（控制理论与控制工程专业论文）轧钢生产过程产品质量模糊模型建模方法研究.pdf

原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研 究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人 或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集 体，均已在文中以明确方式标明。本声明的法律责任由本人承担。 l 、一一 学位论文作者：依7 j日期：h ，碑厂月；o 日 学位论文使用授权声明 本人在导师指导下完成的论文及相关的职务作品，知识产权归属郑州大学。 根据郑州大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部 门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权郑州 大学可以将本学位论文的全部或部分编入有关数据库进行检索，可以采用影印、 缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学 位论文或与该学位论文直接相关的学术论文或成果时，第一署名单位仍然为郑 州大学。保密论文在解密后应遵守此规定。 学位论文作者：私分( 乏 日期：如，哞y , 9 。日 摘要 摘要 轧钢工业生产过程是由多个子系统过程组成的复杂系统，具有多参数、非 线性和不确定性等特性。为实现对轧钢工业生产过程的产品质量控制，有必要 针对其生产过程建立质量模型。由于轧钢工业生产过程的复杂性，建立一个合 适的质量模型存在很大的困难，近年来，国内外诸多学者利用不同的方法对其 进行质量建模，起到了一定的效果，但在利用所建的模型指导生产实践方面仍 有一定的距离。本文针对轧钢生产过程产品质量模糊模型建模方法进行研究， 取得了一些具有实际意义的结果，其主要工作内容如下： ( 1 ) 在对轧钢生产过程及其产品质量建模问题分析的基础上，对影响轧钢 生产过程产品质量的因素进行了详细研究和分析，确定了影响轧钢生产过程产 品质量的主要因素和质量指标，并对轧钢生产过程数据进行了预处理，为建立 轧钢生产过程产品质量模型奠定了基础。 ( 2 ) 在对模糊神经网络及其建模方法进行分析的基础上，给出了一种基于 实常数值后件模糊模型的建模方法，对其前件和后件的结构、参数辨识方法等 进行了改进，提高了该模型学习和训练的效率，仿真表明了该建模方法的有效 性和可靠性。 ( 3 ) 针对模糊系统用于轧钢生产过程时所存在的“模糊规则爆炸一问题， 给出了一种基于多输入层的轧钢生产过程分层模糊神经网络质量模型建模方 法。并给出了一种分层模糊神经网络模型的结构，将这种分层模型和实常数值 后件模糊模型相结合，建立了轧钢复杂生产过程产品质量模型。通过利用实际 轧钢数据进行仿真，表明了该建模方法的有效性和可靠性。 关键词：轧钢生产过程产品质量模型模糊模型分层模糊神经网络 a b s t r a c t r o l l i n gi n d u s t r i a lp r o d u c t i o np r o c e s si st h ep r o c e s sb yan u m b e ro fs u b s y s t e m s c o n s i s t i n go fc o m p l e xs y s t e m s ，1 ) l ，i mm u l t i - p a r a m o t o r , n o n l i n e a ra n du n c e r t a i n t i e sa n d o t h e rc h a r a c t e r i s t i c s t oc o n t r o lt h eq u a l i t yo ft h er o l l i n gi n d u s t r i a lp r o d u c t i o np r o c e s s , i ti sn e c e s s a r yt oe s t a b l i s hq u a l i t ym o d e lf o ri t sp r o d u c t i o np r o c e s s a st h er o l l i n g i n d u s t r i a lp r o d u c t i o np r o c e s sh a v et h ec o m p l e x i t y , i ti sv e r yd i f f i c u l tt oe s t a b l i s ha n a p p r o p r i a t eq u a l i t ym o d e l i nr e c g n ty e a r s ，m a n yd o m e s t i ca n df o r e i g ns c h o l a r sh a s b e e nc