CN1234755A - 用于优化一通过轧钢机的带钢端部的带宽分布的方法 - Google Patents

Abstract

一种用于优化一通过轧钢机的带钢端部的带宽分布的方法。在轧钢机(3)中轧制带钢(4)时,立轧辊(6)用于调整带钢宽,然而在带钢端部由于那里的不对称材料流会导致一宽度的缩减。为消除该效应,在带钢端部经过时根据一由预先给定参数(S)所规定的行驶曲线(f)来调整立轧辊(6)的定位位置。该参数(S)根据神经网络(14)对整个轧制过程所作的预报来计算。

Description

用于优化一通过轧钢机 的带钢端部的带宽 分布的方法

本发明涉及一种用于优化一通过轧钢机的带钢端部的带宽分布的方法。

在轧制带钢时的主要问题之一是要得到在整个带钢长度之上具有恒定宽度的矩形基本形状。为控制带宽则在轧钢机中采用立轧辊。如果让立轧辊以恒定的定位工作，则由于材料流的非对称性和其它的一些效应使带钢在其端部，亦即带钢头和尾部一般要窄于其中间部分。为克服这一现象，立轧辊的定位位置在钢带经过时被做成是可调的，其中该定位在带钢端部经过时以短偏移量的形式，亦即所谓的“短行程”(“short stroke”)相对于中间部分放宽驶开。这种对带钢头和尾的定位较正是根据一行驶曲线(“短行程控制(SSC)行驶曲线”)来进行的，该曲线由预定参数所确定。

本发明的目的是：通过预先给定一用于立轧辊的定位位置的行驶曲线，在带钢端部最佳地产生所希望的带宽分布。

本发明的目的是通过独立权利要求1、2、3和4中所给出的方法来实现的。

本发明方法的具有优点的进一步改进可从从属权利要求中加以了解。

在带钢端部经过时对立轧辊辊定位位置的调整是根据行驶曲线来进行的，而对形成该行驶曲线以参数的获取则是根据通过神经网络所作的关于轧制过程的预报来进行的，其中通过对在轧制过程中的神经网络的在线训练来不断地改进这种预报。由此对带钢的头和尾优选地采用分开的神经网络。对同一带钢的相继的通过，亦即在多个立轧道次中，也可采用分开的神经网络。如果持续确定地预先给出立轧道次，则也可使用仅仅一个神经网络，以求得在相继的立轧道次中立轧辊的行驶曲线的参数。

下面借助附图对本发明作进一步的详细说明，附图中：

图1示出有关一轧制钢带的带宽分布的实施例以及一由此导出的用于校正带宽分布的立轧辊的行驶曲线，

图2示出一轧钢机的原理性控制结构，它具有一用于获取确定行驶曲线的参数的单元，

图3至图8分别示出用于实现该获取行驶曲线参数的装置的不同实施例，

图9为基于图8所示实施例的用于获取行驶曲线参数的详细设计方案。

图1示出在经过一轧钢机时一带钢在其长度1上的带度分布y，该轧钢机除了用于带钢厚度调节的水平平轧辊外，还包括用于带宽控制的垂直立轧辊。在立轧辊具有恒定定位时，由于带钢中非对称的材料流，会导致带钢端部，亦即带钢头和带钢尾的带宽的减小。为消除这一现象且得到一矩形的带钢基本形状，在带钢端部通过时，根据一行驶曲线f来调整立轧辊的定位位置，该行驶曲线f在图示例中由两个分别用于带钢头和带钢尾的以及用于该同一带钢每次经过，亦即对于每个立轧道次可调节的直线段所组成。该行驶曲线f由此是通过形式为两个定位校正值a₁和a₂以及两个长度坐标l₁和l₂共4个参数来加以描述。定位校正值a₁和a₂与辊距有关，这样两立轧辊的行驶路程各为一半那么大。当然也可以采取其它方式以及通过更多参数来描述行驶曲线。

对行驶曲线f的参数a₁、a₂、l₁和l₂予以确定，使得根据由参数所规定的行驶曲线对立轧辊定位位置进行调整，能实现一预先给定的设定带宽分布，亦即，能使带钢在其端部具有一种矩形基本形状。如在下面用多个实施例所说明的那样，上述这一点是用神经网络来实现的，其中各个参数在这里例如是长度坐标l₁和l₂，但也可以作为经验值来预先给出。

