“1+4”鋁熱連軋軋制力自學習

楊景明 馬鳳艷 車海軍 杜 楠

1.國家冷軋板帶裝備及工藝工程技術研究中心，秦皇島，066004

2.燕山大學工業計算機控制工程河北省重點實驗室，秦皇島，066004

0 引言

在鋁熱連軋二級設定計算中，軋制力預設定計算精度直接影響其他工藝參數的預設定精度。然而，鋁熱連軋是一個相當復雜的過程，而且影響因素很多，導致軋制力預報總會存在誤差。引起誤差的原因可以歸結為模型本身的誤差、軋制設備測量誤差、過程狀態的變化等［1］。近年來為提高軋制力預報精度，人們將自學習應用到軋制力模型預報中，來適應復雜多變的軋制生產過程。

已有不少學者對軋制力模型的自學習進行了研究，采用的軋制力模型自學習方法一共有兩種形式:一種形式是以傳統變形抗力機理模型中的某個系數作為軋制力自學習參數［2］，另一種形式是直接在軋制力模型中加入自學習參數［3］。由于本文中采用的變形抗力模型是根據現場數據利用最小二乘支持向量機反向建模得到的，沒有具體的模型系數能夠作為自學習參數，所以本文采用第二種自學習方法，即直接在軋制力模型中加入自學習參數。

1 軋制過程相關數學模型的選取

軋制過程數學模型是實現鋁板帶軋制生產過程的基礎，是軋制規程設定計算的核心部分，模型的計算精度直接影響預測結果的準確性。

1.1 軋制力模型基本公式

軋制力模型是鋁熱連軋軋制過程所有數學模型中最重要的綜合模型。本文采用廣泛應用的SIMS公式的熱連軋軋制力模型［4］:

式中，F為軋制力，kN;l'c為考慮壓扁后的接觸弧長，mm;Qp為外摩擦應力狀態系數;B為板寬，m;K=1.15δ，MPa，其中δ為變形抗力;λ為影響系數;γ為變形區中性角，rad;α 為咬入角，rad;τf、τb分別為前后張應力，MPa。

Qp采用 Ford－alexander公式:

式中，hm為平均變形厚度;ε為變形程度;H為來料厚度;hi為各機架出口厚度。

1.2 變形抗力模型

變形抗力是由于金屬材料受到外力施壓而產生的塑性變形的抵抗能力。變形抗力是軋制力計算公式中的重要材料參數，變形抗力模型涉及較多軋制變量和參數，如軋制溫度、變形速度和變形程度等，傳統的機理模型計算的變形抗力難以適用于復雜多變的鋁熱連軋生產過程。本文采用的變形抗力模型是根據某鋁廠大量現場軋制數據進行反向建模得到的，采用的反向建模方法是最小二乘支持向量機。本文反向建模中的輸入自變量如下:軋制溫度t，℃;入口厚度H，mm;出口厚度h，mm;平均變形速率 um，s－1。輸出變量為:變形抗力δ，δ為變形抗力，MPa。實踐證明，利用最小二乘支持向量機反向建模得到的變形抗力模型計算精度較高，適用于現場實際。

本文重在研究自學習方法，因此不詳細介紹變形抗力模型的建立。

1.3 溫度模型

溫度是鋁熱連軋生產中重要的工藝參數之一。溫度直接影響變形抗力的計算，進而影響軋制力的預報精度。溫度也直接影響產品的組織和性能以及表面質量。

由于某軋制現場只有精軋入口和出口處有測溫儀，所以只能得到第1、第4機架的軋制溫度。第2、第3機架的軋制溫度需用溫降模型計算。本文選用精軋機組簡化溫降模型［4］:

式中，i為機架號;tw為噴水水溫，℃;Ka為綜合對流冷卻系數;Lj為第j機架到第j+1機架的距離;hn為末機架出口厚度，mm;vn為末機架出口速度，m/s;tFTO為來料入口溫度，℃。

Ka可利用現場實測的tFTO和終軋溫度tFC反推得到，反推公式如下:

2 軋制力模型自學習

2.1 自學習算法

在軋制力模型中添加自學習參數有兩種形式［5］:加法形式和乘法形式，本文采用乘法形式［6］:

式中，Fy為由規程設定計算出的軋制力預測值;β(t)為當前軋制鋁帶的自學習系數;β(t－1)為上卷軋制鋁帶的自學習系數;ξ為任意給定的增益系數，0≤ξ≤1;Fa為軋制力實測值;Fma為用現場實測值計算的模型輸出值。

2.2 自學習驗證與仿真

與其他3個機架相比，第4機架的軋制力預測精度對鋁板帶產品質量影響最為重要，所以本文選用現場1000卷5052鋁合金軋制數據，再從上述每卷軋制數據中選取4個穩定點，以第4機架為例，對軋制力模型自學習進行研究。表1中給出了1000卷中的5卷與第4機架相關的實測數據。對第4機架的軋制力模型自學習在MATLAB環境下進行仿真和驗證，其中自學習增益系數ξ=0.4，仿真結果如圖1和圖2所示。

表1 第4機架軋制相關數據

將圖1、圖2對比，可以看出加入自學習后的軋制力預報精度明顯提高。圖1、圖2中誤差帶是±10%。

圖1 加入自學習前的軋制力預測

圖2 加入自學習后的軋制力預測

2.3 自學習算法優化

傳統的自學習中的增益系數ξ是任意給定的常量，導致軋制力的預報精度具有隨機性。當增益系數ξ過小時，軋制力自學習速度太慢，不能適應現場較快的變化;當增益系數ξ過大時，容易發生過學習。針對上述問題，本文用細菌覓食優化算法對增益系數ξ進行優化，獲得了使預報精度達到最高值的增益系數ξ。

2.3.1細菌覓食優化算法原理與流程圖

隨著群智能優化算法的蓬勃發展，Passino［7-9］在2002年提出了模擬人類大腸桿菌覓食行為的細菌覓食優化算法(bacterial foraging optimization，BFO)。該算法具有群體智能算法的并行搜索、易跳出局部極小值等優點，成為生物啟發式計算研究領域的又一熱點［10］。該算法已被應用于液位控制系統的自適應控制［11］、決策系統設計中的任務類型［12］以及控制器參數整定［13-14］。

該算法對大腸桿菌覓食行為的模擬主要包括趨向性操作、復制操作、遷徙操作。

(1)趨向性操作(chemotaxis)。趨向性操作使得細菌覓食優化算法具有局部開采能力，它決定算法的前進方向以及在某一個區域搜索的詳細程度等，是算法的核心操作，也是設計算法時需要重點考慮的部分。

(2)復制操作(reproduction)。生物進化過程的規律是優勝劣汰。經過一段時間的食物搜索過程后，部分尋找食物能力弱的細菌會被自然淘汰掉，為了維持種群規模，剩余的細菌會進行繁殖。在細菌覓食優化算法中模擬這種現象稱為復制行為。

復制操作是根據達爾文進化論，淘汰生存能力弱的細菌，保存生存能力強的細菌，用于繁殖下一代，即讓優質的細菌個體引導整個種群的繁衍，從而提高全局收斂性和計算效率。

(3)遷徙操作(elimination and dispersal)。細菌個體生活的局部區域可能會突然發生變化(如溫度的突然升高)或者逐漸變化(如食物的消耗)，這樣可能會導致生活在這個局部區域的細菌種群集體死亡，或者集體遷徙到一個新的局部區域。在細菌覓食優化算法中模擬這種現象稱為遷徙行為。

細菌覓食優化算法的遷徙操作使得細菌具有隨機搜索的能力，有助于算法保持種群的穩定性和多樣性，跳出局部最優解，減少早熟收斂的情況。

設Nc、Nre、Ned分別是趨向性、復制和遷徙操作的執行次數，j、k、l分別是對這3種操作的計數參數，初始時j=0，k=0，l=0，則細菌覓食優化算法的流程圖如圖3所示。

圖3 細菌覓食優化算法流程圖

2.3.2細菌覓食優化算法優化增益系數

本文的目標函數取第4機架軋制力誤差絕對值的最小值:

式中，m為樣本號;n為樣本數;Fcm為第m個樣本現場實測軋制力;Fym為第m個樣本模型預測軋制力。

為了選取增益系數的最優值，用細菌覓食優化算法對自學習算法中的增益系數進行優化。優化前，先隨機賦給增益系數幾組值，求出相對應的目標函數值即誤差絕對值，用來與優化后的目標函數值進行對比，結果如表2所示。本文細菌覓食優化算法各參數選擇如下:初始細菌的個數N取50;趨向性操作的次數Nc取20;細菌最大游動步長Ns取4;復制操作的執行次數Nre取4;遷徙操作的執行次數Ned取2;遷徙概率Ped取0.25;游動步長C取0.01。細菌的搜索范圍為增益系數ξ∈［0，1］。

表2 與增益系數相對應的誤差值

仿真試驗得到的優化結果為:增益系數ξ=0.57，目標函數J=92.86。將優化后的增益系數結果用于軋制力預報，仿真圖如圖4所示。

圖4 增益系數優化后的軋制力預測

由圖4和圖2可以看出，兩圖中的軋制力誤差基本都落在±10%的誤差范圍內，而且增益系數優化后，軋制力預報精度得到明顯提高。

3 結語

本文根據大量的現場實測數據，對軋制力自學習進行了研究，并用細菌覓食優化算法自學習算法中的增益系數進行了優化。對自學習和優化結果進行了仿真，仿真結果顯示，加入自學習后的軋制力預報精度得到了明顯提高，并且預測誤差都在現場允許的±10%的誤差范圍內，為現場下一步的二級設定計算奠定了良好的基礎。

［1］竇富萍.五機架冷連軋軋制規程優化設計及模型自學習研究［D］.秦皇島:燕山大學，2007.

［2］祝夫文，胡賢磊，趙忠，等.中厚板生產的高精度軋制力短期自學習［J］.東北大學學報(自然科學版)，2008，29(7):980-983.Zhu Fuwen，Hu Xianlei，Zhao Zhong，et al.High Precision Short－ Term Self－Learning of Rolling Force in Plate Rolling Process［J］.Journal of Northeastern University(Natural Science)，2008，29(7):980-983.

［3］宋勇，蘇嵐，荊豐偉，等.熱軋帶鋼軋制力模型自學習算法優化［J］.北京科技大學學報，2010，32(6):802-806.Song Yong，Su Lan，Jing Fengwei，et al.Self－learning Algorithm Optimization for the Rolling Force Model of Hot Strips［J］.Journal of University of Science and Technology Beijing，2010，32(6):802-806.

［4］孫一康.帶鋼熱連軋的模型與控制［M］.北京:冶金工業出版社，2002.

［5］田野.熱軋帶鋼粗軋過程控制與模型的研究與應用［D］.沈陽:東北大學，2008.

［6］Lee D，Lee Y.Application of Neural－network for Improving Accuracy of Roll－force Model in Hot－rolling Mill［J］.Control Engineering Practice，2002，10(4):473-478.

［7］Berg H C，Brown D A.Chemo Taxis in Escherichia Coil Analyzed by Three－dimensionaltracking［J］.Nature，1972，239:500-504.

［8］Lowe G，Meister M，Berg H.Rapid Rotation of Flagella Bundles in Swimming Bacteria［J］.Nature，1987，325:637-640.

［9］Liu Y，Passino K M.Bio－mimicry of Social Foraging Bacteria for Distributed Optimization:Models，Principles and Emergent Behaviors［J］.Journal of Optimization Theory and Applications，2002，115(3):603-628.

［10］雷秀娟.群智能優化算法及其應用［M］.北京:科學出版社，2012.

［11］Andrews B W，Passino K M，Waite T A.Foraging Theory for Decision Making System Design:Tasktype Choice［C］//43rd IEEE Conference on Decision and Control.Bahamas，2004:4740-4745.

［12］Andrews B W，Passino K M，Waite T A.Foraging Theory for Decision Making System Design:Task Processing－length Choice［J］.Submitted IEEE Control Systems Magazine，2004.

［13］Dong H K，Jae H C.A Biologically Inspired Intelligent PID Controller Tuning for AVR Systems［J］.International Journal of Control，Automation and Systems，2006，4(5):624-636.

［14］Dong H K，Jae H C.Adaptive Tuning of PID Controller for Multivariable Systems Using Bacterial Foraging Based Optimization［J］.Advances in Web Intelligence Lecture Notes in Computer Science，2005，3528:231-235.