊弯辊调节量,ΔuIB为中间辊弯辊调节量,ΔuIS为中间辊横移调节量。上界和下界的值是已知的,不同规格带钢对应的上界值、下界值是不同的,上界、下界取值表存放在在二级设定模型中。
2)当X_2_e对称判别因子大于二次合理范围上界,实际板形的局部状况为:带钢板形出现严重的中浪;当X_2_e对称判别因子小于二次合理范围下界,实际板形的局部状况为:带钢板形出现严重的双边浪;如果带钢出现严重的板形缺陷时,优先考虑消除板形缺陷的速度,则令板形调节执行机构组合方式为,工作辊弯辊调节相对多一些,中间辊弯辊调节相对少一些。当X_2_e对称判别因子在二次合理范围内,实际的板形状况为:带钢出现轻微中浪或双边浪;如果带钢出现轻微的板形缺陷时,优先考虑消除板形缺陷的精度,则令板形调节执行机构组合方式为,工作辊弯辊调节相对少一些,中间辊弯辊调节相对多一些。
因此,当X_2_e>ulquadratic-advisable-scope与当X_2_e<llquadratic-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略E为:
ΔuWB>ΔuIB
当llquadratic-advisable-scope<X_2_e<ulquadratic-advisable-scope时,板形执行机构群体协调调节策略F为:
ΔuWB<ΔuIB
式中,ulquadratic-advisable-scope为二次合理范围上界,llquadratic-advisable-scope为二次合理范围下界。
3)当X_3_e边部判别因子大于边部合理范围上界,实际板形的局部状况为:带钢出现严重的边部减薄;当X_3_e边部判别因子小于边部合理范围下界,实际板形的局部状况为:带钢两端最外侧板形比较紧;如果带钢出现严重的边部减薄,则令板形调节执行机构组合方式为,中间辊横移调节相对多一些。
当X_3_e边部判别因子在边部合理范围内,实际板形的局部状况为:带钢出现轻微的边部减薄;如果带钢出现轻微的边部减薄,则令板形调节执行机构组合方式为,中间辊横移调节相对少一些。
因此,当X_3_e>uledge-advisable-scope与当X_3_e<lledge-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略G为:
ΔuIS>ΔuWB
ΔuIS>ΔuIB
当lledge-advisable-scope<X_3_e<uledge-advisable-scope时,板形执行机构群体协调调节策略H为:
ΔuIS<ΔuWB
ΔuIS<ΔuIB
式中,uledge-advisable-scope为边部合理范围上界,lledge-advisable-scope为边部合理范围下界。
通过制定学习库中调节执行机构的组合方式,能够使板形控制***根据实际板形状况,智能地选择最优的调节策略。
步骤六、计算板形执行机构群体协调调节量:将评价函数J作为计算板形执行机构群体协调调节量的目标函数;根据实际板形状况判别因子选择与之相匹配的形执行机构群体协调调节策略,并与调节上限、下限约束条件共同作为计算板形执行机构群体协调调节量的约束条件。
下面以实际板形传动侧有单边浪为例子,其表达式为:
min J
llWB≤vWB(n2-1)+ΔuWB(n2)≤ulWB
llIB≤vIB(n2-1)+ΔuIB(n2)≤ulIB
llIS≤vIS(n2-1)+ΔuIS(n2)≤ulIS
s.t. llWT≤vWT(n2-1)+ΔuWT(n2)≤ulWT
ΔuWT>ΔuWB
ΔuWT>ΔuIB
ΔuWT>ΔuIS
当实际板形为其他状况时,同理。
步骤七、建立Topkis-Veinott和遗传算法协同优化的协调算法,求解板形状况判别因子与板形执行机构群体协调调节量,故本发明专利融合Topkis-Veinott算法和遗传算法,开发了一种与板形控制闭环相适用的协调算法,其主要优点为:(1)能够兼顾搜索的确定性和随机性:搜索点的转移方向采用概率性搜索技术,搜索点的转移关系采用确定性搜索技术,这样既保证了较高的搜索速度和灵活性,又避免了一直搜索不到最优点的情况。(2)够同时进行多点搜索与单点搜索:转移方向采用多点搜索,转移关系采用单点搜索,这样不仅可以扩大搜索点的范围,搜索信息更丰富,而且能够有效地减少计算量。
步骤四与步骤六等价于如下形式的函数优化问题:
/>
式中,为目标函数,/>为非线性及线性不等式约束条件,mTV为非线性及线性不等式约束的个数,/>为未知变量向量,NTV为未知变量个数。
协调算法的计算流程如图3所示,步骤如下:
S1选取为初始点,εTV>0,令kTV=0;
式中,为Topkis-Veinott算法初始点,εTV为Topkis-Veinott算法迭代精度,kTV为Topkis-Veinott算法迭代次数;
S2构造规划问题A:
-1≤PTVβ≤1 β=1,2,...,nTV
最优解为是第kTV次迭代的结果;
式中,向量为点/>处的一个下降方向,/>nTV为向量/>的维数,yTV为终止迭代判定参数,/> 为目标函数偏导数,/>为不起作用约束函数偏导数;