图2示出一轧钢机3的原理性控制结构，对一通过轧钢机3的带钢4的实际带宽分布y_ist的优化在其中是根据一预给的设定带宽分布y_soll来进行的。该轧钢机3在此是一个具有一个或多个带有平轧辊5的水平机架的粗轧机列，其中在该水平机架以及根据需要在其它的水平机架之前，此处亦即在最后两个水平机架之前分别设有一带有立轧辊6的垂直机架。在带钢4每次进入轧钢机3之前，则在一预计算单元7中根据设定值SW和原始数据PD并通过对轧制过程数学模型8的访问，预先计算出轧制过程的关键过程参数x，并将其传递给一基础自动化装置9，该装置9进而对轧钢机3实行一预调节。在轧制过程中，通过一测量值采集装置10不断地采集轧制过程的重要测量参数。再将这些测量参数输入用于完成调节功能的基础自动化装置9和一验算单元11中。该验算单元11同预计算单元7一样对同一数学模型8进行访问，并根据代表轧制过程实际变化过程的测量参数来自适应调整所属的模型参数。用这种方式不断地改进对于下一个待轧制带钢的预计算并使之与实际过程发生情况相适配。

为控制立轧辊6的定位，基础自动化装置9具有一相应的控制装置12。该装置12根据输送给它的参数S(例如根据图1S=(a₁,a₂))，产生一行驶曲线f，根据该行驶曲线f来调节带钢端部通过时立轧辊的定位位置。在一装置13中，首先根据预先给定的设定带宽分布y_soll以及预算出的过程参数x，再通过访问至少一个神经网络14，计算出行驶曲线f的参数S，其中，该神经网络14提供有关带钢端部立轧过程的一个预报。为改进神经网络14的预报并使之适配实际的过程发生情形，在轧钢机3的输出端用一带宽测量装置15来测量实际带宽分布y_ist，利用该实际带宽分布y_ist以及在验算单元11中所验算出的过程参数x_nach使神经网络14进行自适应。

就所采用的神经网络14的数量而言，最好分别为带钢头和带钢尾单独提供一神经网络。此外对同一带钢4的相继通过也可分别采用一单独的神经网络。若不同带钢的立轧道次数量是可变的，则对于较多的轧制道次号分别采用不同的神经网络是不利的，因为在那里仅出现较少的训练数据。

图3和图4以两种工作状态示出单元13的第一实现可能性。其中采用一神经正向模型140作为神经网络，该模型140将立轧过程映射成其自然的因/果关系。神经网络140的输入量在其训练阶段(图3)由验算出的过程参数x_nach和行驶曲线的参数S_ist组成，该参数S_ist借助一换算单元16，从所测得的立轧辊6在轧制过程中工作时所依据的行驶曲线f_ist计算出。该神经网络140为带宽分布y提供一预报，将该预报的带宽分布y与被测实际带宽分布y_ist作比较，根据其中所检测到的误差Δy来进行神经网络140的自适应，由此使该神经网络对预给的行驶曲线参数S和当前的过程参数x提供有关对由此所取得的带宽分布y的尽量精确的预报。

图4示出如何来计算行驶曲线的最佳参数S_opt，用该参数可取得预先给定的设定带宽分布y_soll。为此首先要由一计算单元17预先给出行驶曲线S的起始值S_start，该起始值与预先计算出的过程参数x一起被输入已自适应的神经网络140。该神经网络140提供对带宽分布y的一个预报，该预报再与设定带宽分布y_soll相比较。若预报的带宽分布y和设定带宽分布y_soll之间的偏差超过一预先给定的极限值，则起始值S_start改变一量值ΔS。神经网络140用该新的参数S=S_start+ΔS对带宽分布y作出一新的预报，该新的预报再次与设定带宽分布y_soll作比较。由此该行驶曲线的参数S被逐步地改变一数值ΔS，直至预报的带宽分布y和预定带宽分布y_soll间的偏差不再超过一预先给定的极限值为止。这样所得到的参数S便对应于所寻求的最佳的行驶曲线参数S_opt，从而可用它来控制立轧辊6的定位位置。

在图5和图6所示的实现单元13的一个实施例中，采用了两个神经网络140和141，其中的第一个神经网络140相当于已在图3和图4中示出的一神经正向模型，而第二个神经网络141则为描述与自然因/果关系相反关系的神经反向模型。如图5所示，在单元13的第一工作状态中，第一神经网络140以借助图3业已说明的相同方式被训练。

