CN111266405B - 一种板带材热轧过程控制方法和控制装置 - Google Patents

Abstract

本发明公开了板带材热轧过程控制方法，包括：获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个Z_i对应的更新时间{T_i}；确认自学习系数的阈值范围，以及在{Z_i}中位于阈值范围以外的值的数量m；处理器判断m/n的比值是否在预设范围以内；若是，对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}；根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的控制模型的输入量；分析输入量，对后续轧制过程中的输入量进行调整；按照调整后的输入量，对热轧过程进行控制；通过上述方法，能够避免轧制过程控制模型程序带病运行导致板带材热轧产品控制精度的降低。

Description

一种板带材热轧过程控制方法和控制装置

技术领域

本申请涉及热轧板带生产控制技术领域，尤其涉及一种板带材热轧过程控制方法和控制装置。

背景技术

在热轧板带生产线中装备有过程控制模型程序组合而成的轧制过程控制***，对生产过程中板带材产品的尺寸、控制工艺等各项指标进行计算、测量、反馈和控制。以带钢热轧中的尺寸控制为例，过程控制***的控制过程是：首先根据来料尺寸、产品成品的目标尺寸等数据作为输入量，输入到模型程序中进行一系列的计算，计算结果包含两大类：第一类数据，直接用于生产线上的各个设备的动作控制，如带钢的宽度控制和厚度控制；第二类数据，按照第一类数据对实际生产过程进行控制后，对带钢尺寸的各项指标的预测值数据。在热轧产线上还设有各类检测仪表，用来对带钢的尺寸等各项指标进行测量，反馈实际的数据。模型程序会将这些仪表的实测数据和自己预测的第二类数据进行对比，如果存在偏差，则会自动增加一个系数到计算过程中，以补偿这种计算的偏差。这个过程，称之为模型程序自学习，模型自动增加的系数称为模型程序自学习系数。

目前来说，当轧线生产的某种板带材的控制出现不合时，需要研究在某一时间段内产生问题的故障因素，通过分析这一时间段内的板带材的过程控制数据，包括控制模型的输入量和输出量，找出问题的原因和解决方案。但轧制过程数据是随着轧制过程实时采集的，一块板坯轧制即可产生大量数据，且板坯热轧生产过程是连续进行的，因此热轧过程数据具有数据总量大，规律分析困难的特点，如果对这一时间段内的全部数据进行采集和分析，工作量巨大，且没有聚焦于能够揭示问题原理的关键数据，故而难以发现数据之中隐含的导致问题产生的因素。因此，需要一种能够从海量过程控制数据中快速确定关键数据，以提高数据分析精度和问题解决效率的解决方案。

发明内容

本发明提供了一种板带材热轧过程控制方法和控制装置，以解决或者部分解决现有的热轧过程控制数据分析的针对性不足，分析工作量大且效率不高的技术问题。

为解决上述技术问题，本发明提供了一种板带材热轧过程控制方法，具体包括：

处理器获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

处理器确认自学习系数的阈值范围，以及在{Z_i}中，位于阈值范围以外的值的数量m；

处理器判断m/n的比值是否在预设范围以内；

若是，处理器对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；

处理器根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量；

处理器分析输入量，对后续轧制过程中的输入量进行调整；

控制器按照调整后的输入量，对热轧过程进行控制。

可选的，处理器确认自学习系数的阈值范围，具体包括：

确认自学习系数的阈值范围lim∈[P_l×Set,P_u×Set]；

其中，P_l和P_u是比例系数，Set是当自学习系数为0时，热轧过程控制模型输出的预设控制参数的输出值。

进一步的，P_l的取值范围为[-0.3,-0.05]；P_u的取值范围为[0.05,0.3]。

如上述的技术方案，预设范围为[0.05,0.6]。

如上述的技术方案，处理器对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，具体包括：

以{Z_i}为y轴，{T_i}按时间升序确定的整数序列[N_i]为x轴，N_i依次取值1,2,…,n；对{Z_i}进行多项式拟合回归分析，获得对应的回归方程，具体如下：

