CN117718335B - 一种融合ilq理论和机器学习的活套-厚度控制方法 - Google Patents

Abstract

本发明公开了一种融合ILQ理论和机器学***直度、凸度过大等板形缺陷，提高产品厚度精度，优化板形截面形状。

Description

一种融合ILQ理论和机器学习的活套-厚度控制方法

技术领域

本发明属于轧制技术控制领域，特别是涉及一种融合ILQ理论和机器学习的活套-厚度控制方法。

背景技术

带钢生产比重的不断提高是现代轧钢生产发展的主要趋势。热轧带钢作为一种重要的原材料，广泛应用于汽车、电机、化工、机械制造、建筑、造船等行业。此外，大量热轧带钢用作冷轧材料，用于制造焊管和冷轧钢。随着现代工业的发展，对热轧带钢的厚度和板形控制精度提出了精确的要求。针对热轧带钢活套和厚度控制问题，国内研究人员做了一些相关研究。中国专利“一种热连轧厚度-活套综合***逆线性二次型控制方法”以热连轧厚度-活套综合***为研究对象，基于逆线性二次型理论，设计了控制器，并测试了控制器的性能，为实际生产和理论研究提供了指导依据。中国专利“一种基于逆线性二次型的带钢厚度和板凸度控制方法”为了解决热连轧厚度和板凸度控制***由于相互作用而导致***控制能力下降的问题，提出了一种基于逆线性二次型理论的带钢厚度和板凸度控制方法，并通过仿真和实验证明该方法的可行性。

但是上述研究所存在以下不足之处：传统的ILQ控制策略仅用于线性和时不变***。在恒张力轧制阶段，即在工作点附近，可以近似地认为带钢、轧机和活套处于平衡状态。在此过程中，活套-厚度控制***是线性的、时不变的。此时，根据机构模型求解的偏微分系数为固定值，采用ILQ控制策略是准确的。在起套和落套阶段，活套角度从零位置变化到平衡位置。当活套角度变化较大时，张力也会发生较大变化。这是一个非动态平衡过程。在建立状态空间的过程中，机构模型中的偏微分系数变化较大，***具有非线性和时变特性。ILQ控制策略不再适用。

发明内容

本发明的目的是提供一种融合ILQ理论和机器学习的活套-厚度控制方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种融合ILQ理论和机器学习的活套-厚度控制方法，包括：

