专利名称：利用神经元网络分类建模法提高模型预报精度的方法
技术领域：
本发明涉及一种利用神经元网络分类建模法提高模型预报精度的方法。
技术背景带钢热轧生产是目前应用计算机控制最为成熟的一个领域，其控制范围包含了整个 生产过程。带钢热连轧计算机系统基本上分为基础自动化控制系统和过程自动化控制系 统；基础自动化面向机组及设备，并广泛采用数字传动技术。基础自动化控制系统根据 过程自动化系统的设定参数进行设备控制，同时将轧制过程中相应的检测数据传给过程 自动化控制系统。过程自动化面向整个生产线，其中心任务是对生产线上各机组和各个 设备进行设定计算，使得轧制带钢取得目标要求的厚度、宽度、温度、凸度及平直度等 指标。过程控制计算机设有原始数据输入、在线数据采集以及模型自学习等为设定模型 服务及配套的功能。热连轧过程自动化控制的主要功能是根据原始数据和轧制策略，使 用一系列数学模型进行设定计算，下送控制参数到基础自动化，因此，模型预报精度对 带钢的产量和质量起着至关重要的作用。提高模型设定精度目前主要采用传统的表格系 数修正法或神经元网络系数修正法。由于神经元网络具有自学习的能力，使自己更加适 应外界环境，因此神经元网络得到了越来越广泛的应用。但神经元网络需要较长的开发 与调试周期和昂贵的软、硬件开发经费。发明内容本发明目的是为克服上述已有技术的不足，提供一种在设备、工艺、环境等输入状 态发生变化时，低成本、快速度地利用神经元网络分类建模法提高模型预报精度的方法。在具有7台连轧机(F0—F6)组成的精轧机组的热轧带钢生产线上，用高速钢轧辊 替代标准铸铁轧辊用于精轧机组。根据轧辊类别，使用不同的神经元网络，即保持原有 网络用于高铬镍铸铁轧辊生产；为高速钢轧辊另外增加新的网络，网络形式与原有神经 元网络相同。高速钢轧辊与高铬镍铸铁轧辊使用各自的压力修正、凸度及平直度控制神 经元网络；新的网络配置文件与原有网络文件完全相同，仅是模型根据不同的轧辊辊质 类型调用不同的网络文件；各种不同辊质的网络相对独立，互不干扰。本发明方法的具体步骤 (l)增加8条神经元网络供高速钢轧辊使用,原有网络供高铬镍铸铁轧辊生产控制fm_prof.net 目标凸度及目标平直度预报网fm_rfD.net FO机架轧制压力修正网fin_rfl.net Fl机架轧制压力修正网fm_rf2.net F2机架轧制压力修正网fm_rfi.net F3机架轧制压力修正网fm_rf4.net F4机架轧制压力修正网fm_rf5.net F5机架轧制压力修正网fin_rf6.net F6机架轧制压力修正网拷贝上述8条网络，分别更名为如下8条网络供高速钢轧辊生产控制 fm_hsprof.net目标凸度及目标平直度预报网 fm—hsrfO.net FO机架轧制压力修正网fm—hsrfl.net Fl机架轧制压力修正网 fm_hsrf2.net F2机架轧制压力修正网 fmjisrf3 .net F3机架轧制压力修正网 fm_hsrf4.net F4机架轧制压力修正网 fm_hsrf5.net F5机架轧制压力修正网 fm一hsrf6.net F6机架轧制压力修正网该方法保持原有网络结构，仅增加供高速钢轧辊使用的祌经元网络，使得高速钢轧 辊与高铬镍铸铁轧辊使用各自的压力修正、凸度及平直度控制神经元网络。各种不同辊 质的网络相对独立，互不干扰。(2)修改模型控制源代码，根据不同辊类，调用不同的神经元网络，从而提高后 续带钢的设定精度，操作步骤如下-1) 读取原始数据、工艺制度及辊类标志；2) 判断是高速钢轧辊吗？否，进入第4)步；3) 读取高铬镍铸铁轧辊神经元网络数据，跳到第5)步；4) 读取高速钢轧辊神经元网络数据；5) 调用温度计算模型，通过轧制变形热、轧辊热传导、机架间冷却水、空冷热辐 等求出带钢在各轧机的出口温度；6) 调用压力计算模型，使用其相应的轧辊神经元网络数据，计算各轧机轧制压力；7) 调用板形计算模型，使用其相应的轧辊神经元网络数据，计算各轧机弯辊、串 辊量；8) 传送设定值；预设定过程结束。