CN115591947B - 一种连轧过程板带质量分布式调控方法 - Google Patents

一种连轧过程板带质量分布式调控方法 Download PDF

Info

Publication number
CN115591947B
CN115591947B CN202211609053.4A CN202211609053A CN115591947B CN 115591947 B CN115591947 B CN 115591947B CN 202211609053 A CN202211609053 A CN 202211609053A CN 115591947 B CN115591947 B CN 115591947B
Authority
CN
China
Prior art keywords
rack
data set
quality
process variables
variables
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
Application number
CN202211609053.4A
Other languages
English (en)
Other versions
CN115591947A (zh
Inventor
姬亚锋
薛霖
马立峰
郭宇会
周娜
王娟
孙杰
彭文
孟媛
刘佩艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202211609053.4A priority Critical patent/CN115591947B/zh
Publication of CN115591947A publication Critical patent/CN115591947A/zh
Application granted granted Critical
Publication of CN115591947B publication Critical patent/CN115591947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
    • B21B1/26—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by hot-rolling, e.g. Steckel hot mill
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明公开了一种连轧过程板带质量分布式调控方法，具体步骤为：获取精轧流程的历史数据，包括过程工艺变量和质量指标；将精轧流程划分为7个子***，根据最大相关、最小冗余筛选原理得到子***内部过程工艺变量和质量指标的优选数据集合；采用混合核函数的方法将优选数据集合映射到高维特征空间；根据映射到高维特征空间中优选数据集合构建多***分布式协调控制模型，引入群智能优化算法，采用循环修正策略实现机架间的协调控制。本发明充分利用了以往的轧制信息，引入群智能优化算法和循环修正策略，提高了机架间的协调性，满足分布式调控的要求。

Description

一种连轧过程板带质量分布式调控方法
技术领域
本发明属于轧制技术和控制科学与工程领域，尤其涉及一种连轧过程板带质量分布式调控方法。
背景技术
传统的热连轧过程控制方法是以PID控制器为主的分散控制，无法***考虑产线部分之间的耦合作用，不利于面向全局实现闭环控制的性能优化。热连轧过程是典型的多变量、强耦合、非线性的工业生产过程，随着我国制造业向高端化、智能化转型，市场对于热轧板带的质量要求越来越高。其中，板形和板厚是用户尤为关注的重点质量指标，实际生产中两者相互影响，工业化和信息化的发展使得热连轧生产线的控制效果已近极限，但对于质量的追求应是无止境的，并且轧制过程涉及的一些关键问题尚未得到完全解决。就质量控制方面而言，关于厚度和板形的控制已见诸多报道，此外，对于热连轧生产线的分布式控制研究亦乏善可陈。因此，适时引入先进的控制策略、提出新颖的分布式控制***对提高整个生产过程的鲁棒性、提升热轧板带质量具有重要的指导意义。
发明内容
为解决上述问题，本发明提出了一种连轧过程板带质量分布式调控方法，提高热连轧板带质量控制***的性能，一定程度上改善热连轧带钢产品的质量。
为实现上述目的，本发明提供了一种连轧过程板带质量分布式调控方法，包括以下步骤：
获取精轧流程的历史数据，其中，所述历史数据包括：过程工艺变量和质量指标；
将精轧流程划分为7个子***，分别将所述过程工艺变量划分至不同的子***中，根据最大相关、最小冗余筛选原理，得到各子***内部过程工艺变量和质量指标的优选数据集合；
采用混合核函数的方法将所述优选数据集合映射到高维特征空间；
根据所述高维特征空间中优选数据集合构建多***分布式协调控制模型；
基于所述多***分布式协调控制模型，引入群智能优化算法，采用循环修正策略，实现机架间的协调控制。
优选的，获取的精轧流程的历史数据为：轧制同一钢种不同钢号、同一钢号不同钢种、不同板厚的板带产生的数据；所述过程工艺变量包括轧制力、辊缝值、轧制速度、弯辊力和窜辊量；所述质量指标包括厚度、板带的宽度、板带的凸度和板带的平直度。
优选的，将精轧流程划分的7个子***包括：第一机架、第二机架、第三机架、第四机架、第五机架、第六机架、第七机架。
优选的，将所述过程工艺变量划分至不同的子***的方法为：
Figure 228527DEST_PATH_IMAGE001
其中，
Figure 817772DEST_PATH_IMAGE002
表示过程工艺变量数据集，
Figure 535192DEST_PATH_IMAGE003
为第一机架过程工艺变量组成的数据集，
Figure 563626DEST_PATH_IMAGE004
为第二机架过程工艺变量组成的数据集，
Figure 253364DEST_PATH_IMAGE005
为第三机架过程工艺变量组成的数据集，
Figure 810247DEST_PATH_IMAGE006
为第四机架过程工艺变量组成的数据集，
Figure 14964DEST_PATH_IMAGE007
为第五机架过程工艺变量组成的数据集，
