基于厚度检测信号及自适应神经网络的轧辊偏心控制方法技术

本发明专利技术公开了一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法,包括以下步骤：1）厚度测量仪采集厚度实际值,并计算厚度波动量；厚度波动量是指厚度实际值与厚度设定值之差；2）以负的带钢厚度波动量来衡量偏心量；3）转换得到的带噪声的剩余偏心信号；4）建立神经网络模型对任一轧辊偏心主导分量进行辨识：神经网络为一个输入层、输出层、含4个节点的隐层自适应线性神经网络;5）对建立的神经网络进行内部权值校正；7)将偏心控制输出量输出给液压辊缝位置调节回路进行偏心补偿。本发明专利技术轧辊偏心控制方法可以在轧制过程中实现对轧辊偏心信号的在线逼近和消除；具有良好的轧辊偏心消除能力、抗噪声干扰能力及轧制在线适应能力。

【技术实现步骤摘要】
基于厚度检测信号及自适应神经网络的轧辊偏心控制方法
本专利技术涉及冷轧带钢生产领域，特别是涉及一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法。
技术介绍
板厚精度是带钢的一项主要质量指标和决定其市场竞争力的重要因素。随着汽车、轻工、家电和电气制造等工业用户对板厚质量要求的不断提高，板厚控制技术已成为轧钢领域最核心最复杂的技术之一，是世界各国开发研究的一热点问题。轧辊偏心是影响高精度板带材质量的重要因素。由于加工条件和装配情况等诸多因素的限制，要使轧辊做到完全无偏心是不可能的，轧辊的偏心补偿控制一直是冷轧板厚度控制系统AGC的重要组成部分。轧辊偏心具有以下特点：(1)周期性。轧辊的偏心反映在轧制力、辊缝、张力或厚度等信号中，可被看作是一系列频率与轧辊转速成正比的正弦周期波的叠加。(2)复杂性。偏心信号包含有采集噪声和轧件的硬度和厚度变化、油膜厚度变化等造成的各种各样的随机干扰。(3)变化性。偏心的频率是变化的，当轧制速度变化时，偏心频率也随之变化。(4)耦合性。轧制过程中采集到的偏心信号并不是单一轧辊的偏心信号，而是所有轧辊偏心信号的耦合信号。以六辊HC轧机为例，轧制过程中采集到的偏心信号除了干扰信号外至少是上、下支撑辊、上、下中间辊、上、下工作辊偏心信号的叠加。自适应线性神经网络主要用于函数逼近、信号预测、系统辨识、模式识别和控制等领域。针对轧辊偏心信号具有周期性、噪声干扰的特点，以及传统神经网络需先利用FFT算法得到偏心频率，再构建偏心信号辨识模型，或者在线学习时自适应速度较慢，从而导致其运行效率低下，不适用于轧制在线控制的限制。
技术实现思路
本专利技术所要解决的技术问题是：针对轧辊偏心信号具有周期性、噪声干扰的特点，以及传统神经网络需先利用FFT算法得到偏心频率，再构建偏心信号辨识模型，或者在线学习时自适应速度较慢，从而导致其运行效率低下，不适用于轧制在线控制的限制，提供一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法，该方法以经厚度测量仪器采集及转换得到的带噪声的剩余偏心信号及Widrow-Hoff学习规则作为在线调整神经网络模型内部权值的依据，并针对在线控制要求实施相应的控制措施，以达到良好地在线逼近轧辊偏心信号和消除其影响的目的。本专利技术解决其技术问题采用以下的技术方案：一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法，其特征是一种以经厚度测量仪器采集及转换得到的带噪声的剩余偏心信号及Widrow-Hoff学习规则作为在线调整神经网络模型内部权值的依据，并针对在线控制要求实施相应的控制措施，以达到良好地在线逼近轧辊偏心信号和消除其影响的目的的方法。