辊系凸度自适应算法的优化优化和效果.docVIP

辊系凸度自适应算法的优化 优化及效果 　　存在的问题。在当前模型内，辊系凸度的自适应值由辊系凸度微调值和辊系凸度补偿值2个自适应项组成，分别对应着短遗传和长遗传2种子适应方法。其中，短遗传自适应是指每轧完一块带钢后更新自适应项，新的自适应项用于下一块带钢轧制，即逐个适应更新；长遗传自适应是指每轧完一组钢卷后，更新该自适应项，新的自适应项根据钢种、厚度和其他关键项存储在学习项表中，应用在下一批相同材料的轧件上，即批量适应更新。本模型中的辊系凸度补偿值的计算属于批量自适应计算。通过分析以上2种自适应原理，发现在辊系凸度自适应模型内，辊系凸度微调值和辊系凸度补偿值的自适应方法和所涉及的短遗传自适应和长遗传自适应原理出现了不一致的情况，这种情况的产生将会使辊系凸度自适应模型在适应过程中可能造成辊系凸度自适应值波动较大和不稳定的情况，削弱辊系凸度的自适应效果，甚至出现自适应混乱的现象，对于模型计算精度产生消极影响。 　　辊系凸度自适应算法的优化。针对引进模型的辊系凸度自适应策略存在的问题，按照短遗传自适应和长遗传自适应的原理对该算法进行了完善与优化。在带钢穿带的过程中，操作工会根据机架间的起浪情况实时调节对应机架的弯辊力来尽量避免在轧制时出现较严重的中浪或边浪。在该产线的辊系凸度自适应模型中，操作工手动调节的弯辊力会转化成辊系凸度的微调值，它将和通过单块带钢学习的辊系凸度微调值一起对下一块带钢的辊系凸度微调值进行更新。当操作工不做手动调节时，模型只考虑通过单块带钢学习的辊系凸度微调值。 　　辊系凸度微调值的算法是利用轧件与工作辊之间的再计算凸度与精轧出口实测凸度之间的偏差，采用积分控制器通过上一块带钢的辊系凸度微调值来对辊系凸度微调进行自适应。本模型的优化算法是在原辊系凸度偏差的基础上增加一项由于操作工手动调节弯辊力引起的辊系凸度误差，其计算式如下： 　　式中：为辊系凸度积分增益函数，其与通过单块带钢学习的辊系凸度积分增益和辊系凸度操作工修正积分增益有关；为由操作工手动调节弯辊力对应的辊系凸度积分增益；为由操作工手动调节弯辊力引起的辊系凸度误差。 　　上述公式在原辊系凸度误差的基础上增加了操作工在带钢轧制过程中手动调节弯辊力引起的辊系凸度误差，因此需要考虑操作工手动调节弯辊力引起的辊系凸度误差和轧制带钢时系统本身产生的辊系凸度误差保持相对平衡的调节比例，使操作工手动调节弯辊力引起的辊系凸度误差不能过大于或过小于轧制带钢时系统本身的辊系凸度误差，以保证模型计算的合理性。 　　通过对单块带钢学习的辊系凸度积分增益和操作工手动调节弯辊力对应的辊系凸度积分增益进行匹配调节，来保证操作工手动调节弯辊力引起的误差和轧制带钢时系统本身产生的辊系凸度误差的平衡性。目前，通过在线调试模型中上述2个积分增益，可使通过单块带钢学习的辊系凸度误差和由操作工手动调节弯辊力引起的辊系凸度误差的比例约为1：1.35。 　　优化效果。辊系凸度自适应模型及相关参数在优化前，在连续轧制相同钢种或相同规格的带钢时，辊系凸度微调值、辊系凸度补偿值及辊系凸度自学习值均无固定、单一的变化规律可循。对辊系凸度自适应模型及相关参数优化后，在连续轧制相同钢种或相同规格的带钢时，辊系凸度微调值、辊系凸度补偿值及二者的综合（辊系凸度自学习）值的波动程度均较优化前减小，且连续轧制的钢种的自适应方向也均趋于稳定，这将会降低辊系凸度自适应的非正常扰动对板形的不良影响，使带钢的轧制过程进一步稳定，对提高板形质量具有积极作用。 　　采取辊系凸度自学习优化措施后，该热轧带钢生产线轧制的所有规格和牌号带钢的全长凸度命中率的控制精度由91.9%提高到了94.5%。