。804 北京科技大学学报 第32卷 者轧制力预报误差大时，则自学习速度加块使得轧 变换到1.41mn时，厚度分档则由2变换到3则轧 制力模型尽快适应当前设备状态，保证预报精度：而 制力模型修正系数必须采用长期自学习系数.因 当测量值可信度差时，M的值变大，从而公式的第 此这种判定长期自学习的方法过于简单，有时即使 2部分值变小，自学习速度放慢防止系统修正出现 带钢成品厚度变化很小，却被判为长期自学习，破坏 失误，如图1所示.调节系数K用于控制换规格后 了模型自学习的连续性，从而影响了模型精度 轧制块数对自学习速度的影响程度，K和K用于 针对这种情况对判定长期自学习的条件进行 控制测量值可信度对自学习速度的影响程度，可以 如下优化（卿只要表2中有一个条件满足则为长期 在调试过程中确定. 自学习) 表2判定长期自学习的方法 ◆自学习速度动态调整 Tabke2 Method of judgng bng tem self keamng ·自学习速度为常数 判定条件 范围 是否刚换辊 是 前后两块钢的间隔时间 大于30mn 空过机架是否相同 否 是否属于同一钢种 91113151719212325 密 带钢块数 规格变化程度 不属于同一分档且规格变化系数多冬 图1自学习速度优化效果 Fg 1 OPtmization effect of self leaming speed 在表2中， 22判定长期自学习的方法 ekA+k会 (5) △W 在过程自动化系统中，通常将轧制力自学习修 式中，△h为前后两块钢的成品厚度差四h为前 正系数按钢种分类以及规格分档保存在数据文件 块带钢的成品厚度，四△w为前后两块钢的成品宽 中.当下一块带钢的钢种发生了变化或规格属 度差，m四△%为标准宽度差，四k和k为加权 于不同的分档即转换卷，则需要从该数据文件中 系数 取出之前保存的对应类别的修正系数即长期自学 23长期自学习系数的确定 习系数用于该带钢的预设定计算.表1是按带钢 当前后两块钢的差异较大时，轧制力模型修正 厚度规格分档的例子. 系数必须采用之前保存的长期自学习系数.长期自 表1带钢的厚度分档 学习系数中包含的设备状态信息与当前情况己经有 T ab le 1 Thickness grades of strps 较大的变化，如果能利用前一块钢的自学习系数所 分档 厚度范围/m 包含的当前设备状态信息，则能提高模型精度.但 1 ≤12 是，因为前一块钢自学习系数中同时还包含有对其 2 1.21-14 所对应的规格的模型修正量，不可以直接使用，因此 3 1.41-16 有必要从自学习系数中分离出设备状态信息并加以 1.61-19 利用 5 1.91-22 精轧机组各机架轧制的为同一块带钢，带钢本 6 221-26 身对各机架轧制力的影响有一定的相似性，并且轧 7 261-32 机设备状态的变化比较缓慢，因此可采用下面公式 8 321-49 近似地估算设备状态信息的变化量： 9 491-65 651-82 △aFi= (6) 821-109 12 1091-160 式中，△αF为第机架每轧制一块钢后的设备状态 1601-250 信息变化量；α；为第机架的模型自学习修正系数： 女 ≥2501 α为第机架的当前设备状态影响系数，初始值取 从表1可以看出，如果当带钢厚度从1.40m 上为模型加权系数；为精轧机组机架数，为北 京 科 技 大 学 学 报 第 32卷 者轧制力预报误差大时,则自学习速度加块,使得轧 制力模型尽快适应当前设备状态,保证预报精度;而 当测量值可信度差时 , Mc的值变大 , 从而公式的第 2部分值变小, 自学习速度放慢, 防止系统修正出现 失误, 如图 1所示.调节系数 Ka用于控制换规格后 轧制块数对自学习速度的影响程度, Kb和 Kc用于 控制测量值可信度对自学习速度的影响程度 , 可以 在调试过程中确定. 图 1 自学习速度优化效果 Fig.1 Optimizationeffectofself-learningspeed 2.2 判定长期自学习的方法 在过程自动化系统中 ,通常将轧制力自学习修 正系数按钢种分类以及规格分档保存在数据文件 中 [ 13] .当下一块带钢的钢种发生了变化或规格属 于不同的分档(即转换卷 ),则需要从该数据文件中 取出之前保存的对应类别的修正系数 (即长期自学 习系数 )用于该带钢的预设定计算 .表 1是按带钢 厚度规格分档的例子 . 表 1 带钢的厚度分档 Table1 Thicknessgradesofstrips 分档 厚度范围 /mm 1 ≤1.2 2 1.21 ～ 1.4 3 1.41 ～ 1.6 4 1.61 ～ 1.9 5 1.91 ～ 2.2 6 2.21 ～ 2.6 7 2.61 ～ 3.2 8 3.21 ～ 4.9 9 4.91 ～ 6.5 10 6.51 ～ 8.2 11 8.21 ～ 10.9 12 10.91 ～ 16.0 13 16.01 ～ 25.0 14 ≥25.01 从表 1可以看出 , 如果当带钢厚度从 1.40 mm 变换到 1.41 mm时, 厚度分档则由 2变换到 3,则轧 制力模型修正系数必须采用长期自学习系数.因 此, 这种判定长期自学习的方法过于简单,有时即使 带钢成品厚度变化很小 ,却被判为长期自学习,破坏 了模型自学习的连续性 ,从而影响了模型精度. 针对这种情况, 对判定长期自学习的条件进行 如下优化 (即只要表 2中有一个条件满足则为长期 自学习). 表 2 判定长期自学习的方法 Table2 Methodofjudginglong-termself-learning 判定条件 范围 是否刚换辊 是 前后两块钢的间隔时间 大于 30min 空过机架是否相同 否 是否属于同一钢种 否 规格变化程度 不属于同一分档且规格变化系数 g≥gmax 在表 2中 , g=kh Δh h +kw Δw Δw0 (5) 式中 , Δh为前后两块钢的成品厚度差, mm;h为前 块带钢的成品厚度 , mm;Δw为前后两块钢的成品宽 度差 , mm;Δw0 为标准宽度差 , mm;kh和 kw为加权 系数 . 2.3 长期自学习系数的确定 当前后两块钢的差异较大时 ,轧制力模型修正 系数必须采用之前保存的长期自学习系数 .长期自 学习系数中包含的设备状态信息与当前情况已经有 较大的变化,如果能利用前一块钢的自学习系数所 包含的当前设备状态信息 ,则能提高模型精度 .但 是, 因为前一块钢自学习系数中同时还包含有对其 所对应的规格的模型修正量 ,不可以直接使用,因此 有必要从自学习系数中分离出设备状态信息并加以 利用 . 精轧机组各机架轧制的为同一块带钢 ,带钢本 身对各机架轧制力的影响有一定的相似性, 并且轧 机设备状态的变化比较缓慢, 因此可采用下面公式 近似地估算设备状态信息的变化量: ΔαFi =kgain αi ∑ n j=1 kjαj -αFi (6) 式中 , ΔαFi为第 i机架每轧制一块钢后的设备状态 信息变化量;αi为第 i机架的模型自学习修正系数; αFi为第 i机架的当前设备状态影响系数 ,初始值取 1;kj为模型加权系数 ;n为精轧机组机架数, kgain为 · 804·