a r r i e do u tt h es t u d yo fq u a l i t a t i v em o d e l i n gb yu s i n gd i f f o r o n tm e t h o d sa n d h a v ea c h i e v e ds o m or e s u l t s b u tt h e r ei sac e r t a i ng a pb e t w e e nt h e s eq u a l i t y m o d e l a n da c t u a lp r o d u c t i o np r a c t i c e i nt h i sp a p e r , w er e s e a r c h e ds t e e lr o l l i n gp i o 姻f u z z y q u a l i t ym o d e l i n gm e t h o da n do b t a i n e ds o m em c a n m g f i l lr 痰m l t s ，t h em a i nw o r ka s f o l l o w s ： ( 1 ) b a s e do nt h ea n a l y s i so fr o l l i n gp r o d u c t i o np r o c e s sa n di t sp r o d u c tq u a l i t y m o d e l i n g , w er e s e a r c h e da n da n a l y s i s e dt h ef a c t o r so fa f f e c t i n gp r o d u c tq u a l i t y , a n d d e t e r m i n e dt h em a i ni m p a c ta n dk e yi n d i c a t o r so fa f f e c t i n gp r o d u c tq u a l i t y , f i n a l l y p r e t r e a t m e n tt h er o l l i n gp r o d u c t i o np l 渊s d a t a ( 2 ) b a s e do nt h ea n a l y s i so ft h ef u z z yn e u r a ln e t w o r ka n di t sm o d e l i n gm e t h o d , a m o d e l i n gm e t h o db a s e do nr e a lc o n s t a n tv a l u ec o m e q u e n tf u z z ym o d e lw a sg i v e 也 w ei m p r o v e di t sf o r m e rp a r t sa n dp i e c e so ft h es t r u c t u r o , p a r a m e t o ri d e n t i f i c a t i o n m e t h o d e t c ，a n de n h a n c e dt h ee f f i c i e n c y o fl e a r n i n ga n dt r a i n i n gm o d e l t h e s i m u l a t i o ns h o w st h ev a l i d i t ya n dr e l i a b i l i t yo f m o d e l i n gm e t h o d ( 3 ) f o rt h ep r o b l e mo f 竹f u z z yr u l ee x p l o s i o n , 锄e f f e c t i v ew a yi sp r o p o s e dt o e s t a b l i s hf u z z yq u a l i t ym o d e lf o rr o l l i n gp r o d u c 宅p r o c e s sb a s e do ni n p u tl a y e ro f r o l l i n go v o rt h ep r o d u c t i o np r o c e s sq u a l i t ym o d e lf o rh i e r a r c h i c a lf u z z yn o t u a 1 n e t w o r km o d e l i n g a n dah i e r a r c h i c a ls t r u c t u r eo ff u z z yn e u r a ln e t w o r km o d e lw a s g i v e n f i n a l l y w oe s t a b l i s h e dar o