工艺制度包括除鳞方式、轧机负荷分配率、机架间冷却水流量、工作辊冷却水流量、 工艺润滑投用标志等。通过改进源代码根据轧辊辊类调用不同的神经元网络，实现了高铬镍铸铁轧辊与高 速钢轧辊压力预报模型分类控制，使得高铬镍铸铁轧辊轧制过程完全不受系统改造的影 响；高速钢轧辊在带钢后续的轧制过程中，通过在线训练过程不断地提高其模型预报精 度。本发明适合于采用神经元网络进行模型修正的带钢热轧生产线上使用。本发明将分 类控制思想应用到神经元网络，避免了对神经元网络结构再次开发，在保持神经元网络 优点的同时，低成本、快速地完成改进。在设备、工艺、环境等输入状态发生变化时， 采用本发明方法不仅操作过程较为简单，而且在保证正常生产的同时，可以提高模型的 预报精度。
具体实施方式
太原钢铁公司(以下简称太钢)热连轧厂过程控制系统共有11条神经元网络，用 于模型进行宽展、压力、温度、凸度及平直度模型的预报。其中F0 F7机架轧制压 力预报值修正系数7条，带钢目标板凸度及目标平直度预报l条，终轧温度修正系数l 条，精轧区宽展量预报1条，带钢材质硬度修正系数1条，每条网络都具有各自严格的 责任分工，对提高模型预报精度起着极其关键的作用。太钢热连轧厂购进高速钢轧辊用于精轧机组。与标准铸铁轧辊相比，高速钢轧辊具有较高的耐磨性和较佳的表面质量。但高速钢轧辊也有明显的缺点，即摩擦系数大，辊 面凸度难以控制。摩擦系数大，轧制力也相应增大，在同样条件下，会使轧制力增加 10% 20%。由于高速钢轧辊与标准铸铁轧辊的特性有较大区别，压力模型无法进行正 确预报。压力模型预报精度过低，导致轧机辊缝设定误差大，精轧机组机架间秒流量无 法保持平衡，极易造成机组废钢，成品厚度控制精度低、板型差，严重影响终轧产品的 产量和质量。在单机架高速钢轧辊试用阶段，精轧台操作工必须手动关闭神经元网络在 线训练功能，避免网络修正值训练异常，影响后续带钢的正常生产控制。同时在轧制过 程中，操作工需要不断地进行手动干预，如根据实测轧制负荷调整机架负荷分配率防轧 机过电流掉电；穿带过程中手动调整机架压下位置保证机架间秒流量平衡防止起套或拉 钢等等，轧制过程不稳定。太钢1#热轧系统三电控制系统改造后，过程控制级采用 SIEMENS公司在SIROLL2环境下开发的产品，模型计算中使用了神经元网络，经过 长期的在线及离线训练过程，模型预报精度不断提高。以F0轧机为例，其轧制压力预报网络输入项及输出项定义如下-name: fm_rf0number of inputs: 22 〃输入项个数number of outputs: 1 〃输出项个数inputs: 〃输入项no. descrminimummaximum accuracyI HE 170 0.05 〃入口厚度 2TE 600 1200 1 〃出口厚度 3BTENS 0100 0.1 〃后张力 4FTENS 0100 0.1 〃前张力 5EPS0 0.8 0.001 〃压下率 6WRR 100 600 1 〃辊径 7VU 0.01 50 0.05 〃速度 8C 0100 0.001 〃碳含量 9SI 0100 0.01 〃硅含量10MN0100 0.01 〃锰含量II P 0100 0.01 〃磷含量12 S 0100 0.001 〃硫含量13 AL 0100 0.001 〃铝含量14 CR 0100 0.01 〃铬含量15 CU 0100 0.01 〃铜含量16 MO0100 0.01 〃钼含量17 TI 0100 0.01 〃钛含量18 NI 0100 0.01 〃镍含量19 V 0100 0.01 〃钒含量20 NB 0100 0.01 〃铌含量21 N 0100 0.001 〃氮含量22B 0100 0.001 〃硼含量outputs: 〃输出项no. d6scrminimum maximum1RFC 0 0.5 1.6按照常规做法，需要对神经元网络的结构进行改动，即在上述原有输入项中增加轧 辊辊类项，然后重新调整神经元网络中输入层和隐藏层间的权重矩阵。