一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法，该方法具体包括以下步骤：1)厚度测量仪采集厚度实际值,并计算厚度波动量；厚度波动量是指厚度实际值与厚度设定值之差；2)从厚度测量仪采集及转换得到的带噪声的偏心信号fs(t)中辨识出偏心主导分量ft(t)；以负的带钢厚度波动量来衡量偏心量，则偏心主导分量：ft(t)＝-Δht(t)式中，ft(t)为任一轧辊偏心主导分量；Δht(t)为由任一轧辊偏心主导分量导致的机架出口带钢的厚度波动量；3)取任一轧辊偏心量的基波加二次谐波分量作为该轧辊偏心量的主导分量，则任一轧辊偏心主导分量ft(t)表示为：ft(t)＝a1sin(ωt)+b1cos(ωt)+a2sin(2ωt)+b2cos(2ωt)式中，ft(t)为任一轧辊偏心主导分量；a1,b1,a2,b2为需要被辨识的偏心参数；ω为任一轧辊的角速度；t为时间；4)建立神经网络模型对任一轧辊偏心主导分量进行辨识：所述神经网络为一个输入层、输出层、含4个节点的隐层自适应线性神经网络；5)对建立的神经网络进行内部权值校正,其内部权值的调整方法为:自适应线性神经网络的加权系数修正采用Widrow-Hoff学习规则；6)构造评价函数J1来评价调节发生时轧辊偏心主导分量未被消除的剩余误差分量：7)将偏心控制输出量输出给液压辊缝位置调节回路进行偏心补偿。按上述方案，步骤4)中神经网络为：输出为：式中，y1(t)为神经网络在时刻t输出的偏心调节量；为对偏心参数a1,b1,a2,b2进行辨识得到的结果；ω为任一轧辊的角速度；t为时间；隐层输入的权值矩阵为:D＝[1，1，1，1]T输出层输入的权值矩阵为:隐层节点的矩阵为:C＝[sin(ωtk)，cos(ωtk)，sin(2ωtk),cos(2ωtk)]T式中，k为轧制过程中偏心信号的采集次数，k＝0，1，2，...；神经网络输出的偏心调节量为：y1(tk)＝WTC按上述方案，所述步骤5)中内部权值的调整方法具体如下：使用J或J0作为任一轧辊偏心主导分量未被消除的剩余误差分量的评价函数：式中，J0为任一轧辊偏心主导分量未被消除的剩余误差分量的评价函数；C为大于零的任意实数；m为大于零的任意整数；J为任一轧辊偏心主导分量未被消除的剩余误差分量的2次方误差评价函数；为对任一轧辊实际偏心参数a1,b1,a2,b2进行辨识得到的结果；L-1[F(s)]表示对函数式F(s)做拉氏逆变换；K为冷轧板带轧机液压辊缝位置变化量与偏心变化量间的转换系数；CG为冷轧板带轧机机架的刚度系数；CM为带钢的塑性模数；Y1(s)为对任一轧辊的偏心调节量或辨识结果y1(t)的拉氏变换函数；T1为液压辊缝位置调节回路的阶跃响应时间常数；ΔHt(s)为任一轧辊偏心主导分量导致的机架厚度波动量Δht(t)的拉氏变换函数；ΔHd(s)为任一轧辊有效厚度波动量Δht(t)外的噪声干扰信号Δhd(t)的拉氏变换函数；τ为由机架与厚度测量仪的距离及带钢速度导致的周期延拓时间；VS为带钢速度；L为机架到厚度测量仪的距离；根据J或J0来计算第k+1次自学习时神经网络模型内部权值的调整量：第k+1次自学习后神经网络模型得到的新的内部权值为：其中，η为学习速度，0＜η＜1；k为轧制过程中偏心信号的采集次数，k＝0，1，2，...；下标n＝1，2；H(s)为厚度测量值h(t)的拉氏变换函数；h(t0)为偏心调节开始时刻从控制器CPU内读到的厚度测量值；T1为液压辊缝位置调节回路的阶跃响应时间常数；T2为厚度检测单元的阶跃响应时间常数；y1(t)为神经网络模型对任一轧辊偏心主导分量进行辨识得到的结果；L-1[F(s)]表示对函数式F(s)做拉氏逆变换；K为冷轧板带轧机液压辊缝位置变化量与偏心变化量间的转换系数。按上述方案，步骤6)中通过计算出合适的以使J1最小化,作为神经网络模型的收敛条件，同时根据辨识偏心参数a1,b1,a2,b2；式中，J1为轧辊偏心主导分量未被消除的剩余误差分量的评价函数；为对偏心参数a1,b1,a2,b2进行辨识得到的结果；ΔHt(s)为任一轧辊偏心主导分量导致的机架厚度波动量Δht(t)的拉氏变换函数；ΔHy(s)为由机架处偏心调节量y1(t+τ)导致的厚度波动量Δhy(t)的拉氏变换函数；Y1(s)为厚度测量仪处偏心调节量y1(t)的拉氏变换函数；T1为液压辊缝位置调节回路的阶跃响应时间常数；τ为由机架与厚度测量仪的距离及带钢速度导致的周期延拓时间。按上述方案，步骤7)中液压辊缝位置调节回路的输出为按上述方案，步骤本文档来自技高网...

