熱軋板帶橫向厚度分布的預測與控制

高山鳳，劉鴻飛，郗安民，楊　賢

(北京科技大學機械工程學院，100083北京)

?

熱軋板帶橫向厚度分布的預測與控制

高山鳳，劉鴻飛，郗安民，楊賢

(北京科技大學機械工程學院，100083北京)

摘要:針對板帶熱軋過程中終軋板帶橫向厚度分布的檢測、預測方法存在的缺陷，建立自適應粒子群優(yōu)化算法(PSO)和誤差反傳遞(BP)算法混合訓練的神經網絡預測模型．該網絡模型在BP神經網絡的基礎上，通過自學習過程對網絡結構進行動態(tài)優(yōu)化;借助PSO算法優(yōu)化網絡的權值和閾值，提高網絡收斂速度和預測精度．某廠二輥可逆熱軋機現場軋制數據驗證表明:穩(wěn)態(tài)軋制狀態(tài)下，該模型預測精度高，平均絕對誤差僅為3．6 μm，其中87．1%的誤差在±4 μm范圍內;通過對軋后板帶橫向厚度的統(tǒng)計分析，去除板帶頭尾部分，板帶厚度的絕對誤差在30 μm以內的頻率為90%．該神經網絡模型可以代替凸度儀對熱軋板帶橫向厚度分布進行預測，并且能夠對板形的調控機構根據預測結果進行精確的控制，適應高精度板形控制的要求．

關鍵詞:熱軋;板厚;神經網絡;預測;粒子群優(yōu)化算法

凸度儀是目前熱軋板帶橫向厚度分布常用的檢測儀器，測量方法為:在板帶寬度方向上均勻布置數百個厚度測量點，并對各個離散的厚度檢測數據進行曲線擬合［1］．實際生產中，一般很少在線檢測鋁板帶的橫向厚度分布，未考慮其對冷軋板形的影響;然而，終軋板帶橫向厚度分布與板形(板凸度和平直度)直接相關，并且板形具有遺傳性，后續(xù)冷軋無法糾正其板形，造成冷軋板形的質量差．因此，隨著對板帶冷軋和熱軋產品質量要求的提高，對熱軋板帶橫向厚度分布的預測與控制，具有重要的理論意義和工程應用價值．

終軋道次板帶橫向厚度分布受多種因素的影響，如工作輥彎輥、工作輥溫度、軋輥傾斜等，并且具有較強的非線性、時變性以及相互耦合等特點．按照傳統(tǒng)理論建立的數學模型很難對其進行準確的預測．目前，神經網絡在軋制板形模式識別［2～4］、板帶溫度預測［5］以及板形預測與控制領域有了廣泛的應用［6～8］．現有的板形預測模型均以實際測得的板形偏差值［9～10］或工作輥凸度［11］為模型的輸入向量之一;然而，受實際情況的限制，工作輥的凸度很難實現在線測量，理論計算模型誤差較大;板形在線檢測設備投資大，測量精度受多種因素的影響．在板形控制領域，神經網絡主要是用來對工作輥彎輥、軋輥傾斜與軋制力等板形調控手段進行控制［12～15］，而很少用于熱軋板帶工作輥分段冷卻的控制．

為解決上述問題，本文根據某廠二輥可逆熱軋機的軋制環(huán)境，建立了符合實際生產需要的終軋板帶橫向厚度分布的自適應(PSO)－BP神經網絡預測模型，并將預測模型用于板帶橫向厚度分布控制系統(tǒng)的反饋環(huán)節(jié)，在設定合理的軋制力、軋制速度等軋制因素前提下，對工作輥分段冷卻系統(tǒng)進行調節(jié)，最終通過現場試驗驗證了該模型的準確性．

1　自適應PSO－BP神經網絡模型

1．1 PSO－BP網絡模型

BP網絡應用廣泛，但是該算法對初始的權值和閾值敏感，容易陷入局部最優(yōu)．而PSO作為一種智能優(yōu)化算法，其收斂速度快，魯棒性高，全局搜索能力強，已得到了廣泛應用［16］．因此，本文選用PSOBP混合算法訓練神經網絡．

利用一定樣本數據，對神經網絡進行訓練，首先使用PSO算法優(yōu)化神經網絡所有的權值和閾值并作為PSO算法的解，以系統(tǒng)的平均誤差E作為PSO的目標函數，當目標函數達到預先給定值或者達到最大迭代次數時，PSO算法終止，然后使用BP算法繼續(xù)訓練．這樣提高了神經網絡的學習能力，以及增強了神經網絡的泛化性能和預測能力．系統(tǒng)的平均誤差為