l l i n gc o m p l e xm o d e lo fp r o d u c tq u a l i t yb y c o m b i n i n gt h i sh i e r a r c h i c a lm o d e la n dt h er e a lc o n s t a n tv a l u ec o n s e q u e n tf u z z y m o d e l t h es i m u l a t i o nw i t hr e a lr o l l i n gd a t as h o w st h ev a l i d i t ya n dr e l i a b i l i t yo f h k e yw o r d s ：r o l l i n gp r o d u c t i o np r o c e s s ，p r o d u c t sq u a l i t ym o d e l ，f u z z ym o d e l ， 1 1 1 1 绪论 目录 摘! i l 享j i 目录1 1 绪论1 1 1 课题目的和意义l 1 2 国内外研究状况和进展2 1 3 论文主要内容5 2 轧钢生产过程及产品质量建模问题。7 2 1 引言7 2 2 轧钢工业生产过程及其分析8 2 2 1 轧钢产品的轧制过程8 2 2 2 轧钢计算机控制系统1 0 2 3 轧钢生产过程产品质量建模问题1 2 2 4 以、结：1 4 3 轧钢生产过程产品质量建模影响因素分析及数据预处理。1 5 3 1 引言1 5 3 2 产品质量影响因素分析- 1 5 3 3 数据预处理1 6 3 4 小结1 7 4 轧钢生产过程产品质量模糊模型建模方法。1 8 4 1 引言。l8 l 绪论 4 2 模糊神经网络及建模分析- 1 9 4 2 1 模糊神经网络的特点。1 9 4 2 2 模糊神经网络的几种基本形式2 0 4 2 3 模糊神经网络建模分析2 3 4 3 基于实常数后件模糊模型的建模方法2 4 4 3 1 实常数值后件模糊模型的结构2 4 4 3 2 规则前件参数和规则数m 的确定2 7 4 3 3 规则后件参数的确定2 9 4 4 建模与仿真3 0 4 5 小结。3 l 5 基于多输入层的轧钢过程分层模糊神经网络质量模型建模方法。3 2 5 1 引言。3 2 5 2 分层模糊系统的设计方法3 2 5 2 1 分层模糊系统及其分类3 2 5 2 2 分层模糊系统的设计及其分析3 4 5 3 基于高维多输入层的分层模糊神经网络质量建模方法。3 5 5 3 1 模型结构及其分析3 5 5 3 2 模型建模及仿真3 9 5 4 小结4 4 6 总结与展望。4 5 6 1 总结4 5 6 2 展望4 5 参考文献4 7 致谢5 0 个人简历、在学期间发表的学术论文与研究成果5 l 2 l 绪论 1 绪论 1 1 课题目的和意义 我国钢铁工业在克服了总量不足的问题之后，大量扩张普通钢生产规模和 大量消耗资源的历史已基本过去，已不具备发达国家当初以大量消耗资源和牺 牲环境为代价的条件。并且由于钢材质量的差别，我国每年不得不进口1 6 0 0 多 万吨高质量钢材，涵盖的品种遍及各大类，说明国内钢铁企业的管理水平和质 量控制能力普遍较低。而伴随着社会的进步，人们对钢铁产品的要求越来越高。 因此，钢铁企业优化结构的目标，不仅是追求板管比、板带比、优钢比等数量 化概念，更重要的是提高质量控制能力，提升产品质量档次，适应市场变化， 从生产符合标准的“合格品 转向用户完全满意的搿合用品一。 产品质量是轧钢企业持续生存的根本，是企业的生命，是改善轧钢企业生 产经营管理、降低成本及提高效益的重要途径，也是赢得市场竞争的关键所在， 良好的产品质量同样是轧钢企业实施经营战略的基础。对轧钢工业生产过程实 施系统优化与质量控制，是轧钢企业急需解决的关键理论与技术问题，通过实 施质量控制，可以大大提升企业的品牌质量，降低成本，节约能源，降低生产 消耗，极大地提高企业的经济效益和社会效益。轧钢工业生产过程产品的质量 控制问题一直是人们关心和研究的热点问题，也是自动控制界的一个研究热点。 实施产品质量控制，就是要建立轧钢工业生产过程产品质量模型和质量控制系 统，通过对产品生产过程的各种操作变量进行控制等，使产品质量达到要求， 改善产品质量、增加产品产量。因此，研究利用先进的控制理论方法与技术手 段对轧钢工业生产过程实施产品质量控制具有重要的理论意义和实际应用价 值，具有巨大的经济和社会效益。同时，随着计算机技术、传感技术和在线测 量技术的飞跃发展，先进的控制理论方法以及计算智能方法的提出，使轧钢复 杂工业生产过程产品质量的在线控制成为可能。 轧制自动化的发展为轧制技术的进步起到了巨大的推进作用，智能轧制技 术的不断成熟，将在更加广阔的范围内取代轧钢操作者乃至技术人员的脑力劳 动，使轧制过程在智能计算机的控制之下，变得更加精确和完善，进而提高轧 制过程的产量和改善产品质量。 