S3将规划问题A等价转换为如下形式B:
min fLP(xδ)1≤δ≤N
其中,fLP(xδ)为目标函数,xδ为的分量,N为变量个数,hε(xδ)为问题A中约束条件进行等价转换后的不等式约束条件,M为问题A约束条件进行等价转换后的不等式约束条件个数,aδ、bδ分别为约束域的上界、下界;
S4令aδ=-1,bδ=-1;
S5给定最大进化代数T,种群数Mpopulation,交叉概率Pcross,变异概率Pmutation,t=0;随机生成Mpopulation个个体作为初始种群;
S6对于每一代种群中的每个个体分别计算其适应值Ffitness;
S7若满足终止条件1:t<T,转到S13;不满足则继续S8;
S8对种群中的每个个体计算选择概率Pselect,计算累积概率Paccumulate,产生一个区间[0,1]的随机数,若该随机数小于Paccumulate(1),则选择第一个个体;若该随机数大于Paccumulate(k-1),而且随机数小于Paccumulate(k),则选择第k个个体,最好的个体得到多个拷贝,中等个体保持平稳,最差的个体死亡;
S9根据选择概率Pselect,从种群中随机选择Mpopulation个个体,得到新种群;
S10根据交叉概率Pcross,对于新种群中的每个个体,产生一个区间[0,1]的随机数,当该随机数小于Pcross时,则所选个体被选择进行交叉;从新种群中选择个体进行交配;其子代进入到下一代种群,新种群中未进行交配的个体,直接复制到下一代种群中;
S11根据变异概率Pmutation,每个个体的分量都有均等的机会变异,对群体中的每个个体的分量,产生一个区间[0,1]的随机数,当该随机数小于Pmutation时,个体的该分量进行变异;从新群体中选择个体进行变异,用变异后的个体代替群体中原来的个体;
S12用新群体代替旧群体,t=t+1,转到S6;
S13对进化过程中适应值Ffitness最大的个体进行解码,解码后x(t)为最优值,输出x(t),即第kTV次的最优解
S14如果则输出/>计算停止,得到最优的/>否则转到S15;
S15利用直线搜索技术,确定使
其中,为第kTV次搜索步长因子上界,/>为第kTV次搜索步长因子;
S16求解一维搜索问题
S17置转到S2,/>是第kTV+1次的迭代调节量向量最优解。
步骤八、输出板形执行机构群体协调调节量。
采用本专利提出的执行机构群体协调调节方法,对某1450mm冷连轧板形控制***进行优化。基于协调算法编写C语言程序并利用Function Block generator工具生成可以在STEP 7环境下直接调用的协调算法自定义功能块,然后将全部群体协调调节策略封装为协调调节功能模块并嵌入到原板形控制***中。SIMATIC TDC主要硬件如表1所示。
表1SIMATIC TDC主要硬件
板形控制***设备分布如图4所示,板形检测装置为ABB板形辊,六辊UCM轧机的板形调节装置包括工作辊弯辊、工作辊倾斜、中间辊弯辊、中间辊横移以及工作辊分段冷却。SIMATIC TDC控制器通过工业以太网与HMI、PDA以及二级设定服务器进行通讯,同时采用独立计算机对SIMATIC TDC控制器进行监视与诊断。
将本发明提出的执行机构群体协调调节方法在某1450mm冷连轧板形控制***进行测试,实验带钢规格为3.5×1250→0.88×1250,钢种为SPCC。板形控制效果如图5所示,曲线a为采用执行机构群体协调调节方法的板形控制效果,曲线b为不采用执行机构群体协调调节方法的板形控制效果,将两组数据进行对比分析可知:采用执行机构群体协调调节方法时,各测量段带钢板形偏差均显著减小,改善了带钢的板形质量。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种板形执行机构群体协调调节方法,其特征在于,包括如下步骤:
步骤一、基于板形辊检测到的待消除板形偏差和板形执行机构消除的板形偏差建立评价函数J:沿带钢宽度方向等分为n1个测量段,将每一个测量段上板形辊检测到的待消除板形偏差减去板形执行机构消除的板形偏差并取平方,再对全部测量段的平方差求和;
步骤二、根据板形执行机构调节上、下极限确定约束条件:将前一个周期的调节机构实际值与本周期的调节机构调节量相加得出下一个周期的调节机构理论值,然后令下一个周期的调节机构理论值限制在调节机构上、下极限之内;
步骤三、根据双边浪、中浪、单边浪以及边部减薄板形缺陷,设计板形目标曲线系数:将一次函数与目标板形曲线一次系数X_1作乘积,表示操作侧有单边浪、传动侧有单边浪;将二次函数/>与目标板形曲线二次系数作乘积,表示有中浪、双边浪;将一组递增项/>分别与目标板形曲线边部系数作乘积,表示边部减薄状况;表达式为:
式中,X_1为目标板形曲线一次系数,X_2为目标板形曲线二次系数,X_3为目标板形曲线边部系数,m3为带钢占用的测量段的个数,T(j)为j测量段目标板形值;
步骤四、构造实际板形状况判别因子:通过板形辊测得实际板形值,对实际板形测量值进行特征提取;
