连续退火机组SF段带钢跑偏混合动态监测模型

唐智雁 史 懿 王显鹏

(宝山钢铁股份有限公司1 ,上海 200431;上海宝钢工业技术服务有限公司2，上海 201900;东北大学工业工程与物流优化研究所3,辽宁 沈阳 110819)



连续退火机组SF段带钢跑偏混合动态监测模型

唐智雁1史 懿2王显鹏3

(宝山钢铁股份有限公司1,上海 200431;上海宝钢工业技术服务有限公司2，上海 201900;东北大学工业工程与物流优化研究所3,辽宁 沈阳 110819)

针对宝钢1 220 mm连续退火机组均热炉(SF)段带钢经常发生跑偏或打滑的问题，提出了一个基于最小二乘支持向量机(LSSVM)的带钢跑偏分类模型。使用改进粒子群算法对其模型参数进行寻优，再将LSSVM分类模型与主元分析(PCA)方法相结合；并基于动态时间窗思想，提出了一个SF段带钢跑偏的混合动态监测模型，开发了SF段带钢跑偏监测系统。基于实际生产数据的仿真结果表明，所提出的LSSVM模型具有较高的分类精度；相较于单一方法，混合监测模型能够更加准确地对带钢跑偏进行分析和预警。

连续退火机组 混合动态监测 神经元网络 最小二乘支持向量机 主元分析 改进粒子群算法 径向基函数

0 引言

宝钢1 220 mm连退机组是一条镀锡板连退生产线，机组速度快、带钢薄。带钢出现跑偏的因素较多，例如板型、张力、辊子表面粗糙度、辊子的凸度等[1-3]。带钢张力的波动是一个非常重要的因素。目前，机组炉内张力波动现象时有发生，薄料在均热炉(soaking furnace,SF)段经常发生跑偏或打滑。SF段共有24根炉辊，但该炉段只在出口处设置1套张力计，其他辊子上的带钢张力均无法获得；但各炉辊的扭矩Ti(t)和速度vi(t)，以及SF段的炉温等生产过程数据可以实时获得。我们可以利用这些生产过程数据，实现对带钢跑偏程度的实时预报和监测。

本文基于这些生产过程数据，提出了一种基于最小二乘支持向量机(least square support vector machine,LSSVM)的数据驱动建模方法，以实现对带钢跑偏的在线预警。使用粒子群算法来优化模型参数，以提高模型的预测精度。然后，将该模型与主元分析(principal component analysis,PCA)方法相结合，再基于动态时间窗思想，提出了一种连续退火机组SF段带钢跑偏的混合动态监测模型，以解决单一方法可能存在误报警的问题，并使得模型能够更好地跟踪实际生产过程的变化。在此基础上，开发了SF段带钢跑偏监测系统，并使用了实际生产数据进行验证。

1 基于LSSVM的带钢跑偏预警建模

针对工业生产过程的建模，通常包括基于生产过程机理建模和基于生产过程数据建模2种方法。

基于生产过程机理的建模，要求对所研究的生产过程的工艺机理有非常深刻的认识，能够通过能量守恒、物质守恒、物理定理、化学定理等规律，建立起该生产过程的严格数学解析表达式[4-8]。该方法的优势是能够准确地反映整个生产过程的运行状态。但是该方法也存在明显的缺陷，即只能适用于工艺机理已知的生产过程，并且机理模型的求解需要大量的计算时间。

如前文所述，连续退火生产过程中SF段带钢跑偏的过程机理非常复杂，目前还没有成熟的工艺机理模型。然而，随着多数钢铁企业信息化建设的不断推进，当前已经可以获得大量的SF段生产过程数据，这些数据蕴含着大量的、与带钢跑偏相关的有用信息。

与传统神经元网络方法需要大量样本的要求不同，LSSVM方法是一种基于结构风险最小化的小样本统计学习理论，它的泛化能力要明显优于神经元网络等传统学习方法，并且已经在模式识别、生物医疗、石油化工等许多工业领域得到了广泛的应用，并取得了较好的效果[9-11]。因此，本文采用基于数据驱动的LSSVM建模方法，建立了SF段带钢跑偏程度的预测模型。

1.1 LSSVM建模过程

在SF段中，导致带钢打滑与跑偏的主要原因在于温差、张力辊扭矩和转速变化而导致带钢张力波动，如果某个辊子i与下一个辊子(i+1)之间的带钢张力Fi小于该辊子与前一个辊子(i-1)之间的带钢张力Fi-1，那么就会使得带钢的秒流量差增大(即流向辊子i的带钢量大于从辊子i上流出的带钢量)，易导致带钢在辊子i上打滑，引起跑偏。因此，本文采用如下生产过程参数作为带钢跑偏预警模型的输入量：带钢规格、中央段速度、带钢温度、SF段内温度、带钢入口张力、带钢出口张力、各辊子的扭矩和转速、当前带钢在纠偏辊上的偏移量。输出量为0或者1:0表示正常生产，1表示带钢出现跑偏。

