連續退火機組SF段帶鋼跑偏混合動態監測模型

唐智雁 史 懿 王顯鵬

(寶山鋼鐵股份有限公司1 ,上海 200431;上海寶鋼工業技術服務有限公司2，上海 201900;東北大學工業工程與物流優化研究所3,遼寧 沈陽 110819)

?

連續退火機組SF段帶鋼跑偏混合動態監測模型

唐智雁1史 懿2王顯鵬3

(寶山鋼鐵股份有限公司1,上海 200431;上海寶鋼工業技術服務有限公司2，上海 201900;東北大學工業工程與物流優化研究所3,遼寧 沈陽 110819)

針對寶鋼1 220 mm連續退火機組均熱爐(SF)段帶鋼經常發生跑偏或打滑的問題，提出了一個基于最小二乘支持向量機(LSSVM)的帶鋼跑偏分類模型。使用改進粒子群算法對其模型參數進行尋優，再將LSSVM分類模型與主元分析(PCA)方法相結合；并基于動態時間窗思想，提出了一個SF段帶鋼跑偏的混合動態監測模型，開發了SF段帶鋼跑偏監測系統。基于實際生產數據的仿真結果表明，所提出的LSSVM模型具有較高的分類精度；相較于單一方法，混合監測模型能夠更加準確地對帶鋼跑偏進行分析和預警。

連續退火機組 混合動態監測 神經元網絡 最小二乘支持向量機 主元分析 改進粒子群算法 徑向基函數

0 引言

寶鋼1 220 mm連退機組是一條鍍錫板連退生產線，機組速度快、帶鋼薄。帶鋼出現跑偏的因素較多，例如板型、張力、輥子表面粗糙度、輥子的凸度等[1-3]。帶鋼張力的波動是一個非常重要的因素。目前，機組爐內張力波動現象時有發生，薄料在均熱爐(soaking furnace,SF)段經常發生跑偏或打滑。SF段共有24根爐輥，但該爐段只在出口處設置1套張力計，其他輥子上的帶鋼張力均無法獲得；但各爐輥的扭矩Ti(t)和速度vi(t)，以及SF段的爐溫等生產過程數據可以實時獲得。我們可以利用這些生產過程數據，實現對帶鋼跑偏程度的實時預報和監測。

本文基于這些生產過程數據，提出了一種基于最小二乘支持向量機(least square support vector machine,LSSVM)的數據驅動建模方法，以實現對帶鋼跑偏的在線預警。使用粒子群算法來優化模型參數，以提高模型的預測精度。然后，將該模型與主元分析(principal component analysis,PCA)方法相結合，再基于動態時間窗思想，提出了一種連續退火機組SF段帶鋼跑偏的混合動態監測模型，以解決單一方法可能存在誤報警的問題，并使得模型能夠更好地跟蹤實際生產過程的變化。在此基礎上，開發了SF段帶鋼跑偏監測系統，并使用了實際生產數據進行驗證。

1 基于LSSVM的帶鋼跑偏預警建模

針對工業生產過程的建模，通常包括基于生產過程機理建模和基于生產過程數據建模2種方法。

基于生產過程機理的建模，要求對所研究的生產過程的工藝機理有非常深刻的認識，能夠通過能量守恒、物質守恒、物理定理、化學定理等規律，建立起該生產過程的嚴格數學解析表達式[4-8]。該方法的優勢是能夠準確地反映整個生產過程的運行狀態。但是該方法也存在明顯的缺陷，即只能適用于工藝機理已知的生產過程，并且機理模型的求解需要大量的計算時間。

如前文所述，連續退火生產過程中SF段帶鋼跑偏的過程機理非常復雜，目前還沒有成熟的工藝機理模型。然而，隨著多數鋼鐵企業信息化建設的不斷推進，當前已經可以獲得大量的SF段生產過程數據，這些數據蘊含著大量的、與帶鋼跑偏相關的有用信息。

與傳統神經元網絡方法需要大量樣本的要求不同，LSSVM方法是一種基于結構風險最小化的小樣本統計學習理論，它的泛化能力要明顯優于神經元網絡等傳統學習方法，并且已經在模式識別、生物醫療、石油化工等許多工業領域得到了廣泛的應用，并取得了較好的效果[9-11]。因此，本文采用基于數據驅動的LSSVM建模方法，建立了SF段帶鋼跑偏程度的預測模型。