该做法弊病较多， 如改造工作量大，已有轧制数据遭到破坏，结构变化后可能影响网络精度，需要进行长 时间、大容量的离线数据分析和改进，在线测试周期长，需要跟踪不同品种、规格带钢 的生产，以确认数据的可靠性。这不但需要较长的开发周期、加大开发经费，而且可能 影响到生产过程的稳定。在充分发挥神经元网络灵活、稳定等特点的基础上，考虑高速钢轧辊对压力预报模 型的影响，以及改进神经元网络可能带来的种种困难，釆用类似于传统技术解决方案的 分类方法，根据生产状态及需求将神经元网络进行分类建模，自动地、实时地实现不同 网络的在线训练过程，解决由于设备及性能等诸多现场因素干扰神经元网络学习紊乱等 问题，有效地提高模型预报精度，改进热轧带钢成品质量。在精轧机组增加8条神经元网络，分别用于各机架F0--F6使用高速钢轧辊时的压 力预报值修正神经元网、以及一条凸度及平直度控制神经元网络。通过对模型结构、过 程数据、以及控制逻辑进行分析后，增加8条神经元网络，供高速钢轧辊使用，原有网 络供高络镍铸铁轧辊生产控制foi_prof.net目标凸度及目标平直度预报网fm_rfD.net FO机架轧制压力修正网fm_rfl.net Fl机架轧制压力修正网fm_rf2.net F2机架轧制压力修正网fm—rfi.net F3机架轧制压力修正网fin_rf4.net F4机架轧制压力修正网fm一rf5.net F5机架轧制压力修正网fin—rf6.net F6机架轧制压力修正网拷贝上述8条网络，分别更名为如下8条网络供高速钢轧辊生产控制 fm_hsprof.net目标凸度及目标平直度预报网 fm_hsrfD.net FO机架轧制压力修正网 fm_hsrfl.net Fl机架轧制压力修正网 fm_hsrf2.net F2机架轧制压力修正网 fm一hsrf3.net F3机架轧制压力修正网 fin_hsrf4.net F4机架轧制压力修正网 fm_hsrf5.net F5机架轧制压力修正网 fm—hsrf6.net F6机架轧制压力修正网 (2)修改模型控制源代码，根据不同辊类，调用不同的神经元网络1) 读取原始数据、工艺制度及辊类标志；2) 判断是高速钢轧辊吗？否，进入第4)步；3) 读取高铬镍铸铁轧辊神经元网络数据，跳到第5)步；4) 读取高速钢轧辊神经元网络数据；5) 调用温度计算模型，通过轧制变形热、轧辊热传导、机架间冷却水、空冷热辐 等求出带钢在各轧机的出口温度；6) 调用压力计算模型，使用其相应的轧辊神经元网络数据，计算各轧机轧制压力；7) 调用板形计算模型，使用其相应的轧辊神经元网络数据，计算各轧机弯辊、串 辊量；8) 传送设定值。按照上述实施方案的新系统在线投入后，现场生产控制平稳，控制精度稳步提升。 试验中共计轧制16个单位不锈钢，1056块带钢，轧制结果统计如下表l、轧制负荷预报偏差(不锈钢单位)轧制负荷预报偏差％机架Fl机架F2机架F3使用高速钢轧辊1.151.131.12使用标准铸铁轧辊1.131.121.09共计轧制普钢247块，轧制结果统计如下:表2、轧制负荷预报偏差(普钢单位)轧制负荷预报偏差％机架F1机架F2使用高速钢轧辊1.151.14使用标准铸铁轧辊1.13Lll项目改造后，将改造前单机架试用高速钢轧辊时的轧制负荷预报偏差由24.9%降低 为目前的最大1.15%，与标准铸铁轧辊的轧制负荷预报偏差最大值1.13%处于同一水平。 实现高速钢轧辊进行生产稳定控制的同时，保证了成品带钢厚度及板型达原设计控制精度，统计结果见表3。表3、带钢厚度及板型控制精度统计7月8月9月10月板型降判率降判率％0.1750.1850.190.18轧制巻数1442714575782615758厚度精度厚度精度％95.4969596.1轧制巻数1442714575782615758本发明方法还可推广到生产一些较难控制的品种轧制上。如不同牌号硅钢中的硅含 量不同，但压力神经元网络的输出却基本相同，导致压力预报偏差较大，废钢现象频繁 发生。为此，在硅钢的生产过程中，使用神经元网络分类建模法，根据不同硅钢牌号定 义不同的神经元网络，可明显改善模型预报精度，大幅提高厚度控制精度，有效控制硅 钢生产的故障率。
