1、模糊控制在带钢轧制中的应用王秀梅 王国栋 刘相华摘 要 介绍了模糊控制在带钢轧制中的应用,对其发展研究概况进行了评述,讨论了其中存在的问题,并提出了今后研究的方向。关键词 模糊控制 带钢轧制 应用APPLICATION OF FUZZY CONTROL TO STRIP ROLLINGWang Xiumei Wang Guodong Liu XianghuaNortheastern UniversitySynopsis Application of fuzzy control to the strip rolling is briefly described, research and dev
2、elopment of the technology reviewed, problems existing in it discussed, and tendency of its future development pointed out in the paper.Keywords Fuzzy control strip rolling application1 前 言1974 年，伦敦的 Queen Mary 学院的马丹尼(E.H.Mamdani)首次用模糊逻辑和模糊推理实现了第一个试验性的蒸汽机控制,标志着人们采用模糊逻辑进行工业控制的开始,从而宣告了模糊控制的问世。随着科学技术的飞
3、速发展,模糊控制这一新型的智能控制技术的应用越来越广泛,钢铁行业也不例外。模糊控制的本质是将人的操作经验用模糊关系来表示,通过模糊推理和决策方法来对复杂过程对象进行有效控制。它具有不依赖于被控制对象模型、鲁棒性较强的特点,为随机、非线性和不确定系统的控制提供了良好的途径。在控制过程中,系统中的偏差 E(或 e)偏差变化率 C(或 )和控制量输出 U(或 u)的变化 ,实际上都是确切的数字,而不是模糊集。为了使用模糊控制技术,就必须把 E(e)和 C( )变化的精确量转化为模糊集,然后输入给模糊算法器进行处理;模糊算法输出的控制量又是一个模糊集合,再经过模糊判决,给出控制量的确切值,去控制工业对
4、象 13 。模糊控制器的组成框图见图 1。图 1 模糊控制器的示意图2 模糊控制理论在轧钢中的应用近来,用户对带钢的厚度、板形尺寸精度的要求越来越高。为了提高产品质量,将模糊控制引入带钢生产过程中 4 。日本钢铁行业已成功地将模糊逻辑应用于建模、预测、模式分类、缺陷检测、优化以及动态控制 56 。表 1 为模糊控制在带钢轧制中的应用。表 1 模糊控制在带钢轧制中的应用应用领域 应用实例 时间 厂家热轧精轧机组负荷分配控制 7 1991 新日铁热轧热轧动态设定系统 8 1989 新日铁八幡制铁 所冷轧设定模型轧制力预报9 1991新日铁八幡制铁所冷轧板厚及板形控制 10 1991 川崎制铁水岛制
5、 铁所冷轧冷轧动态板形控制 7 1992 新日铁名古屋制 铁所镀锌 镀锌退火炉的反馈控制 11 1993 新日铁名古屋制 铁所2.1 热轧板厚控制系统对于热连轧精轧机架,为了改善通板性能,提高有效利用率,如何提高带材头部厚度精度已成为一个重要课题。对于精轧机架,根据轧机设定控制,利用以轧制理论为基础的模型确定轧制前的辊缝及轧制速度。但是,由于轧制模型参数存在推算误差,因此,轧制时要求轧机设定具有修正功能。为此,新日铁八幡制铁所的小田高士、佐藤直树等人引入模糊控制思想,开发了最小板厚偏差模糊理论动态设定系统 8 。该系统由模糊控制器和控制器的学习模型构成(见图 2)。模糊控制器是根据由中间机架模
6、型计算得出的轧制力预报值和实际值的误差应用模糊推论预测精轧出口厚度偏差,当偏差为零时,对各机架辊缝进行在线修正。另外,对学习模型板带头部通过机架出口侧的 X 射线测厚仪的实际厚度偏差,进行辊缝修正模型参数的逐次学习。据报道使用本系统后,板厚精度范围内的命中率提高 6%14%。 图 2 模糊动态设定系统2.2 冷轧轧制力预报系统新日铁八幡制铁所开发的冷轧设定模型轧制力预报系统 9 ,如图 3所示。根据模糊关系式记述的轧制力预报模型,具有对轧制力预报模型的系数进行逐次修正的学习功能。轧制力预报模型,由材料的相关信息、生产命令(成品宽度、厚度)以及其它生产条件(机架间张力、各机架压下率等)输入条件,
7、由模糊模型预测出各机架轧制力。图 3 模糊模型系统每一卷轧制终了,根据学习模型,以实际轧制结果为基础对轧制压力预报模型的系数进行逐次学习。学习机能,对于模型维持高精度预测是十分必要的,特别是进行多品种、小批量成品生产。模糊规则如表 2 所示,为了简化计算,后项函数采用线性形式表 2 模糊规则R1:if x1 is S1,x2 is S2,x3 is S3 then P is f1(x1,x2,x7)R2:if x1 is S1,x2 is S2,x3 is B3 then P is f2(x1,x2,x7)R3:if x1 is S1,x2 is S2,x3 is S3 then P is f