在第一神经网络140的训练结束之后，按照图6，借助第二神经网络141并根据一预先给出的设定带宽分布y_soll和预计算出的过程参数x，对一行驶曲线参数S作出一预报，根据该预报在带钢通过时对立轧辊6进行调整。将所测得的因此产生的带宽分布y_ist与设定带宽分布y_soll相比较，由此得到的误差Δy逆向传播通过自适应的第一神经网络140，且为了使第二神经网络可改变的网络权重W(NN₁₄₁)自适应，根据梯度下降法引用： $\frac{\∂\mathrm{\Δy}}{\∂w\left(N{N}_{141}\right)}=\frac{\∂\mathrm{\Δy}}{\∂y}\·\frac{\∂y}{\∂s}\·\frac{\∂s}{\∂w\left(N{N}_{141}\right)}$

图7所示的单元13的实施例包含作为神经网络的对应于图5和图6中的一神经反向模型141。该神经网络141在自适应状态根据一预先给定的设定带宽分布y_soll和预计算出的过程参数x提供一对于行驶曲线参数S的预报，根据该预报在带钢通过时来调整立轧辊6的定位位置。

为使神经网络141自适应于实际过程情况，在带钢通过之后，将所测得的实际带宽分布y_ist和验算出的过程参数x_nach作为输入参数输给神经网络141，其网络响应S与通过换算单元16从所测得的行驶曲线f_ist所计算到的实际行驶曲线参数s_ist作比较。根据由此求得的误差ΔS使神经网络141自适应。

图8所示单元13的实施例基于以下前提条件：在带宽分布中有一误差时，亦即在设定带宽分布y_soll和所测得的实际带宽分布y_ist间存在着一偏差Δy时，必须使立轧辊6的行驶曲线f_ist被改变一个所述偏差值Δy，以便补偿该误差。因而可采用一神经反向模型作为神经网络142。该设定带宽分布y_soll，例如对于带钢端部的一种矩形形状是永远确定的，这样神经网络142所承担的任务相对于前述例子来说减小了，且为预报行驶曲线参数S，只将过程参数x或x_nach作为输入参数输入该神经网络中。

在带钢通过前，神经网络142根据预先计算出的过程参数x提供一对于行驶曲线f的参数S的预报，根据这一预报来预调整立轧辊6。

在带钢通过之后，将所希望的设定带宽分布y_soll与所测得的实际带宽分布y_ist比较。用由此所得的偏差Δy来将所测得的行驶曲线f_ist校正到一设定行驶曲线f_soll，其所属参数S_soll用一换算单元18来得到。神经网络142根据现在输给它的验算后的过程参数x_nach，提供对于行驶曲线参数S的一个预报，该预报与设定行驶曲线f_soll的参数S_soll作比较，这样所得的误差ΔS被用于神经网络142的自适应。行驶曲线f和它的参数S之间的转换接口在所示实施例中为换算单元18，当然也可以设置另一种换算单元，以便将神经网络142所预报的参数S换算成一预报的行驶曲线f，然后再将该预报的行驶曲线f与设定行驶曲线f_soll相比较。这一点也可从下述实施例中得知。

图9示出一基于图8所示实施例的一用于确定立轧辊6的行驶曲线f的详细设计方案。根据图1所示，对于总共三个立轧道次i(=1,2,3)中的每一个，行驶曲线f(i)分别应该由两根直线段组成，它们总共通过四个参数a₁(i)、a₂(i)、l₁(i)和l₂(i)来描述。确定行驶曲线f用的关键过程参数x或x_nach包括在每一立轧道次i之后的带宽b(i)、带厚d(i)和带温T(i)，在每一立轧道次i之后的带钢4的宽度缩减Δb(i)和厚度缩减Δd(i)以及作为带钢4的材料硬度(变形阻力)的度量的一系数α。

行驶曲线参数a₁(i)和a₂(i)，亦即定位校正值的预报，对于所有三个立轧道次i来说，是通过一神经网络142来完成的，该网络142相应地具有6个网络输出O_k(=0,…5)。由此该定位校正值a₁(i)和a₂(i)作为位于-1和+l间的网络输出O_k和带钢4的宽度缩减Δb(i)的乘积被计算出。这样的结果是：定位校正值a₁(i)和a₂(i)不会大于各宽度缩减Δb(i)。