l 绪论 未来轧钢生产工艺流程将更加紧凑，趋于铸轧一体化生产和柔性化生产， 也对自动化提出了新的要求：( 1 ) 先进的高精度、多参数在线综合测试技术与高 响应速度的控制系统相结合，保证轧钢生产的高精度、高速度以及高质量；( 2 ) 数学模型和人工智能相结合，轧钢工艺控制和管理相结合，实现生产过程的优 化和高品质化；( 3 ) 计算力学与数值模拟相结合，由轧制尺寸形状预报和力学模 拟延伸到金属组织性能预报和控制；( 4 ) 扩展控轧控冷技术与“超级钢”技术相结 合，在自由规程轧制基础上实现真正的柔性化生产。即用同一化学成分的钢坯， 在轧机上通过工艺过程参数的控制，生产出不同级别性能的钢材，以提高轧制 效率。 先进的过程自动化控制也是节能降耗的重要手段。自主开发的轧钢过程计 算机控制系统由于平台稳定不仅不存在黑箱，大大降低了初期投资，可移植性 好，生存周期长，平稳升级容易，向下兼容性强，有利于新钢种和新功能开发， 并且可不断积累自主开发的新模型和新功能，能使系统水平不断提高。 现代化钢铁企业生产的一个特点是多道加工工序，在实际生产过程中，相 关的输入变量和干扰变量有的多达几十维，而且输入变量是分阶段加入的，每 一步都对最终产品的质量产生影响。要想得到各种变量与产品质量之间的关系 模型，是一件十分复杂的工作，高精度的质量模型更是难以建立。数据挖掘( d a m m i r l i n g ) 技术的发展为解决这一问题提供了一种比较好的途径。由于目前很多钢 铁企业都积累了很多经验和保存了很多轧钢原始数据，结合这些经验并从这些 原始数据中利用数据挖掘技术从中挖掘出最优的规律性的东西，就可以达到我 们质量建模的目的，达到钢铁工业企业所提出的要求。 利用钢铁企业已有的原始数据，从中挖掘出有用的规律性的东西，从而建 立工业生产线产品质量模型，进而实现复杂大工业生产过程产品质量的在线控 制，是目前我们所面临的难题，也是目前控制领域研究的前沿问题之一1 3 】，这 就是本文的研究背景。 1 2 国内外研究状况和进展 近些年来，国内外许多学者对轧制自动化的研究非常活跃，轧钢仍然是人 们集中研究的目标，今后还会有更进一步的改进。在过去的1 5 年中，全球的轧 钢设备增加了4 0 ，而且人们进行了大量细致的工作，这些均有力的促进了轧 2 1 绪论 钢技术的进步。由于轧钢复杂工业生产过程是一个由多子系统过程组成的复杂 工业大系统，是一个参数多、时变、严重非线性、不确定因素多和滞后大的复 杂系统，因此一直以来，其产品质量建模都缺乏有效的方法。并且由于轧钢生 产过程相当复杂，建模难度比较大，传统的质量建模方法显得力不从心，严重 制约了轧钢工业的发展。但随着2 0 世纪8 0 年代国内外对神经网络研究的热潮 和计算机技术及应用的讯速发展，神经网络以其独特的非传统表达方式和很强 的学习能力，在系统建模、辨识与控制中得到了极大的应用，引起了控制界的 轰动，为复杂工业系统产品质量建模开辟了新的道路。 近年来国际上竞相开展了神经网络应用于热连轧、冷连轧等复杂工业系统 建模方面的研究工作。在国外，n i c k l a u s 等人于1 9 9 5 年将人工神经网络用于控 制预报精轧机组各机架轧制力，并且取得了良好的效果。1 9 9 4 年美国伯利恒钢 铁公司的s w m a r k w a r d 等开发了热浸镀锌线镀层重量综合控制系统，自1 9 9 4 年1 1 月投入运行以来，取得了很好的经济效益。另据介绍，德国西门子公司 ( s i e m e n s ) 利用神经网络进行轧制过程自动控制，用来预报轧制力、带钢温度和自 然宽度等，使模型控制精度提高1 5 - 4 0 。n f f o r t m a n n 等人在德国 i c r u p p - h o e s c h 钢铁企业公司w e s t f a l e n 热轧厂的热带连轧设定计算中采用了神经 网络信息工具，也产生了较好的效果【4 】。2 0 世纪9 0 年代以后，日本的轧钢学界 学者和工程技术人员在人工智能应用方面也作了大量的研究工作，小园东雄曾 介绍了利用人工智能对型钢进行最优剪切控制的方法【5 1 。丰福达生等人应用神经 网络进行冷连轧机组压下规程设定，中岛下明、片山恭纪等开发了神经网络模 糊板形控制系统【4 】。 我国相关领域的研究工作也在积极开展中，提出了很多关于轧钢生产过程 质量优化控制的理论和方法。李元等人将神经网络应用于热连轧精轧机组控制 上，利用神经网络的方法代替传统模型的计算，选取了一个隐含层的结构、1 3 个输入变量和7 个输出变量的神经网络，并且利用实测数据对传统方法和神经 网络方法进行比较，比较结果表明：神经网络方法所得结果优于传统方法【6 】。邢 进生、万百五等人针对轧钢复杂工业生产过程输入维数高的特点，提出和实验 了3 种不同的改进学习算法：逐步扩大样本学习算法【刀、两阶段混合学习算法【引、 大惯性各权重独立训练的分散学习算法【9 】，并将它们用于建立连铸连轧产品质量 模型，以板材的断裂延伸率为质量指标，对整个数据子集而言，符合均方误差 小于0 0 5 的数据与整个数据的比近似为8 3 。