工程科学学报.第42卷.第6期：778-786.2020年6月 Chinese Journal of Engineering,Vol.42,No.6:778-786,June 2020 https://doi.org/10.13374/j.issn2095-9389.2019.06.12.002;http://cje.ustb.edu.cn 数据驱动的卷取温度模型参数即时自适应设定算法 彭良贵)四，王登刚，李杰》，邢俊芳》，龚殿尧) 1)东北大学轧制技术及连轧自动化国家重点实验室，沈阳1108192)攀钢西昌钢钒有限公司板材厂，西昌6150003)河钢股份有限公司 承德分公司板带事业部，承德067102 ☒通信作者，E-mail:penglg@ral.neu.edu.cn 摘要为提高热轧换规格首块钢头部卷取温度命中率，采用数据挖掘技术，从历史带钢冷却数据中推断出与实际带钢相匹 配的卷取温度模型水冷换热学习系数，并将其应用于模型预设定计算.首先，对冷却特征参数进行识别，按照相对型、绝对 型、相等型和策略型四种方式进行定义，并对实际带钢与历史带钢的各项冷却特征参数进行相似距离计算.当历史带钢的总 相似距离满足要求时，将其聚类为实际带钢的相似卷，并考虑各相似卷的时间影响，计算相似权重值：随后，基于相似带钢的 头部和尾部信息，建立由卷取温度预报误差、偏离学习系数回归值惩罚项和偏离默认值惩罚项等构成的目标函数以及相应 的约束条件，采用梯度下降法求解该二次规划问题，通过三次优化逐步计算出学习系数参考值和表征学习系数与带钢速度及 目标卷取温度呈双线性关系的两个参数：最后，根据实际带钢的穿带速度、目标卷取温度等冷却条件计算冷却设定所需的学 习系数.现场应用表明：基于十万块历史带钢冷却数据驱动的模型参数即时自适应设定算法可增强卷取温度模型对带钢头 部冷却的预设定能力，学习系数即时自适应设定能力随着内存中保存的历史带钢冷却数据的多样性和检索出的相似卷数量 的增加而提升 关键词冷却特征参数：聚类：自适应：参数预估：卷取温度 分类号TG142.1 Data-driven adaptive setting algorithm for coiling temperature model parameter PENG Liang-gui WANG Deng-gang,LI Jie,XING Jun-fang.GONG Dian-yao 1)State Key Laboratory of Rolling and Automation,Northeastern University,Shenyang 110819,China 2)Xichang Steel&Vanadium Co.Ltd,Pangang Group,Xichang615000,China 3)Chengsteel Company,HBIS Group.Chengde 067102.China Corresponding author,E-mail:penglg@ral.neu.edu.cn ABSTRACT To improve the coiling temperature control accuracy for change-over strip or the first coil of batch hot-rolling,data mining technology was adopted to infer the water cooling learning coefficient which is used in coiling temperature model preset for actual rolling strip from massive production data.Firstly,cooling feature parameters were recognized and defined respectively as absolute,relative,equal and tactical type.Then,the similar distance of each feature parameter between actual rolling strip and each historical rolled strip was calculated and summed.When the total similar distance of each rolled strip met the requirement,the produced strip was clustered as similar with actual rolling strip.Meanwhile,the weight value of the similar strip was calculated by considering its time effect.Secondly,based on the cooling information of the head and tail ends of each similar rolled strip,three object functions which are respectively composed of temperature predictive error and related penalty items such as a penalty deviated from regression learning coefficient and a penalty departed from the default learning coefficient were created and the corresponding constraints were also given. 收稿日期：2019-06-11 基金项目：中央高校基本科研业务专项资金资助项目(N170708020)数据驱动的卷取温度模型参数即时自适应设定算法 彭良贵1) 苣，王登刚2)，李    杰3)，邢俊芳3)，龚殿尧1) 1) 东北大学轧制技术及连轧自动化国家重点实验室，沈阳 110819    2) 攀钢西昌钢钒有限公司板材厂，西昌 615000    3) 河钢股份有限公司 承德分公司板带事业部，承德 067102 苣通信作者，E-mail: penglg@ral.neu.edu.cn 摘    要    为提高热轧换规格首块钢头部卷取温度命中率，采用数据挖掘技术，从历史带钢冷却数据中推断出与实际带钢相匹 配的卷取温度模型水冷换热学习系数，并将其应用于模型预设定计算. 首先，对冷却特征参数进行识别，按照相对型、绝对 型、相等型和策略型四种方式进行定义，并对实际带钢与历史带钢的各项冷却特征参数进行相似距离计算. 当历史带钢的总 相似距离满足要求时，将其聚类为实际带钢的相似卷，并考虑各相似卷的时间影响，计算相似权重值；随后，基于相似带钢的 头部和尾部信息，建立由卷取温度预报误差、偏离学习系数回归值惩罚项和偏离默认值惩罚项等构成的目标函数以及相应 的约束条件，采用梯度下降法求解该二次规划问题，通过三次优化逐步计算出学习系数参考值和表征学习系数与带钢速度及 目标卷取温度呈双线性关系的两个参数；最后，根据实际带钢的穿带速度、目标卷取温度等冷却条件计算冷却设定所需的学 习系数. 现场应用表明：基于十万块历史带钢冷却数据驱动的模型参数即时自适应设定算法可增强卷取温度模型对带钢头 部冷却的预设定能力，学习系数即时自适应设定能力随着内存中保存的历史带钢冷却数据的多样性和检索出的相似卷数量 的增加而提升. 关键词    冷却特征参数；聚类；自适应；参数预估；卷取温度 分类号    TG142.1 Data-driven adaptive setting algorithm for coiling temperature model parameter PENG Liang-gui1) 苣 ，WANG Deng-gang2) ，LI Jie3) ，XING Jun-fang3) ，GONG Dian-yao1) 1) State Key Laboratory of Rolling and Automation, Northeastern University, Shenyang 110819, China 2) Xichang Steel & Vanadium Co. Ltd, Pangang Group, Xichang 615000, China 3) Chengsteel Company, HBIS Group, Chengde 067102, China 苣 Corresponding author, E-mail: penglg@ral.neu.edu.cn ABSTRACT    To  improve  the  coiling  temperature  control  accuracy  for  change-over  strip  or  the  first  coil  of  batch  hot-rolling,  data mining technology was adopted to infer the water cooling learning coefficient which is used in coiling temperature model preset for actual  rolling  strip  from  massive  production  data.  Firstly,  cooling  feature  parameters  were  recognized  and  defined  respectively  as absolute,  relative,  equal  and  tactical  type.  Then,  the  similar  distance  of  each  feature  parameter  between  actual  rolling  strip  and  each historical rolled strip was calculated and summed. When the total similar distance of each rolled strip met the requirement, the produced strip was clustered as similar with actual rolling strip. Meanwhile, the weight value of the similar strip was calculated by considering its time effect. Secondly, based on the cooling information of the head and tail ends of each similar rolled strip, three object functions which are respectively composed of temperature predictive error and related penalty items such as a penalty deviated from regression learning coefficient and a penalty departed from the default learning coefficient were created and the corresponding constraints were also given. 收稿日期: 2019−06−11 基金项目: 中央高校基本科研业务专项资金资助项目 (N170708020) 工程科学学报，第 42 卷，第 6 期：778−786，2020 年 6 月 Chinese Journal of Engineering, Vol. 42, No. 6: 778−786, June 2020 https://doi.org/10.13374/j.issn2095-9389.2019.06.12.002; http://cje.ustb.edu.cn