作者：郭立偉， 王彥輝 , 王佃龍，宋浩源，劉海超，曹靜

摘要：針對冷連軋過程控制模型系統目前存在的問題，以摩擦系數模型參數優化和平坦度控制參數優化為例，本文闡述了在完整、準確和可靠的工藝實時數據基礎上，將大數據的思路和方法應用于冷連軋過程控制優化的研究，有效提高了模型設定精度和平坦度控制精度。

關鍵詞：冷連軋；大數據；優化

Abstract: To address the issues of tandem cold rolling controlsystem，this paper takes friction model optimization and flatness control parameter optimization as an example, and illustrates the research of implementing big data for tandem cold rolling control, based on integrated, accurate and reliable data. As a result, the precision of prediction and control precision of flatness were obtained.

Key words: Tandem cold rolling; Big data; Optimization

1　前言

提高工業生產智能化水平，達到降低工藝人員和管理人員的勞動強度，降低不良品率的目的，必須將目前主要靠人工完成的模型參數和控制參數優化工作轉化為自動完成，才能適應不斷變化的生產狀況和日益多樣的用戶需求。通過基于大數據的工藝模型優化和工藝控制優化，提升冷連軋過程控制水平，使產品質量、性能得到有效控制，提高工廠柔性化生產水平。

目前冷連軋產線的模型參數和工藝控制參數主要依靠工藝人員和自動化技術人員根據生產穩定狀況、產品質量狀況和用戶需求，進行人工調整，存在的問題主要體現在：

(1)模型系統的參數優化工作始終處于被動地位：基于人工完成的模型系統參數優化，是用有限的人的精力去監控無限的機器生產，無法對系統實現長期、連續和高效的優化完善，而只能按照“出了問題再分析”的被動工作模式；

(2)不能及時和有效地利用積累了大量有效信息和知識的過程數據：在冷連軋生產實踐中，高水平的操作人員有著非常豐富和高效的控制手段和經驗，從而獲得滿意的控制效果，即良好的板形和厚度精度，較高的生產效率。另外，現代化冷連軋生產線配備了大量的傳感器、檢測器和儀表，可以獲得大量包含生產經驗的軋制過程數據。由于工況的變化，數據所包含的經驗可能也在發生變化，需要及時發現并提取這些經驗信息，并用于后續的生產過程；

(3)基于人工的模型系統參數優化工作基本上是一種基于定性的優化：工藝人員通常是根據產品質量狀況的變化趨勢，對參數的優化方向提出要求，而趨勢的及時發現和模型系統的參數優化調整，還很難做到；

(4)基于人工的模型系統參數優化工作很難保證實效性：由于來料狀況的變化、現場工藝狀況的變化和設備工作狀態的變化，可能都會體現在產品質量和生產穩定性上，模型系統需要根據上述外部環境的變化及時作出優化調整。

針對上述過程控制模型系統目前存在的問題，本文在完整、準確和可靠的工藝實時數據基礎上^[1、2]，基于大數據的思路和方法對變形抗力模型、摩擦系數模型和軋制力補償模型參數，以及平坦度控制參數進行了優化研究。下面以摩擦系數模型參數優化和平坦度控制參數優化為對象，闡述研究工作。

2　摩擦系數模型參數優化閉環

2.1　摩擦系數模型參數優化對象

摩擦系數模型參數優化的目的是基于大數據的思路和方法，利用數據挖掘的手段，對摩擦系數模型中的有關參數進行優化，從而保證模型設定精度的持續穩定，使得模型系統適應多品種、小批量的生產特點。