y＝c_px^p+c_p-1x^p-1+……+c₁x+c₀；其中，x的定义域为[0,n]，p≥3且为正整数；

对回归方程进行一阶微分，获得一阶微分方程，并在定义域[0,n]中求一阶微分方程的解集{x_j}，一阶微分方程具体如下：

p·c_px^p-1+(p-1)·c_p-1x^p-2+……+c₂x+c₁＝0；

判断解集{x_j}中的解x_j的数量是否在两个以上；

若是，确认自学习系数的取值存在周期分布，并将解集{x_j}中的每一个解x_j进行四舍五入取整，获得整数集[X_j]；

根据[X_j]，从{N_i}中确定出X_j＝N_j的点；然后根据{N_j}，从{Z_i}中确定出{Z_j}，将{Z_j}中的每一个点确定为周期取值点。

进一步的，判断解集{x_j}中的解x_j的数量是否在两个以上，还包括：

若x_j的数量小于两个，对回归方程进行二阶微分，获得二阶微分方程，并在定义域[0,n]中求二阶微分方程的解集{x_k}，二阶微分方程具体如下：

p(p-1)·c_px^p-2+(p-1)(p-2)·c_p-1x^p-3+……+c₃x+c₂＝0；

判断解集{x_k}中的解x_k的数量是否在两个以上；

若是，确认自学习系数的取值存在周期分布，并将解集{x_k}中的每一个解x_k进行四舍五入取整，获得整数集[X_k]；

根据[X_k]，从{N_i}中确定出X_k＝N_k的点；然后根据{N_k}，从{Z_i}中确定出{Z_k}，将{Z_k}中的每一个点确定为周期取值点；

处理器根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量，具体包括：

处理器根据{Z_k}对应的更新时间{T_k}，获取在每一个T_k时间节点上的热轧过程控制模型的输入量。

基于上述技术方案相同的发明构思，本发明还提供了一种板带材热轧过程控制装置，包括：

第一获取模块，用于获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

确认模块，用于确认自学习系数的阈值范围，以及在{Z_i}中，位于阈值范围以外的值的数量m；

判断模块，用于判断m/n的比值是否在预设范围以内；

若是，对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；

第二获取模块，用于根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量；

调整模块，用于分析输入量，对后续轧制过程中的输入量进行调整；

控制模块，用于按照调整后的输入量，对热轧过程进行控制。

基于上述技术方案相同的发明构思，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述技术方案中任一项控制方法的步骤。

基于上述技术方案相同的发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案中任一项控制方法的步骤。

通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：

本发明提供了一种利用过程控制模型自学习系数的判断和分析进行热轧控制的方法，通过回归分析确定自学习系数变化的周期点，并对周期点的过程控制模型输入数据进行针对性提取和分析，与无差别的提取全部热轧过程数据进行分析相比，能够显著降低分析工作量，并且结合自学习系数的变化周期分析，提取对应的周期点处的模型输入数据，能够更快、更精准的发现数据之中的隐含规律，从而更及时准确的对热轧过程控制进行调整，避免轧制过程控制模型程序带病运行最终导致带钢产品控制精度降低。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的板带材热轧过程控制方法的流程示意图；

图2示出了根据本发明一个实施例的卷取温度自学习系数的采样数据散点图；

图3示出了根据本发明一个实施例的对卷取温度自学习系数进行多项式回归拟合的示意图；

图4示出了根据本发明一个实施例的板带材热轧过程控制装置的结构示意图。

具体实施方式

为了使本申请所属技术领域中的技术人员更清楚地理解本申请，下面结合附图，通过具体实施例对本申请技术方案作详细描述。

在背景技术中介绍了过程控制模型中的自学习系数的应用过程原理，在现有的控制方案中，为了避免过程控制模型自主计算确定的自学习系数过大产生问题，因此对模型程序自学习系数增加了一个上下限的限制。发明人通过研究发现，对模型程序的自学习系数进行专门的监控、分析和问题诊断也能够反映出轧制过程控制中出现的问题。这是因为，很多看似高精度的模型程序计算结果，实际上是存在一个值很大的模型程序自学习系数在对控制模型进行协调，这本身即为一种不正常的现象。另一方面，当轧线出现问题时，自学习系数存在着有规律的周期性波动，因次分析自学习系数的变化规律能够揭示热轧线中存在的问题，然而这一点并不能从过程控制模型程序的计算结果上发现，因为模型程序通过调整自学习系数，使输入量看上去是处于正常的控制范围内。

基于上述的研究发现，发明人通过大量的数据跟踪和分析，提出了一种利用自学习系数去诊断轧线问题的控制方法，通过监控和分析模型程序自学习系数来诊断故障，及时发现问题并进行处理，能够避免造成模型程序带病运行，最终导致板带材产品的过程控制精度降低的问题，本控制方法的整体思路如下：

