② 部分模型参数取值精确度不高。控制系统中应用的为经验公式模型,并且在实际应
用过程中往往对模型函数和部分参数的取值进一步进行简化,以降低模型的复杂程度及实
现难度,模型参数的精确程度将直接影响模型精度。
③ 系统特性的变化。任何轧制模型都是建立在一定工艺设备特性基础上的,生产过程
中工艺参数、设备特性的变化,如设备的磨损、大气温度变化等,都可能使模型的计算精度
降低。
3.2 提高实测数据的可靠性和准确性
首先改善检测仪表的运行环境,使各种检测元件稳定运行;其次,将关键位置的检测
仪表改为冗余检测,实现检测信号的多选一,提高现场检测信号的可靠性;再通过信号过
滤(屏蔽异常信号或非正常值)、改善信号采样位置和时机、提高采样频次、增加样本数量等
方法进一步提高实测数据的准确性。
3.3 细化模型参数层别
针对模型精度不稳定和不同钢种之间的参数相互干扰问题,进一步细化了模型参数层
别。模型参数层别钢种按材质分为
40 档、按宽度分为 10 档、按厚度分为 24 档,模型参数层
别数量扩展了数十倍,使得模型参数大大细化,精度有较大提高,同时,增加了模型参数
层别余量,增强了系统可扩展性。
3.4 完善精轧负荷分配,针对薄规格轧制进行特别优化
负荷分配的实质就是
“厚度分配”,并进一步成为各机架的辊缝设定。系统中采用的是根
据能耗进行分配的绝对压下率静态负荷分配法。针对
F2 咬钢冲击大打滑、F5-F6 轧制力预报
偏小、活套张力不稳的现象,通过对实际工艺参数的跟踪分析,发现各机架负荷分配不合理
是导致问题发生的主要原因,特别是为保板形控制效果而导致
F5 和 F6 压下率过小。因此,
对各层别负荷分配系数进行了优化调整,适当增加了
F1、F5、F6 的负荷,减小了 F2 的负荷,
在有效控制以上现象的同时,也保证了板形的控制效果。
在轧制薄规格的冷轧基板时进行了针对性的参数优化,在
F6 机架上下工作辊不接触的
情况下,以其此时的最大压下量为基础来进行负荷分配及其它设定计算,来保证薄规格带
钢的质量和轧制过程的稳定性。
3.5 优化模型自学习功能
自学习算法在提高模型计算精度方面起着重要作用,我们重点从以下几个方面对模型
自学习功能进行了优化调整。
① 根据系统特性的变化,改善自学习策略。
两座加热炉的工艺特性不同,使得从不同加热炉送到轧线的钢坯工艺参数也不尽相同
因此,针对不同加热炉加热钢坯的自学习参数分成不同组别,分别进行学习,以继承其各
自系统特性,提高模型精度。
将长期自学习系数和短期自学习系数分开,各自设定不同的学习权重,用不同的学习
速度进行学习,以便学习积累更可靠的模型参数。
② 利用模糊 IF-THEN 规则,实现自学习系数自修正。
系统不断变化的工艺特性是导致模型精度振荡的主要根源,也导致模型参数自学习不
稳定的重要原因,我们利用以下自学习算法对自学习功能进行了优化,实现了自学习系数
的自修正,改善了自学习效果。
Kn+1=Kn+α(K'-Kn)
式中:
Kn+1
― 第 n+1 次设定值;Kn― 第 n 次设定值;K' ― 第 n+1 设定值;α ― 自
学习系数,
0
≤α≤1。
α 值反映了对第 n 次设定偏差学习继承权重的大小。实际生产中,在现场工艺条件发生
变化的情况下,需要不同的自学习系数来适应学习环境的变化。我们借鉴模糊控制思想与方