式中: wjk為連接權值，bk為閾值．

1．2網絡自適應結構調整

神經網絡拓撲結構中，輸入節(jié)點與輸出節(jié)點是由問題本身決定的，而隱含層節(jié)點數的選擇目前還沒有準確的計算公式．為了找到合適的隱含層節(jié)點數，最好的方法就是網絡在學習過程中，能夠自組織地選擇合適的結構［9］．

通過設定隱含層節(jié)點刪除與合并條件，使網絡在訓練的過程中能夠自主地判斷節(jié)點數．設zj是隱含層節(jié)點j在學習第i個樣本的輸出，P為訓練樣本數，則

式中: tk1為訓練樣本1在第k個輸出端的期望輸出．

BP神經網絡隱含層的激勵函數f為logistic函數，網絡的預測輸出為

樣本分散度為當sj過小時，表明隱含層節(jié)點j的輸出變化以及對網絡的學習作用都很小，可以刪除此節(jié)點．

兩個隱含層節(jié)點之間的相關系數rjh的計算公式如下:

如果rjh過大，說明隱含層節(jié)點j和h的功能重合度較大，需要將兩個節(jié)點合并．

1．3自適應PSO－BP網絡算法流程

首先，設計一個基本的網絡結構，確定其輸入輸出節(jié)點數，并且輸入訓練樣本;然后，優(yōu)化網絡自身的結構;最后，用優(yōu)化的結構進行樣本的訓練及預測．網絡結構優(yōu)化的流程如圖1所示．網絡算法的具體步驟如下:

1)根據實際情況設定輸入輸出節(jié)點數、訓練的目標誤差、迭代步數以及一個初始的隱含層節(jié)點數i．

2)輸入樣本數據，用PSO算法修改網絡的權值;判斷迭代步數m是否超過規(guī)定的步數n，若沒有超過迭代步數，則增加一個隱含節(jié)點繼續(xù)學習;若超出迭代步數，轉到3)．

3)判斷是否符合刪除或合并條件，符合則刪除或合并節(jié)點，然后返回到2) ;否則轉到4)．

4)判斷當前網絡結構是否是最優(yōu)的，若此時網絡達到學習精度的最小規(guī)模，則網絡優(yōu)化過程結束，轉到5) ;否則返回1)．

5)網絡結構優(yōu)化結束后，開始對網絡進行訓練與預測．

圖1　神經網絡結構自適應流程

2　板帶橫向厚度分布的預測模型

對于二輥可逆熱軋機而言，由于板帶凸度沒有外部補償(即工作輥為平輥，無彎輥力)，影響板帶橫向厚度分布的主要因素是工作輥的熱凸度、軋制力引起的撓度、軋制速度和工作輥磨損．神經網絡模型的結構為一個輸入層、一個輸出層和一個隱含層，其中，輸入的向量為軋制力F、軋制速度v、工作輥溫度Tj(Tj為與板厚測量點一一對應的工作輥表面溫度)和工作輥磨損C;輸出向量為終軋板帶厚度Hj;隱含層節(jié)點數通過上述網絡的自調整學習過程獲得，設定網絡的訓練次數為1 000．樣本數據來源于寬660 mm的熱軋3004鋁合金板帶，除去距板帶邊緣＜18 mm的部分，剩余部分均勻取13個點作為板厚測量點，即j=13．工作輥磨損通過離線計算模型得出;工作輥表面溫度利用自主研發(fā)的溫度測量系統(tǒng)測得，經驗證溫度測量誤差為±1℃;板厚值為軋后板帶的厚度，利用千分尺測量得出．對于一種材料的板帶，只需訓練一次神經網絡，即只需測量用于樣本數據的板厚值，網絡模型訓練完成后，軋制過程中的板帶厚度可通過工作輥表面溫度測量值以及其他相關軋制參數預測得出．

為了提高神經網絡的泛化能力，選取穩(wěn)態(tài)軋制時終軋道次的軋制數據作為神經網絡的訓練樣本，選取60組數據作為神經網絡的樣本值，其中45組數據為訓練樣本，剩余15組數據為測試樣本．

3　網絡測試和結果分析

在使用神經網絡進行預測前，首先，要通過訓練網絡使其具有聯想記憶和預測能力;然后，將訓練完成的網絡預測模型作為文件存儲，需要時可以調用該文件對未訓練的樣本進行預測．任意選取兩組(a，b)板帶橫向厚度分布的預測值與實際值，見圖2．由圖2可知，預測板帶橫向厚度分布規(guī)律與實際分布相同;兩組數據中所有預測點的平均絕對誤差分別為2．5、4．1 μm．為進一步說明預測模型的可靠性，對60組樣本數據的預測誤差進行統(tǒng)計，各點厚度的預測誤差均在±10 μm內，平均絕對誤差為3．6 μm，并且誤差在±4 μm范圍內占87．1%．

