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

關(guān)鍵詞：冷連軋；大數據；優(yōu)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(yè)生產(chǎn)智能化水平，達到降低工藝人員和管理人員的勞動(dòng)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(yōu)化工作轉化為自動(dòng)完成，才能適應不斷變化的生產(chǎn)狀況和日益多樣的用戶(hù)需求。通過(guò)基于大數據的工藝模型優(yōu)化和工藝控制優(yōu)化，提升冷連軋過(guò)程控制水平，使產(chǎn)品質(zhì)量、性能得到有效控制，提高工廠(chǎng)柔性化生產(chǎn)水平。

目前冷連軋產(chǎn)線(xiàn)的模型參數和工藝控制參數主要依靠工藝人員和自動(dòng)化技術(shù)人員根據生產(chǎn)穩定狀況、產(chǎn)品質(zhì)量狀況和用戶(hù)需求，進(jìn)行人工調整，存在的問(wèn)題主要體現在：

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

（2）不能及時(shí)和有效地利用積累了大量有效信息和知識的過(guò)程數據：在冷連軋生產(chǎn)實(shí)踐中，高水平的操作人員有著(zhù)非常豐富和高效的控制手段和經(jīng)驗，從而獲得滿(mǎn)意的控制效果，即良好的板形和厚度精度，較高的生產(chǎn)效率。另外，現代化冷連軋生產(chǎn)線(xiàn)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(chǎn)經(jīng)驗的軋制過(guò)程數據。由于工況的變化，數據所包含的經(jīng)驗可能也在發(fā)生變化，需要及時(shí)發(fā)現并提取這些經(jīng)驗信息，并用于后續的生產(chǎn)過(guò)程；

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

（4）基于人工的模型系統參數優(yōu)化工作很難保證實(shí)效性：由于來(lái)料狀況的變化、現場(chǎng)工藝狀況的變化和設備工作狀態(tài)的變化，可能都會(huì )體現在產(chǎn)品質(zhì)量和生產(chǎn)穩定性上，模型系統需要根據上述外部環(huán)境的變化及時(shí)作出優(yōu)化調整。

針對上述過(guò)程控制模型系統目前存在的問(wèn)題，本文在完整、準確和可靠的工藝實(shí)時(shí)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(jìn)行了優(yōu)化研究。下面以摩擦系數模型參數優(yōu)化和平坦度控制參數優(yōu)化為對象，闡述研究工作。

2　摩擦系數模型參數優(yōu)化閉環(huán)

2.1　摩擦系數模型參數優(yōu)化對象

摩擦系數模型參數優(yōu)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(guān)參數進(jìn)行優(yōu)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(chǎn)特點(diǎn)。

本文摩擦系數模型優(yōu)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(yōu)化的目標包括摩擦系數模型的相關(guān)參數。

如下式所示摩擦系數模型，包含實(shí)際軋制速度、軋輥表面粗糙度和實(shí)際軋制長(cháng)度三個(gè)自變量，以及七個(gè)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(shí)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(shí)際粗糙度影響參數；

 L—軋輥軋制帶鋼的長(cháng)度； L₀—軋輥軋制帶鋼的基準軋制長(cháng)度； C_w—軋制長(cháng)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(gè)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(yōu)化對象。

（1）v₀、R₀和L₀是三個(gè)基本參數，由產(chǎn)線(xiàn)基本狀況決定，按常數處理，不進(jìn)行優(yōu)化；

（2）軋輥表面粗糙度數值基本穩定，因此不對C R參數優(yōu)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(yōu)化；

（4）du_v反映了軋制速度對摩擦系數的影響，因此對其優(yōu)化；

（5）C_w反映了軋制長(cháng)度對摩擦系數的影響，因此對其優(yōu)化。

2.2　摩擦系數模型參數優(yōu)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(jìn)行摩擦系數模型參數優(yōu)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(xiàn)性回歸算法需要實(shí)際的摩擦系數，而實(shí)際摩擦系數是現場(chǎng)無(wú)法實(shí)時(shí)測量的變量，所以本文在數據預處理過(guò)程采用摩擦系數逆計算算法計算得到實(shí)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(guò)程中采用了與變形抗力逆計算同時(shí)進(jìn)行，以軋制力精度滿(mǎn)足要求為收斂條件，進(jìn)行迭代計算，最終得到實(shí)際的摩擦系數。