首先,分别将单边浪判别因子X_1_e、对称判别因子X_2_e和边部判别因子X_3_e代入T(j,X_1,X_2,X_3)得到T(j,X_1_e,X_2_e,X_3_e);其次,将每一个测量段上的实际板形值M(j)与T(j,X_1_e,X_2_e,X_3_e)作平方差,并对全部测量段平方差求和;最后,通过这些判别因子的上限、下限建立约束条件,求解使达到最小值时对应的判别因子;
步骤五、建立板形执行机构群体协调调节机制:
1)当X_1_e单边浪判别因子大于一次合理范围上界,实际板形的局部状况为传动侧有单边浪,此时实际板形状况为非对称状态;当X_1_e单边浪判别因子小于一次合理范围的下界,实际板形的局部状况为操作侧有单边浪;此时实际板形状况为非对称状态;非对称状态下令板形调节执行机构组合方式为:轧辊倾斜调节量多;当X_1_e单边浪判别因子在一次合理范围内,实际板形的局部状况为操作侧板形与传动侧板形对称;此时实际板形状况为对称状态,令板形调节执行机构组合方式为,轧辊倾斜调节量少;
2)当X_2_e对称判别因子大于二次合理范围上界,实际板形的局部状况为:带钢板形出现严重中浪;当X_2_e对称判别因子小于二次合理范围下界,实际板形的局部状况为:带钢板形出现严重双边浪;此时带钢出现严重板形缺陷,令板形调节执行机构组合方式为,工作辊弯辊调节量多于中间辊弯辊调节量;当X_2_e对称判别因子在二次合理范围内,实际的板形状况为:带钢出现轻微中浪、双边浪;此时带钢出现轻微板形缺陷,令板形调节执行机构组合方式为,工作辊弯辊调节量少于中间辊弯辊调节量;
3)当X_3_e边部判别因子大于边部合理范围上界,实际板形的局部状况为:带钢出现严重边部减薄;当X_3_e边部判别因子小于边部合理范围下界,实际板形的局部状况为:带钢两端最外侧板形比较紧;当带钢出现严重边部减薄,令板形调节执行机构组合方式为,中间辊横移调节量多;
当X_3_e边部判别因子在边部合理范围内,实际板形的局部状况为:带钢出现轻微边部减薄;当带钢出现轻微的边部减薄,令板形调节执行机构组合方式为,中间辊横移调节量少;
步骤六、计算板形执行机构群体协调调节量:将评价函数J作为计算板形执行机构群体协调调节量的目标函数;根据实际板形状况判别因子选择与之相匹配的形执行机构群体协调调节策略,并与调节上限、下限约束条件共同作为计算板形执行机构群体协调调节量的约束条件;
步骤七、建立Topkis-Veinott和遗传算法协同优化的协调算法,求解板形状况判别因子与板形执行机构群体协调调节量;
步骤八、输出板形执行机构群体协调调节量。
2.根据权利要求1所述的板形执行机构群体协调调节方法,其特征在于,步骤一中,评价函数J的表达式为:
fi=ΔuWB·EffWB(i)+ΔuIB·EffIB(i)+ΔuIS·EffIS(i)+ΔuWT·EffWT(i)
式中,n1为测量段数目,gi为权重因子,mesi为板形测量值,refi为板形设定值,mesi-refi为板形辊检测到的待消除板形偏差,fi为板形执行机构消除的板形偏差,J为评价函数;ΔuWB为工作辊弯辊的调节量,EffWB为工作辊弯辊的调节效率因子,ΔuIB为中间辊弯辊的调节量,EffIB为中间辊弯辊的调节效率因子,ΔuIS为中间辊横移的调节量,EffIS为中间辊横移的调节效率因子,ΔuWT为工作辊倾斜的调节量,EffWT为工作辊倾斜的调节效率因子,i为小于n1的正整数。
3.根据权利要求1所述的板形执行机构群体协调调节方法,其特征在于,步骤二中确定约束条件的表达式为:
llWB≤vWB(n2+1)=vWB(n2+1)+ΔuWB(n2)≤ulWB
llIB≤vIB(n2+1)=vIB(n2-1)+ΔuIB(n2)≤ulIB
llIS≤vIS(n2+1)=vIS(n2-1)+ΔuIS(n2)≤ulIS
llWT≤vWT(n2+1)=vWT(n2-1)+ΔuWT(n2)≤ulWT
式中,ΔuWB(n2)为第n2个周期工作辊弯辊调节量,vWB(n2-1)为第n2-1个周期工作辊弯辊实际值,vWB(n2+1)为第n2+1个周期工作辊弯辊实际值,ΔuIB(n2)为第n2个周期中间辊弯辊调节量,vIB(n2-1)为第n2-1个周期中间辊弯辊实际值,vIB(n2+1)为第n2+1个周期中间辊弯辊实际值,ΔuIS(n2)为第n2个周期中间辊横移调节量,vIS(n2-1)为第n2-1个周期中间辊横移实际值,vIS(n2+1)为第n2+1个周期中间辊横移实际值,ΔuWT(n2)为第n2个周期工作辊倾斜调节量,vWT(n2-1)为第n2-1个周期工作辊倾斜实际值,vWT(n2+1)为第n2+1个周期工作辊倾斜实际值,ulWB为工作辊弯辊上极限,llWB为工作辊弯辊下极限,ulIB为中间辊弯辊上极限,llIB为中间辊弯辊下极限,ulIS为中间辊横移上极限,llIS为中间辊横移下极限,ulWT为工作辊倾斜上极限,llWT为工作辊倾斜下极限。
4.根据权利要求1所述的板形执行机构群体协调调节方法,其特征在于,步骤四的表达式为:
ll1≤X_1_e≤ul1
s.t.ll2≤X_2_e≤ul2
ll3≤X_3_e≤ul3
式中,M(j)为j测量段的实际板形,ul1为单边浪判别因子的上限,ll1为位单边浪判别因子的下限,ul2为对称判别因子的上限,ll2为对称判别因子的下限,ul3为边部判别因子的上限,ll3为边部判别因子的下限。