1.1 LSSVM建模過程

在SF段中，導致帶鋼打滑與跑偏的主要原因在于溫差、張力輥扭矩和轉速變化而導致帶鋼張力波動，如果某個輥子i與下一個輥子(i+1)之間的帶鋼張力Fi小于該輥子與前一個輥子(i-1)之間的帶鋼張力Fi-1，那么就會使得帶鋼的秒流量差增大(即流向輥子i的帶鋼量大于從輥子i上流出的帶鋼量)，易導致帶鋼在輥子i上打滑，引起跑偏。因此，本文采用如下生產過程參數作為帶鋼跑偏預警模型的輸入量：帶鋼規格、中央段速度、帶鋼溫度、SF段內溫度、帶鋼入口張力、帶鋼出口張力、各輥子的扭矩和轉速、當前帶鋼在糾偏輥上的偏移量。輸出量為0或者1:0表示正常生產，1表示帶鋼出現跑偏。

基于以上輸入/輸出變量，LSSVM預警模型的建模過程可以描述如下。

①從實際連退生產過程中提取SF段的生產過程數據，包括輸入變量及其對應的輸出變量，剔除異常樣本后，形成樣本集合，然后再將樣本集合分為訓練樣本集合和測試樣本集合。

②對樣本集合進行標準化處理。

③使用LSSVM方法，基于訓練數據進行建模，并使用改進的粒子群算法對LSSVM模型參數進行尋優。

④使用測試樣本集合對所得到的LSSVM模型進行評價。

1.2 基于改進粒子群算法的LSSVM模型參數尋優

在LSSVM的建模過程中，其正規化參數γ和徑向基函數(radial basis function,RBF)參數σ2對于模型的預測精度產生非常重要的影響。本文將這一模型參數選擇問題作為一個優化問題進行處理，并采用基于改進粒子群(particle swarm optimization,PSO)算法，實現對LSSVM模型的正規化參數和核參數的尋優。LSSVM模型參數優化選取問題的數學模型可以描述如下：

MinER1/N1+ER2/N2

(1)

(2)

γmin≤ γ ≤ γmax

(3)

(4)

針對該問題，提出了一個改進的PSO算法。在傳統的PSO算法中，粒子的進化是通過對個體最優解和全局最優解的學習進行的。這種進化方式使得PSO算法具有較快的收斂速度，但是也可能導致種群早熟的問題，即如果粒子的個體最優解和當前的全局最優解持續得不到更新，那么粒子的進化將陷入局部最優，并且整個種群也將出現早熟的現象。因此，為了改進PSO算法的性能，本文提出了一個改進的PSO算法。該算法的思想是：在PSO算法中引入“個體最優解集合”和“全局最優解集合”的概念。針對每個粒子，個體最優解集合記錄該粒子在搜索過程中所找到的最優的5個解，全局最優解集合則記錄整個種群在搜索過程中所找到的最優的10個解。

在粒子Xi= (xi,1,…,xi,n)的更新方程中，使用下面的改進公式：

(5)

xi+1,j=xi,j+vi+1,j

(6)

所提出的改進粒子群算法的流程描述如下。

①設置當前迭代次數g=1。初始化算法參數：種群大小為100，個體最優解集合大小為5，全局最優解集合大小為10，并設置100個個體最優解集和全局最優解集為空。隨機產生每個粒子的速度。

②初始化種群，種群中的每個解在可行域內隨機產生。針對每個粒子，使用所對應的LSSVM模型計算式(1)，作為粒子的適應度值。

③將每個粒子拷貝到其個體最優解集中，將當前種群中的最優解拷貝到全局最優解集中。

⑤使用當前種群中的最優解來更新全局最優解集。

⑥設置g=g+1。如果g>1 000，停止并輸出全局最好解所對應的LSSVM模型參數；否則，轉到步驟④。

在上述個體最優解集和全局最優解集的更新過程中，如果當前解集的大小未超過其最大容量，則將新解直接加入到解集中；否則，對比新解的適應度值與當前解集中最差的解的適應度值。如果新解優于這個最差解，則用它替換最差解；否則，不進行更新。

2 帶鋼跑偏監測方法

2.1 PCA生產過程監測

PCA方法已經廣泛應用于工業過程的監測與故障診斷系統中[12-13]，其基本思想是利用生產過程在正常運行時所獲得的多個具有相關性的過程數據，通過降維，在盡量保留能夠反映原變量大部分信息的前提下，將其轉化為僅含有少數幾個不相關變量的多元統計模型。

