2. 河北工程大学 机械与装备工程学院, 河北 邯郸 056038
2. College of Mechanical and Equipment Engineering, Hebei University of Engineering, Handan 056038, China.
热轧中宽带钢产品广泛应用于螺旋焊管和直缝焊管的生产过程,其对宽度精度有着十分严格的要求.目前连铸机大多不具备在线调宽功能, 宽度控制主要由粗轧机组实现, 因此提高粗轧带钢生产中宽展模型控制精度至关重要.
在宽展模型的早期研究过程中, 山口道厷、El-kalay和Sparling,Beese、井端治厷、Okado等[1-5]在实验基础上得到了一系列经验公式.近年来, 文献[6]通过建立“多层感知器”神经网络, 利用离线生产数据进行离线学习和预报对带钢宽展进行预报;文献[7]采用FES宽展模型与PSO-BP神经网络相结合的方式, 对奇数道次的宽展进行了预报;文献[8]采用有限元分析与解析计算相结合的方法, 建立了钢宽展计算的快速仿真模型;文献[9]通过遗传算法和粒子群算法对粗轧宽展模型进行了优化仿真, 并采用粒子群算法对粗轧宽展计算过程中的关键参数进行优化.
基于目标函数的多目标优化已成功应用在温度等模型的自适应过程[10], 取得了良好的控制效果.本文以自适应系数为优化变量建立了目标函数, 通过对函数求解获得了模型关键参数, 进一步完成了关键系数的优化, 有效地提高了宽展模型的预报精度. 通过在某850 mm热连轧粗轧机过程控制系统的使用, 表明本文所提方法对提高轧件宽度控制精度具有重要意义.
1 宽展模型立轧侧压是宽度控制的主要手段, 由于侧压量相对于板坯宽度较小, 侧压影响不能渗透到轧件心部, 会形成狗骨形的不均匀变形, 侧压后的平轧过程使其形成额外的宽展, 显著降低了侧压调宽效率, 为轧后宽度的预报增加了难度.奇数道次立-平混轧后的轧件宽度变化如图 1所示.
奇数道次轧制后的宽度w可以用芝原隆宽展模型进行描述:
(1) |
式中:ΔwD为狗骨宽展;ΔwR为自然宽展,由式(2)进行计算:
(2) |
自然宽展系数cR由式(3)计算:
(3) |
式中:α1~α3为模型常数;kcR为自然宽展自适应系数, 该参数在寻优过程中得到修正.
狗骨宽展ΔwD按式(4)进行计算:
(4) |
狗骨宽展系数cE由式(5)计算:
(5) |
式中:β1~β5为模型常数;kcE为狗骨宽展自适应系数, 该参数在寻优过程中得到修正.
2 自适应优化策略模型自适应使用实测数据不断对模型参数进行优化和修正, 使预报结果接近实测数据, 从而不断提高模型预报精度.由式(1)~式(5)知, 自然宽展系数和狗骨宽展系数直接影响到宽展模型的预报精度, 因此将二者作为优化变量进行宽展预报模型自适应.本文以2个宽展系数为待优化参数向量建立目标函数, 通过求函数最优解, 完成自然宽展系数和狗骨宽展系数的优化过程.
2.1 待优化参数向量宽展模型的待优化参数为奇数道次的自然宽展系数kcR和狗骨宽展系数kcR, 将二者作为待优化参数向量, 若奇数总道次数n=3, 轧制模型优化参数向量z设计为
(6) |
通过宽度模型自适应系数优化, 使各道次的模型预报宽度逐渐接近于实测值.建立目标函数J(z)为
(7) |
式中:z为待优化参数向量;wcal, i为第i道次的模型预报宽度;i为道次号, i≤n;wmeans, i为第i道次的实测宽度.
2.3 Nelder-Mead算法Nelder-Mead算法不需要计算目标函数的梯度, 因此适用于多维变量最优化问题的求解过程[11-12], 它的基本原理是利用单纯形最差和最优顶点确定搜索方向, 通过不断替换最差顶点, 获得满足收敛条件的最优顶点.优化变量的初始顶点向量为
(8) |
式中, ej为单位步长向量, ej=[0, …, 0, z1 j [ j ], 0, …, 0]T, j=1, …, 6.
2.4 模型自适应流程按照2.2节的目标函数以及2.3节提供的解法, 按照式(8)构成初始单纯形, 自适应过程步骤如图 2所示.
1) 在对实测数据进行有效性判断的基础上, 使用实际轧制状态数据对各道次宽度进行再预报计算;
2) 按照式(8)得到初始单纯形;
3) 计算目标函数初始值, 开始寻优过程, 不断计算函数值继续进行收敛条件判断;
4) 若在有效迭代次数内满足收敛条件, 输出坐标位置;若超出, 则给出报警, 并退出;
5) 对寻优得到的宽展系数使用指数平滑法进行平滑处理, 最终得到的自适应系数新值kinew为
(9) |
式中:λ为指数平滑系数;kical为寻优得到的参数;kiold为自适应参数旧值.
