基于鲁棒学习的精轧宽展及拉窄综合预报.doc

本文由zhangli_528贡献 pdf文档可能在WAP端浏览体验不佳。建议您优先选择TXT，或下载源文件到本机查看。 年第期 宝钢技术 基于鲁棒学习的精轧宽展及拉窄综合预报 吕立华，张健民，朱健勤，侯悦 （宝钢股份公司 技术中；设备部，上海） 摘要：分析了遗传系数学习时所遇到的问题，提出了鲁棒学习的概念和方法；以热轧 精轧自然宽展为倒，指出了现有精轧自然宽展模型的不足，提出了精轧宽度变化预测的统计模 型，并基于遗传系数鲁棒学习方法进行了仿真研究。研究结果表明，文章提出的方法是行之有 效的。 关键词：遗传系数；鲁棒学习；自然宽展；综合预报 中图分类号：，文献标识码：文章编号：（） 船 工口胙口，黝胁小帆日肺咖日， （舯 鲆， 曲） ：打 “ 上五 璐 “ 印 “ 陀 “ “ 。叩 。 “ ： ； ； ； 弛 前言 误差和系统误差；第四个问题是粗轧段同时可能 有多块带钢存在，要考虑学习结果利用的时机问 题。 吼上四个问题的解决跟数据的使用密切相 关，为了提供一个稳健的遗传系数学习方法，本文 从数据人手，提出鲁棒学习的概念；分析了以上四 个问题对学习鲁棒性的影响，提出了相应的解决 办法，并通过推理决策的方式给出了鲁棒学习算 法；分析了现有精轧自然宽展模型的不足，提出了 精轧宽度变化的统计预测模型；最后基于遗传系 数鲁棒学习方法，研究了精轧宽度变化的预测，结 果表明本文提出的方法是正确的、可行的。 遗传系数鲁棒学习 遗传系数学习方法有两类，一是对应平移变 换的加性学习方法，二是对应旋转变换的乘性学 习方法。本文主要以加性学习方法为例，其定义 遗传系数学习是一种工程实际中简化的自适 应学习方法，其理论基础是统计学。这就要求用 于学习的样本能够代表总体，要符台统计学的基 本规律。控制里的自适应学习对噪声有要求，即 要考虑学习的收敛性问题。而热轧过程机里的自 适应学习有所不同，首先它用到的数据已经过前 置机统计处理，另外它把传统的自适应方法（新参 数估计值老参数估计值增益矩阵新息）简 化为遗传系数学习，所以应该把考虑问题的重点 放在样本数据的利用上。第一个问题是前置机对 测量值的平均化处理不是鲁棒的，它的污染崩溃 率为；第二个问题是学习时要考虑带钢和带钢 之间的规律性；第三个问题是学习时要考虑模型 吕立华博士年生年毕业于浙江太学现帆事订 算机自动化专业电话卵 万 方数据 宝钢技术 年第期 如下： 定义：加性学习方法 后计算值和实际值的偏差为： （），（）一，（，卢，；川 设预汁算模喇为（。，卢，；），后汁箅 模型为，【， ；一），模型实测值为， 甑甑。占，（） 式中，是平滑系数。 则加性学习方法是： （”），其中参数，是估计值，参数， 口，是实际值，代表带钢号，那么模型 ，。（。，卢，；）；，（，卢，；）耻。 （ ，；），（， ，；，），。 定义用到了实际值和估计值，这些数据的 作用是不一样的，要医别对待。有些数据是有效 的、有些数据是可用的、有些数据是有害的。为了 合理利用数据提供的信息，本文提出鲁棒学习的 概念，其定义如下： 一；”（ 上述式中。分别是实测值、预计算值和 后计算值。 则利用后计算对模型进行学习而使实际值与 预计算值的误差是： ，。一一一，厂。一，。） ? ） 定义：能够充分利用有效数据、限制利用可 用数据、排除有害数据的学习，称为鲁棒学习。 