专利名称：冷轧机板形调控功效系数离线自学习系统的制作方法
技术领域：
本发明涉及冷轧带钢领域，尤其涉及一种冷轧机板形调控功效系数离线自学习系统。
背景技术：
随着国内装备制造业的飞速发展，冷轧带钢用户对产品的板形质量要求也越来越高，尤其表现在高档汽车、IT产业和家用电器等行业。提高产品板形质量已经成为冷轧带钢企业提高经济效益和核心竞争力的重要途径之一。冷轧带钢板形控制技术是一项融合多学科知识、高度复杂的关键性技术，涉及工艺、设备、液压、电气控制和计算机等多个学科的专业知识，需要各个专业协同做好每一个控制功能模块的优化设计工作。冷轧板形控制技术一直为国外公司所垄断而导致进口冷轧板形控制系统价格昂贵，即使高价进口后由于不掌握核心技术在产品变规格后不能保证系统良好运行，因此进行冷轧板形控制核心技术的国产化研发势在必行。为了增强冷轧机的板形控制能力，现代冷轧轧机一般具有多种板形调控手段，如压下倾斜、工作辊正负弯辊、中间辊正弯辊、轧辊横移和喷射冷却等。在冷轧带钢板形控制系统投入运行时，板形自动控制系统需要综合考虑各个板形调控手段的调控能力，通过统筹计算使得各板形调控手段相互配合以达到最大限度消除板形偏差的控制效果。因此，对各个板形调控手段的调控能力的准确评估，也就是说是否能够获取高精度的冷轧机板形调控功效系数便成为影响板形控制效果优劣的一个关键因素。已有用于计算冷轧机板形调控功效系数的应用系统按照原理主要分为有限元数值计算、轧机实验和在线自学习。由于不同冷轧机板形调控机构对出口板形的影响机理非常复杂，模型中未知干扰因素众多，轧机工作状况也是不断变化的，因此很难通过传统的辊系弹性变形理论、轧件三维变形理论等机理性方法来精确计算出高精度的冷轧机板形调控功效系数；这也是用有限元数值计算方法解决该类问题时所遇到的瓶颈。在实际带材轧制生产过程中，冷轧机板形调控功效系数还会受到诸多轧制过程参数的影响，如带钢宽度、轧制力、轧辊粗糙度和轧辊温度等；不同规格的带钢对应不同的冷轧机板形调控功效系数，即使相同的规格的带钢在不同的工况下(例如不同轧制张力条件)其冷轧机板形调控功效系数也会发生变化，因而由轧机实验得到的冷轧机板形调控功效系数在精度方面也存在较大问题。另一方面，使用在线自学习系统可以在一定程度上改善调控功效系数的精度，但是由于在线板形变化是由若干个板形调控机构共同作用的结果，各调控机构对板形的影响是相互耦合的，并且在线自学习系统会受到控制系统实时性的苛刻要求，目前已有在线自学习系统并不能对冷轧机板形调控功效系数进行精确解耦，因而所得到的在线自学习结果并不理想，甚至有时会变得更差。另一方面，轧制过程中会产生很多轧机输入输出过程数据，在这些数据中蕴含着丰富的轧制信息。如果能够合理利用这些过程数据进行离线自学习，就可以得到真实的轧机生产过程中的输入输出关系，从而获得高精度的冷轧机板形调控功效系数。与此同时，离线自学习不受控制系统的实时性要求限制，可以设计利用足够多组过程数据的复杂自学习算法来进行冷轧机板形调控功效系数的离线自学习，有效避免了样本数据过少时异常数据点造成计算结果精度变差现象的发生。因此，研发冷轧机板形调控功效系数离线自学习系统是一条能够进一步提高冷轧带钢板形控制质量的可行性技术方案。
发明内容
本发明所要解决的技术问题是提供一种冷轧机板形调控功效系数离线自学习系统，该系统能够显著提高冷轧机板形调控功效系数的精度，同时能够很好地解决传统冷轧带钢生产中由于冷轧机板形调控功效系数计算值与实际值之间偏差较大，将精度不高的功效系数应用于闭环板形控制系统后会造成冷轧带钢产品板形控制精度不高、甚至发生断带停机生产事故的技术问题。本发明解决其技术问题采用以下的技术方案本发明提供的冷轧机板形调控功效系数离线自学习系统，包括离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块，它们依次顺序连接；所述模块均通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选以及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数，实现高精度冷轧机板形调控功效系数离线自学习。所述离线自学习参数设定模块，该模块用于实现离线自学习系统的初始参数设定功能，包括带钢规格、轧制前张力组别、导入生产数据组数Num。