本發(fā)明涉及鋼鐵制造過程中的自動化控制，特別是涉及一種軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法。

背景技術(shù)：

1、熱連軋作為鋼鐵生產(chǎn)中的關(guān)鍵步驟，其操作效率和產(chǎn)品質(zhì)量對最終成品的性能有著決定性影響。傳統(tǒng)的軋制控制方法多側(cè)重于單一階段的優(yōu)化，例如獨立優(yōu)化粗軋或精軋過程，這種方法往往忽略了軋制各階段間的相互影響，可能導(dǎo)致資源配置不均和生產(chǎn)效率低下。現(xiàn)有技術(shù)中，雖然已有采用多目標(biāo)優(yōu)化算法和群智能算法的嘗試，如差分算法和粒子群優(yōu)化，以提高負(fù)荷分配的效率和板形質(zhì)量控制。然而，這些方法往往未能全面考慮各軋制階段間的動態(tài)協(xié)調(diào)，也未能有效整合實時監(jiān)測數(shù)據(jù)進(jìn)行即時響應(yīng)和調(diào)整。此外，現(xiàn)有技術(shù)中的方法通常無法實現(xiàn)高度集成的數(shù)據(jù)處理和跨多個軋制階段的全面優(yōu)化。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是旨在解決熱連軋過程中粗軋區(qū)、精軋區(qū)和卷取階段的調(diào)優(yōu)化問題，提出一種軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，適用于粗軋區(qū)、精軋區(qū)以及卷取階段的負(fù)荷分配與協(xié)調(diào)控制，改善整體生產(chǎn)流程的效率和產(chǎn)品質(zhì)量，通過實時獲取和分析軋制力數(shù)據(jù)，構(gòu)建精確的軋制特征參數(shù)計算模型，進(jìn)而實現(xiàn)對軋制過程的優(yōu)化控制，本發(fā)明特別關(guān)注于通過先進(jìn)的控制策略和協(xié)調(diào)優(yōu)化方法，改進(jìn)軋機的負(fù)荷分配和板帶質(zhì)量的綜合管理。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，包括：

4、收集軋制生產(chǎn)過程中的目標(biāo)數(shù)據(jù)；

5、將所述目標(biāo)數(shù)據(jù)輸入軋制工藝參數(shù)計算機理模型，獲取軋制力；

6、將所述目標(biāo)數(shù)據(jù)輸入混合神經(jīng)網(wǎng)絡(luò)模型，獲取修正值；所述混合神經(jīng)網(wǎng)絡(luò)模型包括：一維卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型；所述混合神經(jīng)網(wǎng)絡(luò)模型利用訓(xùn)練集訓(xùn)練獲得；

7、根據(jù)所述軋制力結(jié)合所述修正值，獲取修正后的軋制力；

8、構(gòu)建多級多階段協(xié)調(diào)優(yōu)化模型，將所述修正后的軋制力輸入所述多級多階段協(xié)調(diào)優(yōu)化模型，動態(tài)調(diào)整軋制參數(shù)，并引入帕累托前沿方法，對多個沖突目標(biāo)之間進(jìn)行權(quán)衡，進(jìn)一步結(jié)合熵權(quán)決策方法和topsis技術(shù)，確定最終的優(yōu)化決策方案。

9、可選地，構(gòu)建所述軋制工藝參數(shù)計算機理模型的方法為：

10、

11、式中：為軋制力；為帶寬；為考慮壓扁后軋輥與軋件接觸弧的水平投影長度；為考慮變形區(qū)內(nèi)應(yīng)力狀態(tài)的影響系數(shù)；為金屬變形抗力，為前后張應(yīng)力對軋制力的影響系數(shù)；