鲁棒学习力求达到以下目标： （）遗传学习方法在数据有效时，应具有良好 的性能。 式（）是不确定性在误差空间的分解。式中， ：是模型不确定性引起的误差；旬是输人参数不 确定性引起的误差，也叫系统误差。 鲁棒学习方法既要消除模型误差，叉要尽可 能消除系统误差，提高预测精度。达到这个目的 的一个简单方法是采用目标值或预计算值与实测 值进行比较。 第四个问题是粗轧段同时可能有多块带钢存 在，要考虑学习结果利用的时机问题，不考虑滞 后学习的累积效应，就会引起系统的震荡。对于 定义给出的加性遗传学习方法而言，它是指没 有时滞的情况。这里我们假设学习有块带钢 的滞后，为了简化分析，不妨假设连续轧制 块完全相同的理想带钢，考虑最坏情况】， 那么第块带钢学习的调节量为 厂（）， 而按照我们的假设它只应该调节（），这就 是滞后学习的累积效应。鲁棒学习方法考虑了这 种情况，假设（?）是学习的时滞度量算子，它根 据具体情况确定，其值指导平滑系数的选择。 综合以上分析，可把考虑了模型误差与系统 误差的遗传系数鲁棒学习方法表述为一个基于三 元组（，）的决镶过程。 设为规则集：，。，。 ?（、 （）遗传学习方法在数据可用时，学习效果所 受影响也很少。 （）遗传学习方法在数据有害时，学习效果要 仍能过得去，或不至于变得无用甚至误入歧途。 影响遗传系数学习鲁棒性的，主要是第节 列出的四个问题，它们都和数据有关，下面给予简 要分析。 第一个问题就是实测数据噪声的干扰问题。 一般都假设是白噪声干扰，而实际情况往往是一 部分是白噪声，另一部分不是白噪声。如果是自 噪声那么目前应用的数据处理方法是有效的。 本文考虑实际情况，应用鲁棒数据处理方法，这 里不妨假设，（?）为测量数据鲁棒处理算予。 第二个问题就是要考虑带钢和带钢之间的规 律性。涉及的数据是策略数据，用于度量临近带 钢的规格变化，以便于在换规格时平滑过渡，这里 假设皿（?）为带钢规格变化度量算子。 第三个问题是要考虑模型误差和系统误差。 按定义给出的加性学习方法存在学习的逻辑稳 定性和收敛精度问题。下面分析一下由于估计值 和实际数据的差异而引起的误差。设： 。，（。，；），。（口，一；）（） ?。一，。（） 。一，口。?（） 定义一个指标集，：，。，则与式（）对应的 规则模态为： 万 方数据 吕立华等 ：）（） 基于鲁棒学习的精轧宽展及拉窄综合预报 增益系数，。为宽展实际值，。为模型计算的宽 展。 利用式（）进行预测和学习时，没有很好地 ：（。） ：（。） ：（） ：（?）。 氐：（） ，：（?） 日：（?） 解决本文在第节提出的四个问题，而且。的 确定在认识上是有问题的。因为式（）预测的是 精轧自然宽展，而形。（精轧宽度一粗轧宽度）只有 在无拉窄的情况下才代表宽展，在实际中想通过 甲。确定真正的宽展是困难的。 其中。（?）为测量数据鲁棒处理算子；：（?） 为系统时滞度量算子；（?）为规格变化度量算 子；。（?）为历史数据统计算子。 学习算子集为：妒审，审，审，母（） 另外，宽展全局修正是通过精轧宽度设定值 与精轧宽度实测值比较而得出的，即： （）（）（） ?（） 式中口为遗传学习算子；口为保持学习算 在计算宽展全局修正时，通过如下的方程来 计算可信区间对阻尼参数的影响。 子；母，为复合学习算子；吼为变增益学习算子。 