基于FCM聚類算法的AGC系統(tǒng)仿真和測(cè)試

鄭芳，秦久蓮

(唐山鋼鐵集團(tuán)微爾自動(dòng)化有限公司，河北唐山，063000)

0 引言

影響AGC系統(tǒng)穩(wěn)定性的因素主要有：（1）連鑄坯的因素，如厚度不均、溫度不均、和成分不均等。（2）生產(chǎn)工藝因素，軋制力、張力、終軋溫度以及軋制潤(rùn)滑等。（3）軋制設(shè)備因素，軋輥偏心、熱膨脹、磨損、油膜軸承和偏心等。這些因素具有隨機(jī)性、模糊性、可變性等不確定性的特點(diǎn)，使得AGC系統(tǒng)具有復(fù)雜的控制參數(shù)輸入，軋制厚度變化的發(fā)生受多方面因素影響，這使AGC系統(tǒng)的數(shù)據(jù)具有多判據(jù)性。為了克服傳統(tǒng)AGC系統(tǒng)穩(wěn)定性的弊端，采用基于劃分的聚類算法對(duì)多種數(shù)據(jù)和信息進(jìn)行關(guān)聯(lián)、相關(guān)和組合，綜合考慮厚度的穩(wěn)定性，這樣就可以權(quán)衡各種因素對(duì)于厚度控制影響的重要程度。

FCM算法是一種基于劃分的聚類算法，它的思想就是使得被劃分到同一簇的對(duì)象之間相似度最大，而不同簇之間的相似度最小。模糊C均值算法是普通C均值算法(HCM)的改進(jìn)，普通C均值算法對(duì)于數(shù)據(jù)的劃分是硬性的，而FCM則是一種柔性的模糊劃分。

從唐鋼1700熱軋生產(chǎn)線現(xiàn)場(chǎng)采集AGC基本控制數(shù)據(jù)樣本，采用模糊C聚類得出最佳聚類數(shù)、聚類中心及隸屬度，以此結(jié)果來(lái)確定AGC的結(jié)構(gòu)及其初始化條件，對(duì)AGC系統(tǒng)模型進(jìn)行穩(wěn)定性仿真，采集樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，之后進(jìn)行在線學(xué)習(xí)，最后對(duì)生產(chǎn)線的產(chǎn)品厚度影響進(jìn)行測(cè)試。

1 系統(tǒng)仿真

在眾多影響AGC控制穩(wěn)定性的因素中，本文選取軋制力AGC控制系數(shù)、絕對(duì)值A(chǔ)GC控制系數(shù)、αA軋機(jī)常數(shù)比例系數(shù)（RF)、αB軋機(jī)常數(shù)比例系數(shù)（ABS)、監(jiān)控AGC控制系數(shù)（for RF)、監(jiān)控AGC控制系數(shù)（for ABS）、油膜軸承補(bǔ)償系數(shù)、頭部補(bǔ)償輥縫設(shè)定值、尾部補(bǔ)償輥縫設(shè)定值、監(jiān)控AGC比例積分控制參數(shù)設(shè)定值共10個(gè)主要參數(shù)，保證AGC模型構(gòu)建后的穩(wěn)定投入。對(duì)采集到的樣本數(shù)據(jù)，先通過聚類處理。神經(jīng)網(wǎng)絡(luò)訓(xùn)練好之后，需要先將輸入數(shù)據(jù)發(fā)送到Matlab環(huán)境進(jìn)行仿真訓(xùn)練，再輸出經(jīng)過處理的數(shù)據(jù)。

由于影響AGC的因素很多，輸入是一組多維數(shù)據(jù)，在Matlab中以陣列的形式接受數(shù)據(jù)。Matlab引擎提供了一系列操作Matlab引擎的 API函數(shù)，通過這組函數(shù)，可以在自己的應(yīng)用程序中實(shí)現(xiàn)對(duì)Matlab的控制，充分發(fā)揮Matlab矩陣計(jì)算的優(yōu)勢(shì)。本文用Matlab引擎完成計(jì)算和圖形繪制等任務(wù)，界面部分則采用VC++來(lái)實(shí)現(xiàn)。Matlab提供了與VC++的接口，利用Matlab引擎就可以很容易在VC++的環(huán)境下運(yùn)行Matlab語(yǔ)句。

部分程序如下：

t=1 %循環(huán)次數(shù)

c= [ ]; % 隸屬度函數(shù)的中心

deta=rand(16,5);% 隸屬度函數(shù)的寬度

w=rand(4,5); % 第五層的w(i,j)

betas=0.3 ;%學(xué)習(xí)率

while t＜=100

for k=1:1:135

x=xx(k,:);yd=yd1(k,:);

%第二層 分為了m=5類

for i=1:1:16

for j=1:1:5

f2(i,j)=exp(-((x(i)-c(i,j))^2)/deta(i,j)^2); %第二層的輸出

end

end

%第三層 共5個(gè)結(jié)點(diǎn)

第一層：輸入層的結(jié)點(diǎn)個(gè)數(shù)為16，每個(gè)結(jié)點(diǎn)分別對(duì)應(yīng)表5.1中樣本數(shù)據(jù)的一個(gè)數(shù)值。

