神經元網絡自適應系統在4 300 mm產線的應用

馬鳴

摘 要：在近代鋼鐵工業的發展中，產品質量發展不僅體現在材料性能的提高上，還體現在高精度的尺寸規格上，這也是用戶市場要求所決定的。一個鋼鐵企業的進步就在于其產品具有良好的機械性能和精確的形狀尺寸。尺寸精度體現在良好的板形和高精度的厚度偏差。隨著人工智能技術的發展，神經元網絡系統也被應用在軋制控制系統中，神經元網絡系統的應用使得軋制過程中各種模型計算結果更為精確、軋制質量更高。討論了神經元網絡系統在寬厚板生產自動化系統過程控制層面中的應用，著重對于軋制力模型計算和溫度模型計算進行了分析。

關鍵詞：神經元網絡；自適應；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

中厚板的自動生產依賴二級系統中各種模型（軋制力模型、溫度模型、輥身磨損模型）等。模型是計算軋機設定值的基礎，這些模型的預報精度將直接影響著軋制表的規劃和計算。但是傳統單模型以及現場設備控制精度及現場各種因素的影響，會對模型計算預報誤差較大。雖然采用自適應算法可以提高模型計算預測的精度，但是現場生產過程中，鋼種、規格等變換頻繁，更換鋼種、規格后，自適應算法需要通過軋制幾塊鋼之后才能對系數進行修正，因此更換規格后前幾塊鋼板質量不理想。目前現場普遍采用自適應算法與神經元網絡系統相結合的方式提升模型計算預報的精度[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報設定值，并形成軋制表。生成軋制表需要經過三種計算模式：預計算、重計算、后計算。軋制表計算順序如圖1所示。

1.1? ? 預計算

預先計算的目的是確定完整的軋制表。通過預計算如下：1）根據裝爐坯料PDI開始計算；2）在坯料達到除磷箱前使用實際出爐溫度進行計算 ；3）坯料到達粗軋或精軋機前利用高溫計實測溫度進行計算。

預計算從板坯數據開始。溫度分布取自溫度計算模型，預計算將確定道次數量（見圖2）、厚度分布、傳動速度設定值等。預計算檢查是否超過技術參數限幅值（軋制力、壓下率等），并達到目標值（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行，并且該道次的所有與機架相關的值都可用。

后計算根據實測的軋制力、輥縫、彎輥力等數據來計算將確定鋼板每一個軋制道次軋制完成時的“實際”出口厚度（儀表實測厚度）。

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測的軋制力和扭矩進行比較，并計算校正系數，用來計算下一個道次的軋制力、扭矩等設定值。修正系數計算過程如圖3所示。

后計算進程通過采集儀表實測的值，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為是該道次軋制力，軋制力模型將在后續道次計算過程將這些實際情況考慮進去。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：

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：

Mmeas

KM= ——— （2）

Mrecalc

1.3? ? 重計算

重計算將在每道次軋制完成之后進行。但是，在出現設定值超時、操作員輸入值有變動等情況時，可以根據需要進行重新計算。重新計算將根據當前溫度、鋼板尺寸和后計算中的自適應修正系數對剩余道次進行新的計算。

重計算時不會改變已有的軋制規程。重計算按照預計算時計算出的軋制規程來計算剩余各道次設定值。

2? ? 軋機二級系統中的自適應功能

2.1? ? 短遺傳和長遺傳應用

中厚板軋機二級系統中模型的自適應主要是通過調整系數來實現的，它是通過一組實測的數據，得到與之對應的軋件硬度，從而可以在線回歸得到新的系數，并將其應用到下一次模型計算中。

2.2? ? 短期自適應

短期自適應功能主要是由后計算參與完成，每個道次執行完后，將測量的數值與實際的數值進行比較計算出修正系數來使后續道次的模型計算更加精確，使模型可以在短期內適應軋制過程的實際存在的條件。適應學習計算出的參數用于消除短期因素造成的設定誤差。

2.3? ? 長期自適應

長期自適應功能用于提高不同尺寸、不同鋼種及不同規格的鋼板設定計算精度。長期遺傳系數則保存到數據庫中，當軋制相似尺寸和鋼種類型的鋼板時，可以利用其得出的數據進行設定計算。

自適應功能優點在于充分考慮軋制過程中的實際情況，從而提高軋制力計算的精度，但實際應用過程中發現，當鋼板規格變化或鋼種成分差距較大時，自適應功能需要通過軋制幾只鋼板后修正，為了克服這一不足，目前常采用神經元網絡與自適應相結合的方法來糾正軋制力模型計算。

3? ? 基于神經元網絡的自適應

3.1? ? 人工神經網絡

人工神經元網絡作為一種自適應模型，是對人腦及自然神經網絡的一種模擬。它可以從大量的數據中進行概況學習，構建從輸入到輸出的映射。人工神經網絡常用于數據分類、預測和過濾[2]。

神經網絡一般由若干節點組成，主要分為輸入層、輸出層和隱藏層。各層通過權重值不同來傳遞數據，隱藏層數不定，層數越多，神經網絡的非線性越來越顯著。如圖5所示，將神經網絡應用于軋制計算，選取軋制變量為輸入變量，便可計算出所需的軋制參數，也可以用于計算軋制數學模型的系數[3]。

3.2? ? 混合模型

在鋼板軋制生產過程中，僅靠一種模型參與軋制參數計算精度是遠遠不夠，如果將神經元網絡模型和其他模型進行混合建模，將其他模型的計算結果作為神經元網絡的訓練值或是將二者的輸出結果按照規則進行組合、輸出，這樣得到的計算結果往往會更符合實際。混合模型結合人工神經元網絡模型和物理模型如圖6所示。

3.3? ? 模型計算精度

產線神經元網絡投用之前，模型計算出軋制力、扭矩與實際軋制過程中測量數據偏差較大。投用神經元網絡后，利用生產過程中的實際數據對其進行離線訓練，將訓練結果投入模型計算后，計算精度有所提升，如圖7所示。

4? ? 結? ? 語

在近代鋼鐵工業中，神經元網絡的應用已經成為一種趨勢。它通過學習和模擬復雜的非線性關系，為鋼鐵企業提供了更精確的模型計算結果和更高的產品質量。特別是在寬厚板的生產自動化系統中，神經元網絡的應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，隨著技術的進一步發展，神經元網絡將在鋼鐵工業中發揮更大的作用，為提高產品質量和生產效率提供更多的可能性。

參考文獻

[1]? ? 邱紅雷，田勇，趙忠.結合模型自適應的神經元網絡在中厚板軋機軋制力預報中的運用[J]. 鋼鐵研究學報，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.神經網絡七十年：回顧與展望[J].計算機學報，2016，39（8）：1 697-1 717. DOI：10.11897/SP.J.1016.2016.01697.

[3]? ? 王志軍.人工神經網絡在軋鋼中的應用綜述[J].上海工程技術大學學報，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”模型在軋制領域的研究進展[J].材料導報，2022，36（13）：133-144. DOI：10.11896/cldb.20110127.