12、考慮變形區(qū)內(nèi)應(yīng)力狀態(tài)的影響系數(shù)：

13、

14、式中：為軋輥半徑；、為各個機架的入口和出口厚度；為機架的壓下量；

15、軋制功率模型：

16、

17、

18、式中：為軋制力矩；為軋制功率；為軋輥轉(zhuǎn)速；為軋制力；為力臂；為力臂系數(shù)。

19、可選地，構(gòu)建所述混合神經(jīng)網(wǎng)絡(luò)模型包括：

20、

21、其中，為混合模型輸出；為cnn模型輸出；為rnn模型輸出；和為融合系數(shù)；為偏置項；為激活函數(shù)。

22、可選地，利用訓(xùn)練集訓(xùn)練獲得所述混合神經(jīng)網(wǎng)絡(luò)模型包括：

23、將所述訓(xùn)練集中的歷史軋制力數(shù)據(jù)輸入所述一維卷積神經(jīng)網(wǎng)絡(luò)，提取所述歷史軋制力數(shù)據(jù)中序列數(shù)據(jù)的局部特征，利用所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型捕捉所述局部特征中的長期依賴性，從而識別在連續(xù)軋制過程中出現(xiàn)的動態(tài)變化趨勢，并采用自適應(yīng)遺傳算法對所述一維卷積神經(jīng)網(wǎng)絡(luò)和所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化，自動尋找最優(yōu)的網(wǎng)絡(luò)參數(shù)配置，從而獲得所述混合神經(jīng)網(wǎng)絡(luò)模型。

24、可選地，獲取所述修正后的軋制力的方法為：

25、

26、其中，是通過傳統(tǒng)物理模型計算得到的軋制力；為修正后的軋制力；表示混合網(wǎng)絡(luò)模型基于歷史數(shù)據(jù)預(yù)測的軋制力；是由混合神經(jīng)網(wǎng)絡(luò)模型預(yù)測的修正值；是修正系數(shù)。

27、可選地，所述多級多階段協(xié)調(diào)優(yōu)化模型包括：

28、粗軋負(fù)荷分配協(xié)調(diào)優(yōu)化子模型用于確保末道次軋制的板帶質(zhì)量，進(jìn)行負(fù)荷分配決策，以控制板帶的厚度和凸度：

29、

30、其中，為目標(biāo)；為第i道次的軋制力；為所有道次軋制力的平均值；為軋制道次數(shù)量；為實際測得的中間坯凸度；為目標(biāo)凸度值；為粗軋階段總能耗；為第道次的功率；

31、精軋負(fù)荷分配子模型用于接收所述粗軋負(fù)荷分配協(xié)調(diào)優(yōu)化子模型的數(shù)據(jù)，基于該數(shù)據(jù)及精軋過程的實時監(jiān)測數(shù)據(jù)進(jìn)行負(fù)荷平衡和板形優(yōu)化：

32、

33、其中，為目標(biāo)；為第道次的實際出口厚度；為目標(biāo)厚度；為軋制道次；為軋制線速度；為該階段消耗的總能量；為生產(chǎn)的總量。

34、可選地，所述多級多階段協(xié)調(diào)優(yōu)化模型還包括：

35、卷取階段子模型用于根據(jù)所述精軋負(fù)荷分配子模型的優(yōu)化結(jié)果調(diào)整卷取張力：

36、

37、其中，為目標(biāo)；為實際測得的張力；為設(shè)定張力；為實際測得的卷徑；為目標(biāo)卷徑。

38、可選地，引入帕累托前沿方法，對多個沖突目標(biāo)之間進(jìn)行權(quán)衡的方法包括：

39、引入帕累托前沿方法，對平衡了軋制力最小化、能耗降低、生產(chǎn)效率提高和產(chǎn)品質(zhì)量保證之間進(jìn)行權(quán)衡：

40、

41、其中，和為決策變量，如果不存在另一個解，使得所有目標(biāo)函數(shù)在處的值都不比在處的值差，且至少有一個目標(biāo)函數(shù)在處的值優(yōu)于處的值，則解被認(rèn)為是帕累托最優(yōu)的，為定義在決策空間上的目標(biāo)函數(shù)。

42、可選地，確定所述最終的優(yōu)化決策方案的方法為：

43、

44、其中，為綜合決策分?jǐn)?shù)；為決策標(biāo)準(zhǔn)的數(shù)量；為第個決策標(biāo)準(zhǔn)的熵權(quán)重；為第個決策標(biāo)準(zhǔn)的評分；為第個標(biāo)準(zhǔn)的相對接近度；和為目標(biāo)與正、負(fù)理想之間的距離；為第個決策在第個標(biāo)準(zhǔn)上的評分；為每個決策的具體評分；為第個決策的具體評分。