2.2.2　工藝數據相關(guān)性分析

工藝數據相關(guān)性分析采用簡(jiǎn)單相關(guān)性分析算法，對所獲取的海量工藝數據進(jìn)行相關(guān)性分析，分別計算軋制速度、軋制長(cháng)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(guān)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(cháng)度和軋輥粗糙度作為優(yōu)化分析的對象。這樣可以將回歸優(yōu)化算法的研究對象限定在少量的參數范圍內，提高優(yōu)化的執行效率，同時(shí)也使預測結果更能體現關(guān)鍵因素的作用。

2.2.3　摩擦系數模型非線(xiàn)性回歸

本文采用全局收斂的Levenberg-Marquardt修正的高斯牛頓優(yōu)化算法對摩擦系數模型參數進(jìn)行回歸分析?；贚evenberg-Marquardt優(yōu)化算法的摩擦系數模型參數優(yōu)化就是利用實(shí)際的軋制速度、軋制長(cháng)度、軋輥粗糙度和反算得到的實(shí)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(cháng)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(mǎn)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(chǎn)線(xiàn)利用本系統對摩擦系數模型進(jìn)行了回歸分析，使模型系統更加適合當前產(chǎn)線(xiàn)的工藝狀況，從而提高模型系統的設定精度。在應用過(guò)程中累計對13個(gè)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(zhù)提高。

圖2 摩擦系數模型優(yōu)化效果

3　板形控制參數優(yōu)化閉環(huán)

3.1　板形控制參數優(yōu)化對象

板形控制參數優(yōu)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(chǎn)線(xiàn)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(yōu)化的目標就需要包括對平坦度控制和橫向厚差控制產(chǎn)生影響的主要控制參數。

根據冷連軋產(chǎn)線(xiàn)的機型、輥形和工藝控制手段，在選取板形控制參數優(yōu)化對象的時(shí)候，主要包括如下因素：

（1）現代常規冷連軋產(chǎn)線(xiàn)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(guān)鍵控制參數對輥縫形狀會(huì )有直接影響；

（3）最終酸軋產(chǎn)品的平坦度質(zhì)量和橫向厚差質(zhì)量是5個(gè)機架綜合控制的結果，因此上述5個(gè)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(lái)料的截面形狀作為影響酸軋板形控制質(zhì)量的關(guān)鍵因素，本來(lái)應當作為板形控制參數優(yōu)化的對象，但是目前不具備共享熱軋過(guò)程數據的能力，所以暫時(shí)不考慮。

3.2　板形控制參數優(yōu)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(jìn)行板形控制參數優(yōu)化的基本前提，此處不再贅述。

3.2.2　工藝數據相關(guān)性分析

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

3.2.3　工藝數據聚類(lèi)分析

工藝數據聚類(lèi)分析使用模糊C均值聚類(lèi)方法^[4、5]，將工藝數據相關(guān)性分析篩選出來(lái)的每一種對板形質(zhì)量起關(guān)鍵作用的工藝參數分成不同密度的數值區間，科學(xué)地選取相對少量分析樣本，同時(shí)保證工藝數據關(guān)聯(lián)規則分析所使用的分析樣本的代表性和典型性；同時(shí)，為了滿(mǎn)足關(guān)聯(lián)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(guān)鍵工藝參數進(jìn)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(chǎn)品寬度、產(chǎn)品厚度是幾個(gè)相對變化較小，本身已經(jīng)有明確分類(lèi)的量，所以對它們的處理是直接利用現有的該產(chǎn)線(xiàn)產(chǎn)品大綱（或者參數表格）的分類(lèi)；

（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(lèi)分析的方法，基于距離對數值屬性進(jìn)行離散化分類(lèi)，獲得不同的數值區間；