在利用PCA進行生產過程的監測時，一般是使用T2統計量和SPE統計量來描述生產過程的基本特征。其中，T2統計量用來衡量每個主成分在變化趨勢以及變化幅值上偏離正常模型的程度，而SPE統計量則用來衡量輸入變量當前的測量值對正常主元模型的偏離程度。

使用PCA進行生產過程監測的主要過程是：首先，針對所提取的正常生產過程數據，計算T2統計量和SPE統計量的控制限。然后，針對從生產過程采集到的實時生產過程數據，計算其所對應的T2統計量和SPE統計量的值。如果這兩個值都在相應的控制限之內，即說明當前生產過程是正常運行；否則，則認為當前的生產過程出現了異常，需要向操作人員預警。

2.2 基于PCA和LSSVM的混合動態監測方法

由于PCA本質上是一個線性建模方法，在實際生產過程中所采集到的樣本數據在一定程度上還無法滿足所有的要求[13]。此外，PCA方法是一個靜態的建模方法，而實際生產過程則是動態變化的。這使得PCA方法在應用到實際的生產過程監測中經常會出現誤報警的情況。因此，本文提出將具有非線性特點的LSSVM與PCA進行結合，同時使用兩種方法對連續退火機組的SF段帶鋼跑偏進行監測。只有當2個模型同時報警時，才認為生產過程出現了異常，防止單一模型容易出現誤報警的問題。

此外，為了更好地適應生產過程的動態變化，引入了動態時間窗口的機制，對LSSVM模型和PCA模型進行動態更新，從而增強了模型對生產過程動態變化的適應能力。

3 仿真試驗

3.1 LSSVM帶鋼跑偏預警模型測試

為了測試所提出的LSSVM帶鋼跑偏預警模型的性能，在試驗中采集了12卷帶鋼的生產過程數據，包括這些帶鋼在跑偏之前的正常樣本數據以及出現跑偏之后的故障樣本數據。針對每卷帶鋼，其正常樣本數據數量和故障樣本數據數量均為200。我們使用前7卷帶鋼的樣本數據作為訓練數據，后5卷帶鋼的樣本數據作為測試數據，對所提出的LSSVM模型進行了測試。測試結果如表1所示。

表1 LSSVM模型測試結果

從表1可以看出，所建立的LSSVM帶鋼跑偏模型的總誤報率均≤0.75%，平均總誤報率在0.55%左右，具有較高的識別精度。

3.2 PCA與LSSVM混合監測方法測試

為了驗證混合監測方法的性能，在試驗中使用了5組測試數據，每組數據中都包含500個采樣點。為了突出混合監測方法的性能，我們又在其中隨機插入了20個帶鋼跑偏時所得到的故障采樣點。

測試比較結果如表2所示。從表2可以看出，LSSVM相比PCA，其平均總報警次數要小很多(分別為24.2和29.4)，而混合方法由于只有在2個方法均判斷帶鋼出現跑偏時才進行報警，其平均總報警次數為22，因而具有更高的準確率。

表2 測試比較結果

3.3 SF段帶鋼跑偏監測系統

基于所提出的模型和方法，開發了連續退火機組SF段帶鋼跑偏監測系統。該系統主要包括數據處理、數據驅動建模、帶鋼跑偏在線監測3個模塊。其中，數據處理主要完成從生產過程中提取過程數據，并進行數據預處理。數據驅動建模主要包括LSSVM建模，即使用改進的粒子群算法，基于當前時間窗的訓練數據，優化確定LSSVM模型參數，以及基于正常生產過程數據建立PCA模型，從而構成混合監測模型；此外，數據驅動建模模塊還具有動態更新生產過程數據的能力，即使用滾動時間窗的方法來提高模型對生產過程動態變化的適應能力。帶鋼跑偏在線監測模塊主要用來實時采集連續退火機組SF段內的生產過程數據，并利用基于PCA和LSSVM的混合監測模型，對生產過程的異常工況進行實時監測。當出現異常工況時，系統進行報警。根據PCA模型的貢獻圖方法，將可能導致該異常的過程變量提供給現場操作人員，再利用現場操作人員的經驗進行判斷，以快速確定排除異常工況的調整策略。