本文摩擦系數模型優化的對象之一是對軋制力設定精度有直接影響的摩擦系數模型參數，優化的目標包括摩擦系數模型的相關參數。

如下式所示摩擦系數模型，包含實際軋制速度、軋輥表面粗糙度和實際軋制長度三個自變量，以及七個模型參數^[3]。

式中：

u₀—基本摩擦系數參數；

v₀—參考軋制速度；

v —實際軋制速度；

du_v—速度變化影響參數；

R —軋輥表面的粗糙度；

R₀—軋輥表面的參考粗糙度；

C_R—實際粗糙度影響參數；

L—軋輥軋制帶鋼的長度； L₀—軋輥軋制帶鋼的基準軋制長度； C_w—軋制長度影響參數。其中，U是摩擦系數，是模型因變量，需要根據模型自變量和模型參數計算得到。

v₀、R₀、L₀、C_R、u₀、du_v和Cw是摩擦系數模型方程中的7個參數。針對該摩擦系數模型，基于以下考慮，本系統只將u₀、du_v和C_w作為優化對象。

(1)v₀、R₀和L₀是三個基本參數，由產線基本狀況決定，按常數處理，不進行優化；

(2)軋輥表面粗糙度數值基本穩定，因此不對C R參數優化；

(3)u₀是基本摩擦系數，該值的大小直接決定了最終的計算結果，因此對其優化；

(4)du_v反映了軋制速度對摩擦系數的影響，因此對其優化；

(5)C_w反映了軋制長度對摩擦系數的影響，因此對其優化。

2.2　摩擦系數模型參數優化方法

2.2.1　工藝數據預處理工藝數據采集、預處理清洗和高效存儲是進行摩擦系數模型參數優化的基本前提，此處不再贅述。

因為本文使用的基于大數據分析的多變量非線性回歸算法需要實際的摩擦系數，而實際摩擦系數是現場無法實時測量的變量，所以本文在數據預處理過程采用摩擦系數逆計算算法計算得到實際的摩擦系數。另外，考慮到摩擦系數和變形抗力在保證模型精度方面的不同作用和互補性，在摩擦系數逆計算過程中采用了與變形抗力逆計算同時進行，以軋制力精度滿足要求為收斂條件，進行迭代計算，最終得到實際的摩擦系數。

2.2.2　工藝數據相關性分析

工藝數據相關性分析采用簡單相關性分析算法，對所獲取的海量工藝數據進行相關性分析，分別計算軋制速度、軋制長度、壓下量和軋輥表面粗糙度等參數和摩擦系數之間的相關性。

以一定的閾值作為變量選擇的依據，最終選擇軋制速度、軋制長度和軋輥粗糙度作為優化分析的對象。這樣可以將回歸優化算法的研究對象限定在少量的參數范圍內，提高優化的執行效率，同時也使預測結果更能體現關鍵因素的作用。

2.2.3　摩擦系數模型非線性回歸

本文采用全局收斂的Levenberg-Marquardt修正的高斯牛頓優化算法對摩擦系數模型參數進行回歸分析。基于Levenberg-Marquardt優化算法的摩擦系數模型參數優化就是利用實際的軋制速度、軋制長度、軋輥粗糙度和反算得到的實際摩擦系數，得到一組u0、 duv和Cw，使海量樣本中依據各組軋制速度、軋制長度和軋輥表面粗糙度對應設定計算得到的摩擦系數與樣本中反算的摩擦系數的殘差平方和滿足最小偏差條件。算法流程如圖1所示：

圖1 Levenberg-Marquardt算法計算流程

2.3　應用效果

在某公司酸軋產線利用本系統對摩擦系數模型進行了回歸分析，使模型系統更加適合當前產線的工藝狀況，從而提高模型系統的設定精度。在應用過程中累計對13個鋼種的2808卷帶鋼(對比鋼卷6715卷)應用了回歸分析的結果。從圖2可以看出，軋制力設定精度得到了顯著提高。

圖2 摩擦系數模型優化效果

3　板形控制參數優化閉環

3.1　板形控制參數優化對象

板形控制參數優化的目的是基于大數據的思路和方法，利用數據挖掘的手段，從海量工藝數據中提取能獲得良好板形的控制參數，提高產線平坦度控制精度和橫向厚差控制精度，因此板形控制參數優化的目標就需要包括對平坦度控制和橫向厚差控制產生影響的主要控制參數。

根據冷連軋產線的機型、輥形和工藝控制手段，在選取板形控制參數優化對象的時候，主要包括如下因素：

(1)現代常規冷連軋產線具備豐富的板形控制手段，具體包括工作輥彎輥、中間輥彎輥、工作輥竄輥、中間輥竄輥和軋輥傾斜控制等；

(2)軋制力、機架前張力、機架后張力和軋制速度等關鍵控制參數對輥縫形狀會有直接影響；

(3)最終酸軋產品的平坦度質量和橫向厚差質量是5個機架綜合控制的結果，因此上述5個機架的板形影響因素和板形控制因素都應該考慮；

(4)熱軋來料的截面形狀作為影響酸軋板形控制質量的關鍵因素，本來應當作為板形控制參數優化的對象，但是目前不具備共享熱軋過程數據的能力，所以暫時不考慮。

3.2　板形控制參數優化方法

3.2.1　工藝數據預處理

工藝數據采集、預處理清洗和高效存儲是進行板形控制參數優化的基本前提，此處不再贅述。

3.2.2　工藝數據相關性分析

工藝數據相關性分析采用簡單相關性分析算法，對所存儲的海量工藝數據進行相關性分析，定量確定板形控制參數優化對象中的每一種工藝參數和板形質量之間的相關性，以0.1作為參數選擇的閾值，將相關性絕對值大于該給定閾值的參數作為工藝數據聚類分析和工藝數據關聯規則分析的研究對象，從而找到對板形質量起關鍵作用的工藝參數對象。

3.2.3　工藝數據聚類分析

工藝數據聚類分析使用模糊C均值聚類方法^[4、5]，將工藝數據相關性分析篩選出來的每一種對板形質量起關鍵作用的工藝參數分成不同密度的數值區間，科學地選取相對少量分析樣本，同時保證工藝數據關聯規則分析所使用的分析樣本的代表性和典型性；同時，為了滿足關聯規則分析算法對數據對象離散化的要求，完成對具有連續屬性的板形控制關鍵工藝參數進行離散化處理。