3 现场实际应用效果本文所提出的方法应用于某850 mm热连轧粗轧过程控制系统.为验证宽度模型参数自适应效果, 分别取两个换辊轧制周期内的实测数据(约200组), 分别采用常规自适应方法和提出的自适应方法进行参数优化过程, 两种方法对应的稳定段(除去头尾不稳定段)的宽度预测值与实测值如图 3所示.
通过数据分析可知, 采用传统自适应方法时, 宽度预测值与实测值的平均偏差为3.05 mm, 均方差σ=22.3 mm;本文提出的自适应优化方法, 宽度预测值与实测值的平均偏差为1.28 mm, 均方差σ=9.96 mm.相对于传统自适应模型, 提出的自适应算法能够有效提高宽度的控制精度, 能够满足在线生产的需要.
4 结 语本文提出了一种热连轧宽展模型参数自适应方法, 使用宽展模型中的自然宽展系数和狗骨宽展系数建立目标函数, 利用单纯形替换算法对目标函数求解, 实现了宽展模型系数的优化.与传统方法相比, 宽度控制精度得到了有效提升, 保证了产品的宽度质量.
[1] |
孙一康.
冷热轧板带轧机的模型与控制[M]. 北京: 冶金工业出版社, 2010: 245-248.
( Sun Yi-kang. Model and control of cold and hot strip rolling[M]. Beijing: Metallurgical Industry Press, 2010: 245-248. ) |
[2] | Ginzburg V B, Naum K, Misaka Y. Width control in hot strip mill[J]. Iron and Engineer, 1991, 68(6): 25–30. |
[3] | Tanze N.New forms of hot strip mill width rolling installations [C] //1984 AISE Spring Conference.Dearborn,1984:85-88. |
[4] | Okado M, Ariizumi T, Norma Y, et al. Width behavior of the head and tail of slabs in edge rolling in hot strip mills[J]. Journal of the Iron and Steel Institute of Japan, 1981, 67(15): 2516–2525. DOI:10.2355/tetsutohagane1955.67.15_2516 |
[5] |
吴建峰.热轧带钢调宽技术研究与优化[D].沈阳:东北大学,2009.
( Wu Jian-feng.Study and optimization for the width control of hot rolled strips [D].Shenyang:Northeastern University,2009. http://cdmd.cnki.com.cn/Article/CDMD-10145-1012300699.htm ) |
[6] |
贾春玉.
热轧带钢宽展预报的人工智能方法[J]. 轧钢, 2001, 18(1): 13–15.
( Jia Chun-yu. A method of artificial neural network to spread forecast of hot-rolling steel strip on finishing stands[J]. Steel Rolling, 2001, 18(1): 13–15. ) |
[7] |
王爱丽, 杨荃, 何安瑞, 等.
热连轧粗轧区FES宽展模型及其优化[J]. 北京科技大学学报, 2010, 32(4): 515–519.
( Wang Ai-li, Yang Quan, He An-rui, et al. FES width spread model and its optimization for a rough rolling mill[J]. Journal of University of Science and Technology Beijing, 2010, 32(4): 515–519. ) |
[8] |
李学通, 杜凤山, 孙登月, 等.
热轧带钢粗轧区轧制宽展模型的研究[J]. 钢铁, 2005, 40(6): 44–47.
( Li Xue-tong, Du Feng-shan, Sun Deng-yue, et al. Study on spread model of hot strip on roughing trains[J]. Iron and Steel, 2005, 40(6): 44–47. ) |
[9] |
符强, 夏瑛, 张华, 等.
基于粒子群算法的粗轧宽展控制模型优化仿真[J]. 冶金自动化, 2003(3): 1–4.
( Fu Qiang, Xia Ying, Zhang Hua, et al. Simulation research on optimizing width expansion model of roughing mill based on particle swarm optimization algorithm[J]. Metallurgical Industry Automation, 2003(3): 1–4. ) |
[10] | Peng W, Liu Z Y, Yang X L, et al. Optimization of temperature and force adaptation algorithm in hot strip mill[J]. Journal of Iron and Steel Research,International, 2014, 21(3): 300–305. DOI:10.1016/S1006-706X(14)60046-7 |
[11] | Nelder J A, Mead R. A simplex method for function minimization[J]. The Computer Journal, 1965, 7(4): 308–313. DOI:10.1093/comjnl/7.4.308 |
[12] | Walters F H, Parker L R, Morgan S L, et al. Sequential simplex optimization[M]. Boca Raton: CRC Press, 1991. |
[13] | Chen S Z, Zhang X, Peng L G, et al. Multi-objective optimization of rolling schedule based on cost function for tandem cold mill[J]. Journal of Central South University, 2014, 21(5): 1733–1740. DOI:10.1007/s11771-014-2117-y |
[14] |
彭文, 马更生, 曹剑钊, 等.
热轧带钢短行程控制自适应策略[J]. 东北大学学报(自然科学版), 2016, 37(3): 343–346.
( Peng Wen, Ma Geng-sheng, Cao Jian-zhao, et al. Adaptive strategy of short stroke control in tandem hot rolling[J]. Journal of Northeastern University(Natural Science), 2016, 37(3): 343–346. ) |