彭良贵等：数据驱动的卷取温度模型参数即时自适应设定算法 .779· Gradient descent method was utilized to solve the quadratic programming problem.After three mathematical optimization calculations,a referenced learning coefficient and two parameters reflecting the relationship between the learning coefficient with rolling speed and target coiling temperature were obtained and then used to compute the learning coefficient needed in the cooling schedule calculation according to thread speed and target coiling temperature of the actual rolling strip.Application results show that the presented model's adaptive parameter setting algorithm,based on the cooling data of 100,000 rolled strips can enhance the pre-setup ability of the coiling temperature model for strip head end.The adaptive setting ability of the learning coefficient will increase with the diversity of the strip cooling data stored in the memory and the number of similar strips retrieved. KEY WORDS cooling feature parameter;clustering;self-adaptation:parameter estimation:coiling temperature 热轧过程控制模型受模型参数层别结构的影 的并不多，一是因为所建立的神经元网络并没有 响山，通常将轧制过程中的品种更换、厚度或宽度 很好地与冷却工艺相结合，网络结构或学习算法 跳变、目标终轧温度或卷取温度改变，认定为换钢 有待进一步完善：二是因为轧后冷却过程具有时 种或换规格轧制，是批次连续轧制过程的中断，属 变特点，要求神经元网络结构参数能够针对不同 于非稳态轧制过程.依靠预设定、后计算和自学 生产状况具有在线自适应的能力 习的传统热轧模型因难以精准预报非稳态条件下 在轧后冷却过程中，产生了大量的仪表传感 的模型关键参数，对换钢种或换规格后的首块钢 数据、模型设定数据、过程控制数据和性能统计 头部设定能力较弱，严重制约了带钢全长厚度、宽 数据.这些数据集合在一起能够完整地反映带钢 度和温度等各项指标的高精度控制).随着多品 冷却过程和模型的设定及控制水平.因此，对海量 种、小批量、定制化的生产组织形式在热轧领域 的历史生产数据进行信息感知、数据挖掘和知识 的发展，亟需增强热轧模型对生产工况变化的快 发现，同样也能推断出符合当前生产工况的模 速适应能力，提升各质量指标的窄窗口控制水平. 型关键参数，提升模型的预报能力，达到对带钢头 目前，国内外相关研究主要集中在对现有模 部进行精准设定的目的刀 型进行优化倒和采用人工智能技术对模型参数进 本文为提升卷取温度模型在非稳态轧制条件 行有效预估两方面.在热轧卷取温度模型方面， 下的冷却精准设定能力而开展研究：首先，从带钢 Edalatpour等分析了相变潜热因素对模型预测精 轧后冷却过程中提取冷却特征参数，根据实际轧 度的影响，Hashimoto等、徐小青等忉利用模型预 制带钢和历史带钢冷却特征参数的相似度，聚类 测控制技术提高了卷取温度模型的预报和控制能 出与实际轧制带钢相似的所有历史带钢：接着基 力，宋勇等懰利用前后两块带钢各段的滞后特性 于历史相似带钢冷却数据，构建卷取温度预报偏 的相似性开发了卷取温度卷对卷自适应模型，提 差目标函数，采用梯度下降法求出卷取温度模型 高了厚规格带钢卷取温度的命中率.Schlang等9、 水冷换热学习系数参考值和表征学习系数与带钢 韩斌等o分别采用不同的神经元网络预测了红热 速度和目标卷取温度呈双线性关系的参数；最后， 带钢与冷却水的对流热交换参数.孙铁军等山通 根据优化计算结果计算出实际轧制带钢的学习 过构造以目标卷取温度和冷却速率为对象的多目 系数 标函数，采用基于模式提取优化的多目标遗传算 1表征传热特性的冷却特征参数 法实现了冷却精细控制.Jeong等I通过优化RBF 网络前向算法和学习算法，提出了一个具有在线 高温带钢在热输出辊道上运动时接受强制冷 训练功能的RBF网络来实现水冷换热系数的自适 却换热（图1所示），冷却介质有冷却水、空气和辊 应性.范晓明等]采用小脑模型连接控制网络进 道.带钢的冷却特征或传热特性可通过影响带钢 行动态随机自适应控制，从而增强卷取温度模型 冷却换热的主要因素来表征.在轧后冷却过程中， 在换规格时的自适应能力.近年来，孙铁军等 带钢与环境的辐射热交换过程受带钢温度和环境 尝试建立遗传神经网络来提高卷取温度的前馈补 温度的影响：带钢与空气的对流换热效果与空气 偿控制能力.Pian等将案例推理、规则推理和 在轧件表面处于层流还是紊流状态有关，受轧制 神经网络相结合，建立了卷取温度动态模型参数 速度的影响：带钢与冷却水的对流换热与轧制速 的智能辨识方法.