魏寧 奚小玲 王浩 何春利 王博 周新亮

摘要：鞍鋼1780熱軋廠共有四座加熱爐，板坯的出爐溫度直接影響產(chǎn)品的寬度、厚度和板形的質(zhì)量。在生產(chǎn)實(shí)踐中，加熱爐需要定期修爐處理，以及由于生產(chǎn)計(jì)劃的不同使得各爐內(nèi)的布料方式不同，因此各爐的工況會(huì)有一定的差異，從而影響換爐后前部幾塊帶鋼的頭部厚度、寬度和溫度精度急劇下降，極易使得現(xiàn)場(chǎng)生產(chǎn)不穩(wěn)定和產(chǎn)品質(zhì)量不符合用戶需求。基于加熱爐模型自學(xué)習(xí)的特點(diǎn)，引入差分算法，并且改變差分算法中的變異策略，借以優(yōu)化自學(xué)習(xí)參數(shù)的尋優(yōu)能力。實(shí)踐結(jié)果證明，該算法提高了軋制力、溫度和輥縫的精度，大大提高帶鋼頭部命中率。

關(guān)鍵詞：熱軋;加熱爐;差分進(jìn)化算法

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）14-0254-02

1自學(xué)習(xí)參數(shù)

實(shí)際生產(chǎn)中，往往有多座加熱爐。自學(xué)習(xí)參數(shù)算法主要按照不同的加熱爐爐號(hào)，建立不同加熱爐的各主要指標(biāo)的自學(xué)習(xí)參數(shù)，再采用指數(shù)平滑法對(duì)各學(xué)習(xí)參數(shù)進(jìn)行平滑處理，優(yōu)化自學(xué)習(xí)參數(shù)，通過(guò)不斷地修正，最終使得設(shè)定模型參數(shù)更加準(zhǔn)確，提高輥縫、軋制力和溫度的設(shè)定計(jì)算精度嘲。具體自學(xué)習(xí)參數(shù)算法如下：

2差分進(jìn)化算法

差分進(jìn)化算法（DE）是由P.Stron和K.Price共同提出的。差分進(jìn)化算法具有很好的魯棒性和全局尋優(yōu)能力，目前常用于解決優(yōu)化問(wèn)題。在差分進(jìn)化算法中，首先在搜索空間初始化一個(gè)固定個(gè)體數(shù)目的種群，每個(gè)個(gè)體是一個(gè)目標(biāo)向量，經(jīng)過(guò)變異、交叉和選擇三種操作后產(chǎn)生一個(gè)新的向量，整個(gè)種群在搜索空間中進(jìn)行隨機(jī)搜索，利用三個(gè)隨機(jī)選擇的父代向量來(lái)產(chǎn)生子代。

2.3選擇操作

DE采取貪婪的競(jìng)爭(zhēng)搜索策略（式（9）），當(dāng)前種群相應(yīng)的新實(shí)驗(yàn)個(gè)體通過(guò)變異和交叉操作全部產(chǎn)生后，兩個(gè)種群對(duì)應(yīng)位置的個(gè)體根據(jù)目標(biāo)函數(shù)值進(jìn)行優(yōu)劣比較，適應(yīng)度高的個(gè)體進(jìn)入下一代進(jìn)行新的迭代。

式中：rand（1，i）表示（1，i）之間的一個(gè)隨機(jī)數(shù);i，δ表示進(jìn)化代數(shù)。這種改進(jìn)變異策略的具體操作如下：當(dāng)進(jìn)化代數(shù)i小于設(shè)定的進(jìn)化代數(shù)8時(shí)，采用式（7）的方法進(jìn)行變異;當(dāng)進(jìn)化代數(shù)i大于設(shè)定的進(jìn)化代數(shù)8時(shí)，隨機(jī)選擇種群中的個(gè)體作為基礎(chǔ)值，這樣保證了變異的多元性，改善了變異后種群的多樣性，避免過(guò)早收斂。

3.2算法描述

綜上所述，本文提出的MMSDE算法描述如下。

步驟1初始化。對(duì)種群規(guī)模、縮放因子、交叉概率因子和種群最大進(jìn)化代數(shù)初始化，在變量范圍內(nèi)隨機(jī)產(chǎn)生初始種群。

