[发明专利]一种基于统计学习的精轧终轧温度预测和控制方法

说明书

技术领域

本发明涉及热连轧生产控制方法，具体涉及一种基于统计学习的精轧终轧温度预测和控制方法。

背景技术

在热轧带钢生产中，精轧机组终轧温度的控制精度直接影响到最终产品的组织性能。精轧带钢全长终轧温度控制一直是热轧生产中的重要研究课题，也是难点之一。现有的热轧带钢生产线，一般是通过预先设计穿带速度和温度加速度，并对机架间喷淋水进行PID控制，来实现对终轧温度的控制，但精轧温度控制具有典型的滞后性，用经典的PID控制方法难以得到理想的控制效果。

为此，人们尝试进行改进，探索新的方法。如采用工艺模型进行精轧终轧温度的预测和控制。由于在精轧生产过程中，影响精轧终轧温度的因素众多，如中间辊道的保温状态、高压除鳞模式、各个机架间的冷却水量、轧制速度和加速度等。采用工艺模型进行温度预报，要考虑非常多的因素，包括各种过程变量和各种传热学物理系数等，这给工艺模型的准确性带来很大的不确定性。同时，工艺模型也很难跟踪过程实时动态。

发明内容

本发明的目的是提供一种基于统计学习的精轧终轧温度预测和控制方法，通过对过程数据进行实时采样和统计学习，建立精轧终轧温度的实时预测模型，并对精轧终轧温度进行实时优化控制，解决现有技术存在的无法实时监控工况建立精轧温度控制模型，以及由控制滞后引起的控制精度不高问题。

为实现上述目的，本发明采取以下技术方案：

一种基于统计学习的精轧终轧温度预测和控制方法，由以下步骤组成：

(1)设定采样周期、预测模型的输入输出变量及其阶次，其中预测模型的输入变量为指定机架水量和终轧机架穿带速度，预测模型的输出变量为终轧温度；

(2)在每个固定的采样周期，进行以下步骤：

a、采集预测模型的输入输出变量，并按照步骤(1)设定的预测模型变量阶次，确定模型结构，构造相应的输入输出数据回归向量矩阵和建模用训练数据集；

b、对步骤(a)得到的输入输出数据回归向量矩阵进行去噪处理；

c、基于步骤(a)得到的建模用训练数据集，用统计学方法建立终轧温度的非线性输入输出预测模型；

d、检验预测模型对终轧温度的预测值与实际值变化趋势的一致程度，如果基本一致，则将非线性模型在当前工作点线性化，得到线性模型；否则，不进行后续控制计算，直接返回步骤(a)；

e、基于步骤(d)得到的线性模型，选择指定机架水量为控制变量，并参考实际设备和工艺条件，定义有限时域滚动优化问题；

f、求解步骤(e)中得到的优化问题，得到相应控制决策向量，该向量的第一个元素经限幅处理后作为当前采样周期的控制决策；

(3)重复步骤(a)——步骤(f)至控制任务结束，构建精轧温度预测和控制系统；

所述的步骤(a)中，在每个采样周期，都会采集新的指定机架水量、终轧机架穿带速度和终轧温度，并将新的数据加入到建模用训练数据集。

所述的步骤(b)包括如下步骤：

根据精轧设备和工艺条件，确定变量终轧温度、指定机架水量和终轧机架穿带速度及其变化率的上下限；

用变量值和变量变化率的上下限对所有实时数据进行去噪处理。

所述的步骤(c)中的统计学方法为建立统计学模型，统计学模型中的核函数为RBF核函数，具体的非线性模型形式为：

y(x)=Σk=1Nαkexp{-||x-xk||22/σ2}+b]]>