基于热连轧活套装置的工作过程获取起套和落套阶段的轧制参数和恒张力轧制阶段的相关工艺参数；

构建GA-BP预测模型，基于所述GA-BP预测模型对所述起套和落套阶段的轧制参数进行计算，获得最优轧制参数；

基于所述最优轧制参数设计ILQ控制器，基于所述ILQ控制器对活套-厚度进行控制。

优选的，所述获取起套和落套阶段的轧制参数和恒张力轧制阶段的相关工艺参数的过程包括：

将活套装置的工作过程划分为起套阶段、恒张力轧制阶段和落套阶段；

基于所述起套阶段和所述落套阶段的非线性和时变特性收集所述起套和落套阶段的轧制参数；

基于所述恒张力轧制阶段的线性和时不变特性收集所述恒张力轧制阶段的相关工艺参数。

优选的，所述构建GA-BP预测模型的过程包括：

构建遗传算法和BP神经网络；

基于所述BP神经网络确定所述遗传算法的适应度值；

对所述适应度值进行遗传操作后输出结果，生成所述BP神经网络的最优权值阈值；

将所述BP神经网络的最优权值阈值导入至所述BP神经网络中，完成GA-BP预测模型的构建。

优选的，所述GA-BP预测模型中适应度函数的表达式为：

其中，k₀是系数，n为节点数，M_i为期望输出值，N_i为预测输出值，F_i为适应度函数。

优选的，基于所述GA-BP预测模型对所述起套和落套阶段的轧制参数进行计算，获得最优轧制参数的过程包括：

对所述起套和落套阶段的轧制参数中干扰数据进行清洗，获得正常工作数据；

将所述正常工作数据进行归一化处理后输入至所述GA-BP预测模型中进行计算，获得所述最优轧制参数。

优选的，基于所述最优轧制参数设计ILQ控制器的过程包括：

获取带钢生产的现场数据和机理模型，基于所述现场数据和机理模型构建活套-厚度协调控制***的状态空间方程；

将所述最优轧制参数设定为活套控制***的设定值；

基于所述活套-厚度协调控制***的状态空间方程获取最优控制律；

基于所述最优控制律设计ILQ控制器。

优选的，所述活套-厚度协调控制***的状态空间方程的表达式为：

其中，A为***矩阵，B为输入矩阵，C为输出矩阵，x为状态变量，y为输出变量，u为输入变量。

优选的，基于所述ILQ控制器对活套-厚度进行控制的过程包括：

基于起套阶段和落套阶段的控制特性和受力情况对所述ILQ控制器的参数进行设置，获得起套阶段和落套阶段的ILQ控制器；

基于所述起套阶段和落套阶段的ILQ控制器对活套-厚度进行控制。

本发明的技术效果为：本发明能够有效地消除轧制过程中活套角度和张力震荡，进而减少热轧板带平直度、凸度过大等板形缺陷，提高产品厚度精度，优化板形截面形状。

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为本发明实施例中的融合ILQ理论和机器学习的活套-厚度控制方法流程图；

图2为本发明实施例中的遗传算法优化的BP神经网络算法流程图。

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。

实施例一：

如图1-图2所示，本实施例中提供一种融合ILQ理论和机器学习的活套-厚度控制方法，包括：

步骤1：研究活套装置的工作过程，将其分为三个阶段进行控制，分别是起套阶段、恒张力轧制阶段和落套阶段。通过研究带钢咬钢过程，选取四个关键参量，建立一种张力、活套角度、活套液压缸压力和带钢速度四维全方面判断模式。

首先，通过现场测量装置，获取实际的张力、活套角度、活套液压缸压力和带钢速度数据。如果四个参量中任意一个达到设定值的80％，则判定为接触成功，触发对活套的闭环控制。在闭环控制阶段，会继续执行获取张力、活套角度、活套液压缸压力和带钢速度数据的步骤，如此循环，保证了各机架间带钢张力相对稳定，减少出现挑套的现象，并减轻了拉钢情况。

步骤2：针对起套和落套阶段的非线性和时变特性，收集带钢在起套和落套阶段的相关轧制参数，构建GA-BP预测模型，计算最优轧制工艺参数；

步骤2.1：收集带钢在起套和落套阶段的相关轧制参数，所测量带钢生产要求的各项数据为：第i活套的活套角度θ，第i架轧机的辊缝S，第i活套的活套辊力F_l，第i架轧机的轧制力P，第i架轧机的轧辊速度V，第i架轧机的入口温度T，第i架轧机的张力σ。

步骤2.2：构建GA-BP预测模型具体步骤为：

定义适应度函数F_i如下：

其中，k₀是系数，n为节点数，M_i为期望输出值，N_i为预测输出值。

假设目标个体被选中的概率P_i有如下形式：

其中，N是种群数量。

采用实数交叉法计算染色体ω_kj和ω_lj；

其中，是介于[0，1]之间的随机数。

突变操作方法如下：

其中，f(x)＝r'(1-x/X_max)²，ω_max和ω_min分别是基因的上临界值和下临界值分；r'是介于[0，1]之间的随机系数；x为当前迭代次数；X_max是最大进化次数。

通过以上方法的选择和优化，可以得到BP神经网络的最优权值和阈值。过滤步骤2.1所收集的数据，删除那些干扰数据，只保留正常工作数据。从处理后的数据中随机抽取5000组，按4：1的比例分为训练数据集和测试数据集。具体的遗传算法优化的BP神经网络算法流程如图2所示。在计算之前，我们对所选数据进行归一化处理。为带钢厚度、活套角度、带钢张力测试集预测效果对比。采用三种不同的归一化区间进行模拟对比，采用RMSE和R2来评价模型的预测能力和有效性。

步骤3：针对恒张力轧制阶段的线性和时不变特性，收集恒张力轧制阶段的相关工艺参数，建立GA-BP模型，计算最优参数作为***的设定值，设计ILQ控制器，对ILQ控制***响应性能和抗干扰性能进行测试。