长度坐标l₁(i)和l₂(i)被作为经验值由一装置19预先给出。由此，对应于第一立轧道次中立轧辊6在带钢4上的作用范围长度的长度坐标l₂(1)，对于带钢头例如被确定为3倍的板坯宽，而对于带钢尾则被确定为2倍的板坯宽。对其后的立轧道次则该立轧辊6的作用范围长度每次都折半，这样便有l₂(2)=1/2 l₂(1)以及l₂(3)=1/4 l₂(1)。剩下的长度坐标被规定为l₁(i)=1/3l₂(i)。这样确定的长度坐标值在测量带宽分布时，是针对从轧钢机3中出来的带钢4而言。由于每次带钢在通过轧钢机3时，其在各道次之前的长度会辗伸成离开轧钢机3之后的长度，因此对于在各个立轧道次i中对立轧辊6的控制来说，还必须对所述长度坐标值进行换算。这种换算是根据带钢4在各立轧道次i之前的温度T(i)、宽度b(i)和厚度d(i)以及带钢4在离开轧钢机3之后的温度、宽度和厚度以及膨胀系数α来进行的。

根据预算出的过程参数x由神经网络142所预报的行驶曲线参数a₁(i)和a₂(i)以及由单元19预先给出的行驶曲线系数l₁(i)和l₂(i)被传送至用于调节轧钢机3的基础自动化装置9。在轧钢机3中轧制带钢4时，用测量值采集装置10和带宽测量装置15逐点测量带宽分布y_ist和立轧辊6的行驶曲线f_ist。在一单元20中首先计算出预先给出的设定带宽分布y_soll和所测得的实际带宽分布y_ist之间的误差Δy，然后由所测得的行驶曲线f_ist以及该误差Δy(此处例如在7个预定支点j(=0…6)上)计算出设定行驶曲线f_soll。在此，以对于所有立轧道次i求和的形式计算出设定行驶曲线f_soll的各支点值f_sollj，亦即该设定行驶曲线f_soll为各立轧道次i的设定行驶曲线f_soll(i)的总和。

神经网络142根据在带钢4经过轧钢机3之后输入给它的验算出的过程参数x_nach来提供有关定位校正值a₁(i)和a₂(i)的预报，由这些校正值，在一装置21中计算出所预报的总体行驶曲线f在各支点j上的支点值f_j，该总体行驶曲线f由所预报的定位校正值a₁(i)和a₂(i)以对于所有立轧道次求和的形式被预报出。

在一单元22中，通过将总体设定行驶曲线f_soll的支点值f_sollj与预报的总体行驶曲线f的支点值f_i作比较，计算出误差Δf_j=f_sollj-f_j。由该误差Δf_j在另一单元23中形成在所有支点上累加起来的平方误差。 $E=\frac{1}{2}\underset{j=0}{\overset{6}{\mathrm{\Σ}}}\mathrm{\Δ}{f_j}^2$ 该误差根据梯度下降法被用于神经网络142的自适应。

如上所述，在图1所示实施例中的轧钢机3是一种粗轧机。为了考虑到诸如精轧机和冷却段等后继处理生产线对带宽分布的影响，在冷却段末尾对带宽分布进行测量并将结果输入装置13来计算行驶曲线参数S。

Claims (9)

1．一种方法，用于在一带钢(4)的端部经过一轧钢机(3)时，根据一由预先给定的参数(S)所描述的行驶曲线(f)来调整立轧辊(6)的定位位置，以优化该通过轧钢机(3)的带钢(4)端部的带宽分布(y)，其中，根据轧制过程的过程参数(x_nach)和行驶曲线(f_ist)的参数(S_ist)并借助一神经网络(140)作出关于带宽分布(y)的一个预报，将该预报的带宽分布(y)和所测到的实际带宽分布(y_ist)间的误差(Δy)用于神经网络(140)的自适应，以减少该误差(Δy)，利用该自适应的神经网络(140)来计算行驶曲线(f)的参数(S)的迭代最佳值(S_opt)，对该最佳的值(S_opt)而言，所预报的带宽分布(y)可最小地偏离一预先给定的设定带宽分布(y_soll)且据此来调整立轧辊(6)的定位位置。

