一种面向多钢卷的连退生产过程工艺参数优化设定方法技术

本发明专利技术涉及钢铁企业连续退火机组的自动控制技术领域，提供一种面向多钢卷的连退生产过程工艺参数优化设定方法，包括：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；基于自适应多目标多因子差分进化算法求解模型：首先初始化相关参数，将带钢的控制变量设定方案均作为个体并初始化种群；然后按照各变异算子的选择概率和交配策略生成子代种群，并更新子代种群中每个个体的技术因子；接着评价联合种群中的每个个体，留存适应度高的个体；最终将求解得到的多组控制变量设定方案提供给连退生产现场来指导生产。本发明专利技术能够利用不同优化任务间的信息交流对多个钢卷的生产过程工艺参数进行并行优化，提升了工艺参数优化设定的效率和效果。

An optimization method of process parameters setting for multi coil continuous rolling process

【技术实现步骤摘要】
一种面向多钢卷的连退生产过程工艺参数优化设定方法
本专利技术涉及钢铁企业连续退火机组的自动控制
，特别是涉及一种面向多钢卷的连退生产过程工艺参数优化设定方法。
技术介绍
连退是钢铁企业冷轧厂的一道重要工序。由于连退工艺复杂，环境参数和控制变量众多，有些变量之间还具有耦合关系，因此采用人工经验的方法对控制变量进行设定很难达到最优控制的效果。为实现连退生产过程的最优控制，需对连退生产过程的工艺参数优化设定问题进行研究，得到最佳的工艺参数设定方案，从而指导实际生产，提升企业经济效益。在实际生产过程中，调度层下达到连退机组的生产调度方案一般会同时包含多个钢卷，进而多个钢卷被连续生产加工。然而以往针对连退生产过程工艺参数设定的技术，如授权公告号为CN104714519B的中国专利《一种连续退火机组生产过程工艺参数设定与在线优化方法”》，主要是面向单个钢卷，即一次只优化确定一个钢卷的最佳生产工艺参数；该技术通过串行的方式多次进行优化，逐一得到每个钢卷的最佳工艺参数设定方案，无法面向多个钢卷的加工过程进行并行优化，从而无法实现同时优化得到每个钢本文档来自技高网...

【技术保护点】
1.一种面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，包括下述步骤：/n步骤1：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；/n步骤1.1：基于数据解析的方法，建立带钢质量在线预测模型；/n步骤1.1.1：将带钢硬度作为衡量带钢质量的指标，带钢质量在线预测模型即为带钢硬度在线预测模型；/n步骤1.1.2：构建训练样本集：在连退机组正常生产的工况下，采集一段时间内N个带钢的生产过程数据，构成训练样本集L；其中，所述生产过程数据包括带钢的环境参数数据、控制变量数据、带钢硬度数据；/n步骤1.1.3：建立带钢硬度在线预测模型：以带钢的环境参数数据和控制变量数据为输入、带钢硬度为...

【技术特征摘要】
1.一种面向多钢卷的连退生产过程工艺参数优化设定方法，其特征在于，包括下述步骤：
步骤1：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤1.1：基于数据解析的方法，建立带钢质量在线预测模型；
步骤1.1.1：将带钢硬度作为衡量带钢质量的指标，带钢质量在线预测模型即为带钢硬度在线预测模型；
步骤1.1.2：构建训练样本集：在连退机组正常生产的工况下，采集一段时间内N个带钢的生产过程数据，构成训练样本集L；其中，所述生产过程数据包括带钢的环境参数数据、控制变量数据、带钢硬度数据；
步骤1.1.3：建立带钢硬度在线预测模型：以带钢的环境参数数据和控制变量数据为输入、带钢硬度为输出，基于最小二乘支持向量机构建带钢硬度在线预测模型，用训练样本集L对带钢硬度在线预测模型进行训练，得到训练后的带钢硬度在线预测模型为y＝LSSVR(E,X)；其中，E为带钢的环境参数数据，X为带钢的控制变量数据，y为根据环境参数数据E和控制变量数据X进行生产时获得的带钢硬度；
步骤1.2：建立面向多钢卷的连退生产过程工艺参数优化设定问题模型为





