本发明提供的一种板带材热轧过程控制方法，具体包括：

S1：处理器获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

S2：处理器确认自学习系数的阈值范围，以及在{Z_i}中，位于阈值范围以外的值的数量m；

S3：处理器判断m/n的比值是否在预设范围以内；

若是，处理器对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；

S4：处理器根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量；

S5：处理器分析输入量，对后续轧制过程中的输入量进行调整；

S6：控制器按照调整后的输入量，对热轧过程进行控制。

在本实施例中，{Z_i}表示某控制参数对应的自学习系数Z的n个取值组成的数据集，而{T_i}是自学习系数更新时间的数据集，T_i是与Z_i对应的更新时间；{Z_j}是经回归分析后从{Z_i}中确定出的自学习系数周期取值点组成的数据集，{T_j}是与{Z_j}对应的更新时间数据集。

总的来说，本实施例提供的控制方法是先获取模型程序自学习系数，然后判断自学习系数超出预设阈值范围的数量比例是否在预设范围内，若是，则说明过程控制模型的计算有效，则对全部的自学习系数的值进行回归分析，从中确认出自学习系数周期性变化的取值点，然后根据周期取值点对应的更新时间，提取在更新时间节点处的过程模型输入量数据进行分析，根据分析结果调整输入量，对热轧进行控制。通过回归分析确定自学习系数变化的周期点，并对周期点的过程控制模型输入数据进行针对性提取和分析，与无差别的提取全部热轧过程数据进行分析相比，能够显著降低分析工作量，并且结合自学习系数的变化周期分析，提取对应的周期点处的模型输入数据，有助于更快、更精准的发现数据之中的隐含规律，从而更及时准确的对热轧过程控制进行调整。接下来对每一个步骤的实施进行详细的介绍：

对于S1，这个数据获取过程可在热轧产线的二级***：过程控制***中编写相应的程序进行实现。具体来说，可以在连接二级***的机房终端中，使用C++语言进行编程，通过编写数据记录或提取程序，将存储在二级***中的模型程序自学习系数和对应的更新时间点提取或记录到本地日志文档或者本地数据库中以供分析。此处，根据需要可以编写各种各样的数据采集和存储程序，只要保证功能可以实现，数据能够从二级***采集到本地终端或数据库即可。

预设控制参数是指确定的需要分析的轧制控制参数，例如，板带材的宽度，厚度，板带材的热轧终轧温度，卷取温度等；每一个轧制控制参数对应一个过程控制模型，同时对应着一个模型程序自学习系数，例如卷取温度对应一个卷取温度过程控制模型，同时存在一个卷取温度自学习系数。在这里的预设时间段，可以根据实际需要自行确定需要分析的时间范围，在这个时间范围内，自学习系数Z的取值跟随实际轧制的板带材进行变化，因此，需要获取在预设时间段内自学习系数的全部取值Z_i，以及每一个Z_i对应的更新时间T_i，组成自学习系数取值数据集{Z_i}和更新时间数据集{T_i}；其中Z_i和T_i可以以时间升序进行排序，例如，预设时间段为某一天的0:00～24:00，在这个时间范围内卷取温度的自学习系数{Z_i}和对应的{T_i}中的数据共有20个，说明在一天的时间内，卷取温度控制模型的自学习系数的取值共计20个，其中Z₁₀表示在T₁₀时间节点上卷取温度自学习系数的取值，T₁₀在时间序列上排第10。

对于S2和S3，是根据确定的阈值范围，对S1中获取的模型程序自学习系数进行初判；如果超过阈值范围的自学习系数的数量比例达到给定的预设值以上，则认为此模型程序的计算过程失效，此时应当直接根据模型程序计算需要的输入量查找问题根源，而不再对模型程序自学习系数做进一步的分析；如果超过阈值范围的自学习系数的数量比例在给定的预设值以内，说明计算过程有效，此时应当对自学习系数进行分析。

在一些可选的实施例中的，S2：处理器确认自学习系数的阈值范围，具体包括：确认自学习系数的阈值范围lim∈[P_l×Set,P_u×Set]；其中，P_l和P_u是比例系数，Set是当自学习系数为0时，热轧过程控制模型输出的预设控制参数的输出值。