8、3(x1,x2,x7)R4:if x1 is S1,x2 is S2,x3 is B3 then P is f4(x1,x2,x7)R5:if x1 is S1,x2 is S2,x3 is S3 then P is f5(x1,x2,x7)R6:if x1 is S1,x2 is S2,x3 is B3 then P is f6(x1,x2,x7)R7:if x1 is S1,x2 is S2,x3 is S3 then P is f7(x1,x2,x7)R8:if x1 is S1,x2 is S2,x3 is B3 then P is f8(x1,x2,x7)注：R 1R 8规则模数；
9、S 1S 3变量 13 取小；B 1B 3变量 13 取大； P轧制力 x 1、x 2、x 3是上述的三项输入参数,而 x4x 7是板材的硬度指标、板材的前张力等 4 个变量,i 为规则序号。这项系统投入使用后,轧制力的预报精度提高至10%,绝对误差在150t 以上几乎没有,设定精度比以前的设定模型提高 3 倍。2.3 冷轧板形控制系统新日铁名古屋钢铁厂开发的冷轧权形模糊控制系统 7 ,如图 4 所示,用电磁相关式形状检测器检测实际板形,用弯辊装置、压下平衡、冷却剂装置进行反馈控制。图 4 冷轧板形模糊控制检出形状在宽度方向用四阶多项式计算,计算同目标形状的偏差。形状有各种元素,如边波、中心挠
10、曲、边部挠曲、1/4 边部挠曲以及组合等。为了求出各个操作所应分担的控制目标,进行形状分离,用响应快的弯辊、向下平衡的调节使之尽量接近目标形状(2s 周期)。剩余的形状偏差用响应慢的冷却剂进行控制(周期 10s)。对于弯辊控制,形状偏差的值域取为负大,负中,负小,零,正小,正中,正大7 档,控制量也取 7 档。对于冷却剂控制,取形状偏差和偏差变化率为输入量,冷却剂控制量为输出量。这一系统 100%投入运行,提高了钢板质量。3 今后的研究方向模糊算法长于模糊信息处理和决策,而神经网络适于直觉式推理。用神经网络去解决人工智能问题,在知识的推理上还存在相当大的困难,而在知识的获取方面,模糊技术也显得
11、十分软弱,把神经网络和模糊技术结合起来,构成模糊神经网络系统(FNNS) 1215 ,就能互相弥补不足之处。可以预见,模糊方法和神经网络的结合是人工智能和智能控制最有前途的途径。目前,神经网络和模糊理论结合组成的模糊神经网络控制,主要有两促方式:一种是以神经网络作为学习机构,修改模糊控制器的规则基;另一种,则是用神经网络组成模糊控制器,神经网络需要完成模糊化、规则学习、反模糊化等一系列工作。冷轧板形控制中,应用模糊理论和神经网络,进行工作辊弯辊和压下位置自动控制,判定板形模式并利用此结果计算各调节器的操作量 9 。神经网络的输入量是模糊量,用肃属度函数中的隶属度来表示,而规则学习是用人工神经网
12、络,最后决策推理是人工神经网络的输出。神经网络用于板形的特征识别,将识别的结果作为模糊控制的输入或前提部分,经过模糊推理,其结论部分作为推理输出或控制部分。控制系统的组成如图 5 所示。在这种结合中,神经网络和模糊逻辑各自所执行的功能和作用不同:神经网络的作用在于模式辨识,而模糊逻辑的作用在于控制。图 5 模糊控制和神经网络在冷轧板形控制中的应用神经网络采用 BP(误差反自传播)网络,输入用 35 个节点,输入板形检测器的 35 个输入信号;一个中间层,有 16 个节点;输出层有 8 个节点,对应于 8 个特征模式。首先用操作人员记忆的 8 种特征模式对网络进行训练,输出节点的值对应于各特征模
13、式的隶属度值。神经网络训练完以后,输入一个实际板形数据时,网络输出节点将给出属于各特征模式的比例或隶属度。这样,模糊控制的前提部分,用隶属函数求取隶属度值的工作已经由神经网络完成了,模糊推理的输出只用对各个规则的结论进行综合就可以了。为了定量表示板形控制的效果,用实际板形与目标板形的偏差表示,这个偏差的平均值由原来的 1.8%减小到 1.4%。在模糊理论与神经网络结合的多层网络中,学习的结果使网络的层次意义清楚,而且又克服了模糊系统中的精度问题,使其效果比一般的单独使用的神经网络或模糊理论的关系要好。由于模糊技术和神经网络都是知识的数值处理方法,二者具有良好的互补性,因此它们的结合很快得到智能控制领域的普遍重视。无疑,发展既能有效处理模糊知识又能有效学习的模糊与神经网络集成技术,将为工业过程智能控制提供新的途径。4 结 语模糊控制在带钢轧制中得到了广泛应用,把模糊控制和人工神经网络有机的结合起来,取长补短,就会取得更理想的控制效果。模糊神经网络融合了模糊逻辑与神经网络二者的优点,加上遗传算法等新技术的引入,基于遗传优化的开放性动态学习的模糊神经网络是当前研究的焦点,模糊神经网络已成为国内外十分热门的研究课题。联系人:王秀梅,博士生,沈阳市(110006)东北大学轧制技术及连轧自动化国家重点实验室作者单位：东北大学
