馬鳴

摘 要：在近代鋼鐵工業(yè)的發(fā)展中，產(chǎn)品質(zhì)量發(fā)展不僅體現(xiàn)在材料性能的提高上，還體現(xiàn)在高精度的尺寸規(guī)格上，這也是用戶市場要求所決定的。一個鋼鐵企業(yè)的進(jìn)步就在于其產(chǎn)品具有良好的機(jī)械性能和精確的形狀尺寸。尺寸精度體現(xiàn)在良好的板形和高精度的厚度偏差。隨著人工智能技術(shù)的發(fā)展，神經(jīng)元網(wǎng)絡(luò)系統(tǒng)也被應(yīng)用在軋制控制系統(tǒng)中，神經(jīng)元網(wǎng)絡(luò)系統(tǒng)的應(yīng)用使得軋制過程中各種模型計算結(jié)果更為精確、軋制質(zhì)量更高。討論了神經(jīng)元網(wǎng)絡(luò)系統(tǒng)在寬厚板生產(chǎn)自動化系統(tǒng)過程控制層面中的應(yīng)用，著重對于軋制力模型計算和溫度模型計算進(jìn)行了分析。

關(guān)鍵詞：神經(jīng)元網(wǎng)絡(luò)；自適應(yīng)；軋制；過程自動化

APPLICATION OF NEURAL NETWORK ADAPTIVE SYSTEM IN 4 300 mm PRODUCTION LINE

Ma Ming

（ShanXin Software Co.， Ltd.? ? Jinan? ? 250101， China）

Abstract：In the development of modern steel industry， the development of product quality is not only reflected in the improvement of material properties， but also in high-precision dimensional specifications， which is determined by the requirements of the user market. The progress of a steel enterprise lies in its products having good mechanical properties and precise shape and size. Dimensional accuracy is reflected in good plate shape and high-precision thickness deviation. With the development of artificial intelligence technology， neural network systems have also been applied in rolling control systems. The application of neural network systems makes the calculation results of various models in the rolling process more accurate and the rolling quality higher. This article discusses the application of neural network systems in the process control level of wide and thick plate production automation systems， focusing on the analysis of rolling force model calculation and temperature model calculation.

Keywords： neural network; self-learning; rolling; process automation

0? ? 前? ? 言

中厚板的自動生產(chǎn)依賴二級系統(tǒng)中各種模型（軋制力模型、溫度模型、輥身磨損模型）等。模型是計算軋機(jī)設(shè)定值的基礎(chǔ)，這些模型的預(yù)報精度將直接影響著軋制表的規(guī)劃和計算。但是傳統(tǒng)單模型以及現(xiàn)場設(shè)備控制精度及現(xiàn)場各種因素的影響，會對模型計算預(yù)報誤差較大。雖然采用自適應(yīng)算法可以提高模型計算預(yù)測的精度，但是現(xiàn)場生產(chǎn)過程中，鋼種、規(guī)格等變換頻繁，更換鋼種、規(guī)格后，自適應(yīng)算法需要通過軋制幾塊鋼之后才能對系數(shù)進(jìn)行修正，因此更換規(guī)格后前幾塊鋼板質(zhì)量不理想。目前現(xiàn)場普遍采用自適應(yīng)算法與神經(jīng)元網(wǎng)絡(luò)系統(tǒng)相結(jié)合的方式提升模型計算預(yù)報的精度[1]。

1? ? 軋制過程中的模型計算

鋼板軋制過程中通過模型計算出預(yù)報設(shè)定值，并形成軋制表。生成軋制表需要經(jīng)過三種計算模式：預(yù)計算、重計算、后計算。軋制表計算順序如圖1所示。

1.1? ? 預(yù)計算

預(yù)先計算的目的是確定完整的軋制表。通過預(yù)計算如下：1）根據(jù)裝爐坯料PDI開始計算；2）在坯料達(dá)到除磷箱前使用實(shí)際出爐溫度進(jìn)行計算 ；3）坯料到達(dá)粗軋或精軋機(jī)前利用高溫計實(shí)測溫度進(jìn)行計算。

預(yù)計算從板坯數(shù)據(jù)開始。溫度分布取自溫度計算模型，預(yù)計算將確定道次數(shù)量（見圖2）、厚度分布、傳動速度設(shè)定值等。預(yù)計算檢查是否超過技術(shù)參數(shù)限幅值（軋制力、壓下率等），并達(dá)到目標(biāo)值（厚度、板凸度、平整度、形狀、溫度等）。