其中，式(5)中，yt(Et,Xt)为根据环境参数数据Et和控制变量数据Xt进行生产时获得的第t个带钢的硬度,t＝1,2,…,K，K为调度层下达的所需加工的带钢总数；Et为第t个带钢的环境参数数据，Et＝(et,1,et,2,…,et,i,…,et,ne)T，et,i为第t个带钢的第i个环境参数，i＝1,2,…,ne，ne为环境参数总数，第1、2、…、ne个环境参数分别为带钢宽度、带钢厚度、碳含量、出炉温度、平均卷曲温度、硅含量、平均终轧温度、CDCM延伸率；Xt为第t个带钢的控制变量数据，Xt＝(xt,1,xt,2,…,xt,j,…,xt,nx)T，xt,j为第t个带钢的第j个控制变量，j＝1,2,…,nx，nx为控制变量总数，第1、2、…、nx个控制变量分别为中央段速度、加热炉平均温度、均热炉平均温度、缓冷炉平均温度、1#冷炉冷却气体温度、1#过实效炉平均温度、2#过实效炉1区平均温度、2#过实效炉2区平均温度、水淬炉水温、平整机入口张力、平整机中间张力、平整机出口张力、1#平整机轧制力、2#平整机轧制力；
Taskt为第t个优化任务，目标函数(t-1)为最小化第t个带钢的硬度yt(Et,Xt)与第t个带钢的合同的目标硬度yt,obj间的偏差，目标函数(t-2)为最小化第t个带钢的加热炉平均温度xt,2、均热炉平均温度xt,3之和，目标函数(t-3)为最小化第t个带钢的中央段速度xt,1的倒数；
式(4)中，lt,j、ut,j分别为第t个带钢的第j个控制变量的下限、上限；
步骤2：基于自适应多目标多因子差分进化算法，求解面向多钢卷的连退生产过程工艺参数优化设定问题模型；
步骤2.1：初始化相关参数：初始化迭代次数G＝0，设置最大迭代次数为Gmax；初始化第G次迭代中第m个变异算子的选择概率Pm,G＝1/M、成功次数sm,G＝0、失败次数fm,G＝0，m＝1,2,…,M，M为变异算子的总数；
步骤2.2：初始化种群：
步骤2.2.1：将每个带钢的控制变量设定方案(xt,1,xt,2,...,xt,nx)t∈{1,2,…,K}均作为一个个体；
步骤2.2.2：为每个个体(xt,1,xt,2,...,xt,nx)中的每个元素在该元素的上下限范围内随机选取一个值生成一个初始个体，共得到K个初始个体；
步骤2.2.3：重复步骤2.2.2n次，得到nK个初始个体，形成第G代种群；
步骤2.2.4：为第G代种群中的每个个体随机分配一个技术因子；一个技术因子对应一个优化任务；
步骤2.3：按照各变异算子的选择概率和交配策略生成子代种群；
步骤2.4：更新子代种群中每个个体的技术因子：
步骤2.5：第G代种群和子代种群组成联合种群，评价联合种群中的每个个体，留存适应度高的个体；
步骤2.5.1：计算联合种群中每个个体的适应度；
步骤2.5.2：更新各变异算子的成功次数、失败次数：第G+1次迭代中第m个变异算子的成功次数失败次数其中，为第m个变异算子所产生的子代个体中能够支配自身的任意一个父代个体的子代个体个数，为第m个变异算子所产生的子代个体中不能够支配自身的任意一个父代个体的子代个体个数；
步骤2.5.3：对联合种群中的个体按照适应度由大到小进行排序，留存前nK个个体构成第G+1代种群；
步骤2.6：令G＝G+1，若G＜Gmax，则更新各变异算子的选择概率，转至步骤2.3；若G≥Gmax，则进入步骤2.7；
步骤2.7：将第G代种群提供给连退生产现场，在第G代种群中每个带钢对应的所有个体中选择出最优个体，用最优个体对应的控制变量设定方案来设定该带钢在连退...

【专利技术属性】
技术研发人员：唐立新，王赞，王显鹏，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21