所述冷轧机输入输出过程数据读取模块，该模块用于接收所述离线自学习参数设定模块所设定的参数带钢规格、轧制前张力组别、导入生产数据组数Num，依据上述设定值从板形计算机数据库中读取用于本次离线自学习的冷轧机输入输出过程数据，所读取的冷轧机输入输出过程数据为同时符合所选带钢规格和轧制前张力组别条件的Num组数据，每一组数据包含信息有对应控制周期内各板形在线调控装置的调节量，对应控制周期内轧制前张力大小，对应控制周期开始时的带钢板形偏差分布信号，对应控制周期的时序编号 DataID0上述冷轧机输入输出过程数据读取模块中，板形计算机数据库中对应控制周期的时序编号DataID的赋值规则为依据采集时间先后顺序对过程数据进行过程数据编号，第一个控制周期的DataID = 1，第二个控制周期的DataID = 2，…，以此类推；对于由于加减速或者换辊等原因造成冷轧带卷不能继续稳定高速轧制时，暂时停止上述过程数据存储过程；待恢复稳定高速轧制时继续进行过程数据存储，且假若上一次过程数据存储的最后一组过程数据的DataID = i，则本次数据存储从DataID = i+2开始按照采集时间先后顺序继续进行存储，后续各组过程数据的DataID值分别为i+2，i+3，…，以此类推。所述过程数据时序处理模块，该模块用于接收所述冷轧机输入输出过程数据读取模块所读取的用于本次离线自学习的Num组冷轧机输入输出过程数据，并且依据各组数据的时序编号DataID值对Num组过程数据进行进一步时序处理，处理规则为从上述Num组过程数据中DataID值最小的那组数据开始，如果DataID值分别为i和i+Ι的两组过程数据同时属于上述Num组过程数据，则按照DataID值由小到大的顺序将Uij (i e {1,2,3, ···}；j = l，…，m)赋值给= 1，…，N;j = l，…，m)，同时将δ『δ (i+1)J武值给!^& = 1，…，N;j = 1，…，m)；这里m表示冷轧机配置的板形在线调控装置个数，N为本步骤中对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数。所述数据驱动的板形控制作用机理建模模块，该模块用于接收由所述过程数据时序处理模块输出的时序处理后过程数据Ukj(k= 1，-,N;j = 1, -,m)和Fkj(k=l，…， N ； j = 1，…，m)，建立如下基于数据驱动的板形控制作用机理模型
U11 U12 A Ulm E11 E12 A Eln F11 F12
Λ Fm rn ri2 Λ rm
U21 U22 A U2m 乂 E21 E22 Λ E2n — F21 F22 Λ F2n + r21 r22 Λ r2n M MO ΜΧΜ MO Μ— MMO M MMO Μ’
_UN! UN2 Λ UNm」LEml Em2 Λ EmJ
|_Fni Fn2 A FNn J |_rN1 rN2 Λ rNn J式中Ekj(k=l，m;j = 1,…，η)为第k种板形在线调控装置在第j个板形特征点处的板形轧机板形调控功效系数，这里η为所轧带钢的板形特征点个数；= 1，-,N;j = 1,…，η)表示模型中第k组冷轧机输入输出过程数据在第j个有效板形测量特征点处的随机误差，它服从随机正态分布。上述数据驱动的板形控制作用机理建模模块中，所轧带钢的板形特征点个数可以由所轧带钢横向覆盖接触式板形仪的有效测量段个数来确定。所述冷轧机板形调控功效系数计算模块，该模块基于所述数据驱动的板形控制作用机理建模模块给出的基于数据驱动的板形控制作用机理模型，建立如下冷轧机板形调控功效系数离线自学习方法的目标优化函数
N^nAmΛΛ
权利要求
1.一种冷轧机板形调控功效系数离线自学习系统，其特征是包括离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块，它们依次顺序连接；所述模块均通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选以及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数，实现高精度冷轧机板形调控功效系数离线自学习。
2.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述离线自学习参数设定模块，该模块用于实现离线自学习系统的初始参数设定功能，包括带钢规格、轧制前张力组别、导入生产数据组数Num。
3.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机输入输出过程数据读取模块，该模块用于接收所述离线自学习参数设定模块所设定的参数带钢规格、轧制前张力组别、导入生产数据组数Num，依据所述设定值从板形计算机数据库中读取用于本次离线自学习的冷轧机输入输出过程数据，所读取的冷轧机输入输出过程数据为同时符合所选带钢规格和轧制前张力组别条件的Num组数据，每一组数据包含信息有对应控制周期内各板形在线调控装置的调节量，对应控制周期内轧制前张力大小， 对应控制周期开始时的带钢板形偏差分布信号，对应控制周期的时序编号DatalD。