5.根据权利要求1所述的板形执行机构群体协调调节方法,其特征在于,步骤五中第1)部分,根据X_1_e单边浪判别因子与一次合理范围进行设置调节策略具体为:
当X_1_e>ulline-advisable-scope时与当X_1_e<llline-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略C为:
ΔuWT>ΔuWB
ΔuWT>ΔuIB
ΔuWT>ΔuIS
当llline-advisable-scope<X_1_e<ulline-advisable-scope时,板形执行机构群体协调调节策略D为:
ΔuWT<ΔuWB
ΔuWT<ΔuIB
ΔuWT<ΔuIS
式中,ulline-advisable-scope为一次合理范围上界,llline-advisable-scope为一次合理范围下界;ΔuWT为工作辊倾斜调节量,ΔuWB为工作辊弯辊调节量,ΔuIB为中间辊弯辊调节量,ΔuIS为中间辊横移调节量。
6.根据权利要求5所述的板形执行机构群体协调调节方法,其特征在于,步骤五中第2)部分,根据X_2_e对称判别因子与二次合理范围进行设置调节策略具体为:
当X_2_e>ulquadratic-advisable-scope与当X_2_e<llquadratic-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略E为:
ΔuWB>ΔuIB
当llquadratic-advisable-scope<X_2_e<ulquadratic-advisable-scope时,板形执行机构群体协调调节策略F为:
ΔuWB<ΔuIB
式中,ulquadratic-advisable-scope为二次合理范围上界,llquadratic-advisable-scope为二次合理范围下界。
7.根据权利要求5所述的板形执行机构群体协调调节方法,其特征在于,步骤五中第3)部分,根据X_3_e边部判别因子与边部合理范围进行设置调节策略具体为:
当X_3_e>uledge-advisable-scope与当X_3_e<lledge-advisable-scope时,板形执行机构群体协调调节策略相同,调节策略G为:
ΔuIS>ΔuWB
ΔuIS>ΔuIB
当lledge-advisable-scope<X_3_e<uledge-advisable-scope时,板形执行机构群体协调调节策略H为:
ΔuIS<ΔuWB
ΔuIS<ΔuIB
式中,uledge-advisable-scope为边部合理范围上界,lledge-advisable-scope为边部合理范围下界。
8.根据权利要求1所述的板形执行机构群体协调调节方法,其特征在于,步骤七的协调算法用于求解步骤四板形状况判别因子与步骤六板形执行机构群体协调调节量,等价于如下形式的函数优化问题:
式中,为目标函数,/>为非线性及线性不等式约束条件,mTV为非线性及线性不等式约束的个数,/>为未知变量向量,NTV为未知变量个数。
9.根据权利要求8所述的板形执行机构群体协调调节方法,其特征在于,协调算法的步骤如下:
S1选取为初始点,εTV>0,令kTV=0;
式中,为Topkis-Veinott算法初始点,εTV为Topkis-Veinott算法迭代精度,kTV为Topkis-Veinott算法迭代次数;
S2构造规划问题A:
-1≤PTVβ≤1 β=1,2,...,nTV
最优解为是第kTV次迭代的结果;
式中,向量为点/>处的一个下降方向,/>nTV为向量/>的维数,yTV为终止迭代判定参数,/> 为目标函数偏导数,/>为不起作用约束函数偏导数;
S3将规划问题A等价转换为如下形式B:
min fLP(xδ)1≤δ≤N
其中,fLP(xδ)为目标函数,xδ为的分量,N为变量个数,hε(xδ)为问题A中约束条件进行等价转换后的不等式约束条件,M为问题A约束条件进行等价转换后的不等式约束条件个数,aδ、bδ分别为约束域的上界、下界;
S4令aδ=-1,bδ=-1;
S5给定最大进化代数T,种群数Mpopulation,交叉概率Pcross,变异概率Pmutation,t=0;t是遗传代数,随机生成Mpopulation个个体作为初始种群;
S6对于每一代种群中的每个个体分别计算其适应值Ffitness;
S7若满足终止条件1:t<T,转到S13;不满足则继续S8;
S8对种群中的每个个体计算选择概率Pselect,计算累积概率Paccumulate,产生一个区间[0,1]的随机数,若该随机数小于Paccumulate(1),则选择第一个个体;若该随机数大于Paccumulate(k-1),而且随机数小于Paccumulate(k),则选择第k个个体,最好的个体得到多个拷贝,中等个体保持平稳,最差的个体死亡;
S9根据选择概率Pselect,从种群中随机选择Mpopulation个个体,得到新种群;