推理规则集为： 训，训，训，训 ?（） 则与式（）对应的推理规则为： ：庐 廿（） ：妒（） 丽器：；） 式中，全局宽展修正的最大阻尼系 数； 鹇精轧带钢宽度的可信区间； 可信区间的加权系数（对一个最 坏的可信区间，它引起最大可能的阻尼）； 精轧带钢宽度实测值； 精轧带钢宽度人口值； 宽展综合修正； 对综合修正的阻尼参数。 利用式（）进行学习时，同样存在影响遗传 学习鲁棒性的四个问题，另外一个明显的问题是 式（）的学习与式（）的学习是相互耦合的。目 前的系统把设置为，保留了式（）的学 习。但是效果并不理想。 （）精轧宽度变化预测的统计模型 笔者认为精轧宽度的变化既有宽展又有拉 窄，单靠式（）给出的模型及其学习方法，很难有 满意的精度。考虑到宽展与拉窄的信息埋藏在过 程数据之中，提出了基于遗传系数鲁棒学习的精 轧宽度变化统计预测模型。 设，（）为时刻的宽度变化实际 值，（）为时刻以前宽度变化的平均值，则精 轧宽度变化递推预报模型为： 加（七）训（）占阳（）一（）（） 川：声声九皿?一（） ：芦口（】） 精轧宽展殛拉窄鲁棒预测 模型研究与分析 以加热轧精轧自然宽展预测为例研究基 于鲁棒遗传学习的精轧宽度变化预测模型。 （）精轧自然宽展模型 。，（计），（），（）?（） 式中，（”）精轧带钢宽度对精轧宽展的影响 因子，厂（）训，为 宽度系数； 厂（精轧带钢厚度对精轧宽展的影响 因子，（） ，为厚度 系数； ，（）精轧厚度压下对精轧自然宽展影 响因子，（）耽，。为精轧厚度压下对 精轧自然宽展影响常数，为精轧厚度相对总压 下率，（一）口，村为粗轧带钢厚度（含系统 厚度人工修正），为精轧目标厚度； 。宽度自适应系数；。蜀 式中，为增益，（）一；（女）可以视为新息。 定理：当（）时，式（）是精轧宽度变 化观测值虮（江，）期望的无偏估计。 证明：将（）带入式（）有： 书一“），“为新老自适应系数，为 万 方数据 宝钢技术 （十）（一）（女）疗?（） 年第期 南佩）南州川 因为训（七）：“（）；所以有： （）：?毒州）点州） 南善（）（ 可见定理成立， 仿真研究 式（）遗传系数的学习采用加性方法，但不 区分后汁算和预计算，同时结合式（）的鲁棒 学习，考虑了异常值干扰、时滞、换规格等问题，同 时还仿真说明了系统误差对模型预测的影响。笔 者应用实际数据进行了仿真研究，结果如图 所示（其中纵坐标是宽展，横坐标是带钢数，虚线 为仿真结果，实线为实测值）。 羞 斟 型 粥 辞 耀 篁 制 型 撼 辞 蜒 带钢数 图基于统计模型的一步预测 ?。畔州 带镧数 图基于统计模型的鲁棒预测 带铜鼓 目 围无系统误差的一步预测 。 图是无系统误差的情况，图是有系统误 山 日 差的情况，对比是明显的，进一步说明本文式（ ）的分析是有道理的。图是结合统计模型的一 步预测，它没有考虑数据的局部作用原理，有些地 方发生了跳变。图是鲁棒学习方法，从图 和表给出的统计数据可以看出，图的方法实 现了鲁棒学习方法要达到的三个目标，也表明笔 者提出的鲁棒遗传学习方法是行之有效的。 结语 长期以来，模型的学习问题一直是困扰工程 技术人员的一个难题。不管是用统计方法建立的 模型还是用神经元网络建立的模型，都涉及一个 带铜数 在线的自适应学习问题。一个突出的问题是，离 线模型的效果还可以，在线应用一段时间效果就 船 图有系统误差的一步预测 。 