张大志等人利用优化的b p 网络 1 绪论 对冷轧机轧制过程进行控制，他们主要是利用最优化算法对b p 算法中的学习速 率和动量因子进行了优化选取，仿真结果良好【埘吴育华等对学习算法进一步 研究，提出一种训练前向神经网络的全局优化学习算法【1 1 】，该算法与b p 算法相 比，的确提高了神经网络模型对系统逼近的精度，但离厂方的要求还是有一定 距离。 以上这些方案可以称为神经网络的直接建模法，即完全由神经网络建立控 制模型。但是该方法由于目前神经网络设计理论尚不完善，而且神经网络存在 着一定的局限性，所以模型的控制精度仍然不能满足要求。还有一些学者采用 将神经网络和数学模型相结合的组合建模方法，如胡贤磊等人采用将b p 神经元 网络与传统模型相结合的方法，将传统模型的输出值作为神经元网络的一个输 入项，并且通过实际数据验证，在采用该种方法后，进一步提高了控制模型的 控制精度【1 2 】。黄敏等人将基于遗传小波神经网络应用于冷轧轧制控制的研究中， 提出一种适合于高维输入的小波神经网络模型，采用多值编码的混合遗传算法， 同时优化网络结构和网络参数，使网络达到最佳的逼近效果，从而保证轧制过 程控制的可靠性。文献 13 】提出了一种用于大工业生产过程建模的新型小波神经 网络结构的方法，用于解决输入变量多、变量分先后次序的问题，网络结构类 似于多层前向神经网络，不同之处在于将一部分输入节点放在隐含层输入，其 输入变量不是在同一层输入，而是根据变量起作用的前后顺序分别在网络的不 同层输入，从而减小了网络的规模，同时隐含层神经元的函数是一维小波函数， 从而避免了多元小波函数带来的“维数灾难一问题。 自1 9 6 5 年z a d e h 教授发表的开创性文章标志着模糊理论的诞生，并在随后 的几年中建立了模糊理论的大部分重要概念，为后来模糊控制的发展和应用提 供了必要的理论基础和发展保障。1 9 7 4 年英国工程师m a m d a n i 成功的将模糊方 法应用于蒸汽机的控制和随后的丹麦学者j j o s t e r g o a r d 用模糊技术来控制水泥 窑，拉开了模糊控制在工业过程中应用的序幕，为模糊理论的发展展现了光明 的前景。从八十年代开始模糊系统理论在各个领域得到了进一步研究发展，人 们开始在很多实际的复杂大工业过程中考虑操作工积累的知识和操作经验。文 献【1 4 】提出了一种新模糊神经网络及其学习算法，将该神经网络用作某大型多辊 热连轧产品质量模型，解决了热连轧高维输入数据的建模问题。 日本学者t a k a g i 、s u g e n o 和韩国学者k a n g 提出了工业过程产品的t s k 模 糊质量模型，既可以用来建立轧钢产品的模糊动态质量模型，也可以建立t s k 4 l 绪论 模糊稳态质量模型。文献o s 即利用这种t s k 模糊模型针对轧钢复杂工业生产 过程建立了模糊质量模型，仿真表明该模型控制效果良好。 目前国内外学者对轧钢工业过程产品质量建模的神经网络方法尽管进行了 大量的应用研究，并取得了一些成绩，但都还停留在试探摸索阶段，并没形成 连贯指导性的理论。尤其是对于高维复杂工业过程产品质量进行建模时，还存 在“维数灾难一问题。而且这些研究成果还不能广泛的应用于实际中，国内许 多钢铁企业的轧钢生产线还是主要依赖国外。因而国内从事计算机自动控制专 业的广大科技人员则任重道远。 1 3 论文主要内容 本文首先介绍了近年来许多国内外专家学者对轧钢工业生产过程质量建模 的研究现状和进展，然后分析了轧钢过程的复杂性和影响轧钢产品质量的一些 主要因素，并论述了模糊控制理论的发展与分类，采用了一种新的模糊质量模 型，对其算法和学习方法进行了深入的研究和改进，并针对轧钢生产过程所独 有的特点，创造性的把这种模糊质量模型和分层网络模型结合起来，用这种改 进的模糊质量模型来建立一个多输入的分层模糊模型，用于对热轧产品某一钢 种的板材质量进行建模，并利用某轧钢厂多年采集的热轧原始工业数据，对模 型进行了学习和校验，并与其它模型的仿真结果进行了分析比较，达到了既提 高轧钢复杂工业生产过程产品质量建模的精度又降低了建模难度的目的，具有 一定的科研和实用价值。 第l 章绪论 c 介绍了课题的背景、目的和意义。论述了近些年来国内外专家学者对轧钢 工业生产过程产品质量建模的研究现状和进展，并提出了本文需要解决的问题。 第2 章轧钢工业生产过程及产品建模质量影响因素分析 首先论述y * l 钢工业生产过程的一些主要工艺流程，分析了其产品质量建 模的复杂性；然后介绍了目前流行的轧钢计算机自动控制系统的组成部分，及 其在轧钢产业技术升级中所起的重要作用，并指出了目前轧钢产品质量建模所 存在的问题；最后分析了影响轧钢工业生产过程产品质量的因素，并介绍了建 模样本数据的筛选和数据预处理的方法。 第3 章轧钢生产过程产品质量模糊模型建模方法 5 1 绪论 ： 给出了一种新的实常数值后件模糊模型建模的结构，并改进了其前件和后 。o 。