S10根据交叉概率Pcross,对于新种群中的每个个体,产生一个区间[0,1]的随机数,当该随机数小于Pcross时,则所选个体被选择进行交叉;从新种群中选择个体进行交配;其子代进入到下一代种群,新种群中未进行交配的个体,直接复制到下一代种群中;
S11根据变异概率Pmutation,每个个体的分量都有均等的机会变异,对群体中的每个个体的分量,产生一个区间[0,1]的随机数,当该随机数小于Pmutation时,个体的该分量进行变异;从新群体中选择个体进行变异,用变异后的个体代替群体中原来的个体;
S12用新群体代替旧群体,t=t+1,转到S6;
S13对进化过程中适应值Ffitness最大的个体进行解码,解码后x(t)为最优值,输出x(t),即第kTV次的最优解 是方向向量最优值,/>是终止判定参数向量最优解,
S14如果则输出/> 是第kTV次的迭代调节量向量最优解,计算停止;否则转到S15;
S15利用直线搜索技术,确定使
其中,为第kTV次搜索步长因子上界,/>为第kTV次搜索步长因子;
S16求解一维搜索问题
S17置转到S2,/>是第kTV+1次的迭代调节量向量最优解。
10.根据权利要求9所述的板形执行机构群体协调调节方法,其特征在于,S3中hε(xδ)由规划问题A的约束条件进行等价转换得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719267.9A CN110414171B (zh) | 2019-08-05 | 2019-08-05 | 一种板形执行机构群体协调调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719267.9A CN110414171B (zh) | 2019-08-05 | 2019-08-05 | 一种板形执行机构群体协调调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414171A CN110414171A (zh) | 2019-11-05 |
CN110414171B true CN110414171B (zh) | 2023-09-08 |
Family
ID=68365939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719267.9A Active CN110414171B (zh) | 2019-08-05 | 2019-08-05 | 一种板形执行机构群体协调调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414171B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112547807B (zh) * | 2020-10-30 | 2022-01-04 | 北京科技大学 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
CN116637942B (zh) * | 2023-07-24 | 2023-11-03 | 东北大学 | 一种基于轧制参数耦合的轧辊倾斜闭环控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102172639A (zh) * | 2010-12-30 | 2011-09-07 | 东北大学 | 一种冷轧机工作辊弯辊超限的动态替代调节方法 |
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 |
CN105290117A (zh) * | 2015-09-23 | 2016-02-03 | 燕山大学 | 大宽厚比超薄冷轧带钢高次板形缺陷的分级调控方法 |
CN106015082A (zh) * | 2016-05-13 | 2016-10-12 | 江苏大学 | 一种可提高核主泵惰转时间的叶轮的优化设计方法 |
-
2019
- 2019-08-05 CN CN201910719267.9A patent/CN110414171B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102172639A (zh) * | 2010-12-30 | 2011-09-07 | 东北大学 | 一种冷轧机工作辊弯辊超限的动态替代调节方法 |
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 |
CN105290117A (zh) * | 2015-09-23 | 2016-02-03 | 燕山大学 | 大宽厚比超薄冷轧带钢高次板形缺陷的分级调控方法 |
CN106015082A (zh) * | 2016-05-13 | 2016-10-12 | 江苏大学 | 一种可提高核主泵惰转时间的叶轮的优化设计方法 |
Non-Patent Citations (1)
Title |
---|
