知识产权

News
News 新闻详情

模型及自学习

日期: 2018-01-03
浏览次数: 8

1.概述
    所有的过程模型都基于三种数学方程,它们是:
    物理系统的理论模型;
    将模型结合为一体的算法;
    采用遵循操作规则和实践的方法来使这些算法生成轧制规程。
    采用基于物理系统的理论公式是为了参数调节在可接受的范围之内。我公司大量地使用长期数据来回归某些参数,目的是为了减小自学习项的运动。通过使用物理模型,不同的项被限定在一起,调整第三位的参数可以保证第一位(自学习项)和第二位的模型参数处于它们合理的范围之内。这使得轧制新产品时模型的鲁棒性很强。模型遵循物理法则,因此可以推演至新的情况;与之相反的是纯回归的形式,虽然内插计算很好,但如果请求超出了校正的范围,则会计算出不确定的结果。
    任何一个物理系统的数学模型都会有不同程度的不准确性。是模型系统的自学习部分在尝试着减小不准确性的程度,并对过程提供更好的预报。在对每一块钢进行完数据扫描之后,模型自学习任务对轧制过程的情况进行分析(辊缝位置、速度、除鳞水等等),并且在相应的情况下重新预报温度、轧制力和功率。然后将重新预报的数据和实际测量的数据进行比较,调整相应的参数,使得接下来的预报值更加接近测量值。在这种方式下,即使轧机不处于计算机控制之下,模型也会进行自学习。
    我们的自学习方法有以下几个关键点来支持,这在其它方法中是没有的。
第一位和最重要的,自学习算法必须是设定模型的逆运算。正确构架的反馈系统将会消减所有的误差,甚至包括设计所施加的误差。为了稳定控制系统,反馈将对任何值进行    学习。但是,如果设计上存在错误,将会产生一个固定的偏差。
    数据获取必须一致。如果轧制力测量值从一个以0.05s数据来源获取,以0.1s的速率扫描,而辊缝从另一个以0.1s的数据来源获取,以0.1s的速率扫描,扫描样本(轧制力和辊缝)将会背离超过0.2s(如果轧制力偏离得很大的话,这将是带钢头部很大的偏差)。这会严重增加过程模型自学习(因而影响接下来的性能)的噪声。
    短期自学习帮助减小系统噪声。IPSS模型的一个关键策略是采用合理构架的短期和长期自学。下图展示了两个层叠的进程的优越性。
 
模型及自学习
                                                                                                                      图2-1 短期/长期自学习
    短期学习项移动很快以接近当前测量值。长期学习项停留在靠近趋势线的中心。对于轧制过程的第一块钢,短期学习项被设置为长期学习项。这使得初始偏差被限制在正常范围的一半之内。
    长期自学习稳定性必须被保证。在许多过程模型中,自学习部分要多于独一无二的信号,造成该模型不可观察。为了使这些模型算法稳定,必须对自学习项加以限制。IPSS已经开发出独一无二的计算方法可以将自学习项从有限的信号反馈中分离出来
    2.功能介绍
    我公司为带钢热连轧及中厚板提供如下模型:
    粗轧设定模型及自学习模型
    粗轧模型设定计算的是加热后的板坯到中间坯的一个过程,基于第一原则,结合建表的模型学习因子,设定的轧制表包括道次数、温度、轧制力、力矩和厚度。
    建表的模型学习因子,诸如钢种,按照热轧轧制的产品范围预先定制。
    我公司已已经建立好成熟的模型数据库,学习因子有详尽的级别和组分类。
    为了实施变形的过程,在压下率、力矩、功率、轧制力和带钢长度的各种物理条件限制下,粗轧设定模型计算一个轧制表。最小道次优化限制下的轧制表包括平辊辊缝、立辊辊缝、入口速度、轧制速度和出口速度。
    粗轧宽度自动控制(AWC)模型
    基于精轧出口的宽度目标值,模型将计算中间坯的宽度目标值,目的是尽量最小化钢卷过宽或者过窄的情况。经过相近规格的长时间轧制之后,精轧的宽度目标会酌情减小,当然保证精轧出口的变窄在预先设定的极限之内,而且下游用户也满意的范围内。立辊的压下率是查表获得的,目的是最小化中间坯的头尾宽度变窄的状况。
    在分析测量数据的基础上,模型有每道次的、每块钢的学习,用于后面新设定的修正。
    模型还为一级的AWC功能做一些辅助计算。
    精轧设定模型及自学习模型
    精轧轧制规程生成计算使用以基本运算法则为基础的显式方程,再加上模型影响因素列表和预测的带钢温度、轧制力和轧制力矩、轧制速度以及从中间坯到成品钢卷的各道次厚度。制成表格的模型影响因素分为钢种和精轧出口厚度、可接受的预报值以及用户定制的产品范围。
    我公司认为最好的模型数据库组织方案是将一部分模型修正系数详细分级,将一部分详细分组。
    此外,精轧轧制规程生成计算不仅仅是预测数值,它还会设计一张满足各种物理限制条件(负荷、力矩、功率和轧制力)的负荷分配表去分配压下变形量。默认方式是由模型 分配各架轧机的压下变形量以获得目标轧制力曲线。
    精轧板型设定模型及自学习模型
    整个精轧轧制规程一旦完成,将计算出弯辊基准值以尽可能减少板形缺陷。这些基于IPSS轧辊弯曲模型的计算用于对各架轧机出口带钢凸度的预报。
    要想对带钢凸度进行精确预报,需要有一套精确的工作辊辊形模型。工作辊模型将跟踪由于轧辊温度和轧辊磨损造成的工作辊辊形的变化。
    终轧温度设定, 控制模型及自学习模型
    卷取温度设定, 控制模型及自学习模型
    卷取设定模型
    精轧穿带自适应
    中板设定模型及自学习

Copyright 2017-2023 北京北科麦思科自动化工程技术有限公司
 All rights Reser
犀牛云提供企业云服务
官方微信公众号
电话:010-89715559
邮箱:bgxx@bkmasic.cn
地址:北京市海淀区学院路30号(东门综合商务楼)
邮编:330520