1.2? ? 后計算

后計算將在每一個軋制道次后進(jìn)行，并且該道次的所有與機(jī)架相關(guān)的值都可用。

后計算根據(jù)實(shí)測的軋制力、輥縫、彎輥力等數(shù)據(jù)來計算將確定鋼板每一個軋制道次軋制完成時的“實(shí)際”出口厚度（儀表實(shí)測厚度）。

后計算使用測厚儀測的板坯厚度和取自溫度模型中的溫度分布，再次計算鋼板軋制時軋制力和軋制扭矩。同時將計算所得的軋制力和軋制扭矩與實(shí)測的軋制力和扭矩進(jìn)行比較，并計算校正系數(shù)，用來計算下一個道次的軋制力、扭矩等設(shè)定值。修正系數(shù)計算過程如圖3所示。

后計算進(jìn)程通過采集儀表實(shí)測的值，尤其是測厚儀的反饋值和重新計算的溫度來重新計算軋制力，重新計算后的軋制力被認(rèn)為是該道次軋制力，軋制力模型將在后續(xù)道次計算過程將這些實(shí)際情況考慮進(jìn)去。同時，通過比較L1上傳測量的軋制力（Fmeas）和這個重新計算的軋制力（Frecalc）來計算短期修正系數(shù)：

Fmeas

Kf= ——— ? ? ? ? ? ? ? ?（1）

Frecalc

主傳動扭矩也使用重新計算的軋制力和重新計算的輥縫進(jìn)行重新計算。比較重新計算的扭矩和測量的扭矩，將確定扭矩的短期修正系數(shù)：

Mmeas

KM= ——— （2）

Mrecalc

1.3? ? 重計算

重計算將在每道次軋制完成之后進(jìn)行。但是，在出現(xiàn)設(shè)定值超時、操作員輸入值有變動等情況時，可以根據(jù)需要進(jìn)行重新計算。重新計算將根據(jù)當(dāng)前溫度、鋼板尺寸和后計算中的自適應(yīng)修正系數(shù)對剩余道次進(jìn)行新的計算。

重計算時不會改變已有的軋制規(guī)程。重計算按照預(yù)計算時計算出的軋制規(guī)程來計算剩余各道次設(shè)定值。

2? ? 軋機(jī)二級系統(tǒng)中的自適應(yīng)功能

2.1? ? 短遺傳和長遺傳應(yīng)用

中厚板軋機(jī)二級系統(tǒng)中模型的自適應(yīng)主要是通過調(diào)整系數(shù)來實(shí)現(xiàn)的，它是通過一組實(shí)測的數(shù)據(jù)，得到與之對應(yīng)的軋件硬度，從而可以在線回歸得到新的系數(shù)，并將其應(yīng)用到下一次模型計算中。

2.2? ? 短期自適應(yīng)

短期自適應(yīng)功能主要是由后計算參與完成，每個道次執(zhí)行完后，將測量的數(shù)值與實(shí)際的數(shù)值進(jìn)行比較計算出修正系數(shù)來使后續(xù)道次的模型計算更加精確，使模型可以在短期內(nèi)適應(yīng)軋制過程的實(shí)際存在的條件。適應(yīng)學(xué)習(xí)計算出的參數(shù)用于消除短期因素造成的設(shè)定誤差。

2.3? ? 長期自適應(yīng)

長期自適應(yīng)功能用于提高不同尺寸、不同鋼種及不同規(guī)格的鋼板設(shè)定計算精度。長期遺傳系數(shù)則保存到數(shù)據(jù)庫中，當(dāng)軋制相似尺寸和鋼種類型的鋼板時，可以利用其得出的數(shù)據(jù)進(jìn)行設(shè)定計算。

自適應(yīng)功能優(yōu)點(diǎn)在于充分考慮軋制過程中的實(shí)際情況，從而提高軋制力計算的精度，但實(shí)際應(yīng)用過程中發(fā)現(xiàn)，當(dāng)鋼板規(guī)格變化或鋼種成分差距較大時，自適應(yīng)功能需要通過軋制幾只鋼板后修正，為了克服這一不足，目前常采用神經(jīng)元網(wǎng)絡(luò)與自適應(yīng)相結(jié)合的方法來糾正軋制力模型計算。

3? ? 基于神經(jīng)元網(wǎng)絡(luò)的自適應(yīng)