权利要求
1、一种利用神经元网络分类建模法提高模型预报精度的方法，在具有7台连轧机(F0-F6)组成的精轧机组的热轧带钢生产线上，用高速钢轧辊替代标准铸铁轧辊用于精轧机组；其特征是根据轧辊类别，使用不同的神经元网络，即保持原有网络用于高铬镍铸铁轧辊生产；为高速钢轧辊另外增加新的网络，网络形式与原有神经元网络相同；高速钢轧辊与高铬镍铸铁轧辊使用各自的压力修正、凸度及平直度控制神经元网络；新的网络配置文件与原有网络文件完全相同，仅是模型根据不同的轧辊辊质类型调用不同的网络文件；各种不同辊质的网络相对独立，互不干扰。
2、 如果权利要求1所述的利用神经元网络分类建模法提高模型预报精度的方法， 其特征是(1) 增加8条神经元网络供高速钢轧辊使用,原有网络供高铬镍铸铁轧辊生产控制 fm_prof.net 目标凸度及目标平直度预报网fm_rfO.net FO机架轧制压力修正网 fm_rfl.net Fl机架轧制压力修正网 fm_rf2.net F2机架轧制压力修正网 fm—rf3.net F3机架轧制压力修正网 fin—rf4.net F4机架轧制压力修正网 fm一rf5.net F5机架轧制压力修正网 fin_rf6.net F6机架轧制压力修正网拷贝上述8条网络，分别更名为如下8条网络供高速钢轧辊生产控制fm_hsprof.net目标凸度及目标平直度预报网fm—hsrfD.net FO机架轧制压力修正网fin_hsrfl.net Fl机架轧制压力修正网fm_hsrf2.net F2机架轧制压力修正网fm_hsrfi.net F3机架轧制压力修正网fm_hsrf4.net F4机架轧制压力修正网fin_hsrf5.net F5机架轧制压力修正网fm_hsrf6.net F6机架轧制压力修正网(2) 修改模型控制源代码，根据不同辊类，调用不同的神经元网络，从而提高后 续带钢的设定精度，操作步骤如下1) 读取原始数据、工艺制度及辊类标志；2) 判断是高速钢轧辊吗？否，进入第4)步；3) 读取高铬镍铸铁轧辊神经元网络数据，跳到第5)步；4) 读取高速钢轧辊神经元网络数据；5) 调用温度计算模型，通过轧制变形热、轧辊热传导、机架间冷却水、空冷热辐 等求出带钢在各轧机的出口温度；6) 调用压力计算模型，使用其相应的轧辊神经元网络数据，计算各轧机轧制压力；7) 调用板形计算模型，使用其相应的轧辊神经元网络数据，计算各轧机弯辊、串 辊量； 8) 传送设定值；预设定过程结束。
全文摘要
一种利用神经元网络分类建模法提高模型预报精度的方法，本发明适合于采用神经元网络进行模型修正的带钢热轧生产线上使用；目的是提高模型预报精度；本发明根据轧辊类别，使用不同的神经元网络，即保持原有网络用于高铬镍铸铁轧辊生产；为高速钢轧辊另外增加新的网络，网络形式与原有神经元网络相同；高速钢轧辊与高铬镍铸铁轧辊使用各自的压力修正、凸度及平直度控制神经元网络；新的网络配置文件与原有网络文件完全相同，仅是模型根据不同的轧辊辊质类型调用不同的网络文件；各种不同辊质的网络相对独立，互不干扰。
文档编号G05B13/02GK101403890SQ200810079769
公开日2009年4月8日 申请日期2008年11月8日 优先权日2008年11月8日
发明者张世厚, 杨连宏, 王津平, 郭永亮 申请人:山西太钢不锈钢股份有限公司