任志淼

(山西水利職業(yè)技術學院，山西 太原 030027)

1 概述

軋制模型是針對大量主要現場數據總結出的規(guī)律為依托建立的量化公式，神經元網絡是通過對大量樣本數據的學習實現復雜的非線性映射，在一定程度上模擬人類思維方法和行為對復雜生產過程進行控制。但是實際軋鋼過程中，相同鋼種規(guī)格的每塊鋼化學成分、溫度等因素實際上存在著較大差異，導致二級長遺傳設定精度出現不規(guī)則擾動的現象，并且神經元網絡訓練過程中與其它鋼種規(guī)格交互影響，造成了品種規(guī)格交替或軋制末期產品質量的波動、軋制廢品的出現。針對系統外的數據積累對全年數據進行人工分析，把以前忽略或者弱化的非主要數據提取出來分類精細建模，提高神經元網絡模型對盡量多的軋制數據自適應學習能力，最終提高軋鋼設定精度。

2 模型自適應功能的優(yōu)化

2.1 針對軟質鋼和硬質鋼開發(fā)不同的負荷分配方式

一般來講“RR相對壓下”負荷分配的方式是二級模型通常采用的，每個機架的原始壓下率計算方法為(lv代表最初負荷給定)：

eps[i]= lv[i]

“RR相對壓下”負荷計算方式的特點：它的優(yōu)點是每個機架壓下率基本穩(wěn)定，而且每個機架的速度也處于相對穩(wěn)定的范圍，這種穩(wěn)定對性能要求高的鋼種的好處是顯而易見的；當然缺點是:在機架軋制壓力大而且軋制要求相對更多的時候，如軋制薄規(guī)格、不銹鋼、薄規(guī)格高強鋼等鋼種時，可能會使某個機架軋制的壓力過大，容易在中后段形成比較嚴重的電機過流，軋制穩(wěn)定性及設備安全性的風險較大。

根據上述分析及不同材質鋼種的負荷分配特點，在粗軋多道次、精軋連軋的模型計算中開發(fā)了不同的神經元網絡，其中在粗軋多道次模型中開發(fā)了普通鋼網絡、硅鋼網絡、CR不銹鋼網絡、鎳不銹鋼網絡、低合金鋼網絡五組網絡，在精軋連軋模型中開發(fā)了普通鋼、軟質鋼、低合金鋼、不銹耐熱鋼、DW29、DW35、DW40、DW47、DW47T、DW60、DW80共12種神經網絡，這就意味著在程序中不同材質的鋼種和其對應的神經元網絡無論是在線還是離線訓練，都能實現完全的自動切換存取。這種模型我們稱之為“RF(相對壓力)”，這種通過壓力計算進行的負荷分配方式的原始壓下率計算公式為：

eps[i] = lv[i]*gbzwk/mh[i]/nnfk[i]

其中：lv表示原始負荷給定；gbzwk表示最大允許壓力；mh表示帶鋼計算硬度；nnfk表示壓力自適應系數。

很明顯這樣做的優(yōu)點是和壓力系數成反比，不但能夠調整精軋不同機架間的負荷分配，就是說某個機架實際軋制壓力比設定軋制壓力大的時候，這個模型就自動降低這個機架的壓下率，相反如果當實際軋制壓力比設定軋制壓力小的時候，那么它就自動增加這個機架的壓下率；而且這項功能可以確保精軋各機架負荷的分配總是在最合理的范圍而不超標，這對極限材尤其是硬質鋼的軋制穩(wěn)定具有很高的價值，但缺點是壓下率、速度變化范圍比較大，對性能要求高的鋼種尤其軟質鋼的生產不太適合。

當計算使用“RF(相對壓力)”負荷方式的時候，由于負荷可根據現場實際壓力的波動自適應調整各機架的壓下率分配，因而在極限規(guī)格生產時對保證AGC動作、速度調整、活套穩(wěn)定性等方面起到了非常關鍵的基礎性作用。

RR、RF等兩種負荷分配方式的應用，使得軟質鋼及硬質鋼尤其極限規(guī)格生產等均可采取適合軋制的最佳的負荷方式，對軟質鋼及壓下率要求較高的鋼種，仍采用RR負荷分配方式；而對于硬質鋼或極限材等的生產，則采用RF負荷分配方式，極大地提高了模型設定的適應性。

2.2 自適應優(yōu)化

熱連軋壓力自適應功能分長期自適應和短期自適應兩種，長期自適應主要應用于換批次自學習，利用神經網絡進行訓練及取值；而短期自適應主要應用于同批次自學習，利用共享內存進行快速自適應控制。

在短期自適應過程中，發(fā)現在很多情況下存在自學習與實際狀態(tài)相反的現象，設定精度出現較大偏差根本無法保證，從而導致鋼種規(guī)格交替及軋制后期活套異?，F象的出現。通過分析全年數據后，課題組認為是由于原有粗軋、精軋預計算模型中均未考慮不同加熱爐對帶鋼硬度及設定精度的影響所致，表1是對AISI304鋼種同一規(guī)格情況下不同加熱爐條件下壓力統計數據。

表1 AISI304在不同加熱爐條件下的壓力統計數據

針對以上分析，在粗軋、精軋預計算模型中改變了短期遺傳策略，在模型自學習程序中建立區(qū)分四座加熱爐的四個短遺傳共享內存區(qū)域，同時在預計算程序中采用區(qū)分爐號繼承的方法，以消除不同加熱爐對設定精度的影響。

以上改進顯著提高了模型預計算的設定精度，但在1549生產線四爐轉三爐生產后，隨著抽鋼節(jié)奏的進一步提高，以上方法卻表現出明顯的不適應性，薄規(guī)格厚負現象批量增加，厚負現象帶來了大量活套異常波動的出現，對薄規(guī)格現場穩(wěn)定性造成很大影響，如圖1所示。

綜合分析后認為是由于薄規(guī)格升溫過快而自適應速率過慢造成，為此針對薄規(guī)格自適應功能進行了以下優(yōu)化：

1) 2.0 mm厚度以下薄規(guī)格采用逐塊進行短期自適應的策略，而其它規(guī)格采用區(qū)分爐號進行短期自適應。

2) 自學習速率調由0.68調整為：當實際壓力小于計算值時，自學習速率增大為0.9；當實際壓力大于計算值時，自學習速率減少為0.2，以適應薄規(guī)格溫度變化特點。

3) 從后計算計算方法上，對2.0 mm以下規(guī)格，采用預計算硬度代替后計算硬度，以避免后計算對溫度的混亂。

圖1 薄規(guī)格批量厚負界面圖

3 在生產中的實際應用及其效果

以上優(yōu)化功能投入運行后，薄規(guī)格厚負現象得以徹底解決，設定精度及活套穩(wěn)定性得到實質性提高，從而有效提高了薄規(guī)格的軋制質量。此次對神經網絡模型的開發(fā)和應用成功，提高了軋制中精細參數的設定精度，從根本上解決了忽略因素和噪音參數對軋鋼模型不規(guī)則影響的困擾，證明弱化因子對產品質量進一步提高的重要性，同時也是對噪音數據分析、篩選、應用方式的一次極有意義的實踐嘗試，對后續(xù)二級模型的進一步細化深入有很好的引領、示范作用，模型改進達到國內先進水平。