二级模型预报的神经元网络自适应改进

任志淼

(山西水利职业技术学院，山西 太原 030027)

1 概述

轧制模型是针对大量主要现场数据总结出的规律为依托建立的量化公式，神经元网络是通过对大量样本数据的学习实现复杂的非线性映射，在一定程度上模拟人类思维方法和行为对复杂生产过程进行控制。但是实际轧钢过程中，相同钢种规格的每块钢化学成分、温度等因素实际上存在着较大差异，导致二级长遗传设定精度出现不规则扰动的现象，并且神经元网络训练过程中与其它钢种规格交互影响，造成了品种规格交替或轧制末期产品质量的波动、轧制废品的出现。针对系统外的数据积累对全年数据进行人工分析，把以前忽略或者弱化的非主要数据提取出来分类精细建模，提高神经元网络模型对尽量多的轧制数据自适应学习能力，最终提高轧钢设定精度。

2 模型自适应功能的优化

2.1 针对软质钢和硬质钢开发不同的负荷分配方式

一般来讲“RR相对压下”负荷分配的方式是二级模型通常采用的，每个机架的原始压下率计算方法为(lv代表最初负荷给定)：

eps[i]= lv[i]

“RR相对压下”负荷计算方式的特点：它的优点是每个机架压下率基本稳定，而且每个机架的速度也处于相对稳定的范围，这种稳定对性能要求高的钢种的好处是显而易见的；当然缺点是:在机架轧制压力大而且轧制要求相对更多的时候，如轧制薄规格、不锈钢、薄规格高强钢等钢种时，可能会使某个机架轧制的压力过大，容易在中后段形成比较严重的电机过流，轧制稳定性及设备安全性的风险较大。

根据上述分析及不同材质钢种的负荷分配特点，在粗轧多道次、精轧连轧的模型计算中开发了不同的神经元网络，其中在粗轧多道次模型中开发了普通钢网络、硅钢网络、CR不锈钢网络、镍不锈钢网络、低合金钢网络五组网络，在精轧连轧模型中开发了普通钢、软质钢、低合金钢、不锈耐热钢、DW29、DW35、DW40、DW47、DW47T、DW60、DW80共12种神经网络，这就意味着在程序中不同材质的钢种和其对应的神经元网络无论是在线还是离线训练，都能实现完全的自动切换存取。这种模型我们称之为“RF(相对压力)”，这种通过压力计算进行的负荷分配方式的原始压下率计算公式为：

eps[i] = lv[i]*gbzwk/mh[i]/nnfk[i]

其中：lv表示原始负荷给定；gbzwk表示最大允许压力；mh表示带钢计算硬度；nnfk表示压力自适应系数。

很明显这样做的优点是和压力系数成反比，不但能够调整精轧不同机架间的负荷分配，就是说某个机架实际轧制压力比设定轧制压力大的时候，这个模型就自动降低这个机架的压下率，相反如果当实际轧制压力比设定轧制压力小的时候，那么它就自动增加这个机架的压下率；而且这项功能可以确保精轧各机架负荷的分配总是在最合理的范围而不超标，这对极限材尤其是硬质钢的轧制稳定具有很高的价值，但缺点是压下率、速度变化范围比较大，对性能要求高的钢种尤其软质钢的生产不太适合。

当计算使用“RF(相对压力)”负荷方式的时候，由于负荷可根据现场实际压力的波动自适应调整各机架的压下率分配，因而在极限规格生产时对保证AGC动作、速度调整、活套稳定性等方面起到了非常关键的基础性作用。

RR、RF等两种负荷分配方式的应用，使得软质钢及硬质钢尤其极限规格生产等均可采取适合轧制的最佳的负荷方式，对软质钢及压下率要求较高的钢种，仍采用RR负荷分配方式；而对于硬质钢或极限材等的生产，则采用RF负荷分配方式，极大地提高了模型设定的适应性。

2.2 自适应优化

热连轧压力自适应功能分长期自适应和短期自适应两种，长期自适应主要应用于换批次自学习，利用神经网络进行训练及取值；而短期自适应主要应用于同批次自学习，利用共享内存进行快速自适应控制。

在短期自适应过程中，发现在很多情况下存在自学习与实际状态相反的现象，设定精度出现较大偏差根本无法保证，从而导致钢种规格交替及轧制后期活套异常现象的出现。通过分析全年数据后，课题组认为是由于原有粗轧、精轧预计算模型中均未考虑不同加热炉对带钢硬度及设定精度的影响所致，表1是对AISI304钢种同一规格情况下不同加热炉条件下压力统计数据。

表1 AISI304在不同加热炉条件下的压力统计数据

针对以上分析，在粗轧、精轧预计算模型中改变了短期遗传策略，在模型自学习程序中建立区分四座加热炉的四个短遗传共享内存区域，同时在预计算程序中采用区分炉号继承的方法，以消除不同加热炉对设定精度的影响。

以上改进显著提高了模型预计算的设定精度，但在1549生产线四炉转三炉生产后，随着抽钢节奏的进一步提高，以上方法却表现出明显的不适应性，薄规格厚负现象批量增加，厚负现象带来了大量活套异常波动的出现，对薄规格现场稳定性造成很大影响，如图1所示。

综合分析后认为是由于薄规格升温过快而自适应速率过慢造成，为此针对薄规格自适应功能进行了以下优化：

1) 2.0 mm厚度以下薄规格采用逐块进行短期自适应的策略，而其它规格采用区分炉号进行短期自适应。

2) 自学习速率调由0.68调整为：当实际压力小于计算值时，自学习速率增大为0.9；当实际压力大于计算值时，自学习速率减少为0.2，以适应薄规格温度变化特点。

3) 从后计算计算方法上，对2.0 mm以下规格，采用预计算硬度代替后计算硬度，以避免后计算对温度的混乱。

图1 薄规格批量厚负界面图

3 在生产中的实际应用及其效果

以上优化功能投入运行后，薄规格厚负现象得以彻底解决，设定精度及活套稳定性得到实质性提高，从而有效提高了薄规格的轧制质量。此次对神经网络模型的开发和应用成功，提高了轧制中精细参数的设定精度，从根本上解决了忽略因素和噪音参数对轧钢模型不规则影响的困扰，证明弱化因子对产品质量进一步提高的重要性，同时也是对噪音数据分析、筛选、应用方式的一次极有意义的实践尝试，对后续二级模型的进一步细化深入有很好的引领、示范作用，模型改进达到国内先进水平。