圖2　板厚網絡預測與實際值

圖3為板帶中間點厚度預測值的誤差，誤差在±5 μm內，平均絕對誤差為2．8 μm．經分析可知:與板帶邊緣部分相比，板帶中部的預測精度較高，預測值較穩(wěn)定．

圖3　預測誤差

4　預測模型的實際應用

由于熱精軋板帶較薄，可忽略寬展，終軋板帶橫向厚度分布與板形(板凸度和平直度)直接相關，所以可用終軋道次出口板帶橫向厚度分布來反饋控制板形．對于二輥可逆熱軋機而言，板厚控制手段主要有調整軋制力和工作輥的分段冷卻，其中軋制力的調整需要改變工作輥的輥縫值，由此導致板帶出口厚度和其他軋制參數發(fā)生變化，其調整過程不穩(wěn)定;并且在軋制前，根據軋制工藝已設定了合理的工作輥空載輥縫．因此，軋制過程控制板帶橫向厚度分布的主要手段為工作輥的分段冷卻．

為了提高控制系統(tǒng)的響應速度，離線完成神經網絡的訓練過程，并存儲于熱軋生產線的計算機中．使用軋制過程參數，利用已存儲的神經網絡預測模型來反應板帶的軋制狀態(tài)，并且結合分段冷卻技術對板帶橫向厚度分布進行調節(jié)．如圖4所示，其主要步驟為:首先利用工作輥溫度在線測量系統(tǒng)對工作輥表面溫度進行測量，然后將k時刻的溫度值(Ti(k) )以及其他軋制參數輸入到神經網絡預測模型中，對比各點板厚預測值(Hi(k) )與實際目標值(ri)，再經模糊控制器得出各冷卻區(qū)段對應的冷卻液的實際調節(jié)量(ui(k) )，最終通過冷卻系統(tǒng)控制工作輥軸向溫度分布，達到調節(jié)板帶橫向厚度分布的目的．

圖4　預測神經網絡控制系統(tǒng)流程圖

該廠的熱軋產品用于冷軋產品的原材料，即需要中凸值為0．02～0．04 mm的板帶斷面形狀，板帶厚度誤差要求為±0．3 mm．據此，將圖4所示控制系統(tǒng)用于熱軋板帶橫向厚度分布的控制，隨機選取5卷終軋板帶進行測量，如圖5所示，板帶中凸值在0．023～0．035 mm，且橫向厚度分布均勻．

圖5　熱軋板帶橫向厚度分布

經統(tǒng)計，穩(wěn)態(tài)軋制下(即去除板帶頭尾部分)板帶厚度的絕對誤差在15 μm以內的頻率為79%，絕對誤差在30 μm內的頻率為90%，穩(wěn)態(tài)軋制時板帶中部的平均厚度誤差為10．3 μm．未使用該系統(tǒng)前，二輥可逆熱軋機穩(wěn)態(tài)軋制時，板厚誤差絕對值在30 μm以內的頻率僅為37%，軋制板帶的斷面形狀為凹型、平型，且板帶橫向厚度分布不規(guī)則，造成軋后板帶為不合格產品．使用預測神經網絡控制系統(tǒng)前后結果對比表明:系統(tǒng)運行穩(wěn)定，說明本文方法能夠有效地改善熱軋板帶的質量．

5　結　論

1) PSO－BP混合神經網絡算法，克服了BP網絡對網絡初始權值和閾值敏感的缺點，避免網絡得到局部最優(yōu)解;網絡自適應結構，使網絡在學習過程中能夠自組織地尋求最優(yōu)的隱含層節(jié)點數，提高了網絡收斂速度和預測精度．

2)自適應PSO－BP神經網絡預測模型的精度高，終軋道次板帶厚度預測的平均絕對誤差為3．6 μm，滿足對終軋板厚控制的要求;此神經網絡預測模型，在預測誤差范圍內可以代替凸度儀，減少設備投入．

3)離線訓練完成的神經網絡，用于板帶厚度控制的反饋環(huán)節(jié)，這一方法為熱軋板帶厚度的預測以及分段冷卻技術的應用提供了較為廣闊的應用前景．

參考文獻

［1］劉華，顧廷權，繆明華．帶鋼斷面形狀檢測與特征參數識別方法［J］．鋼鐵研究學報，2012，24(2) : 59－62．

［2］劉建，王益群，孫福，等．基于粒子群理論的板形模糊模式識別方法［J］．機械工程學報，2008，44 (1) : 173－178．

［3］任海鵬，劉丁，鄭崗．一種基于遺傳算法的板形模式識別方法［J］．重型機械，2002 (3) : 9－12．

［4］JIA Chunyu，SHAN Xiuying，LIU Hongmin，et al．Fuzzy neural model for flatness pattern recognition［J］．Journal of Iron and Steel Research，International，2008，15 (6) : 33－38．