4.根据权利要求3所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机输入输出过程数据读取模块中，板形计算机数据库中对应控制周期的时序编号 DataID的赋值规则为依据采集时间先后顺序对过程数据进行过程数据编号，第一个控制周期的DataID = 1，第二个控制周期的DataID = 2，…，以此类推；对于由于加减速或者换辊等原因造成冷轧带卷不能继续稳定高速轧制时，暂时停止上述过程数据存储过程；待恢复稳定高速轧制时继续进行过程数据存储，且假若上一次过程数据存储的最后一组过程数据的DataID = i，则本次数据存储从DataID = i+2开始按照采集时间先后顺序继续进行存储，后续各组过程数据的DataID值分别为i+2，i+3，…，以此类推。
5.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述过程数据时序处理模块，该模块用于接收所述冷轧机输入输出过程数据读取模块所读取的用于本次离线自学习的Num组冷轧机输入输出过程数据，并且依据各组数据的时序编号 DataID值对Num组过程数据进行进一步时序处理，处理规则为从上述Num组过程数据中 DataID值最小的那组数据开始，如果DataID值分别为i和i+Ι的两组过程数据同时属于上述Num组过程数据，则按照DataID值由小到大的顺序将Uij赋值给Ukj，同时将δ Γ δ (i+1)J 赋值给Fkj ；所述符号中，i e {1，2，3，···} ；j = 1, ...，m;k=l，...，N;j = l，...，111;其中111表示冷轧机配置的板形在线调控装置个数，N为本模块对有效冷轧机输入输出过程数据进行时序处理后得到的数据个数。
6.根据权利要求1所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述数据驱动的板形控制作用机理建模模块，该模块用于接收由所述过程数据时序处理模块输出的时序处理后过程数据Ukj和Fkj建立以基于数据驱动的板形控制作用机理模型；Ukj中，k = 1, ...，N，j = l，…，m ;FkJ 中，k = 1，...，N，j = l，...，m;所述数据驱动的板形控制作用机理模型为
7.根据权利要求6所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机板形调控功效系数计算模块，该模块基于所述数据驱动的板形控制作用机理建模模块给出的数据驱动的板形控制作用机理模型，建立以下冷轧机板形调控功效系数离线自学习方法的目标优化函数J
8.根据权利要求7所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述冷轧机板形调控功效系数计算模块中，利用最小二乘算法计算目标优化函数J取最小值时冷轧机板形调控功效系数Ekj时，采用以下的常规直接求逆计算算法
9.根据权利要求6所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述数据驱动的板形控制作用机理建模模块中，所轧带钢的板形特征点个数由所轧带钢横向覆盖接触式板形仪的有效测量段个数来确定。
10.根据权利要求1或7或8所述的冷轧机板形调控功效系数离线自学习系统，其特征在于所述计算结果评判和处理模块，该模块将离线学习前的冷轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出本次离线学习前函数值J1，再将离线学习后的轧机板形调控功效系数代入所述冷轧机板形调控功效系数计算模块的目标优化函数中计算出离线学习后函数值J2,然后进行评判和处理如果有J1 > J2，说明本次离线自学习提高了轧机板形调控功效系数的精度，则认为本次离线学习符合要求，保存本机计算结果到板形计算机数据库，替换原来的冷轧机板形调控功效系数，用于以后同规格带钢轧制过程的板形控制；否则，说明本次离线自学习没有提高了轧机板形调控功效系数的精度，则本次离线自学习不符合要求，此时可以选择增加所述离线自学习参数设定模块的导入生产数据组数Num后重新进行一次离线自学习，直到获得满意的离线自学习结果为止。
全文摘要
本发明涉及冷轧机板形调控功效系数离线自学习系统，其包括依次顺序连接的离线自学习参数设定模块、冷轧机输入输出过程数据读取模块、过程数据时序处理模块、数据驱动的板形控制作用机理建模模块、冷轧机板形调控功效系数计算模块、计算结果评判和处理模块；所述模块通过对冷轧机输入输出过程数据依据轧制前张力组别进行数据初步筛选及时序处理，建立基于数据驱动的板形控制作用机理模型和目标优化函数，计算使得目标优化函数取最小值时的轧机板形调控功效系数。本发明给出了一种能够实现高精度冷轧机板形调控功效系数离线自学习的有效途径，从而解决传统冷轧带钢生产中冷轧带钢产品板形控制精度不高、甚至发生断带停机生产事故的技术问题。
文档编号B21B37/28GK102527737SQ201210012408
公开日2012年7月4日 申请日期2012年1月16日 优先权日2012年1月16日
发明者解相朋, 赵菁 申请人:中冶南方工程技术有限公司