【技术保护点】
一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法，其特征是一种以经厚度测量仪器采集及转换得到的带噪声的剩余偏心信号及Widrow‑Hoff学习规则作为在线调整神经网络模型内部权值的依据，并针对在线控制要求实施相应的控制措施，以达到良好地在线逼近轧辊偏心信号和消除其影响的目的的方法。

【技术特征摘要】
1.一种基于厚度检测信号及自适应线性神经网络的轧辊偏心控制方法，其特征是该方法包括以下步骤：1)厚度测量仪采集厚度实际值,并计算厚度波动量；厚度波动量是指厚度实际值与厚度设定值之差；2)从厚度测量仪采集及转换得到的带噪声的偏心信号fs(t)中辨识出偏心主导分量ft(t)；以负的带钢厚度波动量来衡量偏心量，则偏心主导分量：ft(t)＝-Δht(t)式中，ft(t)为任一轧辊偏心主导分量；Δht(t)为由任一轧辊偏心主导分量导致的机架出口带钢的厚度波动量；3)取任一轧辊偏心量的基波加二次谐波分量作为该轧辊偏心量的主导分量，则任一轧辊偏心主导分量ft(t)表示为：ft(t)＝a1sin(ωt)+b1cos(ωt)+a2sin(2ωt)+b2cos(2ωt)式中，ft(t)为任一轧辊偏心主导分量；a1,b1,a2,b2为需要被辨识的偏心参数；ω为任一轧辊的角速度；t为时间；4)建立神经网络模型对任一轧辊偏心主导分量进行辨识：所述神经网络为一个输入层、输出层、含4个节点的隐层自适应线性神经网络；5)对建立的神经网络进行内部权值校正,其内部权值的调整方法为:自适应线性神经网络的加权系数修正采用Widrow-Hoff学习规则；6)构造评价函数来评价调节发生时轧辊偏心主导分量未被消除的剩余误差分量：7)将偏心控制输出量输出给液压辊缝位置调节回路进行偏心补偿。2.根据权利要求1所述的偏心控制方法，其特征在于，步骤4)中神经网络为：输出为：式中，y1(t)为神经网络在时刻t输出的偏心调节量；为对偏心参数a1,b1,a2,b2进行辨识得到的结果；ω为任一轧辊的角速度；t为时间；隐层输入的权值矩阵为:D＝[1，1，1，1]T输出层输入的权值矩阵为:隐层节点的矩阵为:C＝[sin(ωtk)，cos(ωtk)，sin(2ωtk),cos(2ωtk)]T式中，k为轧制过程中偏心信号的采集次数，k＝0，1，2，...；神经网络输出的偏心调节量为：y1(tk)＝WTC。3.根据权利要求1所述的偏心控制方法，其特征在于，所述步骤5)中内部权值的调整方法具体如下：使用J或J0作为任一轧辊偏心主导分量未被消除的剩余误差分量的评价函数：式中，J0为任一轧辊偏心主导分量未被消除的剩余误差分量的评价函数；C为大于零的任意实数；m为大于零的任意整数；J为任一轧辊偏心主导分量未被消除的剩余误差分量的2次方误差评价函数；为对任一轧辊实际偏心参数a1,b1,a2,b2进行辨识得到的结果；L-1[F(s)]表示对函数式F(s)做拉氏逆变换；K为冷轧板带轧机液压辊缝位置变化量与偏心变化量间的转换系数；CG为冷轧板带轧机机架的刚度系数；CM为带钢的塑性模数；Y1...

【专利技术属性】
技术研发人员：黄杏往，王胜勇，卢家斌，
申请(专利权)人：中冶南方武汉自动化有限公司，
类型：发明
国别省市：湖北;42