3.1? ? 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元網(wǎng)絡(luò)作為一種自適應(yīng)模型，是對人腦及自然神經(jīng)網(wǎng)絡(luò)的一種模擬。它可以從大量的數(shù)據(jù)中進(jìn)行概況學(xué)習(xí)，構(gòu)建從輸入到輸出的映射。人工神經(jīng)網(wǎng)絡(luò)常用于數(shù)據(jù)分類、預(yù)測和過濾[2]。

神經(jīng)網(wǎng)絡(luò)一般由若干節(jié)點(diǎn)組成，主要分為輸入層、輸出層和隱藏層。各層通過權(quán)重值不同來傳遞數(shù)據(jù)，隱藏層數(shù)不定，層數(shù)越多，神經(jīng)網(wǎng)絡(luò)的非線性越來越顯著。如圖5所示，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于軋制計算，選取軋制變量為輸入變量，便可計算出所需的軋制參數(shù)，也可以用于計算軋制數(shù)學(xué)模型的系數(shù)[3]。

3.2? ? 混合模型

在鋼板軋制生產(chǎn)過程中，僅靠一種模型參與軋制參數(shù)計算精度是遠(yuǎn)遠(yuǎn)不夠，如果將神經(jīng)元網(wǎng)絡(luò)模型和其他模型進(jìn)行混合建模，將其他模型的計算結(jié)果作為神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練值或是將二者的輸出結(jié)果按照規(guī)則進(jìn)行組合、輸出，這樣得到的計算結(jié)果往往會更符合實(shí)際?；旌夏Ｐ徒Y(jié)合人工神經(jīng)元網(wǎng)絡(luò)模型和物理模型如圖6所示。

3.3? ? 模型計算精度

產(chǎn)線神經(jīng)元網(wǎng)絡(luò)投用之前，模型計算出軋制力、扭矩與實(shí)際軋制過程中測量數(shù)據(jù)偏差較大。投用神經(jīng)元網(wǎng)絡(luò)后，利用生產(chǎn)過程中的實(shí)際數(shù)據(jù)對其進(jìn)行離線訓(xùn)練，將訓(xùn)練結(jié)果投入模型計算后，計算精度有所提升，如圖7所示。

4? ? 結(jié)? ? 語

在近代鋼鐵工業(yè)中，神經(jīng)元網(wǎng)絡(luò)的應(yīng)用已經(jīng)成為一種趨勢。它通過學(xué)習(xí)和模擬復(fù)雜的非線性關(guān)系，為鋼鐵企業(yè)提供了更精確的模型計算結(jié)果和更高的產(chǎn)品質(zhì)量。特別是在寬厚板的生產(chǎn)自動化系統(tǒng)中，神經(jīng)元網(wǎng)絡(luò)的應(yīng)用在軋制力模型計算和溫度模型計算方面取得了顯著的成果。未來，隨著技術(shù)的進(jìn)一步發(fā)展，神經(jīng)元網(wǎng)絡(luò)將在鋼鐵工業(yè)中發(fā)揮更大的作用，為提高產(chǎn)品質(zhì)量和生產(chǎn)效率提供更多的可能性。

參考文獻(xiàn)

[1]? ? 邱紅雷，田勇，趙忠.結(jié)合模型自適應(yīng)的神經(jīng)元網(wǎng)絡(luò)在中厚板軋機(jī)軋制力預(yù)報中的運(yùn)用[J]. 鋼鐵研究學(xué)報，2006，18（6）：59-62. DOI：10.3321/j.issn：1001-0963.2006.06.015.

[2]? ? 焦李成，楊淑媛，劉芳，等.神經(jīng)網(wǎng)絡(luò)七十年：回顧與展望[J].計算機(jī)學(xué)報，2016，39（8）：1 697-1 717. DOI：10.11897/SP.J.1016.2016.01697.

[3]? ? 王志軍.人工神經(jīng)網(wǎng)絡(luò)在軋鋼中的應(yīng)用綜述[J].上海工程技術(shù)大學(xué)學(xué)報，2018，32（4）：324-328. DOI：10.3969/j.issn.1009-444X.2018.04.007.

[4]? ? 王楷，梅瑞斌.“人工智能+有限元”模型在軋制領(lǐng)域的研究進(jìn)展[J].材料導(dǎo)報，2022，36（13）：133-144. DOI：10.11896/cldb.20110127.