上述方案中的lim为模型程序自学习系数的阈值范围，Set为此自学习系数所参与的过程控制模型程序当且仅当此自学习系数取值为0时的计算结果；以卷取温度为例，当卷取温度自学习系数取值为0时，某牌号的热轧卷计算输出的值为600℃，则Set值为600。P_l是阈值范围的下限百分比，P_u是阈值范围的上限百分比，通过Set值和P_l、P_u可确定出lim的取值范围。

可选的，P_l的取值范围为[-0.3,-0.05]；P_u的取值范围为[0.05,0.3]。举例来说，若P_l＝-0.05，P_u＝0.05，Set＝600；则该牌号热轧卷的自学习系数的阈值范围lim为[-30,30]。

对于S3中的预设范围，表征的是所采集的自学习系数{Z_i}中，超出阈值范围lim的自学习系数的数量m所占的比例是否处于一个判断区间内；如果m低于预设范围(判断区间)的下限，说明此时过程控制模型正常不需要分析自学习系数，如果m高于预设范围(判断区间)的上限，说明此时过程控制模型的计算过程已经失效，则应当直接从模型程序计算需要的输入量去查找问题根源，对模型程序自学习系数做进一步的分析已无必要；如果自学习系数超过前述阈值范围lim的数量比例落在了预设范围(判断区间)中，说明过程控制模型的计算过程有效，但自学习系数的计算和取值反映出过程控制存在一定的问题，此时应当对模型程序自学习系数做如下的进一步的分析。可选的，预设范围为[0.05,0.6]；优选下限值可以是0.1或0.15；优选上限范围可以是0.4或0.5。

当过程控制模型的计算过程有效时，此时应当分析自学习系数取值的周期性，基于前述实施例相同的发明构思，在另一些可选的实施例中，提出了一种具体的分析方法：处理器对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，具体包括：

S31：以{Z_i}为y轴，{T_i}按时间升序确定的整数序列[N_i]为x轴，N_i依次取值1,2,…,n；对{Z_i}进行多项式拟合回归分析，获得对应的回归方程，具体如下：

y＝c_px^p+c_p-1x^p-1+……+c₁x+c₀；其中，x的定义域为[0,n]，p≥3且为正整数；

S32：对回归方程进行一阶微分，获得一阶微分方程，并在定义域[0,n]中求一阶微分方程的解集{x_j}，一阶微分方程具体如下：

p·c_px^p-1+(p-1)·c_p-1x^p-2+……+c₂x+c₁＝0；

S33：判断解集{x_j}中的解x_j的数量是否在两个以上；

S34：若是，确认自学习系数的取值存在周期分布，并将解集{x_j}中的每一个解x_j进行四舍五入取整，获得整数集[X_j]；

S35：根据[X_j]，从{N_i}中确定出X_j＝N_j的点；然后根据{N_j}，从{Z_i}中确定出{Z_j}，将{Z_j}中的每一个点确定为周期取值点。

总的来说，使用多项式拟合回归，对全部的自学***稳点，这些驻点表明自学习系数的取值存在一些特殊的临界点，并且在临界点出可能存在着自学习系数的极值点(必要非充分条件)。结合大量的数据统计和分析，对于板带材热轧领域来说，若自学习系数回归方程的一阶微分方程的解集{x_j}中的解数量在两个以上，根据概率统计学理论，可以认为上述原始的回归函数是周期函数，进而认定上述模型程序自学习系数存在周期性波动。结合热轧过程控制领域的积累经验，自学习系数周期变化的临界点通常位于驻点上，因此，驻点对应的时间节点上的过程控制模型的输入量或其他参数需要重点关注，其中往往隐含了过程控制异常的关键因素。通过分析驻点(即周期点)处的输入量或模型，不仅显著的减少了数据分析的工作量，更重要的是能够更精确的找出过程控制产生异常的根本原因，从而显著的提高了过程控制诊断的准确度。

故而，在找出一阶微分方程的解集{x_j}以后，先将其进行取整的标准化处理，可以采用四舍五入的方法，即每一个解最接近哪个自然数就将其记为这个自然数的规则进行解集{x_j}的标准化。如求的解x₁＝9.2，则标准化为9；若求的解为x₂＝11.6，则标准化为12，组成标准解集{X_j}。然后按照相等的原则，从整数集{N_i}中确定出驻点所对应的自学习系数集{Z_j}，如X_j＝9，则对应于Z₉；接着将{Z_j}中的所有点确定为周期取值点，并获取Z_j对应的T_j时间节点上的过程控制模型的所有输入量，或者其他参数进行进一步的分析或故障诊断。