［5］LAURINEN P，RONIBG J．An adaptive neural network model for predicting the post roughing mill temperature of steel slabs in the reheating furnace［J］．Journal of Materials Processing Technology，2005，168(3) : 423－430．

［6］SHIM M，LEE K Y，LEE D S．Intelligent controller design for the flatness control in cold rolling process［C］/ / Proceedings of the 40th IEEE Conf on Decision and Control．Orlando: IEEE，2001: 2720－2725．

［7］劉建昌，王柱．基于神經網絡模式識別的板形模糊控制器［J］．東北大學學報(自然科學版)，2005，26(8) : 718－721．

［8］BARRIOS J A，TORRES-ALVARADO M，CAVAZOS A．Neural fuzzy and Grey-Box modelling of entry temperature prediction in a hot strip mill［J］．Expert Systems with Application，2012，39(3) : 3374－3384．

［9］賈春玉，單修迎，牛召平．自調整動態(tài)神經網絡模型及其在帶材板形預測中的應用［J］．鋼鐵研究學報，2006，18 (12) : 50－53．

［10］JIA Chunyu，LIU Hongmin，ZHOU Huifeng．Fuzzy control system of hydraulic roll bending based on genetic neural network［J］．Journal of Iron and Steel Research，2005，12 (3) : 22－27．

［11］王海勇．鋁板帶熱精軋橫向厚度分布神經網絡建模與板形控制［D］．長沙:中南大學，2012: 42－44．

［12］SON J S，LEE D M，KIM I S，et al．A study on on-line learning neural network for prediction for rolling force in hot-rolling mill［J］．Journal of Materials Processing Technology，2005，164－165: 1612－1617．

［13］SIKDAR S，KUMARI S．Neural network model of the profile of hot-rolled strip［J］．The International Journal of Advanced Manufacturing Technology，2009，42 (5 ) : 450－462．

［14］劉建昌，陳瑩瑩，張瑞友．基于PSO－BP網絡板形智能控制器［J］．控制理論與應用，2007，24(4) : 674－678．

［15］XU Liang，LI Zhangying，SONG Yuzhi，et al．Prediction of ship roll based on second diagonal recurrent neural network［J］．Scientific Journal of Control Engineering，2013，3(3) : 106－110．

［16］GUDISE V G，ven AYAGAMOORTHY K．Comparison of particle swarm optimization and back propagation as training algorithms for neural networks［C］/ /Proceedings of the 2003 IEEE on Swarm Intelligence Symposium (SIS' 03)．Indianapolis: IEEE，2003: 110－117．

(編輯楊波)

Prediction and control of thickness transverse distribution in hot rolling strip

GAO Shanfeng，LIU Hongfei，XI Anmin，YANG Xian
(School of Mechanical Engineering，University of Science and Technology Beijing，100083 Beijing，China)

Abstract:To solve the problem existing in the measuring and prediction of transverse thickness distribution of finish hot rolling，the adaptive neural network trained by hybrid algorithms of particle swarm optimization (PSO) and back propagation (BP) neural network is introduced．Based on the BP network，the network structure，weights and threshold are optimized by PSO algorithm for improving the network convergence speed and prediction accuracy．By the data of two high reversible hot rolling mill，the average error of thickness is 3．6 μm and the error absolute value is less than 4 μm accounted for 87．1%．The absolute error frequency of strip thickness within 30 μm is 90% by statistical analysis of the steady state rolling，excepting the head and tail of the strip．The research results show that the network model can replace crown instrument to predict the transverse thickness distribution in the actual production．And the control means of strip shape are precisely controlled．It illustrates that the network model can meet the requirement of high precision flatness control．

Keywords:hot rolling; thickness; neural network; forecast; particle swarm optimization (PSO)

通信作者:高山鳳，shanfengcg@ 163．com．

作者簡介:高山鳳(1983—)女，博士研究生;郗安民(1957—)男，教授，博士生導師．

基金項目:內蒙古自治區(qū)戰(zhàn)略性新興產業(yè)專項(2012)．

收稿日期:2015－08－24．

doi:10．11918/j．issn．0367-6234．2016．01．027

中圖分類號:TG333．7

文獻標志碼:A

文章編號:0367－6234(2016) 01－0180－04