第6期 宋勇等：热轧带钢轧制力模型自学习算法优化 ·805° 增益系数.设备状态影响系数αF在换辊后或长时 准备工厂设备参数 间停轧后，需要以一定衰减速度减弱它的影响. 因此，换规格时轧制力模型修正系数可采用如 打开数据记录文件 下方法计算： 读取一块钢的记录 a=qjaF (7) 式中，α为从数据文件中取出的长期自学习系数. 取新的自学习系数 3轧制力模型自学习算法仿真 按照实际生成工况 重新计算轧制力 为了对比优化后的轧制力自学习算法的控制效 分析轧制力预报精度 果，需要对其进行仿真，即对同一时段的生产过程， 采用新算法进行自学习 按照实际生产顺序重新进行后计算和模型自学习， 分析自学习算法优化前后轧制力模型预报精度的差 是否最后一块钢 异，具体做法是，按照现场生产的先后顺序收集带 是 钢的各种数据，包括原始数据、设备数据、设定数据 统计轧制力预报精度 以及头部阶段各种实测数据G过程控制系统主要是 结果输出 对带钢头部进行预报和设定)等，同时将换辊和停 轧信息也一起保存到数据文件中.编写自学习算法 图2轧制力模型自学习算法仿真分析流程 仿真程序读取并分析该数据文件，按照数据的保存 Fg2 Fbw chant of self leaming a boritm smulation and aalysis or the rolling foroe malel 顺序分别对每块钢的实际工况进行后计算，然后比 较和分析轧制力模型后计算值与实测值，并在进行 出，判定为换规格的块数减少了11.3%，各机架的 下块钢的后计算前按照优化后的自学习算法修正模 轧制力计算精度相对于优化前都有不同程度的提 型系数.重复以上过程，直至文件中保存的带钢数 高.由于上游机架出口厚度随轧制规格指带钢成 据全部处理完成.最后统计计算其中所有带钢的轧 品厚度尺寸)的变化没有下游机架显著，因此换规 制力计算精度来评估自学习算法的优化效果.轧制 格次数合理地减少所带来的优势对上游机架来说要 力模型自学习算法仿真分析流程如图2所示 更为明显，表3中的数据也说明了这一点(2机架 表3是自学习算法仿真程序的分析结果.通过 出现例外的原因是，轧制某些规格时其被设为空过， 对优化前后的轧制力模型预报误差的比较可以看 影响了该机架模型自学习的连续性，. 表3轧制力模型自学习算法优化效果 Table 3 OPtmizat ion effect of the self leamng agorithm for the rolling forcemodel 预报误差>10%的块数 类别 总块数 换规格次数 F F3 伤 6 优化前 9938 54 231 394 226 234 179 343 479 优化后 9938 491 173 358 181 203 167 308 433 不必要的换规格处理次数.(3)从前一块带钢数据 4结论 中分离出设备状态影响系数，并对换规格后的长期 轧制力模型本身的计算精度是有限的，在实际 自学习系数进行修正，保证自学习的连续性 控制系统中必须引入自学习功能以提高其预报精 度，自学习速度因子的选取和长期自学习的处理策 参考文献 略是轧制力自学习算法的关键.离线仿真程序分析 [I]ChingZQ Ana psis on the factors affecting the strip head hick 结果表明，可通过对自学习算法进行以下优化来提 ness prec isin Si Technol Baopu Steel (GouP)Co 2005 31 (1,11 高模型精度：(1)根据轧制数量、测量数据质量和轧 (常在勤.影响带钢头部厚度精度原因的分析.包钢科技 制力预报误差的影响，自学习速度因子的取值实现 200531(1)片11) 在线动态调整.(2长期自学习的判定条件中综合 [2 DaiJB Zhang Q D Chen X L.et al Deve kpment of olling 考虑规格分档的变化以及厚度、宽度的改变量，减少 prcemodel for 2800 mm steel plate fnishing mill J Univ Sci第 6期 宋 勇等:热轧带钢轧制力模型自学习算法优化 增益系数.