经过大量的数据统计分析，优选的，多项式回归的阶数取为6，能够更精确的对热轧领域的自学习系数的取值进行回归拟合，故而，回归方程的具体形式如下：

y＝c₆x⁶+c₅x⁵+c₄x⁴+c₃x³+c₂x²+c₁x+c₀；

进行求解的回归方程的一阶微分方程如下：

6c₆x⁵+5c₅x⁴+4c₄x³+3c₃x²+2c₂x+c₁＝0。

若一阶微分方程在定义域[0,n]上的解的数量小于两个，则说明自学习系数的取值并没有周期性，此时，给出另一种周期性分析方法，具体如下：

基于前述实施例相同的发明构思，在另一些可选的实施例中，，判断解集{x_j}中的解x_j的数量是否在两个以上，还包括：

S36：若x_j的数量小于两个，对回归方程进行二阶微分，获得二阶微分方程，并在定义域[0,n]中求二阶微分方程的解集{x_k}，二阶微分方程具体如下：

p(p-1)·c_px^p-2+(p-1)(p-2)·c_p-1x^p-3+……+c₃x+c₂＝0；

S37：判断解集{x_k}中的解x_k的数量是否在两个以上；

S38：若是，确认自学习系数的取值存在周期分布，并将解集{x_k}中的每一个解x_k进行四舍五入取整，获得整数集[X_k]；

S39：根据[X_k]，从{N_i}中确定出X_k＝N_k的点；然后根据{N_k}，从{Z_i}中确定出{Z_k}，将{Z_k}中的每一个点确定为周期取值点；

S4：处理器根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量，具体包括：

S41：处理器根据{Z_k}对应的更新时间{T_k}，获取在每一个T_k时间节点上的热轧过程控制模型的输入量。

具体来说，当一阶微分方程的解小于两个，说明自学习系数的取值没有周期性，进一步对回归方程进行二阶微分，并求二阶微分方程在定义域[0,n]的解集{x_k}；还是以6次多项式回归为例，进行求解的回归方程的二阶微分方程如下：

30c₆x⁴+20c₅x³+12c₄x²+6c₃x+2c₂＝0。

若二阶微分方程在解的数量大于等于两个，说明自学习系数的变化程度呈现周期性，进而认定上述模型程序自学习系数的变化存在周期性波动，而二阶微分方程的解集{x_k}所在的点为自学习系数的变化趋势的周期点。和上述实施例的原理相同，将{x_k}中的每一个解进行四舍五入标准化求整，按照x_k＝N_k的对应关系，从{N_i}中确认出{N_k}，然后找出对应的Z_k和T_k；最后，根据{T_k}，获取对应时间节点上的过程控制模型的所有输入量，或者其他参数进行进一步的分析或故障诊断。

若二阶微分方程的解集{x_k}中的解数量仍然小于两个，以生产经验来看，此时是热轧硬件设备上产生了严重的问题，而非过程控制计算过程出现了异常，此时应当第一时间检查轧线设备的运行情况。

在获取了周期取值点出的全部模型输入量以后，需要分析其中隐含的具体问题。对于S5中的输入量分析，可以将输入量数据导入统计分析软件，如Minitab，MatLab，SPSS等软件进行分析，也可以将数据清洗后组建数据集，使用预设的热轧生产数据挖掘算法进行模式识别和预测，智能的输出机器学习或数据挖掘结果，根据输出的结果，对模型的输入量进行调整，然后按照步骤S6，将调整后的输入量反馈至二级***，对后续的热轧过程进行控制，消除热轧产线生产过程中模型计算的异常。

通过上述实施例中的自学习系数的分析方法，达到了及时诊断故障、发现问题并进行处理，避免模型程序带病运行最终导致板带材产品控制精度降低的问题。

接下来的实施例中，以2019年9月11日至2019年9月15日期间，生产钢种SPHC-W，厚度规格：3.0mm，目标温度：580℃系列产品的卷取温度过程控制的异常分析为例，对上述方法进行详细的说明：

1、从二级***监控、记录并获得卷取温度模型程序自学习系数及对应的更新时间，这个过程主要是靠在控制***中编写相应的程序来实现。当前行业内常用的程序是C++语言程序，通过编写常用的记录程序，将模型程序自学习系数和对应的更新时间点记录到日志文档或者数据库中。此处，根据需要可以编写各种各样的程序，但是只要保证实现此功能即可；