步骤3.1：测量带钢生产要求的各项数据，测量带钢生产要求的各项数据为：第i架轧机的轧制力P，第i架轧机带钢的变形抗力K，第i架轧的活套角度θ，第i架轧机的辊缝S，第i活套的活套辊力F_l，第i架轧机的带钢张力σ，第i架轧机的液压缸压力F，第i架轧机的入口温度T，第i架轧机轧件的入口厚度h₀，第i架轧机轧件的出口厚度h，第i架轧机轧制力对入口厚度的变化率第i架轧机轧制力对出口厚度的变化率/>第i架轧机轧制力对变形抗力的变化率/>第i架轧机辊系弯辊力的纵向刚度C_F，第i架轧机轧制轧件时轧机的刚度系数C_P，第i架轧机辊系在弯辊力作用下弯曲变形的刚度K_F，第i架轧机辊系在轧制力作用下弯曲变形的刚度K_P，第i活套臂长度L₃，第i机架角速度响应时间τ_ω,i，第i机架辊缝响应时间τ_S,i，第i台活套电机响应时间τ_M,i。

步骤3.2：计算最优参数作为***的设定值的具体方法为：采用步骤2.2所提出的方法，构建GA-BP模型，计算出当带钢厚度最优时，活套角度和带钢张力的值，并把它们作为活套控制***的设定值。

步骤3.3：设计ILQ控制器的具体步骤为：

首先，根据步骤3.1所测量的现场数据和机理模型，建立活套-厚度协调控制***的状态空间方程。状态空间方程构造如下：

其中***矩阵A和输入矩阵B假设为如下形式：

其中，A∈R^n×n，A₁₁∈R^(n-m)×(n-m)，A₂₂∈R^m×m，I是m维单位矩阵。

最优控制律K的定义如式(7)所示。

K＝V^-1ΣV[F₁,I] (7)

其中，V为实非奇异矩阵；Σ＝diag(σ_i)为实对角矩阵；F₁是实矩阵；

直接计算控制律K是相当困难的。根据***性能要求，采用极点配置法计算***(A,B)的状态反馈矩阵K_A，经线性变换得到K_F和K_I，如下所示：

K＝[K_F,K_I]＝K_AΓ^-1 (9)

K_A＝V^-1ΣV[F₁,I]＝Σ[F₁,I] (10)

假设V＝I；

[K_F0,K_I0]＝[F₁,I]Γ^-1 (11)

ILQ控制器设计中最复杂的问题是期望极点{s_i}和特征向量{g_i}的选择。如果分别选取极点{s_i}和特征向量{g_i}，这些参数缺乏强的规律性将给我们的工作带来很大的困难。因此，确定了构造拓展矩阵和选择{s_i}和{g_i}的方法。这个方法减少了选择{s_i}和{g_i}的时间。

假设：

A_A＝Γ^-1A_clΓ (12)

B_A＝Γ^-1B_cl (13)

其中，

通过(A_cl,B_cl)的极点赋值，可以得到K＝[K_F,K_I]。通过这样的分配和反馈矩阵K_A＝[K_FA,K_IA]，关系可以表示为：

如果{f_i}是的特征值{s_i}对应的特征向量，{f_iA}是/>的特征值{s_iA}对应的特征向量，则它们的关系如下：

设T₁＝[t₁,t₂,…,t_n-m]，G＝[g₁,g₂,…,g_n-m]。它们满足以下关系：

t_i＝(s_iI-A₁₁)^-1A₁₂g_i(18)

定义：

F₁＝-GT₁ ^-1 (19)

以主导极点{s_i}作为期望极点，扩展***(A_A,B_A)配置极点。根据公式(17)，可以得到{g_i}对应的特征向量{s_i}。

到目前为止，V，F₁和I已经确定了。由式(7)可知，只要得到加权矩阵Σ和最优控制率K，即可唯一确定。矩阵Σ的对角元素σ_i必须满足以下条件：

其中，

如果设：Σ＝σΓ₁，Γ₁＝diag(γ₁,γ₂,…γ_m)，γ_i＞0；那么：

其中，

步骤3.4：对ILQ控制***响应性能和抗干扰性能进行测试。

根据现场实际轧制情况，选取设定值的10％作为控制器设定值的幅值，并对控制器的响应和抗干扰性能进行测试。

根据现场数据，实际厚度设定值为2.5mm，因此在1s内加入幅度为0.25mm的厚度阶跃信号，测试控制器的响应性能。根据现场数据，实际活套角度的设定值为22°，因此在1s内加入幅度为2.2°的角度阶跃信号，测试控制器的响应性能。根据现场数据，实际张力设定值为21MPa，在1s内加入幅值为2.1MPa的张力阶跃信号，测试控制器的响应性能。