基于以上输入/输出变量，LSSVM预警模型的建模过程可以描述如下。

①从实际连退生产过程中提取SF段的生产过程数据，包括输入变量及其对应的输出变量，剔除异常样本后，形成样本集合，然后再将样本集合分为训练样本集合和测试样本集合。

②对样本集合进行标准化处理。

③使用LSSVM方法，基于训练数据进行建模，并使用改进的粒子群算法对LSSVM模型参数进行寻优。

④使用测试样本集合对所得到的LSSVM模型进行评价。

1.2 基于改进粒子群算法的LSSVM模型参数寻优

在LSSVM的建模过程中，其正规化参数γ和径向基函数(radial basis function,RBF)参数σ2对于模型的预测精度产生非常重要的影响。本文将这一模型参数选择问题作为一个优化问题进行处理，并采用基于改进粒子群(particle swarm optimization,PSO)算法，实现对LSSVM模型的正规化参数和核参数的寻优。LSSVM模型参数优化选取问题的数学模型可以描述如下：

MinER1/N1+ER2/N2

(1)

(2)

γmin≤ γ ≤ γmax

(3)

(4)

针对该问题，提出了一个改进的PSO算法。在传统的PSO算法中，粒子的进化是通过对个体最优解和全局最优解的学习进行的。这种进化方式使得PSO算法具有较快的收敛速度，但是也可能导致种群早熟的问题，即如果粒子的个体最优解和当前的全局最优解持续得不到更新，那么粒子的进化将陷入局部最优，并且整个种群也将出现早熟的现象。因此，为了改进PSO算法的性能，本文提出了一个改进的PSO算法。该算法的思想是：在PSO算法中引入“个体最优解集合”和“全局最优解集合”的概念。针对每个粒子，个体最优解集合记录该粒子在搜索过程中所找到的最优的5个解，全局最优解集合则记录整个种群在搜索过程中所找到的最优的10个解。

在粒子Xi= (xi,1,…,xi,n)的更新方程中，使用下面的改进公式：

(5)

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

(6)

所提出的改进粒子群算法的流程描述如下。

①设置当前迭代次数g=1。初始化算法参数：种群大小为100，个体最优解集合大小为5，全局最优解集合大小为10，并设置100个个体最优解集和全局最优解集为空。随机产生每个粒子的速度。

②初始化种群，种群中的每个解在可行域内随机产生。针对每个粒子，使用所对应的LSSVM模型计算式(1)，作为粒子的适应度值。

③将每个粒子拷贝到其个体最优解集中，将当前种群中的最优解拷贝到全局最优解集中。

⑤使用当前种群中的最优解来更新全局最优解集。

⑥设置g=g+1。如果g>1 000，停止并输出全局最好解所对应的LSSVM模型参数；否则，转到步骤④。

在上述个体最优解集和全局最优解集的更新过程中，如果当前解集的大小未超过其最大容量，则将新解直接加入到解集中；否则，对比新解的适应度值与当前解集中最差的解的适应度值。如果新解优于这个最差解，则用它替换最差解；否则，不进行更新。

2 带钢跑偏监测方法

2.1 PCA生产过程监测

PCA方法已经广泛应用于工业过程的监测与故障诊断系统中[12-13]，其基本思想是利用生产过程在正常运行时所获得的多个具有相关性的过程数据，通过降维，在尽量保留能够反映原变量大部分信息的前提下，将其转化为仅含有少数几个不相关变量的多元统计模型。

在利用PCA进行生产过程的监测时，一般是使用T2统计量和SPE统计量来描述生产过程的基本特征。其中，T2统计量用来衡量每个主成分在变化趋势以及变化幅值上偏离正常模型的程度，而SPE统计量则用来衡量输入变量当前的测量值对正常主元模型的偏离程度。

使用PCA进行生产过程监测的主要过程是：首先，针对所提取的正常生产过程数据，计算T2统计量和SPE统计量的控制限。然后，针对从生产过程采集到的实时生产过程数据，计算其所对应的T2统计量和SPE统计量的值。如果这两个值都在相应的控制限之内，即说明当前生产过程是正常运行；否则，则认为当前的生产过程出现了异常，需要向操作人员预警。