Figure 885968DEST_PATH_IMAGE008
为第六机架过程工艺变量组成的数据集，
Figure 226950DEST_PATH_IMAGE009
为第七机架过程工艺变量组成的数据集；
Figure 892418DEST_PATH_IMAGE010
其中，
Figure 443485DEST_PATH_IMAGE011
表示质量指标数据集,
Figure 852601DEST_PATH_IMAGE012
表示质量指标数据集对应的成品的厚度和凸 度。
优选的，根据最大相关、最小冗余筛选原理，得到各子***内部过程工艺变量和质量指标的优选数据集合的方法包括：
根据最大相关筛选原理，得到各子***内部所述过程工艺变量和所述质量指标之间的关联关系；
根据最小冗余筛选原理，得到各子***内部所述过程工艺变量之间和所述质量指标之间的冗余关系；
基于所述关联关系和所述冗余关系，分别对各子***内部所述过程工艺变量和所 述质量指标引入联合度量系数，得到各子***内部所述过程工艺变量的优选数据集合
Figure 48090DEST_PATH_IMAGE013
和所述质量指标的优选数据集合
Figure 415617DEST_PATH_IMAGE014
；
其中，所述最大相关原理对应的公式为：
Figure 126084DEST_PATH_IMAGE015
， 式中，
Figure 338891DEST_PATH_IMAGE016
表示为输入变量集合，
Figure 920045DEST_PATH_IMAGE017
表示输出变量集合，
Figure 192895DEST_PATH_IMAGE018
和
Figure 266024DEST_PATH_IMAGE019
分别为
Figure 282521DEST_PATH_IMAGE016
和
Figure 983761DEST_PATH_IMAGE017
中的元素，
Figure 427512DEST_PATH_IMAGE020
定义为
Figure 581413DEST_PATH_IMAGE018
和
Figure 136022DEST_PATH_IMAGE019
之间的最大信息系数；
所述过程工艺变量和质量指标之间的关联关系的表达式为：
Figure 160610DEST_PATH_IMAGE022
，
Figure 899896DEST_PATH_IMAGE023
，式中，
Figure 275513DEST_PATH_IMAGE024
表示各子***的过程工艺变量集合，
Figure 368234DEST_PATH_IMAGE025
表示质量指标集合，
Figure 512908DEST_PATH_IMAGE026
和
Figure 564041DEST_PATH_IMAGE027
分别为
Figure 20430DEST_PATH_IMAGE028
和
Figure 916842DEST_PATH_IMAGE025
中的元素，
Figure 650442DEST_PATH_IMAGE020
定义为
Figure 606897DEST_PATH_IMAGE026
和
Figure 816161DEST_PATH_IMAGE027
之间的最大信息系数；
所述最小冗余筛选原理对应的公式为：
Figure 516264DEST_PATH_IMAGE029
， 式中，
Figure 369951DEST_PATH_IMAGE016
为输入变量集合，
Figure 231727DEST_PATH_IMAGE018
和
Figure 662709DEST_PATH_IMAGE030
为
Figure 900923DEST_PATH_IMAGE016
中的元素，
Figure 874695DEST_PATH_IMAGE020
为
Figure 32007DEST_PATH_IMAGE018
和
Figure 91230DEST_PATH_IMAGE030
之间的最大信息系数；
所述过程工艺变量之间和质量指标之间的冗余关系的表达式为：
Figure 133136DEST_PATH_IMAGE031
，
Figure 695835DEST_PATH_IMAGE032
，式中，
Figure 289627DEST_PATH_IMAGE028
表示各子***的过程控制变量集 合，
Figure 570567DEST_PATH_IMAGE025
表示质量指标集合，
Figure 416163DEST_PATH_IMAGE026
和
Figure 958003DEST_PATH_IMAGE033
是
Figure 598063DEST_PATH_IMAGE024
中的元素，
Figure 366299DEST_PATH_IMAGE027
和
Figure 15586DEST_PATH_IMAGE034
是
Figure 552878DEST_PATH_IMAGE025
中的元素，
Figure 488473DEST_PATH_IMAGE020
表示 元素之间的最大信息系数；
所述过程工艺变量引入的联合度量系数为：
Figure 744005DEST_PATH_IMAGE035
；
所述质量指标引入的联合度量系数为：
Figure 665824DEST_PATH_IMAGE036
。
优选的，所述混合核函数的表达式为：
Figure 323202DEST_PATH_IMAGE038
式中，
Figure 429698DEST_PATH_IMAGE039
表示过程工艺变量
Figure 172526DEST_PATH_IMAGE040
和
Figure 898037DEST_PATH_IMAGE041
的混合核函数，
Figure 409921DEST_PATH_IMAGE042
表示质量指标
Figure 687318DEST_PATH_IMAGE040
和
Figure 651863DEST_PATH_IMAGE041
的混合核函数，
Figure 181065DEST_PATH_IMAGE043
和
Figure 547455DEST_PATH_IMAGE044
为在子***
Figure 995754DEST_PATH_IMAGE045
中的过程工艺变量，
Figure 713174DEST_PATH_IMAGE046
为质量指标，
Figure 780487DEST_PATH_IMAGE047
、
Figure 1384DEST_PATH_IMAGE048
、
Figure 620584DEST_PATH_IMAGE049
均为对应核函数的参数，其中，
Figure 559722DEST_PATH_IMAGE047
为带宽参数， 其值大于0,此外
Figure 430726DEST_PATH_IMAGE050
。
优选的，根据所述高维特征空间中优选数据集合构建多***分布式协调控制模型的方法为：
Figure 630763DEST_PATH_IMAGE051
式中，
Figure 561810DEST_PATH_IMAGE052
为由
Figure 988243DEST_PATH_IMAGE053
和
Figure 397359DEST_PATH_IMAGE054
组合而成的输入-输出矩阵，其中，
Figure 717482DEST_PATH_IMAGE053
为工艺参数经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure 819430DEST_PATH_IMAGE054
为 质量指标经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure 467580DEST_PATH_IMAGE055
为未来的输出 矩阵，即质量指标矩阵，
Figure 922528DEST_PATH_IMAGE056
为未来的输入矩阵，即过程工艺变量矩阵，
Figure 238103DEST_PATH_IMAGE057
和
Figure 370007DEST_PATH_IMAGE058
分 别为对应矩阵的控制矩阵，
Figure 771033DEST_PATH_IMAGE059
过程工艺变量和质量指标之间存在的未知扰动。
优选的，引入群智能优化算法，采用循环修正策略，实现机架间的协调控制的方法为：
设定有关厚度和板形的综合目标函数以及个体的维度，其中，所述个体的维度设置为14维，分别为7个机架的出口厚度和凸度；
以所述综合目标函数为基准，对各机架的出口厚度和凸度进行寻优，寻优后得到各机架的最佳出口厚度和最佳凸度值；
校验末机架的出口厚度和凸度是否满足所述综合目标函数，满足条件终止迭代，否则继续迭代，直至达到误差允许范围内；
当终止迭代后，根据各机架的最佳出口厚度和最佳凸度值，结合所述多***分布式协调控制模型反推出各个机架所施加的轧制力、弯辊力、窜辊量，结合轧制力、弯辊力、窜辊量的具体数值反推出液压缸和弯辊缸的具体行程，完成相应过程工艺变量的调控；
在完成相应过程工艺变量的调控后，通过多功能仪测量得到成品出口厚度和凸度 的实测值和目标值存在的偏差向量
Figure 521951DEST_PATH_IMAGE060
；根据调控矩阵
Figure 692032DEST_PATH_IMAGE061
,计算得到消除相应偏差向量 所需要的调节量
Figure 729258DEST_PATH_IMAGE062
；以时间为变量循环往复对生产过程进行调控，实现各个机架负荷分 配和机架间的动态协调；
所述综合目标函数的表达式为：
Figure 883159DEST_PATH_IMAGE063
， 其中，
Figure 437768DEST_PATH_IMAGE064
表示未来的最佳输出，即控制***设定的最佳控制效果，其中的
Figure 462356DEST_PATH_IMAGE065
表示质量指标中对应的最佳出口厚度，
Figure 201642DEST_PATH_IMAGE066
表示质量指标中对应的最佳板形。
与现有技术相比，本发明具有如下优点和技术效果：
本发明提供了一种连轧过程板带质量分布式调控方法，利用采集到的现场数据，采用最大相关、最小冗余原则对数据进行筛选，利用混合核函数的方法将数据中的过程工艺变量和质量指标映射到高维特征空间中，为多***分布式协调控制模型奠定基础。通过设计的多***分布式协调控制模型建立有关厚度和板形的目标函数，进一步利用群智能优化算法以目标函数为基准对各机架的厚度和凸度进行寻优。当算法终止迭代后，通过各机架的厚度和凸度反推出各机架的轧制力、弯辊力、窜辊量，继而采用循环修正策略，对各个机架的轧制力、弯辊力、窜辊量进行补偿和纠偏，实现各个机架负荷分配和机架间的动态协调。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的控制原理图；
图2为本发明实施例的子***和控制器之间的交互信息图示；
图3为本发明实施例的群智能优化算法寻优原理图；
图4为本发明实施例的分布式***过程自动化级的具体配置示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-4所示，本发明提供了一种连轧过程板带质量分布式调控方法，包括以下步骤：
S1：获取精轧流程的历史数据，其中，所述历史数据包括：过程工艺变量和质量指标；
S2：将精轧流程划分为7个子***，分别将所述过程工艺变量和所述质量指标划分至不同的子***中，根据最大相关、最小冗余筛选原理，得到各子***内部过程工艺变量和质量指标的优选数据集合；
S3：采用混合核函数的方法将所述优选数据集合映射到高维特征空间；
S4：根据所述高维特征空间中优选数据集合构建多***分布式协调控制模型；
S5：基于所述多***分布式协调控制模型，引入群智能优化算法，采用循环修正策略，实现机架间的协调控制。
所述获取精轧流程的历史数据包括：
S1.1、冶金行业尤其是带钢生产行业的生产数据具有多元异构、体量庞大、多变量、多粒度的特点，依托实际生产现场，数据采集一般是以实时数据库为基础数据平台对数据进行管理和配置，采用基于OPC、ODBC等数据采集协议，利用实时数据平台提供的标准I/O驱动接口采集对应的数据；
S1.2、轧制同一钢种不同钢号、同一钢号不同钢种、不同板厚的板带产生的数据；所述过程工艺变量包括轧制力、辊缝值、轧制速度、弯辊力、窜辊量，质量指标包括厚度、板带的宽度、板带的凸度、板带的平直度。
所述将精轧流程划分为7个子***包括：
S2.1、第一机架、第二机架、第三机架、第四机架、第五机架、第六机架、第七机架；
S2.2、将上述过程工艺变量划分至不同的子***中表示为：
Figure 311681DEST_PATH_IMAGE001
，
Figure 404402DEST_PATH_IMAGE010
。其中，
Figure 549075DEST_PATH_IMAGE002
表示过程工艺变量数据集，
Figure 334628DEST_PATH_IMAGE003
为第一机架过程工艺变量组成的数据 集，
Figure 56597DEST_PATH_IMAGE004
为第二机架过程工艺变量组成的数据集，
Figure 953009DEST_PATH_IMAGE005
为第三机架过程工艺变量组成的数据 集，
Figure 952189DEST_PATH_IMAGE006
为第四机架过程工艺变量组成的数据集，
Figure 174223DEST_PATH_IMAGE007
为第五机架过程工艺变量组成的数据 集，
Figure 258853DEST_PATH_IMAGE008
为第六机架过程工艺变量组成的数据集，
Figure 818011DEST_PATH_IMAGE009
为第七机架过程工艺变量组成的数据 集；
Figure 937276DEST_PATH_IMAGE011
表示质量指标数据集。
Figure 64632DEST_PATH_IMAGE012
表示质量指标数据集对应的成品的厚度和凸度。
S2.3、根据最大相关、最小冗余筛选原理得到子***内部过程工艺变量和质量指标的优选数据集合包括：所述最大相关原理是为了建立过程工艺变量与质量指标之间强关联关系，最小冗余是工艺变量之间最大程度上避免相互影响；
其中，最大相关对应的公式为:
Figure 636559DEST_PATH_IMAGE067
,式中，
Figure 874774DEST_PATH_IMAGE016
表示为输入变量集合，
Figure 707600DEST_PATH_IMAGE017
表示输出变量集合，
Figure 5858DEST_PATH_IMAGE018
和
Figure 330660DEST_PATH_IMAGE019
分别为
Figure 106986DEST_PATH_IMAGE016
和
Figure 794319DEST_PATH_IMAGE017
中的元素，
Figure 263478DEST_PATH_IMAGE020
定义 为
Figure 544417DEST_PATH_IMAGE018
和
Figure 390014DEST_PATH_IMAGE019
之间的最大信息系数。将上式迁移至本发明中表示为：
Figure 197433DEST_PATH_IMAGE021
Figure 837493DEST_PATH_IMAGE023
式中，
Figure 605728DEST_PATH_IMAGE024
表示各子***的过程工艺变量集合，
Figure 723857DEST_PATH_IMAGE025
表示质量指标集合，
Figure 651362DEST_PATH_IMAGE026
和
Figure 462323DEST_PATH_IMAGE027
分别为
Figure 717855DEST_PATH_IMAGE028
和
Figure 639675DEST_PATH_IMAGE025
中的元素，类似地，
Figure 562631DEST_PATH_IMAGE020
定义为
Figure 669128DEST_PATH_IMAGE026
和
Figure 411956DEST_PATH_IMAGE027
之间的最大信息系数。本发明双向 地建立了过程工艺变量和质量指标的相关关系，是后续建立多***分布式协调控制模型的 基础；
最小冗余对应的公式为：
Figure 137466DEST_PATH_IMAGE068
，式中，
Figure 649350DEST_PATH_IMAGE016
为输 入变量集合，
Figure 926748DEST_PATH_IMAGE018
和
Figure 891293DEST_PATH_IMAGE030
为
Figure 420494DEST_PATH_IMAGE016
中的元素，
Figure 786884DEST_PATH_IMAGE020
为
Figure 235183DEST_PATH_IMAGE018
和
Figure 952604DEST_PATH_IMAGE030
之间的最大信息系数。将上式迁移至 本发明中表示为：
Figure 19917DEST_PATH_IMAGE031
Figure 506393DEST_PATH_IMAGE069
式中，
Figure 266539DEST_PATH_IMAGE024
表示各子***的过程控制变量集合，
Figure 64730DEST_PATH_IMAGE025
表示质量指标集合，
Figure 935734DEST_PATH_IMAGE026
和
Figure 11138DEST_PATH_IMAGE033
是
Figure 66818DEST_PATH_IMAGE024
中的元素，
Figure 227672DEST_PATH_IMAGE027
和
Figure 902367DEST_PATH_IMAGE034
是
Figure 97856DEST_PATH_IMAGE025
中的元素，
Figure 58859DEST_PATH_IMAGE020
表示元素之间的最大信息系数；
引入联合度量系数
Figure 238168DEST_PATH_IMAGE070
，令
Figure 450974DEST_PATH_IMAGE071
,通过定义可知，相关性越强，冗余性 越弱，该过程工艺参数和质量指标的匹配程度越好。
对于过程工艺变量，有
Figure 500970DEST_PATH_IMAGE072
对于质量指标，有
Figure 773820DEST_PATH_IMAGE073
同样地，
Figure 33900DEST_PATH_IMAGE074
通过上述方法得到优选数据集合
Figure 784818DEST_PATH_IMAGE013
和
Figure 954899DEST_PATH_IMAGE014
，
Figure 257705DEST_PATH_IMAGE074
，
Figure 146026DEST_PATH_IMAGE016
为
Figure 700635DEST_PATH_IMAGE075
的缩写。
所述采用混合核函数的方法将优选数据集合
Figure 725223DEST_PATH_IMAGE013
和
Figure 198930DEST_PATH_IMAGE014
分别映射到高维特征空 间，包括：
S3.1、混合核函数为径向基核函数和Sigmoid核函数的整合形式，表示为：
Figure 308968DEST_PATH_IMAGE076
，
Figure 667269DEST_PATH_IMAGE077
为混合核函数，
Figure 546363DEST_PATH_IMAGE078
为径向基核函数，
Figure 456550DEST_PATH_IMAGE079
为Sigmoid核函数，
Figure 53885DEST_PATH_IMAGE080
表示权值，混合核函数与核函数相比具有更强的泛化能力， 基于混合核函数映射到高维空间的数据使得建立的多***分布式控制模型更稳定。迁移到 本发明中表示为：
Figure 950296DEST_PATH_IMAGE082
式中，
Figure 949476DEST_PATH_IMAGE039
表示过程工艺变量
Figure 764986DEST_PATH_IMAGE040
和
Figure 584037DEST_PATH_IMAGE041
的混合核函数，
Figure 885657DEST_PATH_IMAGE083
表示质量指标
Figure 332818DEST_PATH_IMAGE040
和
Figure 991333DEST_PATH_IMAGE041
的混合核函数，
Figure 32101DEST_PATH_IMAGE043
和
Figure 801474DEST_PATH_IMAGE044
为在子***
Figure 775246DEST_PATH_IMAGE045
中的过程工艺变量，
Figure 932558DEST_PATH_IMAGE046
为在子***
Figure 991781DEST_PATH_IMAGE045
中的质量指标。
Figure 502528DEST_PATH_IMAGE047
、
Figure 861965DEST_PATH_IMAGE048
、
Figure 924599DEST_PATH_IMAGE049
均为对应核函数的必要参数。其 中，
Figure 736697DEST_PATH_IMAGE047
为带宽参数，其值大于0,此外
Figure 785556DEST_PATH_IMAGE050
。
S3.2、经混合核函数的方法将优选数据集合
Figure 999499DEST_PATH_IMAGE013
和
Figure 498614DEST_PATH_IMAGE014
分别映射到高维特征空 间，分别得到
Figure 532429DEST_PATH_IMAGE053
和
Figure 384979DEST_PATH_IMAGE054
。
所述根据映射到高维特征空间中优选数据集合构建多***分布式协调控制模型如下：
S4.1、构建多***分布式协调控制模型
Figure 46904DEST_PATH_IMAGE084
式中，
Figure 123444DEST_PATH_IMAGE052
为由
Figure 644556DEST_PATH_IMAGE053
和
Figure 566375DEST_PATH_IMAGE054
组合而成的输入-输出矩阵，其中，
Figure 817228DEST_PATH_IMAGE053
为工艺参数经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure 64670DEST_PATH_IMAGE054
为 质量指标经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure 73077DEST_PATH_IMAGE055
为未来的输出 矩阵，即质量指标矩阵，
Figure 267429DEST_PATH_IMAGE056
为未来的输入矩阵，即过程工艺变量矩阵，
Figure 310471DEST_PATH_IMAGE057
和
Figure 56711DEST_PATH_IMAGE058
分 别为对应矩阵的控制矩阵，
Figure 817993DEST_PATH_IMAGE059
过程工艺变量和质量指标之间存在的未知扰动；
进一步地，
Figure 550457DEST_PATH_IMAGE085
表示未来的最佳输出，即控制***设定的最佳控制效 果。式中，
Figure DEST_PATH_IMAGE086
表示未来各个子***的最优输出集合，
Figure 979164DEST_PATH_IMAGE054
和
Figure 568409DEST_PATH_IMAGE086
越接近说明 控制效果越好。其中的
Figure 285829DEST_PATH_IMAGE065
表示质量指标中对应的最佳出口厚度，
Figure 25246DEST_PATH_IMAGE066
表示质量指标中对应 的最佳板形。通常情况下，
Figure 574039DEST_PATH_IMAGE066
相关的度量指标包括凸度、平直度,本发明重点考虑凸度。
S4.2、综上，有关厚度和板形的综合目标函数设定为：
Figure DEST_PATH_IMAGE087
上述厚度和板形的调节最终执行机构在液压缸和弯辊缸的动作上。在过程工艺变量中具体涉及到轧制力、弯辊力、窜辊量。
所述引入群智能优化算法，采用循环修正策略实现机架间的协调控制包括：
S5.1、引入群智能优化算法进行优化包括：群智能优化算法借助仿生学的思想，将生物的觅食、捕猎等具体活动抽象出来，种群内个体的维度即为优化的变量数，各维度中的矢量参数为待优化变量，本例中个体的维度设置为14维，分别为7个机架的出口厚度和凸度。以具体以综合目标函数为基准对各机架的出口厚度和凸度进行寻优，寻优后得到各机架的最佳出口厚度和最佳凸度值，此时校验末机架的厚度和凸度是否满足综合目标函数，满足条件终止迭代，否则继续迭代，直至达到误差允许范围内。
当终止迭代后，根据各机架的最佳出口厚度和最佳凸度值，结合多***分布式协调控制模型反推出各个机架所施加的轧制力、弯辊力、窜辊量，结合轧制力、弯辊力、窜辊量的具体数值反推出液压缸和弯辊缸的具体行程，完成相应工艺变量的调控；
S5.2、循环优化策略是在上述完成相应变量的调控后，通过多功能仪测量得到成 品出口厚度和凸度的实测值和目标值存在偏差向量
Figure 740709DEST_PATH_IMAGE060
，根据调控矩阵
Figure 945426DEST_PATH_IMAGE061
,可快速相应 计算得到消除偏差所需要的调节量
Figure 82009DEST_PATH_IMAGE062
。循环优化策略以时间为变量循环往复对生产过程 进行上述调控，实现各个机架负荷分配和机架间的动态协调。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种连轧过程板带质量分布式调控方法，其特征在于，包括以下步骤：
获取精轧流程的历史数据，其中，所述历史数据包括：过程工艺变量和质量指标；
将精轧流程划分为7个子***，将所述过程工艺变量划分至不同的子***中，根据最大相关、最小冗余筛选原理，得到各子***内部过程工艺变量和质量指标的优选数据集合；
采用混合核函数的方法将所述优选数据集合映射到高维特征空间；
根据所述高维特征空间中优选数据集合构建多***分布式协调控制模型；
基于所述多***分布式协调控制模型，引入群智能优化算法，采用循环修正策略，实现机架间的协调控制；
引入群智能优化算法，采用循环修正策略，实现机架间的协调控制的方法为：
设定有关厚度和板形的综合目标函数以及个体的维度，其中，所述个体的维度设置为14维，分别为7个机架的出口厚度和凸度；
以所述综合目标函数为基准，对各机架的出口厚度和凸度进行寻优，寻优后得到各机架的最佳出口厚度和最佳凸度值；
校验末机架的出口厚度和凸度是否满足所述综合目标函数，满足条件终止迭代，否则继续迭代，直至达到误差允许范围内；
当终止迭代后，根据各机架的最佳出口厚度和最佳凸度值，结合所述多***分布式协调控制模型反推出各个机架所施加的轧制力、弯辊力、窜辊量，结合轧制力、弯辊力、窜辊量的具体数值反推出液压缸和弯辊缸的具体行程，完成相应过程工艺变量的调控；
在完成相应过程工艺变量的调控后，通过多功能仪测量得到成品出口厚度和凸度的实测值和目标值存在的偏差向量
Figure QLYQS_1
；根据调控矩阵
Figure QLYQS_2
,计算得到消除相应偏差向量所需要的调节量
Figure QLYQS_3
；以时间为变量循环往复对生产过程进行调控，实现各个机架负荷分配和机架间的动态协调；
所述综合目标函数的表达式为：
Figure QLYQS_4
，其中，
Figure QLYQS_5
表示未来的最佳输出，即控制***设定的最佳控制效果，其中的
Figure QLYQS_6
表示质量指标中对应的最佳出口厚度，
Figure QLYQS_7
表示质量指标中对应的最佳板形；
将精轧流程划分的7个子***包括：第一机架、第二机架、第三机架、第四机架、第五机架、第六机架、第七机架；
将所述过程工艺变量划分至不同的子***的方法为：
Figure QLYQS_10
其中，
Figure QLYQS_13
表示过程工艺变量数据集，
Figure QLYQS_14
为第一机架过程工艺变量组成的数据集，
Figure QLYQS_9
为第二机架过程工艺变量组成的数据集，
Figure QLYQS_11
为第三机架过程工艺变量组成的数据集，
Figure QLYQS_15
为第四机架过程工艺变量组成的数据集，
Figure QLYQS_16
为第五机架过程工艺变量组成的数据集，
Figure QLYQS_8
为第六机架过程工艺变量组成的数据集，
Figure QLYQS_12
为第七机架过程工艺变量组成的数据集；
Figure QLYQS_17
其中，
Figure QLYQS_18
表示质量指标数据集,
Figure QLYQS_19
表示质量指标数据集对应的成品的厚度和凸度；
根据最大相关、最小冗余筛选原理，得到各子***内部过程工艺变量和质量指标的优选数据集合的方法包括：
根据最大相关筛选原理，得到各子***内部所述过程工艺变量和所述质量指标之间的关联关系；
根据最小冗余筛选原理，得到各子***内部所述过程工艺变量之间和所述质量指标之间的冗余关系；
基于所述关联关系和所述冗余关系，分别对各子***内部所述过程工艺变量和所述质量指标引入联合度量系数，得到各子***内部所述过程工艺变量的优选数据集合
Figure QLYQS_20
和所述质量指标的优选数据集合
Figure QLYQS_21
；
其中，最大相关筛选原理对应的公式为：
Figure QLYQS_22
，式中，
Figure QLYQS_25
表示为输入变量集合，
Figure QLYQS_27
表示输出变量集合，
Figure QLYQS_24
和
Figure QLYQS_26
分别为
Figure QLYQS_28
和
Figure QLYQS_29
中的元素，
Figure QLYQS_23
定义为
Figure QLYQS_30
和
Figure QLYQS_31
之间的最大信息系数；
所述过程工艺变量和质量指标之间的关联关系的表达式为：
Figure QLYQS_32
，
Figure QLYQS_33
，式中，
Figure QLYQS_38
表示各子***的过程工艺变量集合，
Figure QLYQS_40
表示质量指标集合，
Figure QLYQS_34
和
Figure QLYQS_36
分别为
Figure QLYQS_39
和
Figure QLYQS_41
中的元素，
Figure QLYQS_35
定义为
Figure QLYQS_37
和
Figure QLYQS_42
间的最大信息系数；
所述最小冗余筛选原理对应的公式为：
Figure QLYQS_43
，式中，
Figure QLYQS_48
为输入变量集合，
Figure QLYQS_49
和
Figure QLYQS_44
为
Figure QLYQS_46
中的元素，
Figure QLYQS_47
为
Figure QLYQS_50
和
Figure QLYQS_45
之间的最大信息系数；
所述过程工艺变量之间和质量指标之间的冗余关系的表达式为：
Figure QLYQS_52
，
Figure QLYQS_54