Intelligent assignation strategy of collaborative optimization for flatness control;Zhu-wen Yan等;《Journal of the Brazilian Society of Mechanical Sciences and Engineering》;20180228;第40卷;第1-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414171A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | A multivariate grey prediction model based on energy logistic equation and its application in energy prediction in China | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN110414171B (zh) | 一种板形执行机构群体协调调节方法 | |
CN105710137B (zh) | 一种基于约束优化算法的冷轧机多变量板形控制方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
Song et al. | The prediction model for transverse thickness difference of electric steel in 6‐high cold rolling mills based on GA‐PSO‐SVR approach | |
CN115129005A (zh) | 基于工业过程的控制、模型方法、设备和存储介质 | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN111336828A (zh) | 一种基于fcm模糊时间序列的加热炉炉温控制器 | |
Zhao et al. | Predicting flatness of strip tandem cold rolling using a general regression neural network optimized by differential evolution algorithm | |
CN113900379A (zh) | 一种基于神经网络的预测控制算法 | |
CN115203903A (zh) | 一种基于钢坯目标升温过程的温度状态评价方法 | |
CN103135444A (zh) | 一种钢铁生产能耗免疫预测控制模型 | |
Tang et al. | A novel distributed CVRAE-based spatio-temporal process monitoring method with its application | |
Zhou et al. | Double-tank liquid level control based on genetic algorithm | |
CN114740713A (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
CN111814861A (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
Xiong et al. | Research on prediction method of finish rolling power consumption of multi-specific strip steel based on random forest optimization model | |
CN117709550B (zh) | 基于ardl与卷积神经网络模型的能耗预测方法 | |
Li et al. | Monitoring Model of Coal Mill in Power Plant Based on Big Data and BP Neural Network | |
Zhang et al. | Exergy-related Operating Performance Assessment for Hot Rolling Process Based on Multiple imputation and Multi-class Support Vector Data Description | |
Chen et al. | Quality-Related Plant-Wide Process Monitoring Based on Mutual Information-Neighborhood Preserving Embedding-Partial Least Squares for Hot Strip Mill Process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |