铝热粗轧机自适应辊缝动态设定.pdf

铝热粗轧机自适应辊缝动态设定 ① 杨景明１，２， 李永泽１，２， 王洪庆３， 车海军１，２， 杜 楠１，２ （１．国家冷轧板带装备及工艺工程技术研究中心，河北 秦皇岛 ０６６００４； ２． 燕山大学 工业计算机控制工程河北省重点实验室，河北 秦皇岛 ０６６００４； ３．天津 电气传动设计研究所，天津 ３００１８０） 摘 要 针对某现场铝热粗轧板带头部厚度偏差较大现象，应用自适应模糊神经网络控制技术，建立了热粗轧辊缝动态设定系统。 该系统将轧制力预报误差及弹跳方程误差作为输入，运用模糊神经网络预测下一道次的辊缝设定补偿值，并以实际数据对系统进 行校验，结果显示该方法可以大幅提高铝热粗轧板带头部厚度精度。 关键词 铝热粗轧； 轧机； 轧制； 模糊神经网络； 自适应； 辊缝动态设定 中图分类号 ＴＰ２７３．４； ＴＰ１８３文献标识码 Ａｄｏｉ１０．３９６９／ ｊ．ｉｓｓｎ．０２５３－６０９９．２０１４．０２．０２９ 文章编号 ０２５３－６０９９（２０１４）０２－０１０８－０５ Ｄｙｎａｍｉｃ Ｓｅｔｔｉｎｇ ｏｆ Ａｄａｐｔｉｖｅ Ｒｏｌｌ Ｇａｐ ｉｎ Ａｌｕｍｉｎｕｍ Ｈｏｔ Ｒｏｕｇｈｉｎｇ Ｍｉｌｌ ＹＡＮＧ Ｊｉｎｇ⁃ｍｉｎｇ１，２， ＬＩ Ｙｏｎｇ⁃ｚｅ１，２， ＷＡＮＧ Ｈｏｎｇ⁃ｑｉｎｇ３， ＣＨＥ Ｈａｉ⁃ｊｕｎ１，２， ＤＵ Ｎａｎ１，２ （１．Ｎａｔｉｏｎａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｅｑｕｉｐｍｅｎｔ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｏｌｄ Ｓｔｒｉｐ Ｒｏｌｌｉｎｇ， Ｑｉｎｈｕａｎｇｄａｏ ０６６００４， Ｈｅｂｅｉ， Ｃｈｉｎａ； ２．Ｋｅｙ Ｌａｂ ｏｆ Ｉｎｄｕｓｔｒｉａｌ Ｃｏｍｐｕｔｅｒ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｅ， Ｑｉｎｈｕａｎｇｄａｏ ０６６００４， Ｈｅｂｅｉ， Ｃｈｉｎａ； ３．Ｔｉａｎｊｉｎ Ｄｅｓｉｇｎ ａｎｄ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃ Ｄｒｉｖｅ， Ｔｉａｎｊｉｎ ３００１８０， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｂｉｇ ｄｅｖｉａｔｉｏｎ ｉｎ ｈｅａｄ ｔｈｉｃｋｎｅｓｓ ｏｆ ａｌｕｍｉｎｕｍ ｈｏｔ ｒｏｕｇｈｉｎｇ ｓｔｒｉｐ， ａ ｄｙｎａｍｉｃ ｓｅｔｔｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ｒｏｌｌ ｇａｐ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｕｓｉｎｇ ａｎ ａｄａｐｔｉｖｅ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｎｔｒｏｌ ｔｅｃｈｎｏｌｏｇｙ． Ｔｈｉｓ ｓｙｓｔｅｍ ａｄｏｐｔｓ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒ ｏｆ ｒｏｌｌｉｎｇ ｆｏｒｃｅ ａｎｄ ｔｈｅ ｅｒｒｏｒ ｏｆ ｓｐｒｉｎｇ ｅｑｕａｔｉｏｎ ａｓ ｉｎｐｕｔｓ ａｎｄ ｕｓｅｓ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｓｅｔ ｃｏｍｐｅｎｓａｔｉｏｎ ｏｆ ｒｏｌｌ ｇａｐ ｉｎ ｔｈｅ ｎｅｘｔ ｐａｓｓ， ｆｉｎａｌｌｙ ｗａｓ ｖｅｒｉｆｉｅｄ ｂｙ ａｃｔｕａｌ ｄａｔａ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｇｒｅａｔｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｈｅａｄ ｔｈｉｃｋｎｅｓｓ ａｃｃｕｒａｃｙ ｏｆ ａｌｕｍｉｎｕｍ ｈｏｔ ｒｏｕｇｈｉｎｇ ｓｔｒｉｐ． Ｋｅｙ ｗｏｒｄｓ ａｌｕｍｉｎｕｍ ｈｏｔ ｒｏｕｇｈｉｎｇ； ｒｏｌｌｉｎｇ ｍｉｌｌ； ｒｏｌｌｉｎｇ； ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ａｄａｐｔｉｖｅ； ｄｙｎａｍｉｃ ｓｅｔｔｉｎｇ ｏｆ ｒｏｌｌ ｇａｐ 随着现代社会对铝板材质量要求的日益提高，铝 热粗轧板带的厚度控制成为了一个越来越重要的课 题。 近年来人工智能算法快速发展，人们开始考虑运 用神经网络、模糊算法等智能算法对辊缝进行初始设 定。 Ｄｕｋｍａｎ Ｌｅｅ 等人运用神经网络预报轧制力，并加 入长期自适应与短期自适应切换技术，极大地提高了 六机架热连轧成品厚度精度［１］。 Ｊｕｎｇ 等人通过分析 韩国浦项现场实际数据，运用模糊算法回归出轧制力 与轧制速度的关系模型，根据轧制力误差调整轧制速 度，进而对出口厚度进行控制，成功提高了第七机架的 出口厚度精度［２］。 东北大学张晓峰等人运用自适应 模糊神经系统，将第一机架、第二机架的轧制力预报误 差作为模糊控制的输入，计算出预测的厚度偏差，然后 由弹跳方程计算出辊缝的修正值，也取得了不错的成 绩［３］。 王昭东等人在南钢 ２ ５００ ｍｍ 精轧机组改造项 目中对弹跳模型和轧制力模型进行自学习，并在本批 次和更改批次过程中分别采用短期学习和长期学习结 合的方法对轧制力模型进行自学习，厚度控制命中率 提高了 １３％左右［４］。 由于单纯的神经网络学习算法收敛速度慢，而且 容易陷入局部最小；模糊控制又缺乏自学习能力，因此 本文将模糊控制算法与神经网络结合，使参数初始值 可以根据系统模糊或定性的知识来加以确定，提高了 学习算法的收敛性，并利用神经网络的自学习能力，使 模型能够适应于不同的轧制环境。 １ 热粗轧辊缝设定分析 １．１ 影响辊缝设定的因素 依据弹跳方程式（１），辊缝设定主要取决于目标 出口厚度、轧制力和轧机刚度。 ①收稿日期 ２０１３－１２－２１ 基金项目 国家自然科学基金钢铁联合基金资助项目（Ｕ１２６０２０３）；河北省科学技术研究与发展计划基金资助项目（１０２１２１５７） 作者简介 杨景明（１９５７－），男，山西太原人，教授，博士，主要研究方向为冶金机械综合自动化、智能控制、板带板厚控制等。 