第二層：有80個(gè)結(jié)點(diǎn)，通過聚類處理后，得出樣本數(shù)據(jù)有5個(gè)類別，所以每個(gè)輸入變量都有5個(gè)模糊子集。本層的輸出為可微的正態(tài)型函數(shù)，是每一個(gè)模糊子集的隸屬度函數(shù)。

第三層：有5個(gè)結(jié)點(diǎn)，每一結(jié)點(diǎn)分別表示不同結(jié)論部分的規(guī)則。

第四層：有5個(gè)結(jié)點(diǎn)，進(jìn)行歸一化算。

第五層：有4個(gè)結(jié)點(diǎn)，共有4種狀態(tài)，即網(wǎng)絡(luò)的輸出結(jié)點(diǎn)分別對(duì)應(yīng)4個(gè)不同的穩(wěn)定性等級(jí)。

從唐鋼1700熱軋生產(chǎn)線中采集AGC基本控制數(shù)據(jù)，采用模糊C聚類得出最佳聚類數(shù)為5，因此該模型結(jié)構(gòu)為：（16－80－5－ 5－ 4）。

對(duì)采集到的樣本數(shù)據(jù)，先通過聚類處理，采用模糊C聚類得出最佳聚類數(shù)、聚類中心及其隸屬度。訓(xùn)練好之后，將輸入數(shù)據(jù)發(fā)送到Matlab環(huán)境進(jìn)行仿真訓(xùn)練，再輸出經(jīng)過處理的數(shù)據(jù)，輸出結(jié)果見表1所示。

表1 樣本數(shù)據(jù)的仿真輸出結(jié)果

2 現(xiàn)場(chǎng)測(cè)試

首先進(jìn)行了軋機(jī)常數(shù)、油膜系數(shù)等參數(shù)的測(cè)試采集，并對(duì)流量控制參數(shù)進(jìn)行了反復(fù)調(diào)整，使響應(yīng)達(dá)到快速及時(shí)并避免振動(dòng)，這樣AGC控制模型的最基礎(chǔ)參數(shù)初步設(shè)置完成，帶身精度±120μm。

逐步調(diào)整α-A、GAIN等參數(shù)，使控制精度逐步提高。投入壓下補(bǔ)償控制功能，通過對(duì)其中速度級(jí)聯(lián)調(diào)節(jié)量等參數(shù)進(jìn)行多次優(yōu)化，加強(qiáng)了軋制過程中活套控制的穩(wěn)定性，從而提高厚度控制的精度，帶身厚度精度在±35μm之內(nèi)。

將ABS AGC及MONITOR AGC投入后，板材頭部厚度精度有明顯改善作用，但其中l(wèi)imit、 gain等參數(shù)經(jīng)過模糊C均值聚類算法計(jì)算后需反復(fù)測(cè)試調(diào)整，達(dá)到優(yōu)化組合的難度較大。為了保證板材厚度控制的準(zhǔn)確度，進(jìn)一步將delay time、 Kp等眾多參數(shù)引入聚類算法中，對(duì)模糊神經(jīng)元AGC模型細(xì)化，調(diào)整中發(fā)現(xiàn)Kp過大會(huì)引起震蕩，太小又作用太弱，控制效果不好。

通過對(duì)已基本成型的AGC模型反復(fù)優(yōu)化，又采用加入DSU控制的改進(jìn)方法，根據(jù)R1-F2機(jī)架的實(shí)際軋制力和設(shè)定軋制力的偏差計(jì)算板厚偏差，再加入聚類算法中去得到新的AGC控制模型，經(jīng)多次的參數(shù)優(yōu)化后，帶身厚度精度在±25μm以內(nèi)。

此外，對(duì)LE放大柜接地系統(tǒng)進(jìn)行了改進(jìn)，使其抗干擾能力進(jìn)一步增強(qiáng)。AGC更趨穩(wěn)定，精度得以提高。通過對(duì)AGC模型的逐步優(yōu)化，AGC的相關(guān)設(shè)定參數(shù)進(jìn)行修正，對(duì)TIMER等相關(guān)參數(shù)反復(fù)調(diào)整測(cè)試，使其控制快速及時(shí)的同時(shí)保證了穩(wěn)定性，進(jìn)一步提高了板厚控制的精度。帶身精度達(dá)到±20μm。

在生產(chǎn)實(shí)踐中檢測(cè)各種生產(chǎn)數(shù)據(jù)，觀測(cè)自動(dòng)板厚控制效果，通過各種規(guī)格產(chǎn)品的較大量生產(chǎn)，為二級(jí)過程控制（L2）提供可靠的數(shù)據(jù)，優(yōu)化L2的層疊文件，提高其對(duì)板厚控制設(shè)定數(shù)據(jù)的準(zhǔn)確度，使板材自動(dòng)厚度控制的精度得到穩(wěn)定和提高。

參考文獻(xiàn)

[1]劉曉悅.基于模糊神經(jīng)網(wǎng)絡(luò)煤礦沖擊地壓預(yù)測(cè)模型研究[J].工礦自動(dòng)化,2008.1.

[2]李柏年.加權(quán)模糊C-均值聚類[J].模糊系統(tǒng)與數(shù)學(xué),2007,(01).

[3]陳松生,王蔚.改進(jìn)的快速模糊C-均值聚類算法[J].計(jì)算機(jī)工程與應(yīng)用,2007.10.