- _ o 、_ _ _ _ _ _ _ - l ，o _ _ 。o - _ _ ，_ 一， 件的结构、参数辨识方法，提高了该模型学习莉硼练酌效率，分析论证了该模 型建模方法的有效性和可靠性。 第4 章基于多输入层的分层模糊神经网络质量模型 ， 本章首先介绍了当模糊系统用于轧钢生产过程时所存在的“模糊规则爆炸一 的问题。然后给出了一种分层模糊模型的结构，并研究了利用这种分层模型和 实常数值后件模糊模型结合起来，建立轧钢复杂生产过程质量模型的方法。利 用某轧钢厂多年采集的热轧产品原始工业数据建立数据集，训练和校验了这种 质量模型，并将建模结果与其它模型的建模结果进行比较，论证了该建模方法 的有效性和可靠性。 第5 章总结与展望 扼要的总结了在写作硕士论文期间所做工作的不足之处，并对轧钢生产过 程产品的质量建模和质量控制所存在的一些难点问题和进一步的研究工作进行 了展望。 6 2 轧钢生产过程及产品质量建模问题 2 轧钢生产过程及产品质量建模问题 。 2 1 引言 轧钢生产线是复杂工业大系统，生产要历经炼铁、炼钢、连铸、热连轧等 多个子系统才能完成，每一个子系统都对最终产品的质量有影响；而子系统的 工况由子系统的控制器所决定，或者由一些由计算机设定的决策变量( 如初轧 阶段温度，精轧阶段温度等) 所决定。产品质量控制就是要通过多道工序的通 力合作来控制这个系统的输入变量从而达到系统优良的输出。影响轧钢产品质 量的输入变量是分阶段加入的，具体包括化学元素含量、温度控制、时间变量 等等，称为输入变量，而输出则表现为产品的质量指标。而轧钢企业的质量控 制能力很大程度取决于轧制自动化技术的发展水平。 轧制自动化实际上包括对轧制过程进行计算机系统控制和对装置的自动控 制两部分。过程计算机控制是对复杂过程运用计算机完成采集、模型计算、实 时判断处理、对整个生产系统进行控制管理，这对于包括加热、粗轧、精轧、 冷却、卷取多个环节相互衔接配合的轧制生产是必不可少，尤其在高速与高精 度轧制时，更需要计算机高速准确地完成算法处理。为了适应轧制过程自动化 的进一步发展，应重视以下几方面的问题：轧制过程的数学模型、进一步提高 和完善检测仪表和变换系统的性能和功能、改进计算机控制系统的性能、实现 优化控制、培养轧制自动化技术人才和管理人才。轧制自动化技术中影响最终 产品质量的核心要素是数学模型的建立和计算。 本章重点介绍了轧钢复杂工业生产过程的工艺流程和目前较为流行的轧钢 过程计算机控制系统的基本结构，并分析了轧钢生产过程中产品质量建模普遍 存在的问题和影响产品质量的一些主要因素。由于实际工业数据的离散性，即 数据不是连续的，而且数据容易受到工业噪声的污染，所以在建立产品质量模 型前需要先对数据进行预处理。本章最后介绍了有关数据预处理的一些方法。 7 2 轧钢生产过程及产品质量建模问题 2 2 轧钢工业生产过程及其分析 2 2 1 轧钢产品的轧制过程 钢铁轧制过程是一个工艺复杂、约束条件众多的加工工序，不仅包含能源 消耗巨大的热轧及板坯加热工艺，也包括子工序众多的冷轧制造流程。目前钢 铁企业对于轧制过程的生产管理和技术要求集中体现在板带钢产品上。由于轧 件同时在两个以上的顺序布置的轧机上进行轧制，从而把整个机组的机械、电 气设备连成一个整体，使热连轧过程的机械、电气设备和工艺参数形成相互耦 合、相互制约的关系。图2 1 是钢铁轧制工序的物流情况简图。如图所示，板坯 的轧制过程可分为热轧工序和冷轧工序两个主要阶段，热轧是冷轧的前道工序， 同属轧制生产过程的两道工序其原材料、工艺约束、生产过程、产出品等情况 却各不相同。 图2 1 钢铁轧制过程物流图 ( 1 ) 轧钢复杂工业生产过程热轧工序阶段 热轧车间的热轧过程( 串联型工业大系统) 依工序可以分为四个区：加热 区、粗轧区、精轧区和卷取区。依生产工艺过程可分为板坯准备、板坯加热、 粗轧、精轧、轧后冷却、卷取和精整等7 个子系统。 板坯准备热连轧钢带所用的板坯是连铸板坯或初轧板坯，这些板坯在 进行热轧工序之前先放入板坯库或保温坑进行存放，在需要时装上加热炉完成 r 2 轧钢生产过程及产品质量建模问题 重加热，然后再进行轧制生产。板坯在加热前必须清除表面缺陷，对于质量要 求较高的板坯，还需进行局部修磨、清理，以保证成品钢带的质量。 板坯加热随着现代钢铁企业对产品质量的要求日益严格苛刻，板坯的 加热质量也越来越受到重视。由于近些年来板坯加热炉开始采用计算机进行自 动控制，板坯加热质量、燃烧消耗、加热能力等加热过程指标更趋于理想。 粗轧板坯特别是薄板坯表面积大，容易出现二次氧化，生成氧化铁 皮，如不及时清除，会与轧辊在高温下接触，不仅损坏轧辊，也常因轧制速度 远远高于浇铸速度而将氧化铁皮轧入，严重地影响了板带材的表面质量。因此 板带热轧生产中对除鳞过程给予高度重视，已成为薄板坯连铸连轧生产中的一 项关键技术，新的结构都在粗轧机前布置有除鳞机，具有高压水、旋转高压水 等多种类型，其水压从i o - , , 2 0 m p a 提高到4 0 m p a ，以确保氧化铁皮的清除。