通讯作者 李永泽（１９８８－），男，山东烟台人，硕士研究生，主要研究方向为冶金自动化、智能控制等。 第 ３４ 卷第 ２ 期 ２０１４ 年 ０４ 月 矿矿 冶冶 工工 程程 ＭＩＮＩＮＧ ＡＮＤ ＭＥＴＡＬＬＵＲＧＩＣＡＬ ＥＮＧＩＮＥＥＲＩＮＧ Ｖｏｌ．３４ №２ Ａｐｒｉｌ ２０１４ Ｓ０＝ ｈ － Ｐ Ｍ （１） 式中 ｈ 为轧件的出口厚度，ｍｍ；Ｓ０为轧辊空载辊缝预 设值，ｍｍ；Ｐ 为轧制力，ｋＮ；Ｍ 为轧机刚度，ｋＮ／ ｍｍ。 轧制力是热粗轧生产过程中一个重要的参数，它 受变形抗力、摩擦力等大量参数的影响，因此传统的轧 制力模型应用到不同生产现场时，必须对热轧变形抗 力模型和摩擦力模型进行重新回归，很难得到精确的 轧制力模型。 现场给定的轧机刚度大多数是通过轧辊压靠法得 到的，热粗轧过程中轧件的接触宽度变化较大、宽展的 不确定性、连续的加减速以及频繁的正反转使轧机弹 跳量变化较大，因此实际轧制过程中轧机刚度是一个 不确定量，导致弹跳方程存在较大计算偏差。 表 １ 给出了根据某铝厂现场实际数据计算的弹跳 方程偏差，由表中数据可以看出，弹跳方程确实存在较 大计算偏差。 表 １ 由现场数据计算的弹跳方程偏差 道次 轧制力 预报值 ／ ｋＮ 轧制力 实测值 ／ ｋＮ 目标出口 厚度 ／ ｍｍ 实测出口 厚度 ／ ｍｍ ΔＳ ／ ｍｍ １１１３ １７８１３ ８６６１２５１２０．２４．９７６９ １２１２ ８５６１３ ２５５９５ １３１２ ４６５１２ ７９０７０６６．９３．１８３５ １４１２ ２７３１２ ６０３５２ １５１１ ９８０１２ ３４３４０３７．８２．２９３３ 弹跳方程预测偏差 ΔＳ 计算式如下 ΔＳ ＝ Ｓｓｅｔ － ｈ ａｃｔ ＋ Ｐ ａｃｔ ／ Ｍ（２） Ｓｓｅｔ ＝ ｈ ｔａｇ － Ｐ ｐｒｅ ／ Ｍ（３） 式中 Ｓｓｅｔ为辊缝设定值，ｍｍ；ｈａｃｔ为板带实际出口厚度， ｍｍ；Ｐａｃｔ为实测轧制力，ｋＮ；ｈｔａｇ为板带目标出口厚度， ｍｍ；Ｐｐｒｅ为轧制力预报值，ｋＮ；Ｍ 根据现场数据取 ３ ８９０，ｋＮ／ ｍｍ。 由上述分析可知，辊缝设定的命中率主要受轧制 力预报精度和弹跳方程预报精度影响。 因此，本文将 轧制力误差和弹跳方程预报误差作为输入构建了模糊 神经网络系统对辊缝设定进行修正，其模型结构如 图 １ 所示。 当一个道次轧制完成后，根据测量的实际轧制力 和实际出口厚度计算轧制力误差 ΔＰ 和弹跳方程预报 误差 ΔＳ，并将其作为模糊神经系统的输入，计算出弹 跳方程修正值 ξ（单位为 ｍｍ），修正下一道次的辊缝设 定值。 图 １ 铝热粗轧轧机辊缝动态设定模型结构 铝板坯原始厚度接近 ６００ ｍｍ 左右，测厚仪无法 测量前几个道次的出口厚度。 而且热粗轧初始几个道 次都是最大压下量轧制，不计厚度误差。 当板坯厚度 接近 １２０ ｍｍ 时，测厚仪才开始进行厚度测量。 由于在热粗轧过程中，只有一侧设有测厚仪，因此 现场轧制过程中，每轧制两个道次才能进行一次厚度 测量。 本文运用支持向量机的最小二乘法对偶数道次 出口厚度进行预报。 １．２ 支持向量机的最小二乘预报出口厚度 从现场大量数据中筛选出 ５００ 组奇数道次的实测 数据｛（ｘ１，ｙ１）；（ｘ２，ｙ２）；；（ｘ２０００，ｙ２０００）｝作为训练样 本集。 因为奇数道次和偶数道次的轧制过程是相似 的，所以由奇数道次数据回归的模型同样可以用于偶 数道次出口厚度的预测。 输入数据 ｘｊ＝ ［ｈ１，Ｂ，Ｒ，ｔ，ｖ，Ｐ，Ｓ，Ｍ］ 输出数据 ｙ ＝ ｈｏ 式中 ｈ１为轧制前的入口厚度；Ｂ 为来料带宽；Ｒ 为工 作辊半径；ｔ 为轧制时铝带温度；ｖ 为铝合金的轧制最 高速度；Ｐ 为实测轧制力；Ｍ 为轧机刚度系数；Ｓ 为辊 缝设定值；ｈｏ为模型预测的出口厚度。 由支持向量机的建模原理可知，回归过程等价为 求解如下问题［５］ ｍｉｎＪ（ω ～， ξ） ＝ １ ２ ω ～ ２ ＋ ｃ ∑ ｎ ｉ ＝ １ ξｉ２ ｓ．ｔ． ｙｉ＝ ω ～Ｔϕ（ｘｉ） ＋ ｂ ＋ ξｉ， ｉ ＝ １，２，，ｌ （４） 式中 ω ～为 ｎ 维矢量；ｃ 为常数；ｂ 为偏置量；ξｉ 为预测误 差。 引入拉格朗日乘子 ａｉ，用拉格朗日法解此函数 Ｌ（ ω ～，ｂ，ε，ａｉ） ＝ Ｊ －∑ ｎ ｉ ＝ １ ａｉ（ ω ～Ｔϕ（ｘｉ） ＋ ｂ ＋ ξｉ － ｙ ｉ） （５） ９０１第 ２ 期杨景明等 铝热粗轧机自适应辊缝动态设定 用最小二乘法求出回归系数 ａｉ与 ｂ，得到非线性 预测模型 ｆ（ｘ） ＝∑ ｌ ｉ ＝ １ ａｉＫ（ｘｉ，ｘ） ＋ ｂ（６） 式中 Ｋ（ｘｉ，ｘ）＝ ｅｘｐ（－ｘ－ｘｉ ２ ／２δ２）为支持向量机选 取的核函数。 随机选取了 ５０ 块铝板的奇数道次出口厚度对预 测结果进行校验，见图 ２。 图中所示表明，预报精度大 部分都能满足 ５％之内，此方法能较好的预测奇数道 次出口厚度，因此可以用于偶数道次出口厚度的预测。 图 ２ 奇数道次厚度预报与实际比较 ２ 自适应模糊神经网络系统构成 模糊控制系统能够表达那些模糊或定性的知识， 效仿人类的思维方式［６］。 而神经网络则可直接从样 本中进行有效地学习。 因此本文采用的自适应模糊神 经网络既具有模糊控制的逻辑推理能力，又具有神经 网络的自学习能力，能够很好的运用到实际生产中。 ２．１ 模糊规则 由弹跳方程式（１）可知，当 ΔＰ 大于 ０，会使预报 的辊缝值偏小，因此辊缝补偿值 ξ 应大于 ０；相反 ΔＰ 小于 ０ 时，ξ 应小于 ０；当 ΔＳ 大于 ０，说明辊缝预报值 偏大，则 ξ 应大于 ０；相反 ΔＳ 小于 ０ 时，ξ 应小于 ０。 结合上述逻辑关系及模糊系统的模糊控制规则见 表 ２。 表 ２ 模糊规则表 ΔＰ ΔＳ ＮＢＮＭＮＳＺＥＰＳＰＭＰＢ ＮＢＮＢＮＢＮＢＮＭＮＳＺＥＺＥ ＮＭＮＢＮＢＮＭＮＭＮＳＺＥＺＥ ＮＳＮＢＮＭＮＭＮＳＺＥＰＳＰＳ ＺＥＮＭＭＮＮＳＺＥＰＳＰＭＰＭ ＰＳＮＳＮＳＺＥＰＳＰＭＰＭＰＢ ＰＭＺＥＺＥＰＳＰＭＰＭＰＢＰＢ ＰＢＺＥＺＥＰＳＰＭＰＢＰＢＰＢ 由于模糊分割数太少影响模型精度，模糊分割数 太多影响模型运算速度，因此将弹跳方程预报误差 ΔＳ 设定 ７ 个语言变量值，分别为 ＮＢ、ＮＭ、ＮＳ、ＺＥ、ＰＳ、ＰＭ 和 ＰＢ；轧制力预报误差 ΔＰ 设定 ７ 个语言变量值，分 别为 ＮＢ、ＮＭ、ＮＳ、ＺＥ、ＰＳ、ＰＭ 和 ＰＢ。 ２．２ 自适应模糊神经网络结构图 基于 Ｍａｍｄａｎｉ 模型的自适应模糊神经网络结构 如图 ３ 所示。 图 ３ 模糊神经网络结构图 第一层为输入层，该层一共 ２ 个节点，一个为弹跳 方程预报误差 ΔＳ（ｔ），另一个为轧制力预报误差 ΔＰ（ｔ）。 它起着将输入值 ΔＳ（ｔ）、ΔＰ（ｔ）传送到下一层的作用。 神经元节点的输入／ 输出函数为 ｆ （１） １ ＝ ｘ （０） １ ＝ ΔＳ（ｔ），ｘ（１） １ ＝ ｆ （１） １ ｆ （１） ２ ＝ ｘ （０） ２ ＝ ΔＰ（ｔ），ｘ（１） ２ ＝ ｆ （１） ２ 第二层为语言变量层，该层一共 １４ 个节点，每个节 点代表一个语言变量值。 它的作用是计算各输入分量 属于各语言变量隶属度函数值，本文隶属度函数采用高 斯函数，属于最常见的一种分布正态型隶属度函数。 μｉｊ ＝ ｅ － （ｘｉ －ｃ ｉｊ）２ σ２ ｉｊ （７） 其中，ｉ＝ １，２，，ｎ； ｊ＝ １，２，，ｍｉ。 ｎ＝ ２ 是输入量的 维数；ｍ１＝７ 是 ΔＳ（ｔ）的模糊分割数，ｍ２＝ ７ 是 ΔＰ（ｔ） 的模糊分割数；ｃｉｊ和 σｉｊ分别表示隶属度函数的中心和 宽度。 神经元节点的输入／ 输出函数为 ｆ （２） ｉｊ ＝－ （ｘ（１） ｉ － ｃ ｉｊ） ２ σ２ ｉｊ （８） ｘ（２） ｉｊ ＝ μ ｉｊ ＝ ｅ ｆ（２） ｉｊ ＝ ｅ － （ｘ（１） ｉ －ｃ ｉｊ）２ σ２ ｉｊ （９） （ｉ ＝ １，２； ｊ ＝ １，２，，ｍｉ） 第三层为模糊规则层，该层一共 ４９ 个节点，每个 节点代表一个模糊规则，它的作用是计算出每条规则 的实用度，计算每条规则的适用度是采用隶属度函数 相乘运算，即 αｊ ＝ μ １ｉ１μ２ｉ２ （１０） ｉ１∈ １， ２， ３， ４， ５， ６， ７{}， ｉ２∈ １， ２， ３， ４， ５， ６， ７{ }， ｊ∈ １， ２， ， ４９{}，αｊ为每条规则的实用度。 神经元 ０１１矿 冶 工 程第 ３４ 卷 节点的输入／ 输出函数为 ｆ （３） ｊ ＝ ｘ （２） １ｊ１ ｘ（２） ２ｊ２ ＝ μ １ｊ１μ２ｊ２ （１１） ｘ（３） ｊ ＝ α ｊ ＝ ｆ （３） ｊ （１２） （ｊ１＝ １，２，，７； ｊ２＝ １，２，，７； ｊ ＝ １，２，，４９） 为便于运算，当隶属度函数值小于 ０．０１ 时近似取 为 ０。 因此在第三层中少量节点的输出非 ０，而多数节 点的输出为 ０。 第四层的节点数与第三层相同，也一共 ４９ 个节 点，它所实现的是归一化计算，即 αｊ＝ αｊ ∑ ４９ ｊ ＝ １ αｊ （１３） 神经元节点的输入／ 输出函数为 ｆ （４） ｊ ＝ ｘ （３） ｊ∑ ４９ ｉ ＝ １ ｘ（３） ｉ ＝ α ｊ∑ ４９ ｉ ＝ １ αｉ（１４） ｘ（４） ｊ ＝ α ｊ ＝ ｆ （４） ｊ （１５） （ｊ ＝ １，２，，４９） 第五层为输出层，它所实现的是清晰化计算，即 ξ（ｔ ＋ １） ＝∑ ４９ ｊ ＝ １ ωｊαｊ（１６） 这里的 ωｊ相当于 ξ（ｔ）对应于 αｊ语言变量值的隶 属度函数的中心值。 神经元节点的输入／ 输出函数为 ｆ （５）＝ ∑ ４９ ｊ ＝ １ ωｊｘ（４） ｊ ＝∑ ４９ ｊ ＝ １ ωｊαｊ（１７） ｘ（５）＝ ξ（ｔ ＋ １） ＝ ｆ （５） （１８） ２．３ 学习算法 此模糊神经网络结构需要学习的参数主要是最后 一层的连接权值 ωｉｊ和 ω０，以及第二层的隶属度函数的 中心值 ｃｉｊ和宽度 σｉｊ。 设误差代价函数为 Ｅ ＝ １ ２ （ξ０（ｔ ＋ １） － ξ（ｔ ＋ １）） ２ （１９） ξ０（ｔ ＋ １） ＝ Ｓｓｅｔ － ｈ ａｃｔ ＋ Ｐ ｐｒｅ ／ Ｍ（２０） 其中，ξ０（ｔ＋１）和 ξ（ｔ＋１）分别表示期望输出和实际输 出，ξ（ｔ）为上一道次系统的实际输出，α 取值范围为 ０≤α≤１。 用误差反传算法来计算 ∂Ｅ ∂ωｊ、 ∂Ｅ ∂ｃｉｊ、 ∂Ｅ ∂σｉｊ，由于 ＢＰ 神经网络存在学习效率低，收敛速度慢，容易陷 入局部最小值等缺点，本文在学习算法中采用变步 长法，并引入动量项。 然后利用梯度寻优来调节 ωｊ、 ｃｉｊ和 σｉｊ。 ωｊ（ｔ ＋ １）＝ ωｊ（ｔ） ＋ β（ｔ）［（１ － η）Ｄω（ｔ） ＋ ηＤω（ｔ － １）］ Ｄω（ｔ） ＝－ ∂Ｅ ωｊ（ｔ） （２１） ｃｉｊ（ｔ ＋ １） ＝ ｃｉｊ（ｔ） ＋ β（ｔ）［（１ － η）Ｄｃ（ｔ） ＋ ηＤｃ（ｔ － １）］ Ｄｃ（ｔ） ＝ － ∂Ｅ ｃｉｊ（ｔ） （２２） σｉｊ（ｔ ＋ １）＝ σｉｊ（ｔ） ＋ β（ｔ）［（１ － η）Ｄσ（ｔ） ＋ ηＤσ（ｔ － １）］ Ｄσ（ｔ） ＝－ ∂Ｅ σｉｊ（ｔ） （２３） η 为动量项因子，０≤η≤１。 β（ｔ） ＝ １．０５β（ｔ － １）， Ｅ（ｔ） ＜ Ｅ（ｔ － １） ｅ －λ １β（ｔ － １）， Ｅ（ｔ） ＞ Ｅ（ｔ － １） ｅ －λ ２β（ｔ － １）， Ｅ（ｔ） ＝ Ｅ（ｔ － １） （２４） 其中 ０．０１≤λ１≤０．０３，０．０３≤λ２≤０．０５。 以上公式说 明，当连续两次迭代其梯度方向相同时，表明下降太 慢，这时可使步长加倍；当连续两次迭代其梯度方向相 反时，表明下降过快，这时可使步长减小。 引入动量项 实质上相当于阻尼项，它减小了学习过程的振荡趋势， 改善了收敛性。 实际表明，此方法收敛速度快，波动 小，能够很好运用到实际生产过程中。 ２．４ 算法流程图 系统算法流程图如图 ４。 当第一道次轧制完成 后，计算出口厚度误差。 如果误差在允许范围内，则继 续下一道次，保持原来的辊缝补偿值。 如果误差超过 允许范围，则说明辊缝补偿不准确，将轧制力误差和弹 图 ４ 算法流程图 １１１第 ２ 期杨景明等 铝热粗轧机自适应辊缝动态设定 跳方程误差再输入到模糊神经网络中进行自适应学 习，修正辊缝补偿，添加到下一道次中。 ３ 实证检验 本文以河南某铝厂铝热粗轧应用现场为例，验证 此模糊神经网络的可行性。 该现场采用单机架四辊可逆轧机进行铝热板坯的 粗轧过程，轧机宽度 ２ ０００ ｍｍ，支撑辊直径 １ ３５０ ｍｍ， 工作辊 ８５０ ｍｍ，轧制宽度在 １ ８００ ｍｍ 以下。 主电机 额定功率 ８ ０００ ｋＷ，最高转速 ４００ ｒ／ ｍｉｎ。 铝板材数 据来料温度 ５００ ℃ 左右，来料厚度 ６００ ｍｍ，长度 ６ ｍ，目标厚度 ４０ ｍｍ。 图 ５ 所示为现场运用传统人工经验生产产品数 据，铝板厚度误差基本都能维持在５％以内，然而在铝 板头部厚度偏差较大，严重影响着产品的质量。 