无法保证了。所以这样的模型如果没有一个在线 （下持第酉） 万 方数据 刘 安不锈钢冷轧全崖续线与传统线的比较 ，产能损失相当大。 构用管材、工业用管材、汽车排气管等。国内用户 的使用习惯与欧美有差异，欧洲、美国小锈钢市场 的伶轧产品平均厚度接近于 （）只能生产奥氏体及少量铁素体不锈钢，厚 度日前最薄只能达到 ，且不能生产高表面 要求的产品，对市场适应性较差，品种、规格较单 一，生产组织灵活性较低，生产批量要求较大。 （）风险高于传统线，投资回收率在建设开始 的前年要差于传统线。 （）因为连续线可达到的最大压下率小（奥氏 体约，铁素体约倔），对热轧卷的厚度要求 更薄，使热轧成本增加，因压下率小也会使冷轧产 品的冲压性能有所下降。 （）取消轧前退火工艺和带氧化皮轧制技术 对热轧工艺的要求高。 （）在连续线上如钢卷出现缺陷卷将无法处 理，而传统线可以由修磨机组研磨后再轧制成更 薄规格的产品。因此上连续线的公司也往往拥有 传统线。 连续线需进一步研究的几项工作 连续线在产能、吨钢投资上有优势，但如要应 用，要先对以下几项工作进行进一步研究落实： （）取消轧前退火技术的研究。 （）带氧化皮轧制技术的研究。 （）由于连续线的产量高且出品太钢种、规 格范围集中，产品的表面质量相对较差。按照目 前已投产的几条连续线的产品，主要用于建筑结 ，而国内市场的 平均消费厚度小于 。国内市场是否有足够 的需求量？要进行市场的进一步调查与研究。 （）热卷来料的质量要保证稳定。 几点不成熟的建议 （）若采用全连续机组，倾向于法国的技术， 理由有二： ）东方市场对表面的要求高于西方市场； ）连续线对原料要求极高，如热轧原料质量 不稳定就难以满足连续线的要求。 （）迅速集中精干力量边培训学习、边研究、 边筹备。人员可分两部分： ）从事不锈钢生产或研究的人员； ）从事过全连续普碳钢冷轧的人员。 （）连续线的生产工艺难度大，技术复杂，为 减少风险，可向拥有成熟经验的厂家购买工艺技 术。但如与其进行合资并得到其技术支撑较为 妥当。 总之，全连续生产线有优势，但要变成现实， 时间可能稍长，具有一定难度和风险。 编辑刘宏娟 改穑日期一 。：；：；二二：二：；：二：；：；一：一：；：二；二：；二；一：二： （上接第页） 的学习机制做保证，就很难在实际中应用。 表一步预测和二步预测统计结果 叫 。 肿 本文提出的遗传系数鲁棒学习方法具有一定 的优越性，其部分结论在宝钢粗轧过程机改 造中得到应用，在一定程度上提高了系统的鲁棒 性和模型的计算精度。本文基于遗传系数鲁棒学 习方法，应用统计模型，对精轧宽展及拉窄预报进 行仿真研究，结果表明，本文提出的方法是有效 的、可行的。 参考文献 忸 叫 听，： 编辑马凯利 改稿日期：一一） 万 方数据 基于鲁棒学习的精轧宽展及拉窄综合预报 作者： 作者单位： 刊名： 英文刊名： 年，卷(期)： 被引用次数： 吕立华， 张健民， 朱健勤， 侯悦 吕立华,张健民(宝钢股份公司技术中心,上海,201900)， 朱健勤,侯悦(宝钢股份公司设备部 ,上海,201900) 宝钢技术 BAOSTEEL TECHNOLOGY 2004，(1) 0次 参考文献(1条) 1.Huber PJ Robust Statistics 1981 相似文献(1条