（3）對于板形質(zhì)量評價(jià)，根據不同產(chǎn)品質(zhì)量要求和下道工序對帶鋼的板形需求，將板形質(zhì)量評價(jià)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(lèi)別區間。

3.2.4　工藝數據關(guān)聯(lián)規格分析

工藝數據關(guān)聯(lián)規則分析利用數量關(guān)聯(lián)規則挖掘算法Apriori算法^[6、7]，以工藝數據相關(guān)性分析得到的影響板形質(zhì)量的關(guān)鍵工藝參數為分析對象，對經(jīng)過(guò)工藝數據聚類(lèi)分析處理后的工藝數據進(jìn)行關(guān)聯(lián)規則分析，挖掘板形質(zhì)量與各板形影響關(guān)鍵參數組合之間的關(guān)聯(lián)規則，篩選滿(mǎn)足最小可信度和支持度要求的關(guān)聯(lián)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(guān)性分析確定的板形影響關(guān)鍵參數和板形質(zhì)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(jīng)經(jīng)過(guò)工藝數據聚類(lèi)分析離散化以后的，具有不同數值區間的鋼種、產(chǎn)品寬度、產(chǎn)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(guān)鍵參數和板形質(zhì)量參數進(jìn)行組合，獲得一系列項目集；

（3）運用Apriori算法挖掘板形質(zhì)量與各板形影響關(guān)鍵參數之間的關(guān)聯(lián)規則，篩選滿(mǎn)足最小可信度和支持度要求的關(guān)聯(lián)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(chǎn)線(xiàn)應用本系統對板形控制工藝過(guò)程數據進(jìn)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(chǎn)品厚度規格，58種帶鋼寬度規格進(jìn)行了總計621卷帶鋼的優(yōu)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(cháng)度平均延長(cháng)了0.97％。

4　結論

基于大數據的模型參數優(yōu)化閉環(huán)功能和控制參數優(yōu)化閉環(huán)功能，可以為提高工業(yè)生產(chǎn)智能化水平，為降低工藝人員和管理人員的勞動(dòng)強度，降低不良品率，提供技術(shù)支持，體現在如下幾個(gè)方面：

（1）解放人力資源，盡量減少人工干預，主動(dòng)對模型參數和控制參數進(jìn)行優(yōu)化調整，及時(shí)（或者提前）應對可能出現的質(zhì)量問(wèn)題和穩定性問(wèn)題；

（2）充分、有效地利用積累了大量有效信息和知識的過(guò)程數據，及時(shí)發(fā)現并提取生產(chǎn)過(guò)程中形成的高效控制信息，應用于后續生產(chǎn)過(guò)程，提高產(chǎn)品質(zhì)量控制水平；

（3）及時(shí)發(fā)現，并且依據模型精度變化趨勢和產(chǎn)品質(zhì)量變化趨勢，對模型參數和控制參數進(jìn)行優(yōu)化調整，提高產(chǎn)線(xiàn)質(zhì)量控制水平；

（4）針對來(lái)料狀況的變化、現場(chǎng)工藝狀況的變化和設備工作狀態(tài)的變化，及時(shí)對模型系統作出優(yōu)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(shí)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(gè)通用型知識發(fā)現系統中數據預處理的實(shí)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(jìn)的關(guān)聯(lián)規則采掘算法及其實(shí)現[J]．同濟大學(xué)學(xué)報，2002，30 ( 2 ) : 222 - 225.

[5] 王小玉，王亞?wèn)|，馮麗．關(guān)聯(lián)規則的挖掘[J]．信息技術(shù)，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(xué)出版社，2005.

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

作者簡(jiǎn)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(dòng)化信息技術(shù)有限公司混合流程工業(yè)自動(dòng)化系統及裝備技術(shù)國家重點(diǎn)實(shí)驗室首鋼分實(shí)驗室，主要從事軋鋼工藝及二級模型系統開(kāi)發(fā)研究。

摘自《自動(dòng)化博覽》2018年12月刊