粗 轧前一般采用大立辊轧机进行轧边，对板坯宽度进行矫正。板坯除鳞后，便进 入二辊轧机轧制。随着板坯厚度变薄和温度下降、板坯变形抗力增大，需采用 更强大的4 辊轧机进行轧制来提高板形及厚度的精度。 精轧钢带坯从粗轧机组出来后还需要输送到精轧机组进行精轧。在 进入精轧机组之前，首先要进行测厚和测温，用飞剪剪去头部、尾部，并用前 几架精轧机座间设的高压水喷嘴进行除鳞，然后进入精轧机进行轧制。在进入 精轧机前和在精轧过程中的精轧机架之间都要进行除鳞，以保证板带质量和保 护轧机机辊。精轧机架数越多，精轧来料可以更厚，产量和轧制速度能够更高， 产品也可以变得更簿。 轧后冷却、卷取和精整精轧机高速轧出的钢带在设在精轧机输出辊道 下边的喷水冷却装置和上面的低压层流装置的冷却作用下，要在几秒钟的时间 里急速降温到6 0 0 度左右，然后用卷取机卷成板卷送去精整加工。一般用3 台 卷取机交替进行卷取。卷取后的钢带卷运往仓库，根据用途不同，分别运往冷 轧原料库或继续进行精整加工。 ( 2 ) 冷轧工序阶段 经过热轧后的钢板带厚度一般在几个毫米，如果用户要求钢板更薄的话，还 要经过冷轧。冷轧是在常温状态下由热轧板加工而成，虽然在加工过程因为轧 制也会使钢板升温，但是还是称之为冷轧。由于热轧经过连续冷变型而成的冷 轧，机械性能比较差，硬度太高，必须经过退火才能恢复其机械性能，没有退 火的叫轧硬卷。 9 2 轧钢生产过程及产品质量建模问题 冷轧工序一般是具备分厂级生产能力的工序流程，与热轧相比，冷轧厂的 加工线比较分散，但是其物流情况比热轧工序更为复杂。经过热轧厂送来的钢 卷，先要经过连续三次技术处理，用盐酸除去氧化膜，然后才能送到冷轧机组。 在冷轧机上，开卷机将钢卷打开，然后将钢带引入五机架连轧机轧成薄带卷。 从五机架上出来的还有不同规格的普通钢带卷，它是根据用户多种多样的要求 来加工的。 目前用于冷轧的设备主要是全连续冷轧带钢轧机。全连续冷轧带钢轧机由 计算机控制轧制过程，在动态中即可改变规格。工作时，前一卷尾与后一卷头 焊接，活套中贮存的带钢足够保证焊接时轧机可继续轧制。轧后由飞剪切断、 分卷。由于全连续轧制消除了钢卷头尾厚度超出公差的废品，有效提高了带材 轧制精度和收得率【1 6 1 。 2 2 2 轧钢计算机控制系统 由于用户对冷、热轧板质量的要求越来越高，因此计算机控制系统已经是 冷、热连轧不可缺少的组成部分。自1 9 6 0 年冶金工业的第一台控制用计算机应 用于带钢热连轧精轧机组辊缝及速度设定以及7 0 年代带钢轧制全线实现计算机 控制以来，计算机控制已经经历了四、五代的变迁，轧制生产过程控制功能亦 由于用户对带钢质量要求的不断提高而日新月异，从厚度控制到温度控制、宽 度控制、板形控制以及机械性能的控制，从基础自动化、过程自动化到三级生 产控制，并逐步形成包括控制与信息管理完整的多级系统。这些先进的轧制过 程计算机控制系统不仅提高了轧机的产量，并且提高了产品的质量，使得带钢 冷、热连轧的生产质量和效率大大提高，为钢铁企业带来巨大的经济效益。 带钢热轧生产是目前应用计算机控制最为成熟的一个领域，其控制范围包 含了整个生产过程，从加热炉入口、甚至从连铸出口开始到成品库，包括了轧 制计划、板坯库管理、数学模型、设备控制和质量控制以及传动( 电气及液压 传动) 数字控制等各个层次，是轧钢自动化领域中最为庞大，最为复杂的控制 系统。按照目前流行的冶金自动化体系结构，轧钢计算机自动控制系统由以下 几个层面组成，其系统功能框图如图所示： l o 2 轧钢生产过程及产品质量建模问题 3 级 2 级 1 级 设备 生产控制级 ： 生产控制级 1 初始数据输入1 数据采集和处理 2 数据采集和处理2 跟踪 3 设定计算3 设定计算 4 模型自适应4 模型自适应 ： i： ：i 1 精轧机设定 1 板坯测量 1 粗轧机设定 2 飞剪控制1 热输出辊道控制 2 跟踪 2 辊道控制 3 速度控制 2 卷双机控制 3 板坯移动和定位 3 可逆轧机的 4 活套控制 3 张力控制 4 推钢机控制 顺序控制 5 除鳞及冷却控制4 顺序控制 5 步进梁控制 4 除鳞控制 6 宽带自适应控制 5 卷双温度控制 6 抽钢机控制 5 速度控制 7 厚度控制6 钢卷运输控制 7 炉温控制 6 宽度控制 8 终轧温度控制7 自动跳步控制 9 板形控制 2 加热炉卜- f 粗轧机卜- l 飞萋祝精卜 -输出辊道、卷双 机、运输链 图2 2 轧钢计算机自动控制系统功能框图 ( 1 ) l 1 基础自动化级( 含数字a c d c 传动控制)l 1 级的基本任务是顺 序控制、设备控制和质量控制。它直接与设备及轧件位置检测装置打交道，完 成现场信号采集、识别、逻辑判断，向设备输出调节量信号。过程自动化级计 算机进行参数设定后，交由基础自动化级执行，使各设备的位置、速度等调整 到设定值并通过质量控制( 或工艺参数控制) 使工况最优。 ( 2 ) l 2 过程自动化控制级( 轧制过程数学模型)l 2 级的基本任务是面 对生产线，并通过数学模型进行各个设备的参数设定计算、跟踪、数据采集、 模型自学习以及打印报表、人机界面、历史数据存储、报警等。其核心功能为 对粗轧、精轧机组负荷进行分配( 包括最优化计算) 及数学模型的预估( 报) ，为了 实现对粗轧、精轧机组负荷进行分配( 包括最优化计算) ，过程控制计算机必须设 有板坯( 数据) 跟踪、初始数据输入、在线数据采集以及模型自学习等为设定模型 服务及配套的功能。热连轧过程自动化控制的主要功能是精轧机组的厚度设定 模型和板形设定数学模型，设定值计算后，下送到基础自动化，由设备控制功 能执行。由于轧制压力数学模型在精轧数学模型中的重要地位，不少模型还有 2 轧钢生产过程及产品质量建模问题 自适应算法，可以修正数学模型的结构和系数。由于每个热轧生产线轧制的钢 种不同，生产工艺参数不同，设备状况不同，因此即使使用结构完全相同的数 学模型，也要根据实际情况确定数学模型的有关系数，否则将影响模型的计算 精度。 ( 3 ) 1 3 生产管理控制级l 3 级的基本任务是本厂生产计划的编制，上、 下游单位的生产协调，以及原料和成品库存管理。其主要功能可简要描述为合 同管理、合同跟踪管理、材料设计、质量管理、生产计划管理、动态调度及计 划调整、板坯库管理、钢卷库管理、产品外发管理、通信管理和磨辊车间管理。 其中基础自动化级的顺序逻辑控制和设备控制( 位置，速度，弯窜辊等) 发展 比较成熟，影响质量指标的主要是过程自动化控制级的设定数学模型( 厚度，板 形，温度，宽度) 及基础自动化级的质量控制( a c , c ，a s c ，c t c ，a w c ) 。 2 3 轧钢生产过程产品质量建模问题 现代化轧钢企业生产过程是由多道加工工序组成的，在实际生产过程中， 相关的输入变量和干扰变量有的多达几十个，而且输入变量是被分阶段加入的， 每一步都对最终产品的质量有着影响。因此，建立各种变量与最终产品质量之 间的关系模型是十分复杂的，而高精度质量模型的建立则更加困难。目前国内 外众多专家学者的研究和钢铁企业的实践均表明：高维输入的神经网络对轧钢 复杂工业生产过程是一种有效的建模方法，它显示出巨大的潜力，与传统的质 量建模方法相比有更多的优势，目前已被广泛应用于轧钢工业生产过程产品质 量建模中。神经网络质量建模就是研究如何获得必要的输入数据，以及如何从 所获得的数据中确定出一个神经网络模型，使之与被测系统等价，下面是神经 网络质量建模过程的具体步骤和几个实际问题。 ( 1 ) 产生数据样本集为成功利用神经网络建模，产生数据样本集是第一 步，也是十分重要和关键的一步，包括原始数据的收集、数据分析、变量选择 以及数据的预处理，只有经过这些步骤后，才能对神经网络进行有效的学习和 训练。 首先要在大量的原始数据中，确定出最方根的输入模式，确定了最重要的 输入量后需要进尺度变换和预处理，尺度变换一般是将它们变换到 1 ，l 】或【o ，1 】， 对数据预处理的目的是要使经变换后的数据对于神经网络更容易学习和训练。 1 2 2 轧钢生产过程及产品质量建模问题 对于复杂系统应该选择多少个数据十分关键，系统的输入输出函数关系就包含 在这些数据样本中，一般来说，所取数据越多，数据质量越高，学习和训练的 结果便越能正确反映输入输出关系。然而数据的质量不仅取决于受污染的程度， 还包含重复性及缺损程度，选太多的数据将增加收集、分析数据及网络训练所 付出的代价；选太少的数据则可能得不到正确的结果。事实上，选取多少组数 据取决于许多因素，如网络的大小、网络测试或校验的需要及数据的质量、输 入输出的分布等。数据污染严重，则要求更多的数据，同时较大的网络需要较 多的训练数据。 ( 2 ) 确定网络的类型和结构在利用神经网络建模之前，首先要确定所选 用的网络类型。神经网络的类型很多，需根据问题的性质和任务的要求来合适 地选择网络类型，一般是从已有的网络类型中选用一种简单而又能满足要求的 网络，有时也需要设计一个新的网络类型来满足问题的需要，这往往比较困难。 在网络的类型确定后，剩下的问题是选择网络拓扑结构的参数。以多层前 向神经网络为例，需要选择网络的层数、每一层的节点数、初始权值、阈值、 学习算法等。目前最佳结构问题还没有得到很好的解决，有些项的选择有一些 指导原则，但更多的还是依靠经验和试凑。 ( 3 ) 训练和校验最后一步是对网络进行训练和校验。在训练过程中对训 练样本数据反复地使用，对所有训练样本正向运行一次并反传修改连接权一次 称为一次训练( 或一次学习) ，这样地训练需要反复地进行下去直到获得合适地 映射结果。应该注意的是，并非训练的次数越多，越能得到正确的输入输出关 系。 在实际的轧钢生产过程中，由于相关的输入变量和干扰变量数目比较多， 导致要建立的质量模型输入变量维数过高，使得模型过于复杂，模型效果交差， 训练精度下降，难于满足用户要求。另外，目前的神经网络缺乏快速的学习算 法，自身存在很多缺陷，许多方面缺乏理论指导，其应用范围受到了限制，尤 其是用于轧钢产品高维问题时学习问题变得比较困难。当系统中