2.2 基于PCA和LSSVM的混合动态监测方法

由于PCA本质上是一个线性建模方法，在实际生产过程中所采集到的样本数据在一定程度上还无法满足所有的要求[13]。此外，PCA方法是一个静态的建模方法，而实际生产过程则是动态变化的。这使得PCA方法在应用到实际的生产过程监测中经常会出现误报警的情况。因此，本文提出将具有非线性特点的LSSVM与PCA进行结合，同时使用两种方法对连续退火机组的SF段带钢跑偏进行监测。只有当2个模型同时报警时，才认为生产过程出现了异常，防止单一模型容易出现误报警的问题。

此外，为了更好地适应生产过程的动态变化，引入了动态时间窗口的机制，对LSSVM模型和PCA模型进行动态更新，从而增强了模型对生产过程动态变化的适应能力。

3 仿真试验

3.1 LSSVM带钢跑偏预警模型测试

为了测试所提出的LSSVM带钢跑偏预警模型的性能，在试验中采集了12卷带钢的生产过程数据，包括这些带钢在跑偏之前的正常样本数据以及出现跑偏之后的故障样本数据。针对每卷带钢，其正常样本数据数量和故障样本数据数量均为200。我们使用前7卷带钢的样本数据作为训练数据，后5卷带钢的样本数据作为测试数据，对所提出的LSSVM模型进行了测试。测试结果如表1所示。

表1 LSSVM模型测试结果

从表1可以看出，所建立的LSSVM带钢跑偏模型的总误报率均≤0.75%，平均总误报率在0.55%左右，具有较高的识别精度。

3.2 PCA与LSSVM混合监测方法测试

为了验证混合监测方法的性能，在试验中使用了5组测试数据，每组数据中都包含500个采样点。为了突出混合监测方法的性能，我们又在其中随机插入了20个带钢跑偏时所得到的故障采样点。

测试比较结果如表2所示。从表2可以看出，LSSVM相比PCA，其平均总报警次数要小很多(分别为24.2和29.4)，而混合方法由于只有在2个方法均判断带钢出现跑偏时才进行报警，其平均总报警次数为22，因而具有更高的准确率。

表2 测试比较结果

3.3 SF段带钢跑偏监测系统

基于所提出的模型和方法，开发了连续退火机组SF段带钢跑偏监测系统。该系统主要包括数据处理、数据驱动建模、带钢跑偏在线监测3个模块。其中，数据处理主要完成从生产过程中提取过程数据，并进行数据预处理。数据驱动建模主要包括LSSVM建模，即使用改进的粒子群算法，基于当前时间窗的训练数据，优化确定LSSVM模型参数，以及基于正常生产过程数据建立PCA模型，从而构成混合监测模型；此外，数据驱动建模模块还具有动态更新生产过程数据的能力，即使用滚动时间窗的方法来提高模型对生产过程动态变化的适应能力。带钢跑偏在线监测模块主要用来实时采集连续退火机组SF段内的生产过程数据，并利用基于PCA和LSSVM的混合监测模型，对生产过程的异常工况进行实时监测。当出现异常工况时，系统进行报警。根据PCA模型的贡献图方法，将可能导致该异常的过程变量提供给现场操作人员，再利用现场操作人员的经验进行判断，以快速确定排除异常工况的调整策略。

4 结束语

本文针对连续退火机组SF段内带钢由于张力波动容易出现跑偏，而当前对于带钢跑偏没有可供参考的严格机理模型的实际情况，提出了一个基于LSSVM和PCA数据驱动建模的SF段带钢跑偏混合监测方法。在实际应用中，只有当这2个监测模型均监测到异常工况时，混合模型才进行报警。在LSSVM的建模过程中提出了一个改进的粒子群算法来优化该分类模型的参数。此外，基于滚动时间窗方法，实现了增强模型对生产过程动态变化的适应能力。使用实际生产过程数据的测试结果表明，所提出的混合监测方法的误报警次数要小于单一监测方法。最后，基于所提出的模型和算法，开发了连续退火机组SF段带钢跑偏监测系统。该系统对于钢铁企业提高SF段生产过程的稳定性和连续性，具有较好的参考价值。

[1] 叶玉娟,周旭东,李俊,等.连续退火炉内带钢跑偏和热瓢曲研究进展[J].轧钢,2009,26(4):35-38.

[3] 曹曦.卧式活套中带钢跑偏问题分析与改善措施[J].冶金设备,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

国家自然科学基金面上资助项目 (编号：61573086)。

唐智雁(1978—)，男，2015年毕业于东北大学自动控制专业，获硕士学位，工程师； 主要从事冷轧领域电气设备技术的管理工作。

TH7;TP277

A

10.16086/j.cnki.issn 1000-0380.201611004

修改稿收到日期：2016-05-25。