D0L:10.13374/.issn1001-053x.2012.11.010 第34卷第11期 北京科技大学学报 Vol.34 No.11 2012年11月 Journal of University of Science and Technology Beijing Now.2012 基于减法聚类的带钢厚度数据驱动建模 梁辉12)四 童朝南2) 1)北京科技大学自动化学院，北京1000832)北京科技大学钢铁流程先进控制教有部重点实验室，北京100083 ☒通信作者，E-mail:lianghuio430@sohu.com 摘要针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象，提出了一种基于减法聚类的带钢厚度数据驱动在 线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间，在每个局部空间中用最小二乘支持向量机建立子模 型，子模型加权输出作为带钢厚度的离线模型：然后当在线数据不断增加时，通过在线减法聚类算法实时调整局部空间，子模 型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识，子模型的预测输出作为模型的最后输出.实验结果表 明，该方法具有良好的预测精度和较强的在线学习能力. 关键词热轧：厚度控制；数据驱动：聚类算法：最小二乘法：支持向量机 分类号TP2731 Online data-driven modeling for strip thickness based on subtractive clustering LIANG Hui.2☒，TONG Chao-nan'2 1)School of Automation and Electrical Engineering,University of Science and Technology Beijing,Beijing 100083,China 2)Key Laboratory of the Ministry of Education for Advanced Control of Iron and Steel Process,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:lianghui0430@sohu.com ABSTRACT In hot rolling,actual production data were not used to improve the thickness quality of products.For this phenomenon, an online data-driven modeling algorithm was proposed for strip thickness control based on subtractive clustering.Firstly,the input space is divided into several clusters by subtractive clustering,in each cluster a sub-model is built by a least square support vector ma- chine (LS-SVM),and an offline model is obtained by weighting the outputs of these sub-models.Then,when the online data constant- ly increase,the clustering subsets are adjusted on-ine by a subtractive clustering algorithm,and the parameters of the sub-models are determined using the recursive algorithm of the least squares support vector machine.The predictive outputs of the sub-models are the final outputs.Experimental results demonstrate that the method has good prediction accuracy and online learning ability. KEY WORDS hot rolling:thickness control;data-driven approach:clustering algorithms:least squares approximations:support vector machines 近年来，随着网络技术的快速发展以及基础自 究，取得了较好的跟踪效果；Aif等因在高速运动机 动化水平的大幅提升，数据驱动建模技术正在被广 械手中将基于数据驱动的控制方法融入迭代学习控 泛的研究，以实现对生产过程的实时模拟和控 制，仿真结果表明该方法具有较高的控制精度和较 制-.数据驱动建模技术是以描述样本数据的特 快的收敛速度 征作为建模的主要准则，在“数据为自身说话”的信 随着生产信息化的发展，在热轧生产过程中产 念下分析系统变量间的相互关系，其实质是一种 生并积累了大量丰富详实的在线和离线测量数据， “黑箱”建模技术可.例如Rhodes等采用基于数 如轧制力、辊缝和轧辊速度，这为实现轧制过程数据 据驱动的方法对Lorenz模型和实际的电路进行研 驱动建模提供了可能，因此数据驱动建模开始应用 收稿日期：2011-10-19 基金项目：北京市教委重点学科资助项目(XK100080537)第 34 卷 第 11 期 2012 年 11 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 34 No． 11 Nov． 2012 基于减法聚类的带钢厚度数据驱动建模 梁 辉1，2) 童朝南1，2) 1) 北京科技大学自动化学院，北京 100083 2) 北京科技大学钢铁流程先进控制教育部重点实验室，北京 100083 通信作者，E-mail: lianghui0430@ sohu． com 摘 要 针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象，提出了一种基于减法聚类的带钢厚度数据驱动在 线建模方法． 首先通过减法聚类将输入空间划分为一些小的局部空间，在每个局部空间中用最小二乘支持向量机建立子模 型，子模型加权输出作为带钢厚度的离线模型; 然后当在线数据不断增加时，通过在线减法聚类算法实时调整局部空间，子模 型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识，子模型的预测输出作为模型的最后输出． 实验结果表 明，该方法具有良好的预测精度和较强的在线学习能力． 关键词 热轧; 厚度控制; 数据驱动; 聚类算法; 最小二乘法; 支持向量机 分类号 TP273 + 1 Online data-driven modeling for strip thickness based on subtractive clustering LIANG Hui 1，2) ，TONG Chao-nan1，2) 1) School of Automation and Electrical Engineering，University of Science and Technology Beijing，Beijing 100083，China 2) Key Laboratory of the Ministry of Education for Advanced Control of Iron and Steel Process，University of Science and Technology Beijing，Beijing 100083，China Corresponding author，E-mail: lianghui0430@ sohu． com ABSTRACT In hot rolling，actual production data were not used to improve the thickness quality of products． For this phenomenon， an online data-driven modeling algorithm was proposed for strip thickness control based on subtractive clustering． Firstly，the input space is divided into several clusters by subtractive clustering，in each cluster a sub-model is built by a least square support vector ma￾chine ( LS-SVM) ，and an offline model is obtained by weighting the outputs of these sub-models． Then，when the online data constant￾ly increase，the clustering subsets are adjusted on-line by a subtractive clustering algorithm，and the parameters of the sub-models are determined using the recursive algorithm of the least squares support vector machine． The predictive outputs of the sub-models are the final outputs． Experimental results demonstrate that the method has good prediction accuracy and online learning ability． KEY WORDS hot rolling; thickness control; data-driven approach; clustering algorithms; least squares approximations; support vector machines 收稿日期: 2011--10--19 基金项目: 北京市教委重点学科资助项目( XK100080537) 近年来，随着网络技术的快速发展以及基础自 动化水平的大幅提升，数据驱动建模技术正在被广 泛的 研 究，以实现对生产过程的实时模拟和控 制［1--2］． 数据驱动建模技术是以描述样本数据的特 征作为建模的主要准则，在“数据为自身说话”的信 念下分析系统变量间的相互关系，其实质是一种 “黑箱”建模技术［3］． 例如 Rhodes 等［4］采用基于数 据驱动的方法对 Lorenz 模型和实际的电路进行研 究，取得了较好的跟踪效果; Arif 等［5］在高速运动机 械手中将基于数据驱动的控制方法融入迭代学习控 制，仿真结果表明该方法具有较高的控制精度和较 快的收敛速度． 随着生产信息化的发展，在热轧生产过程中产 生并积累了大量丰富详实的在线和离线测量数据， 如轧制力、辊缝和轧辊速度，这为实现轧制过程数据 驱动建模提供了可能，因此数据驱动建模开始应用 DOI:10.13374/j.issn1001-053x.2012.11.010