2．一种方法，用于在一带钢(4)的端部经过一轧钢机(3)时，根据一由预先给定的参数(S)所描述的行驶曲线(f)来调整立轧辊(6)的定位位置，以优化该通过轧钢机(3)的带钢(4)端部的带宽分布(y)，其中，根据轧制过程的过程参数(x_nach)和所测得的实际带宽分布(y_ist)并借助一神经网络(141)作出关于行驶曲线(f)的参数(S)的一个预报，将该预报的行驶曲线(f)的参数(S)和用于调整立轧辊(6)定位位置所依据的行驶曲线(f_ist)的实际参数(S_ist)间的误差(ΔS)用于神经网络(141)的自适应，以减少该误差(ΔS)，其中利用该自适应的神经网络(141)并根据轧制过程的过程参数(x)和一预先给定的设定带宽分布(y_soll)来计算行驶曲线(f)的参数(S)的最佳值，根据该最佳值来调整立轧辊(6)的定位位置。

3．一种方法，用于在一带钢(4)的端部经过一轧钢机(3)时，根据一由预先给定的参数(S)所描述的行驶曲线(f)来调整立轧辊(6)的定位位置，以优化该通过轧钢机(3)的带钢(4)端部的带宽分布(y)，其中，根据轧制过程的过程参数(x_nach)和用于调整立轧辊定位位置所依据的行驶曲线(f_ist)的实际参数(S_ist)，并借助一第一神经网络(140)作出关于带宽分布(y)的一个预报，将该预报的带宽分布(y)和被测实际带宽分布(y_ist)之间的误差(Δy)用于该第一神经网络(140)的自适应，以减少该误差(Δy)，此外还根据轧制过程的过程参数(x)和一预先给定的设定带宽分布(y_soll)并借助一第二神经网络(141)作出有关行驶曲线(f)的参数(S)的最佳值的一个预报，根据该最佳值来调整立轧辊(6)的定位位置，该设定带宽分布(y_soll)和实际被测带宽分布(y_ist)之间的误差(Δy)逆向传播通过该自适应了的第一神经网络(140)并用于第二神经网络(141)的自适应，以减少该误差(Δy)。

4．一种方法，用于在一带钢(4)的端部经过一轧钢机(3)时，根据一由预先给定的参数(S)所描述的行驶曲线(f)来调整立轧辊(6)的定位位置，以优化该通过轧钢机(3)的带钢(4)端部的带宽分布(y)，其中，根据轧制过程的过程参数(x)并借助一神经网络(142)作出有关行驶曲线(f)的参数(S)的最佳值的一个预报，根据该预报来调整立轧辊(6)的定位位置，其中，由所测得的行驶曲线(f_ist)和在预先给定的设定带宽分布(y_soll)和实际测得的带宽分布(y_ist)之间的误差(Δy)来计算一设定行驶曲线(f_soll)，此外，所预报的行驶曲线(f)的参数(S)的最佳值和由设定行驶曲线(f_soll)所计算的从属参数(S_soll)之间的误差(ΔS)或所预报的由所预报的行驶曲线(f)参数(S)的最佳值所确定的行驶曲线和设定行驶曲线(f_soll)之间的误差用于神经网络(142)的自适应，以减少该误差。

5．如上述任一项权利要求所述的方法，其特征在于：分别对带钢头和带钢尾使用单独的神经网络。

6．如上述任一项权利要求所述的方法，其特征在于：用于调整立轧辊(6)的定位位置的行驶曲线(f)在一带钢端部经过时由两直线段组成，它们由两定位校正值(a₁,a₂)和带钢长度方向上的两长度坐标(l₁,l₂)所规定，其中长度坐标(l₁,l₂)是作为经验值被预先给定且定位校正值(a₁,a₂)构成行驶曲线(f)的参数。

7．如上述任一项权利要求所述的方法，其特征在于：对同一带钢的相继经过分别采用单独的神经网络。

8．如权利要求1至6中任一项所述的方法，其特征在于：对同一带钢的一确定的预先给出数量的相继经过(i)采用同一个神经网络(142)。

9．如上述任一项权利要求所述的方法，其特征在于：作为过程参数(x,x_nach)采用带钢(4)每次通过(i)后的带宽(b(i))、带厚(d(i))、带温(T(i))和带钢(4)每次通过(i)时的带钢宽度缩减(Δb(i))和厚度缩减(Δd(i))、以及有关带钢材料变形阻力的一度量(系数α)。

Images