，式中，
Figure QLYQS_55
表示各子***的过程控制变量集合，
Figure QLYQS_51
表示质量指标集合，
Figure QLYQS_57
和
Figure QLYQS_58
是
Figure QLYQS_59
中的元素，
Figure QLYQS_53
和
Figure QLYQS_56
是
Figure QLYQS_60
中的元素，
Figure QLYQS_61
表示元素之间的最大信息系数；
所述过程工艺变量引入的联合度量系数为：
Figure QLYQS_62
；
所述质量指标引入的联合度量系数为：
Figure QLYQS_63
；
所述混合核函数的表达式为：
Figure QLYQS_65
Figure QLYQS_68
式中，
Figure QLYQS_73
表示过程工艺变量
Figure QLYQS_66
和
Figure QLYQS_70
的混合核函数，
Figure QLYQS_74
表示质量指标
Figure QLYQS_75
和
Figure QLYQS_64
的混合核函数，
Figure QLYQS_69
和
Figure QLYQS_77
为在子***
Figure QLYQS_78
中的过程工艺变量，
Figure QLYQS_67
为质量指标，
Figure QLYQS_71
均为对应核函数的参数，其中，
Figure QLYQS_72
为带宽参数，其值大于0,此外
Figure QLYQS_76
。
2.根据权利要求1所述的连轧过程板带质量分布式调控方法，其特征在于，获取的精轧流程的历史数据为：轧制同一钢种不同钢号、同一钢号不同钢种、不同板厚的板带产生的数据；所述过程工艺变量包括轧制力、辊缝值、轧制速度、弯辊力和窜辊量；所述质量指标包括厚度、板带的宽度、板带的凸度和板带的平直度。
3.根据权利要求1所述的连轧过程板带质量分布式调控方法，其特征在于，根据所述高维特征空间中优选数据集合构建多***分布式协调控制模型的方法为：
Figure QLYQS_81
式中，
Figure QLYQS_83
为由
Figure QLYQS_86
和
Figure QLYQS_80
组合而成的输入-输出矩阵，其中，
Figure QLYQS_84
为工艺参数经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure QLYQS_87
为质量指标经过混合核函数映射到高维空间的高维特征组成的矩阵，
Figure QLYQS_89
为未来的输出矩阵，即质量指标矩阵，
Figure QLYQS_79
为未来的输入矩阵，即过程工艺变量矩阵，
Figure QLYQS_82
和
Figure QLYQS_85
分别为对应矩阵的控制矩阵，
Figure QLYQS_88
过程工艺变量和质量指标之间存在的未知扰动。
CN202211609053.4A 2022-12-15 2022-12-15 一种连轧过程板带质量分布式调控方法 Active CN115591947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211609053.4A CN115591947B (zh) 2022-12-15 2022-12-15 一种连轧过程板带质量分布式调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211609053.4A CN115591947B (zh) 2022-12-15 2022-12-15 一种连轧过程板带质量分布式调控方法

Publications (2)

Publication Number Publication Date
CN115591947A CN115591947A (zh) 2023-01-13
CN115591947B true CN115591947B (zh) 2023-03-17

Family

ID=84853818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211609053.4A Active CN115591947B (zh) 2022-12-15 2022-12-15 一种连轧过程板带质量分布式调控方法

Country Status (1)

Country Link
CN (1) CN115591947B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004076086A2 (de) * 2003-02-25 2004-09-10 Siemens Aktiengesellschaft Verfahren zur regelung der temperatur eines metallbandes, insbesondere in einer fertigstrasse zum walzen von metallwarmband
CN101003063A (zh) * 2006-01-18 2007-07-25 宝山钢铁股份有限公司 在平整轧制过程中带钢的延伸率、板形及综合控制方法
CN102069094A (zh) * 2010-11-16 2011-05-25 北京首钢自动化信息技术有限公司 一种基于数据挖掘的板形控制关键工艺参数优化***
CN103143574A (zh) * 2011-08-04 2013-06-12 上海交通大学 带钢热连轧过程的分布式预测控制***
CN103722022A (zh) * 2013-12-29 2014-04-16 北京首钢自动化信息技术有限公司 一种轧制过程中摩擦系数模型优化***及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5193066A (en) * 1989-03-14 1993-03-09 Kabushiki Kaisha Kobe Seiko Sho Equipment for adjusting the shape of a running band-like or plate-like metal material in the width direction