设备状态影响系数 αF 在换辊后或长时 间停轧后,需要以一定衰减速度减弱它的影响 . 因此, 换规格时轧制力模型修正系数可采用如 下方法计算 : α=αlαF (7) 式中, αl为从数据文件中取出的长期自学习系数. 3 轧制力模型自学习算法仿真 为了对比优化后的轧制力自学习算法的控制效 果 ,需要对其进行仿真 ,即对同一时段的生产过程 , 按照实际生产顺序重新进行后计算和模型自学习 , 分析自学习算法优化前后轧制力模型预报精度的差 异 .具体做法是, 按照现场生产的先后顺序收集带 钢的各种数据,包括原始数据、设备数据、设定数据 以及头部阶段各种实测数据 (过程控制系统主要是 对带钢头部进行预报和设定 )等, 同时将换辊和停 轧信息也一起保存到数据文件中.编写自学习算法 仿真程序读取并分析该数据文件, 按照数据的保存 顺序分别对每块钢的实际工况进行后计算 , 然后比 较和分析轧制力模型后计算值与实测值, 并在进行 下块钢的后计算前按照优化后的自学习算法修正模 型系数 .重复以上过程 , 直至文件中保存的带钢数 据全部处理完成 .最后统计计算其中所有带钢的轧 制力计算精度来评估自学习算法的优化效果 .轧制 力模型自学习算法仿真分析流程如图 2所示. 表 3是自学习算法仿真程序的分析结果 .通过 对优化前后的轧制力模型预报误差的比较可以看 图 2 轧制力模型自学习算法仿真分析流程 Fig.2 Flowchartofself-learningalgorithmsimulationandanalysis fortherollingforcemodel 出, 判定为换规格的块数减少了 11.3%, 各机架的 轧制力计算精度相对于优化前都有不同程度的提 高.由于上游机架出口厚度随轧制规格 (指带钢成 品厚度尺寸 )的变化没有下游机架显著 , 因此换规 格次数合理地减少所带来的优势对上游机架来说要 更为明显 ,表 3中的数据也说明了这一点 (F2机架 出现例外的原因是 ,轧制某些规格时其被设为空过, 影响了该机架模型自学习的连续性). 表 3 轧制力模型自学习算法优化效果 Table3 Optimizationeffectoftheself-learningalgorithmfortherollingforcemodel 类别 总块数 换规格次数 预报误差 >10%的块数 F1 F2 F3 F4 F5 F6 F7 优化前 9 938 554 231 394 226 234 179 343 479 优化后 9 938 491 173 358 181 203 167 308 433 4 结论 轧制力模型本身的计算精度是有限的, 在实际 控制系统中必须引入自学习功能以提高其预报精 度 .自学习速度因子的选取和长期自学习的处理策 略是轧制力自学习算法的关键 .离线仿真程序分析 结果表明,可通过对自学习算法进行以下优化来提 高模型精度 :(1)根据轧制数量、测量数据质量和轧 制力预报误差的影响, 自学习速度因子的取值实现 在线动态调整.(2)长期自学习的判定条件中综合 考虑规格分档的变化以及厚度 、宽度的改变量 ,减少 不必要的换规格处理次数 .(3)从前一块带钢数据 中分离出设备状态影响系数, 并对换规格后的长期 自学习系数进行修正,保证自学习的连续性 . 参 考 文 献 [ 1] ChangZQ.Analysisonthefactorsaffectingthestripheadthick￾nessprecision.SciTechnolBaotouSteel(Group)Co, 2005, 31 (1):11 (常在勤.影响带钢头部厚度精度原因的分析.包钢科技, 2005, 31(1):11) [ 2] DaiJB, ZhangQD, ChenXL, etal.Developmentofrolling forcemodelfor2800 mm steelplatefinishingmill.JUnivSci · 805·