加入振幅为0.01mm的进料厚度阶跃信号，测试控制器在3s时的抗干扰性能。在2s时，加入幅值为0.01m/s的工作辊线速度阶跃信号，测试控制器的抗干扰性能。将振幅为10℃、频率为0.2rad/s的正弦扰动信号加入到进料温度中，测试控制器的抗干扰性能。

步骤4：根据带钢在起套阶段和落套阶段的不同控制特性和受力情况，对活套增益进行差异化设计控制。

在起套阶段中，带钢在咬钢时，会产生较大的动态速降；而在落套阶段，带钢离开轧机时，所受的摩擦阻力减小，会突然加速。根据这两个阶段的不同情况，设置不同的控制器参数，以达到更好的控制效果。

以上所述，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)

1.一种融合ILQ理论和机器学习的活套-厚度控制方法，其特征在于，包括以下步骤：

基于热连轧活套装置的工作过程获取起套和落套阶段的轧制参数和恒张力轧制阶段的相关工艺参数；

构建GA-BP预测模型，基于所述GA-BP预测模型对所述起套和落套阶段的轧制参数进行计算，获得最优轧制参数；

基于所述最优轧制参数设计ILQ控制器，基于所述ILQ控制器对活套-厚度进行控制；

所述构建GA-BP预测模型的过程包括：

构建遗传算法和BP神经网络；

基于所述BP神经网络确定所述遗传算法的适应度值；

对所述适应度值进行遗传操作后输出结果，生成所述BP神经网络的最优权值阈值；

将所述BP神经网络的最优权值阈值导入至所述BP神经网络中，完成GA-BP预测模型的构建；

所述GA-BP预测模型中适应度函数的表达式为：

；

其中，是系数，n为节点数，/>为期望输出值，/>为预测输出值，/>为适应度函数；

基于所述GA-BP预测模型对所述起套和落套阶段的轧制参数进行计算，获得最优轧制参数的过程包括：

对所述起套和落套阶段的轧制参数中干扰数据进行清洗，获得正常工作数据；

将所述正常工作数据进行归一化处理后输入至所述GA-BP预测模型中进行计算，获得所述最优轧制参数；

基于所述最优轧制参数设计ILQ控制器的过程包括：

获取带钢生产的现场数据和机理模型，基于所述现场数据和机理模型构建活套-厚度协调控制***的状态空间方程；

将所述最优轧制参数设定为活套控制***的设定值；

基于所述活套-厚度协调控制***的状态空间方程获取最优控制律；

基于所述最优控制律设计ILQ控制器；

基于所述ILQ控制器对活套-厚度进行控制的过程包括：

基于起套阶段和落套阶段的控制特性和受力情况对所述ILQ控制器的参数进行设置，获得起套阶段和落套阶段的ILQ控制器；

基于所述起套阶段和落套阶段的ILQ控制器对活套-厚度进行控制。

2.根据权利要求1所述的融合ILQ理论和机器学习的活套-厚度控制方法，其特征在于，所述获取起套和落套阶段的轧制参数和恒张力轧制阶段的相关工艺参数的过程包括：

将活套装置的工作过程划分为起套阶段、恒张力轧制阶段和落套阶段；

基于所述起套阶段和所述落套阶段的非线性和时变特性收集所述起套和落套阶段的轧制参数；

基于所述恒张力轧制阶段的线性和时不变特性收集所述恒张力轧制阶段的相关工艺参数。

3.根据权利要求1所述的融合ILQ理论和机器学习的活套-厚度控制方法，其特征在于，所述活套-厚度协调控制***的状态空间方程的表达式为：

；

其中，A为***矩阵，B为输入矩阵，C为输出矩阵，x为状态变量，y为输出变量，u为输入变量。