图 ５ 某现场粗轧成品道次厚度误差 在自适应模糊神经网络的训练中，选取了该铝厂 铝热粗轧机的现场数据作为实验数据进行训练。 随机 选取了热粗轧 ６００ 块铝板的现场数据进行训练，又随 机选取了 １００ 块铝板进行试验。 图 ６ 为运用自适应模糊神经网络系统后的现场数 据，不难发现，头部厚度误差明显得到改善，出口厚度 误差基本都能控制在 ２％范围内。 实践表明，此方法 能够达到预期效果，而且可以运用到实践当中。 图 ６ 应用神经模糊系统后的厚度误差 ４ 结 论 本文运用的模糊神经网络系统，充分利用了模糊 控制算法能够表达模糊或定性知识、神经网络能够自 学习自适应的能力，能够很好地运用到铝热粗轧辊缝 的动态设定控制中。 选取上一道次轧制力预报误差和弹跳方程误差作 为系统输入，充分考虑了影响辊缝设定命中率的影响 因素，能够准确的给出辊缝设定补偿值，提高辊缝设定 的命中率，进而提高铝板材的厚度精度。 参考文献 ［１］ Ｄｕｋｍａｎ Ｌｅｅ， Ｙｏｎｇｓｕｇ Ｌｅｅ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ⁃ｎｅｔｗｏｒｋ ｆｏｒ ｉｍｐｒｏ⁃ ｖｉｎｇ ａｃｃｕｒａｃｙ ｏｆ ｒｏｌｌ⁃ｆｏｒｃｅ ｍｏｄｅｌ ｉｎ ｈｏｔ⁃ｒｏｌｌｉｎｇ ｍｉｌｌ［Ｊ］． Ｃｏｎｔｒｏｌ Ｅｎｇｉ⁃ ｎｅｅｒｉｎｇ Ｐｒａｃｔｉｃｅ，２００２（１０）４７３－４７８． ［２］ Ｊｕｎｇ Ｊ Ｙ， Ｉｍ Ｙ Ｔ． Ｆｕｚｚｙ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃａｌｃｕｌａｔｉｎｇ ｒｏｌｌ ｓｐｅｅｄ ｖａｒｉａｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｏｌｌ ｓｅｐａｒａｔｉｎｇ ｆｏｒｃｅ ｉｎ ｈｏｔ ｒｏｌｌｉｎｇ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｓｃｉｅｎｃｅｓ，２０００（４２）２４９－２７２． ［３］ 张晓峰，王 哲，王国栋，等． 基于自适应模糊神经系统的热轧精 轧机组动态设定系统［Ｊ］．东北大学学报 ２０００，２１（３）２８２－２８５． ［４］ 王昭东，田 勇，赵 忠，等． 中厚板厚度控制模型的自学习［Ｊ］． 东北大学学报，２００６，２７（７）７７１－７７４． ［５］ ＳｈｉＸｉｕｚｈｉ，ＺｈｏｕＪｉａｎ，ＷｕＢａｎｇｂｉａｏ，ｅｔ ａｌ，ＷｅｉＷｅｉ．Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａ⁃ ｃｈｉｎｅｓ ａｐｐｒｏａｃｈ ｔｏ ｍｅａｎ ｐａｒｔｉｃｌｅ ｓｉｚｅ ｏｆ ｒｏｃｋ ｆｒａｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｔｒａｎｓ⁃ ａｃｔｉｏｎ ｏｆ Ｎｏｎｆｅｒｒｏｕｓ Ｍｅｔａｌｓ Ｓｏｃｉｅｔｙ ｏｆ Ｃｈｉｎａ， ２０１２（２２）４３２－４４１． ［６］ 李国勇． 神经模糊控制理论及应用［Ｍ］． 北京电子工业出版社， ２００９． ２１１矿 冶 工 程第 ３４ 卷