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 785. 表1三次优化计算采用的初值及计算结果 Table 1 Initial value and results of three optimal computation Initial value of iterative computation Optimized calculation results Optimization x) % x*(⑨ m * Opt1 1.138 一 1.1771 一 Opt2 n(1.1771) 0 0 ln1.1676) n(1.405) ln0.683) Opt3 ln(1.1676 ln(1.2117 1000 Target finishing temperature 表2为国内某1780mm带钢热连轧在2019年 900 Thread speed 10 7月大生产条件下的卷取温度命中率统计情况，所 800 700 8 统计的12145块带钢在±20℃内的控制精度可达 Strip head end 600 6 到95%以上 500 Target coiling temperature 400 emperature control deviation (-s.wypoads 水冷换热学习系数的即时自适应设定算法是 4 300 基于按照“先进先出”原则自动保存在内存中并实 Measured finishing temperature 200 -Measured coiling temperature 时更新的10万块历史带钢数据，除了常规的限幅 -Strip speed 100 0 0100200300400500600700800 判定筛选外，如果能采取更好的数据过滤方式，尽 Distance from thickness gauge at finishing mill exit/m 可能保留各种工况条件下的冷却数据，可进一步 图8厚2.65mm的Gr50钢卷取温度控制效果 增强模型参数的自适应设定能力，提高卷取温度 Fig.8 Coiling temperature control effect of Gr50 steel grade with 2.65 mm thickness 的控制精度 表2卷取温度控制精度统计结果 Table 2 Statistical result of coiling temperature control accuracy Coil type Number of coils Rolled-strip length/km Coiling temperature control accuracy/% Control deviation/℃ Sequential coil 10278 7048.875 93.978 ±16 Change-over coil 1684 980.500 92.088 ±18 First coil 183 97.533 90.832 ±18 Total 12145 8126.908 95.134 ±20 6结论 长期自适应，批次连续轧制时为短期自适应”的固 (1)热轧带钢轧后冷却过程可通过冷却特征 有思维.对10万块合格的动态更新的历史带钢数 参数来表征，实际轧制带钢与数据库中每一块历 据进行自适应，其行为仅受历史相似带钢的数量 史带钢的相似度可通过冷却特征参数间的相似距 和时间的影响.如果所有的相似带钢都是很早以 离来计算，当历史带钢的相似度满足要求时，可将 前生产的，自适应行为类似于长期自适应，如果至 其聚类为实际带钢的相似带钢，根据其轧制时间 少有一块近期轧制的相似带钢，自适应行为类似 或生产顺序可计算出每块历史相似带钢的权重值 于短期自适应 (2)根据历史相似带钢头部和尾部信息，建立 参考文献 不同的卷取温度预报误差目标函数及约束条件， 采用梯度下降法，通过三次优化逐步计算出水冷 [1]Li W G,Xu W S,Ma W,et al.Optimization for steel grade family of model based on measured data during hot continuous rolling 换热学习系数的参考值和表征学习系数与带钢速 Iron Steel,.2018,53(10:54 度及目标卷取温度呈双线性关系的参数.根据优 (李维刚，徐文胜，马威，等.基于热连轧实测数据的模型钢族层 化计算结果，可在实际冷却条件下计算出实际带 别优化.钢铁，2018,53(10)：54) 钢所需的学习系数 [2] Zhang D H,Peng W,Sun J,et al.Key intelligent technologies of (3)基于数据驱动的卷取温度模型即时自适 steel strip rolling process.J ron Steel Res,2019,31(2):174 应方法克服了“传统的换钢种或换规格首块钢为 (张殿华，彭文，孙杰，等.板带轧制过程中的智能化关键技术表 2 为国内某 1780 mm 带钢热连轧在 2019 年 7 月大生产条件下的卷取温度命中率统计情况，所 统计的 12145 块带钢在±20℃ 内的控制精度可达 到 95% 以上. 水冷换热学习系数的即时自适应设定算法是 基于按照“先进先出”原则自动保存在内存中并实 时更新的 10 万块历史带钢数据，除了常规的限幅 判定筛选外，如果能采取更好的数据过滤方式，尽 可能保留各种工况条件下的冷却数据，可进一步 增强模型参数的自适应设定能力，提高卷取温度 的控制精度. 6    结论 （1）热轧带钢轧后冷却过程可通过冷却特征 参数来表征，实际轧制带钢与数据库中每一块历 史带钢的相似度可通过冷却特征参数间的相似距 离来计算，当历史带钢的相似度满足要求时，可将 其聚类为实际带钢的相似带钢，根据其轧制时间 或生产顺序可计算出每块历史相似带钢的权重值. （2）根据历史相似带钢头部和尾部信息，建立 不同的卷取温度预报误差目标函数及约束条件， 采用梯度下降法，通过三次优化逐步计算出水冷 换热学习系数的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参数. 根据优 化计算结果，可在实际冷却条件下计算出实际带 钢所需的学习系数. （3）基于数据驱动的卷取温度模型即时自适 应方法克服了“传统的换钢种或换规格首块钢为 长期自适应，批次连续轧制时为短期自适应”的固 有思维. 对 10 万块合格的动态更新的历史带钢数 据进行自适应，其行为仅受历史相似带钢的数量 和时间的影响. 如果所有的相似带钢都是很早以 前生产的，自适应行为类似于长期自适应，如果至 少有一块近期轧制的相似带钢，自适应行为类似 于短期自适应. 参    考    文    献 Li W G, Xu W S, Ma W, et al. Optimization for steel grade family of  model  based  on  measured  data  during  hot  continuous  rolling. Iron Steel, 2018, 53（10）: 54 （李维刚, 徐文胜, 马威, 等. 基于热连轧实测数据的模型钢族层 别优化. 钢铁, 2018, 53（10）：54 ） [1] Zhang D H, Peng W, Sun J, et al. Key intelligent technologies of steel strip rolling process. J Iron Steel Res, 2019, 31（2）: 174 （张殿华, 彭文, 孙杰, 等. 板带轧制过程中的智能化关键技术. [2] 表 1 三次优化计算采用的初值及计算结果 Table 1 Initial value and results of three optimal computation Optimization Initial value of iterative computation Optimized calculation results x0 (ζ) y0 z0 x*(ζ) y* z* Opt1 1.138 — — 1.1771 — — Opt2 ln(1.1771) 0 0 ln(1.1676) ln(1.405) ln(0.683) Opt3 ln(1.1676) — — ln(1.2117) — — 表 2 卷取温度控制精度统计结果 Table 2 Statistical result of coiling temperature control accuracy Coil type Number of coils Rolled-strip length/km Coiling temperature control accuracy/% Control deviation/℃ Sequential coil 10278 7048.875 93.978 ±16 Change-over coil 1684 980.500 92.088 ±18 First coil 183 97.533 90.832 ±18 Total 12145 8126.908 95.134 ±20 1000 900 800 700 Temperature/ ℃ 600 500 400 300 200 100 12 10 Speed/(m·s−1) 8 6 4 2 0 0 100 200 300 400 Distance from thickness gauge at finishing mill exit/m Target finishing temperature Temperature control deviation Measured finishing temperature Measured coiling temperature Strip speed Thread speed Target coiling temperature Strip head end 500 600 700 800 图 8    厚 2.65 mm 的 Gr50 钢卷取温度控制效果 Fig.8    Coiling temperature control effect of Gr50 steel grade with 2.65 mm thickness 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 · 785 ·