4 結束語

本文針對連續退火機組SF段內帶鋼由于張力波動容易出現跑偏，而當前對于帶鋼跑偏沒有可供參考的嚴格機理模型的實際情況，提出了一個基于LSSVM和PCA數據驅動建模的SF段帶鋼跑偏混合監測方法。在實際應用中，只有當這2個監測模型均監測到異常工況時，混合模型才進行報警。在LSSVM的建模過程中提出了一個改進的粒子群算法來優化該分類模型的參數。此外，基于滾動時間窗方法，實現了增強模型對生產過程動態變化的適應能力。使用實際生產過程數據的測試結果表明，所提出的混合監測方法的誤報警次數要小于單一監測方法。最后，基于所提出的模型和算法，開發了連續退火機組SF段帶鋼跑偏監測系統。該系統對于鋼鐵企業提高SF段生產過程的穩定性和連續性，具有較好的參考價值。

[1] 葉玉娟,周旭東,李俊,等.連續退火爐內帶鋼跑偏和熱瓢曲研究進展[J].軋鋼,2009,26(4):35-38.

[3] 曹曦.臥式活套中帶鋼跑偏問題分析與改善措施[J].冶金設備,2014,214(5):66-69.

[4] NABAVI S R,RANGAIAH G P,NIAEI A,et al.Multiobjective optimization of an industrial LPG thermal cracker using a first principles model [J].Industrial & Engineering Chemistry Research,2009,48(21):9523-9533.

[5] MASOUMI M E,SHAHROKHI M,TOWFIGHI J,et al.Modeling and control of a naphtha thermal cracking pilot plant [J].Industrial & Engineering Chemistry Research,2006,45(10):3574-3582.

[6] GAO X D,CHEN B Z,HE X R,et al.Multi-objective optimization for the periodic operation of the naphtha pyrolysis process using a new parallel hybrid algorithm combining NSGA-II with SQP[J].Computers & Chemical Engineering,2008,32(2):2801-2811.

[7] REN J Z,TAN S Y,DONG L C,et al.Optimization of the reflux ratio for a stage distillation column based on an improved particle swarm algorithm [J].Chemical and Process Engineering,2010,31(1):15-24.

[8] HE H,DU W L,QIAN F,et al.Operation condition optimization of p-Xylene oxidation reaction process based on a fuzzy adaptive immune algorithm [J].Industrial & Engineering Chemistry Research,2010,49(12):5683-5693.

[9] LAHIRI S K,KHALFE N M.Soft sensor development and optimization of the commercial petrochemical plant integrating support vector regression and genetic algorithm [J].Chemical Industry & Chemical Engineering Quarterly,2009,15(3):175-187.

[10]WU C H ,TZENG G H ,LIN R H.A novel hybrid genetic algorithm for kernel function and parameter optimization in support vector regression [J].Expert Systems with Applications,2009,36(3):4725-4735.

[11]WU C H,TZENG G H,GOO Y J,et al.A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy [J].Expert Systems with Applications,2007,32(2):397-408.

[12]VAN S E,RAMAKER H J,WESTERHUIS J A,et al.Critical evaluation of approaches for on-line batch process monitoring[J].Chemical Engineering Science,2002(57):3979-3991.

[13]HARKAT M F,MOUROT G,RAGOT J.An improved PCA scheme for sensor FDI:Application to an air quality monitoring network [J].Journal of Process Control,2006(16):625-634.

Hybrid Dynamic Monitoring Model of Strip Steel Running Deviation for SF Section in Continuous Annealing Line

In soaking furnace (SF) section of Baosteel 1220mm continuous annealing line,running deviation or slipping of the strip steel occurs very often,to solve this problem,based on LSSVM,the classification model of running deviation is proposed.The parameters of the model are optimized by using improved particle swarm optimization algorithm,and the LSSVM classification model is combined with the principal component analysis (PCA) method; based on the idea of dynamic time window,a hybrid dynamic monitoring model of strip steel running deviation in SF section is proposed,and the monitoring system of the running deviation is developed.The results of simulation based on practical productive data show that the LSSVM model proposed has higher classification accuracy,comparing with the unitary method,the hybrid monitoring model is more accurate for warning and analyzing the running deviation of strip steel.

Continuous annealing line Hybrid dynamic monitoring Neural network LSSVM Principal component analysis (PCA) Improved particle swarm optimization Radial basis function

國家自然科學基金面上資助項目 (編號：61573086)。

唐智雁(1978—)，男，2015年畢業于東北大學自動控制專業，獲碩士學位，工程師； 主要從事冷軋領域電氣設備技術的管理工作。

TH7;TP277

A

10.16086/j.cnki.issn 1000-0380.201611004

修改稿收到日期：2016-05-25。