一种可选的方式是，利用C++语言程序将每卷带钢的相关数据记录输出到文件名为CTC_MMDD_YEAR.csv中。文件名定义规则，MMDD表示月份和日期，YEAR表示年份。例如：CTC_Sep15_2019.csv的文件表示2019年9月15日日志文件。获取2019年9月11日至2019年9月15日中所有钢种为SPHC-W，厚度规格：3.0mm，卷取目标温度：580℃；自学习系数的记录数据为84条，自学习系数与更新时间的散点图如图2所示。

2、对获得的自学习系数进行初判：自学习系数超过设置的阈值的数量比例是否达到给定的预设数值及以上，具体方法如下：

获得模型程序自学习系数集：{Z_i}，数量n＝84：

{Z_i}＝{-14.861,-15.86,-18.668,-14.124,-11.34,……,27.828,21.473,19.058,14.778}，i依次取值1，2，…，84；

获得与模型程序自学习系数更新所对应的时间点集：{T_i}，并按照时间顺序将其对应成模型程序自学习系数个数的整数集(或自然数集)：{N_i}；

{T_i}＝{2019-Sep-11 02:50:31,2019-Sep-11 02:52:48,2019-Sep-11 02:55:04,2019-Sep-11 02:57:24,……,2019-Sep-15 01:10:07,2019-Sep-15 01:12:57,2019-Sep-15 01:15:57}，i依次取值1，2，…，84；

{N_i}＝{1,2,3,4,5,6,……,80,81,82,83,84}；

设置模型程序自学习系数的阈值：Lim∈[P_l·Set,P_u·Set]，其中Lim即为模型程序自学习系数的阈值，Set为此模型程序自学习系数所参与的模型程序当且仅当此模型程序自学习系数为0时的计算结果，P_l是百分比且其取值范围为[-30％,-5％]，P_u是百分比且其取值范围为[5％,30％]；本实施例中，设置卷取温度自学习系数的阈值Lim∈[-30,30]；

作为判断条件的预设数值的取值范围可以是5％～60％，其中，5％是下限，60％是上限，则超过阈值的数量D的判断范围为：[0.05·n,0.6·n]＝[4.2,50.4]，；

然后做如下的判断：如果获得的模型程序自学习系数超过阈值lim的数量比例在上述判断范围D以内，则对模型程序自学习系数做进一步的分析：若自学习系数超过阈值lim的数量比例超过上述判断范围D的上限，则根据模型程序计算需要的输入量查找问题根源而不再对模型程序自学习系数做进一步的分析；

本实施例，卷取温度学习系数在阈值lim：[-30,30]范围外的数量为7个，在上述判断范围D以内，说明模型计算过程有效，接下来应当分析自学习系数的周期性；

3、如果模型程序的计算过程没有失效，则对获得的模型程序自学习系数进行回归，以{N_i}为横坐标，自学习系数的取值{Z_i}为纵坐标建立坐标系，并对自学习系数进行回归，对回归出来的函数进行多重微分计算，具体过程如下：

对{Z_i}进行6次多项式回归，如图3所示，得到如下原始的回归函数：

y＝-4E-08·x⁶+1E-05·x⁵-0.0011·x⁴+0.0501·x³-1.1377·x²+11.232·x-37.102；此时，y表示卷取温度自学习系数，自变量x的定义域为[0,84]；

分别对此原始的回归函数进行1次、2次微分，得到如下微分函数：

y⁽¹⁾＝-2.4E-07·x⁵+5E-05·x⁴-0.0044·x³+0.1503·x²-2.2754·x+11.232；

y⁽²⁾＝-1.2E-06·x⁴+2E-04·x³-0.0132·x²+0.3006·x-2.2754；

4、对计算出来的多重微分进行周期性分析，如果存在周期性，找到其周期的时间点，进而对此时间点所有模型程序计算所需要的输入量进行进一步的故障诊断，具体方法如下：

在[0,84]区间内，解微分方程y⁽¹⁾＝0，得到含有5个解的解集：{x_j}＝{9.512,22.471,49.586,58.031,78.9}；

由于解集的数量大于等于2，根据概率统计学知识，就认为上述原始的回归函数是周期函数，进而认定上述模型程序自学习系数存在周期性波动；此时不需要解二次微分方程y⁽²⁾＝0；