45、本發(fā)明的有益效果為：

46、本發(fā)明能夠整合實時數(shù)據(jù)和先進(jìn)的優(yōu)化算法，實現(xiàn)生產(chǎn)過程中的實時動態(tài)優(yōu)化，從而提高生產(chǎn)效率，降低能耗，同時保證或提升產(chǎn)品質(zhì)量。

47、本發(fā)明優(yōu)化了軋制過程中的動態(tài)數(shù)據(jù)處理和多階段決策制定過程，通過高級數(shù)據(jù)分析和機器學(xué)習(xí)算法預(yù)測和調(diào)整生產(chǎn)參數(shù)，減少了生產(chǎn)中的浪費，提高了資源利用效率。此外，該方法的多階段協(xié)調(diào)優(yōu)化特性使得每個子系統(tǒng)可以在本地進(jìn)行實時決策處理，從而減少了中心處理需求，提高了系統(tǒng)的響應(yīng)速度和可靠性。

48、為了適應(yīng)不同的工業(yè)環(huán)境和具體需求，本發(fā)明可以有多種變體。如數(shù)據(jù)獲取和處理模塊可以根據(jù)具體的生產(chǎn)設(shè)備和傳感技術(shù)進(jìn)行定制，優(yōu)化模型和算法可以根據(jù)不同的生產(chǎn)目標(biāo)和約束條件進(jìn)行調(diào)整。此外，整個系統(tǒng)的架構(gòu)可模塊化，易于升級和擴展，以適應(yīng)快速變化的技術(shù)和市場需求。

技術(shù)特征：

1.一種軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，構(gòu)建所述軋制工藝參數(shù)計算機理模型的方法為：

3.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，構(gòu)建所述混合神經(jīng)網(wǎng)絡(luò)模型包括：

4.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，利用訓(xùn)練集訓(xùn)練獲得所述混合神經(jīng)網(wǎng)絡(luò)模型包括：

5.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，獲取所述修正后的軋制力的方法為：

6.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，所述多級多階段協(xié)調(diào)優(yōu)化模型包括：

7.根據(jù)權(quán)利要求6所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，所述多級多階段協(xié)調(diào)優(yōu)化模型還包括：

8.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，引入帕累托前沿方法，對多個沖突目標(biāo)之間進(jìn)行權(quán)衡的方法包括：

9.根據(jù)權(quán)利要求1所述的軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，其特征在于，確定所述最終的優(yōu)化決策方案的方法為：

技術(shù)總結(jié)
本發(fā)明涉及一種軋制全流程的多級多階段協(xié)調(diào)優(yōu)化控制方法，包括：收集軋制生產(chǎn)過程中的目標(biāo)數(shù)據(jù)；將所述目標(biāo)數(shù)據(jù)輸入軋制工藝參數(shù)計算機理模型，獲取軋制力；將所述目標(biāo)數(shù)據(jù)輸入混合神經(jīng)網(wǎng)絡(luò)模型，獲取修正值；所述混合神經(jīng)網(wǎng)絡(luò)模型包括：一維卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型；所述混合神經(jīng)網(wǎng)絡(luò)模型利用訓(xùn)練集訓(xùn)練獲得；根據(jù)所述軋制力結(jié)合所述修正值，獲取修正后的軋制力；構(gòu)建多級多階段協(xié)調(diào)優(yōu)化模型，將所述修正后的軋制力輸入所述多級多階段協(xié)調(diào)優(yōu)化模型，動態(tài)調(diào)整軋制參數(shù)，并引入帕累托前沿方法，對多個沖突目標(biāo)之間進(jìn)行權(quán)衡，進(jìn)一步結(jié)合熵權(quán)決策方法和TOPSIS技術(shù)，確定最終的優(yōu)化決策方案。

技術(shù)研發(fā)人員：姬亞鋒,吳泊潤,孫杰,彭文
受保護的技術(shù)使用者：太原科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10