針對不同的對象使用不同的處理方法：

(1)鋼種、產品寬度、產品厚度是幾個相對變化較小，本身已經有明確分類的量，所以對它們的處理是直接利用現有的該產線產品大綱(或者參數表格)的分類；

(2)軋制力、軋制速度、中間輥彎輥、工作輥彎輥、中間輥竄輥、中間輥彎輥、前張應力和后張應力存在隨機的、較大的變化范圍，因此采用上文提到的聚類分析的方法，基于距離對數值屬性進行離散化分類，獲得不同的數值區間；

(3)對于板形質量評價，根據不同產品質量要求和下道工序對帶鋼的板形需求，將板形質量評價分為了[0.0,1.0]、[1.0,2.0]、[2.0,3.0]、[3.0,4.0] 、[4.0,6.0]等類別區間。

3.2.4　工藝數據關聯規格分析

工藝數據關聯規則分析利用數量關聯規則挖掘算法Apriori算法^[6、7]，以工藝數據相關性分析得到的影響板形質量的關鍵工藝參數為分析對象，對經過工藝數據聚類分析處理后的工藝數據進行關聯規則分析，挖掘板形質量與各板形影響關鍵參數組合之間的關聯規則，篩選滿足最小可信度和支持度要求的關聯規則，構成板形控制規則庫。具體步驟如下所示：

(1)根據工藝數據相關性分析確定的板形影響關鍵參數和板形質量參數，構造待分析的數據結構；

(2)在冷連軋板形控制工藝知識的指導下，將已經經過工藝數據聚類分析離散化以后的，具有不同數值區間的鋼種、產品寬度、產品厚度、軋制力、軋制速度、中間輥彎輥、工作輥彎輥、中間輥竄輥、前張應力和后張應力等板形影響關鍵參數和板形質量參數進行組合，獲得一系列項目集；

(3)運用Apriori算法挖掘板形質量與各板形影響關鍵參數之間的關聯規則，篩選滿足最小可信度和支持度要求的關聯規則，構成板形控制規則庫^[8]。

3.3　應用效果

在某公司酸軋產線應用本系統對板形控制工藝過程數據進行了挖掘分析，最終提高了冷軋帶鋼的成材率，降低了帶鋼頭尾超差。

在系統應用期間對14種鋼種，43種產品厚度規格，58種帶鋼寬度規格進行了總計621卷帶鋼的優化參數應用和對比，有86.95％的帶鋼頭尾超差平均減小了5.04m；有91.3%的帶鋼合格板形長度平均延長了0.97％。

4　結論

基于大數據的模型參數優化閉環功能和控制參數優化閉環功能，可以為提高工業生產智能化水平，為降低工藝人員和管理人員的勞動強度，降低不良品率，提供技術支持，體現在如下幾個方面：

(1)解放人力資源，盡量減少人工干預，主動對模型參數和控制參數進行優化調整，及時(或者提前)應對可能出現的質量問題和穩定性問題；

(2)充分、有效地利用積累了大量有效信息和知識的過程數據，及時發現并提取生產過程中形成的高效控制信息，應用于后續生產過程，提高產品質量控制水平；

(3)及時發現，并且依據模型精度變化趨勢和產品質量變化趨勢，對模型參數和控制參數進行優化調整，提高產線質量控制水平；

(4)針對來料狀況的變化、現場工藝狀況的變化和設備工作狀態的變化，及時對模型系統作出優化調整。

參考文獻：

[1] 管志剛，金旭．數據挖掘中數據預處理的研究與實現[J]．計算機應用研究，2004 ( 7 ) : 117 - 119.

[2] 謝永紅，吾拉木，楊炳儒．一個通用型知識發現系統中數據預處理的實現[J]．計算機應用研究，2005 ( 11 ) : 55 - 58.

[3] 高雷，郭立偉，陳丹．冷連軋軋制力模型中變形抗力和摩擦系數的分析[J]．軋鋼，2013，30 ( 4 ) : 12 - 15.

[4] 施潤身，趙青．改進的關聯規則采掘算法及其實現[J]．同濟大學學報，2002，30 ( 2 ) : 222 - 225.

[5] 王小玉，王亞東，馮麗．關聯規則的挖掘[J]．信息技術，2003，27 ( 1 ) : 55 - 57.

[6] ZHOU Zhi-Hua．Three perspectives of data mining[J]．Artificial Intelligence，2003 ( 143 ) : 139 - 146.

[7] 毛國君．數據挖掘原理與算法[M]．北京：清華大學出版社，2005.

[8] 郭立偉，高雷，陳丹．數據挖掘技術在冷連軋板形控制系統中的應用研究[J]．冶金自動化，2012，36 ( 2 ) : 30 - 33.

作者簡介：

郭立偉(1974-)，男，河南人，高級工程師，博士，現就職于北京首鋼自動化信息技術有限公司混合流程工業自動化系統及裝備技術國家重點實驗室首鋼分實驗室，主要從事軋鋼工藝及二級模型系統開發研究。

摘自《自動化博覽》2018年12月刊

總結

以上是生活随笔為你收集整理的sqlplus几个存储过程执行变量值窜掉了_基于大数据的冷连轧过程控制优化技术研究...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。