上述得到的解集{x_j}＝{9.512,22.471,49.586,58.031,78.9}，按照每一个解最接近哪个自然数就将其记为这个自然数的规则，标准化成为标准解集{N_j}＝{10,22,50,58,79}；

按照上述模型程序自学习系数个数的自然数集{N_j}和模型程序自学习系数更新所对应的时间点{T_i}的对应关系，将上述的标准解集{N_j}一一对应成标准时间点解集{T_j}＝{2019-Sep-11 04:55:55,2019-Sep-12 04:08:48,2019-Sep-13 05:52:30,2019-Sep-1315:18:56,2019-Sep-14 15:31:22}；

接下来，按照上述得到的标准时间点解集{T_j}确定卷取温度自学习系数的取值变化周期为24h，并根据上述确定的周期时间点，即{T_j}，提取对应的五个时间节点的卷取温度过程控制模型的输入量，进行进一步的故障诊断；

5、问题分析与调整：通过分析，发现在9月11日至2019年9月15日的期间轧制SPHC-W时，SPHC-W所使用的的卷取温度控制模型与同钢族同规格钢种SPHC-DC所使用的控制模型之间存在两种输入量参数的交叉影响，输入量参数包括卷取冷却水量，冷却水温，热轧卷在产线上的停留时间，粗轧和精轧道次与压下量等；输入量的交叉混用导致在轧制SPHC-W时卷取温度自学习系数值逐渐趋于变大，且有突破阈值Lim∈[-30,30]的发散趋势，因此，对SPHC-W和SPHC-DC两种钢的输入量进行了进一步的戏份，杜绝两种钢卷的交叉影响，在后续生产SPHC-W的过程中，卷取温度过程控制未见异常。

基于前述实施例相同的发明构思，在另一些可选的实施例中，如图4所示，提供了一种板带材热轧过程控制装置，包括：

第一获取模块41，用于获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

确认模块42，用于确认自学习系数的阈值范围，以及在{Z_i}中，位于阈值范围以外的值的数量m；

判断模块43，用于判断m/n的比值是否在预设范围以内；

若是，对{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；

第二获取模块44，用于根据{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的热轧过程控制模型的输入量；

调整模块45，用于分析输入量，对后续轧制过程中的输入量进行调整；

控制模块46，用于按照调整后的输入量，对热轧过程进行控制。

基于前述实施例相同的发明构思，在另一些可选的实施例中，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中任一项控制方法的步骤。

基于前述实施例相同的发明构思，在另一些可选的实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中任一项控制方法的步骤。

通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

本发明提供了一种利用过程控制模型自学习系数的判断和分析进行热轧控制的方法，通过回归分析确定自学习系数变化的周期点，并对周期点的过程控制模型输入数据进行针对性提取和分析，与无差别的提取全部热轧过程数据进行分析相比，能够显著降低分析工作量，并且结合自学习系数的变化周期分析，提取对应的周期点处的模型输入数据，能够更快、更精准的发现数据之中的隐含规律，从而更及时准确的对热轧过程控制进行调整，避免轧制过程控制模型程序带病运行最终导致带钢产品控制精度降低。

尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (6)

1.一种板带材热轧过程控制方法，其特征在于，具体包括：

处理器获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个所述Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

处理器确认所述自学习系数的阈值范围，以及在所述{Z_i}中，位于所述阈值范围以外的值的数量m；

处理器判断所述m/n的比值是否在预设范围以内；

若是，处理器对所述{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；包括：以所述{Z_i}为y轴，所述{T_i}按时间升序确定的整数序列[N_i]为x轴，N_i依次取值1,2,…,n；对所述{Z_i}进行多项式拟合回归分析，获得对应的回归方程，具体如下：y＝c_px^p+c_p-1x^p-1+……+c₁x+c₀；其中，所述x的定义域为[0,n]，p≥3且为正整数；对所述回归方程进行一阶微分，获得一阶微分方程，并在定义域[0,n]中求所述一阶微分方程的解集{x_j}，所述一阶微分方程具体如下：p·c_px^p-1+(p-1)·c_p-1x^p-2+……+c₂x+c₁＝0；判断所述解集{x_j}中的解x_j的数量是否在两个以上；若是，确认所述自学习系数的取值存在周期分布，并将所述解集{x_j}中的每一个解x_j进行四舍五入取整，获得整数集[X_j]；根据所述[X_j]，从{N_i}中确定出X_j＝N_j的点；然后根据{N_j}，从所述{Z_i}中确定出{Z_j}，将所述{Z_j}中的每一个点确定为周期取值点；