CN102941232B (zh) * 2012-11-12 2014-12-10 东北大学 一种热连轧精轧过程控制方法
CN104985003A (zh) * 2015-06-03 2015-10-21 燕山大学 一种基于数据驱动的轧制过程打滑诊断及预测的方法
EP3461567A1 (de) * 2017-10-02 2019-04-03 Primetals Technologies Germany GmbH Planheitsregelung mit optimierer
CN111209967A (zh) * 2020-01-08 2020-05-29 太原科技大学 一种基于支持向量机的轧制过程板凸度预测方法
CN111250548B (zh) * 2020-01-18 2021-11-12 太原科技大学 一种基于核偏最小二乘结合支持向量机的板凸度预测方法
CN111389915B (zh) * 2020-03-24 2020-12-29 燕山大学 模拟板带材电热场量变化的微控装置
CN114048592A (zh) * 2021-10-25 2022-02-15 北京科技大学 一种精轧全流程分布式运行性能评估及非优原因追溯方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004076086A2 (de) * 2003-02-25 2004-09-10 Siemens Aktiengesellschaft Verfahren zur regelung der temperatur eines metallbandes, insbesondere in einer fertigstrasse zum walzen von metallwarmband
CN101003063A (zh) * 2006-01-18 2007-07-25 宝山钢铁股份有限公司 在平整轧制过程中带钢的延伸率、板形及综合控制方法
CN102069094A (zh) * 2010-11-16 2011-05-25 北京首钢自动化信息技术有限公司 一种基于数据挖掘的板形控制关键工艺参数优化***
CN103143574A (zh) * 2011-08-04 2013-06-12 上海交通大学 带钢热连轧过程的分布式预测控制***
CN103722022A (zh) * 2013-12-29 2014-04-16 北京首钢自动化信息技术有限公司 一种轧制过程中摩擦系数模型优化***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭树彬 ; 刘建昌 ; .Multi-Agent的连续轧制过程控制***研究.2008,(02),全文. *

Also Published As

Publication number Publication date
CN115591947A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN103440368A (zh) 一种多模型动态软测量建模方法
CN103809472A (zh) 基于模型的优化和无模型的控制的在线集成
CN111522229B (zh) 参数自整定的mimo异因子偏格式无模型控制方法
CN109634108A (zh) 参数自整定的mimo异因子全格式无模型控制方法
Chen et al. Input-output dynamic model for optimal environmental pollution control
CN109856973A (zh) 一种基于模糊神经网络的温室环境控制方法及***
CN113075881A (zh) 一种pid控制器的参数调节方法、装置及电子设备
CN104991984A (zh) 一种用于煮糖结晶的数据监测方法和***
Vogt et al. On-line adaptation of grid-based look-up tables using a fast linear regression technique
CN115591947B (zh) 一种连轧过程板带质量分布式调控方法
CN107085371A (zh) 基于数据驱动的原油蒸馏装置经济模型预测控制方法
Yang et al. Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine
Pan et al. Optimization of industrial boiler combustion control system based on genetic algorithm
CN110298385A (zh) 一种基于*信息与增量svdd在线早期故障检测方法
Liu et al. Flatness Prediction of Cold Rolled Strip Based on EM-TELM
CN109782586A (zh) 参数自整定的miso异因子紧格式无模型控制方法
CN110597055B (zh) 抗不确定性的2d分段仿射间歇过程最小-最大优化的预测控制方法
CN102284505A (zh) 一种基于arm的模糊pi厚度控制***
CN112180733A (zh) 一种基于模糊逻辑的建筑能耗***预测控制参数整定方法
CN111444619A (zh) 一种注塑模具冷却***在线分析方法及设备
CN109814389A (zh) 参数自整定的mimo异因子紧格式无模型控制方法
CN113641101A (zh) 一种基于数值仿真的多渠池控制参数寻优算法
Wang et al. Hybrid end-point static control model for 80 tons BOF steelmaking
Shaikh et al. Computational Analysis of PID and PSO-PID Optimization for MIMO Process Control System
CN109388851B (zh) 螺旋锥齿轮形性协同制造智能参数驱动决策与处理方法

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