步驟2判斷是否達(dá)到迭代結(jié)束條件。如果找到全局最優(yōu)解達(dá)到設(shè)定的精度或者達(dá)到最大進(jìn)化次數(shù)，則停止迭代進(jìn)入步驟9;否則，進(jìn)入步驟3。

步驟3變異操作。當(dāng)進(jìn)化代數(shù)小于設(shè)定代數(shù)8時(shí)，按照DE算法計(jì)算變異向量vi^t;當(dāng)進(jìn)化代數(shù)大于設(shè)定代數(shù)δ時(shí)，根據(jù)MMSDE算法計(jì)算變異向量vi^t。

步驟4交叉操作。由式（8）得試驗(yàn)個(gè)體ui^t。

步驟5選擇操作。由式（9）得下一代個(gè)體yi^（t+1）。

步驟6重復(fù)執(zhí)行步驟3～步驟5，直到得到下一代種群。

步驟7更新第t代中局部和全局最優(yōu)值.

步驟8 n=n+l，返回步驟2。

步驟9輸出最優(yōu)解。

4自學(xué)習(xí)參數(shù)優(yōu)化過(guò)程及實(shí)驗(yàn)分析

4.1自學(xué)習(xí)參數(shù)優(yōu)化過(guò)程

鞍鋼熱軋生產(chǎn)線有多座加熱爐，下面以其中1號(hào)加熱爐的實(shí)際生產(chǎn)為例說(shuō)明模型自學(xué)習(xí)參數(shù)的優(yōu)化過(guò)程。首先，對(duì)于軋制力、溫度和輥縫的自學(xué)習(xí)參數(shù)采用相應(yīng)公式進(jìn)行計(jì)算，然后利用MMSED算法對(duì)指數(shù)平滑的參數(shù)進(jìn)行優(yōu)化，最后利用優(yōu)化后的平滑系數(shù)進(jìn)行平滑處理，計(jì)算優(yōu)化處理后的軋制力、溫度和輥縫的自學(xué)習(xí)參數(shù)，作為下一次自學(xué)習(xí)的計(jì)算參數(shù)。

4.2實(shí)驗(yàn)分析

鞍鋼1780線原先加熱爐模型的自學(xué)習(xí)參數(shù)忽略了每一個(gè)加熱爐爐況不同，造成統(tǒng)一模型下出爐溫度仍然存在較大差異，從而導(dǎo)致成品頭部厚度命中率的不穩(wěn)定。參數(shù)優(yōu)化前，在生產(chǎn)過(guò)程中出現(xiàn)更換名義尺寸或材質(zhì)時(shí)，就會(huì)出現(xiàn)帶鋼頭部厚度命中率據(jù)波動(dòng)大的問(wèn)題，從而導(dǎo)致命中率下降。下面通過(guò)對(duì)比分析精軋機(jī)組末架出口厚度和精軋最后兩架AGC的波動(dòng)情況，說(shuō)明筆者提出的參數(shù)優(yōu)化后效果。未投人參數(shù)優(yōu)化前的精軋出口帶鋼厚差曲線如圖1所示。

參數(shù)優(yōu)化后，軋制過(guò)程當(dāng)中需要換名義尺寸或材質(zhì)時(shí)，帶鋼頭部厚度波動(dòng)和AGC的振蕩基本消失，如圖2所示。

通過(guò)優(yōu)化模型參數(shù)，并且指導(dǎo)投入生產(chǎn)后，精軋軋制力和溫度設(shè)定模型的自學(xué)習(xí)參數(shù)相比原來(lái)對(duì)生產(chǎn)控制更加準(zhǔn)確，效果明顯，使得成品的平均厚度命中率由原來(lái)的82.06%提高到97.72%以上，如表1所示。

5結(jié)論

通過(guò)加熱爐溫度模型自學(xué)習(xí)系數(shù)的有效優(yōu)化后，對(duì)于多座不同工況的加熱爐，在不同的板坯裝爐溫，不同板坯規(guī)格和材質(zhì)等復(fù)雜的情況下，能有效快速地解決不同加熱爐溫度波動(dòng)給生產(chǎn)過(guò)程帶來(lái)不穩(wěn)定的因素。保證模型設(shè)定溫度和實(shí)際出爐溫度相接近。為后續(xù)高效，穩(wěn)定地生產(chǎn)提供了有力的保障。