处理器根据所述{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的所述热轧过程控制模型的输入量；

处理器分析所述输入量，对后续轧制过程中的输入量进行调整；

控制器按照调整后的输入量，对热轧过程进行控制。

2.如权利要求1所述的控制方法，其特征在于，所述处理器确认所述自学习系数的阈值范围，具体包括：

确认所述自学习系数的阈值范围lim∈[P_l×Set,P_u×Set]；

其中，所述P_l和P_u是比例系数，所述Set是当所述自学习系数为0时，所述热轧过程控制模型输出的预设控制参数的输出值。

3.如权利要求2所述的控制方法，其特征在于，所述P_l的取值范围为[-0.3,-0.05]；所述P_u的取值范围为[0.05,0.3]。

4.如权利要求1所述的控制方法，其特征在于，所述预设范围为[0.05,0.6]。

5.如权利要求1所述的控制方法，其特征在于，所述判断所述解集{x_j}中的解x_j的数量是否在两个以上，还包括：

若x_j的数量小于两个，对所述回归方程进行二阶微分，获得二阶微分方程，并在定义域[0,n]中求所述二阶微分方程的解集{x_k}，所述二阶微分方程具体如下：

p(p-1)·c_px^p-2+(p-1)(p-2)·c_p-1x^p-3+……+c₃x+c₂＝0；

判断所述解集{x_k}中的解x_k的数量是否在两个以上；

若是，确认所述自学习系数的取值存在周期分布，并将所述解集{x_k}中的每一个解x_k进行四舍五入取整，获得整数集[X_k]；

根据所述[X_k]，从{N_i}中确定出X_k＝N_k的点；然后根据{N_k}，从所述{Z_i}中确定出{Z_k}，将所述{Z_k}中的每一个点确定为周期取值点；

所述处理器根据所述{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的所述热轧过程控制模型的输入量，具体包括：

处理器根据所述{Z_k}对应的更新时间{T_k}，获取在每一个T_k时间节点上的所述热轧过程控制模型的输入量。

6.一种板带材热轧过程控制装置，其特征在于，包括：

第一获取模块，用于获取预设控制参数对应的热轧过程控制模型在预设时间段里的自学习系数的n个取值{Z_i}，以及与每个所述Z_i对应的更新时间{T_i}；n≥2且为正整数，i依次取值1,2,…,n；

确认模块，用于确认所述自学习系数的阈值范围，以及在所述{Z_i}中，位于所述阈值范围以外的值的数量m；

判断模块，用于判断所述m/n的比值是否在预设范围以内；

若是，对所述{Z_i}进行回归分析，确认其中的周期取值点{Z_j}，j∈[1,n]；包括：以所述{Z_i}为y轴，所述{T_i}按时间升序确定的整数序列[N_i]为x轴，N_i依次取值1,2,…,n；对所述{Z_i}进行多项式拟合回归分析，获得对应的回归方程，具体如下：y＝c_px^p+c_p-1x^p-1+……+c₁x+c₀；其中，所述x的定义域为[0,n]，p≥3且为正整数；对所述回归方程进行一阶微分，获得一阶微分方程，并在定义域[0,n]中求所述一阶微分方程的解集{x_j}，所述一阶微分方程具体如下：p·c_px^p-1+(p-1)·c_p-1x^p-2+……+c₂x+c₁＝0；判断所述解集{x_j}中的解x_j的数量是否在两个以上；若是，确认所述自学习系数的取值存在周期分布，并将所述解集{x_j}中的每一个解x_j进行四舍五入取整，获得整数集[X_j]；根据所述[X_j]，从{N_i}中确定出X_j＝N_j的点；然后根据{N_j}，从所述{Z_i}中确定出{Z_j}，将所述{Z_j}中的每一个点确定为周期取值点；

第二获取模块，用于根据所述{Z_j}对应的更新时间{T_j}，获取在每一个T_j时间节点上的所述热轧过程控制模型的输入量；

调整模块，用于分析所述输入量，对后续轧制过程中的输入量进行调整；

控制模块，用于按照调整后的输入量，对热轧过程进行控制。

Images