需要注意的是，上述有关人工智 度和冷却水的温度、压力、流量及其分布有关；带 能技术真正应用于现场卷取温度模型设定与控制 钢内部向外表面的导热过程受带钢厚度和化学成Gradient descent method was utilized to solve the quadratic programming problem. After three mathematical optimization calculations, a referenced learning coefficient and two parameters reflecting the relationship between the learning coefficient with rolling speed and target coiling temperature were obtained and then used to compute the learning coefficient needed in the cooling schedule calculation according to thread speed and target coiling temperature of the actual rolling strip. Application results show that the presented model’s adaptive parameter setting algorithm, based on the cooling data of 100,000 rolled strips can enhance the pre-setup ability of the coiling temperature model for strip head end. The adaptive setting ability of the learning coefficient will increase with the diversity of the strip cooling data stored in the memory and the number of similar strips retrieved. KEY WORDS    cooling feature parameter；clustering；self-adaptation；parameter estimation；coiling temperature 热轧过程控制模型受模型参数层别结构的影 响[1] ，通常将轧制过程中的品种更换、厚度或宽度 跳变、目标终轧温度或卷取温度改变，认定为换钢 种或换规格轧制，是批次连续轧制过程的中断，属 于非稳态轧制过程. 依靠预设定、后计算和自学 习的传统热轧模型因难以精准预报非稳态条件下 的模型关键参数，对换钢种或换规格后的首块钢 头部设定能力较弱，严重制约了带钢全长厚度、宽 度和温度等各项指标的高精度控制[2] . 随着多品 种、小批量、定制化的生产组织形式在热轧领域 的发展，亟需增强热轧模型对生产工况变化的快 速适应能力，提升各质量指标的窄窗口控制水平. 目前，国内外相关研究主要集中在对现有模 型进行优化[3] 和采用人工智能技术对模型参数进 行有效预估[4] 两方面. 在热轧卷取温度模型方面， Edalatpour 等[5] 分析了相变潜热因素对模型预测精 度的影响，Hashimoto 等[6]、徐小青等[7] 利用模型预 测控制技术提高了卷取温度模型的预报和控制能 力，宋勇等[8] 利用前后两块带钢各段的滞后特性 的相似性开发了卷取温度卷对卷自适应模型，提 高了厚规格带钢卷取温度的命中率. Schlang 等[9]、 韩斌等[10] 分别采用不同的神经元网络预测了红热 带钢与冷却水的对流热交换参数. 孙铁军等[11] 通 过构造以目标卷取温度和冷却速率为对象的多目 标函数，采用基于模式提取优化的多目标遗传算 法实现了冷却精细控制. Jeong 等[12] 通过优化 RBF 网络前向算法和学习算法，提出了一个具有在线 训练功能的 RBF 网络来实现水冷换热系数的自适 应性. 范晓明等[13] 采用小脑模型连接控制网络进 行动态随机自适应控制，从而增强卷取温度模型 在换规格时的自适应能力. 近年来，孙铁军等[14] 尝试建立遗传神经网络来提高卷取温度的前馈补 偿控制能力. Pian 等[15] 将案例推理、规则推理和 神经网络相结合，建立了卷取温度动态模型参数 的智能辨识方法. 需要注意的是，上述有关人工智 能技术真正应用于现场卷取温度模型设定与控制 的并不多，一是因为所建立的神经元网络并没有 很好地与冷却工艺相结合，网络结构或学习算法 有待进一步完善；二是因为轧后冷却过程具有时 变特点，要求神经元网络结构参数能够针对不同 生产状况具有在线自适应的能力. 在轧后冷却过程中，产生了大量的仪表传感 数据、模型设定数据、过程控制数据和性能统计 数据. 这些数据集合在一起能够完整地反映带钢 冷却过程和模型的设定及控制水平. 因此，对海量 的历史生产数据进行信息感知、数据挖掘和知识 发现[16] ，同样也能推断出符合当前生产工况的模 型关键参数，提升模型的预报能力，达到对带钢头 部进行精准设定的目的[17] . 本文为提升卷取温度模型在非稳态轧制条件 下的冷却精准设定能力而开展研究：首先，从带钢 轧后冷却过程中提取冷却特征参数，根据实际轧 制带钢和历史带钢冷却特征参数的相似度，聚类 出与实际轧制带钢相似的所有历史带钢；接着基 于历史相似带钢冷却数据，构建卷取温度预报偏 差目标函数，采用梯度下降法求出卷取温度模型 水冷换热学习系数参考值和表征学习系数与带钢 速度和目标卷取温度呈双线性关系的参数；最后， 根据优化计算结果计算出实际轧制带钢的学习 系数. 1    表征传热特性的冷却特征参数 高温带钢在热输出辊道上运动时接受强制冷 却换热（图 1 所示），冷却介质有冷却水、空气和辊 道. 带钢的冷却特征或传热特性可通过影响带钢 冷却换热的主要因素来表征. 在轧后冷却过程中， 带钢与环境的辐射热交换过程受带钢温度和环境 温度的影响；带钢与空气的对流换热效果与空气 在轧件表面处于层流还是紊流状态有关，受轧制 速度的影响；带钢与冷却水的对流换热与轧制速 度和冷却水的温度、压力、流量及其分布有关；带 钢内部向外表面的导热过程受带钢厚度和化学成 彭良贵等： 数据驱动的卷取温度模型参数即时自适应设定算法 · 779 ·