《一种多电机负荷优化的冷连轧控制方法.pdf》由会员分享，可在线阅读，更多相关《一种多电机负荷优化的冷连轧控制方法.pdf（11页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102029293 A(43)申请公布日 2011.04.27CN102029293A*CN102029293A*(21)申请号 201010512569.8(22)申请日 2010.10.20B21B 37/20(2006.01)(71)申请人浙江工业大学地址 310014 浙江省杭州市下城区朝晖六区(72)发明人南余荣 林森(74)专利代理机构杭州天正专利事务所有限公司 33201代理人王兵 王利强(54) 发明名称一种多电机负荷优化的冷连轧控制方法(57) 摘要一种多电机负荷优化的冷连轧控制方法，包括以下步骤：1）分配各机架出口厚度，每个机架对应一台驱动电机，并。
2、以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；2）根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数；3）采用量子粒子群算法；4）依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；5）检查迭代结束条件，若满足则结束迭代,否则返回步骤3）继续迭代；6）根据得到的最终全局最优解，确定各机架的最终出口厚度，根。
3、据轧制力模型计算轧制力。本发明能减少计算量、精度较高、负荷优化。 (51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书 2 页 说明书 6 页 附图 2 页CN 102029295 A 1/2页21.一种多电机负荷优化的冷连轧控制方法，其特征在于：所述冷连轧控制方法包括以下步骤：1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：（1）式中，F为目标。
4、函数值，为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；3）、采用量子粒子群算法，迭代方程如下(2)(3)(4)式中，为第i组粒子的第d维参数，每一维对应一个机架；t是迭代次数，a和b是两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，是一个在之间得到的随机数；称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于的随机数，X为粒子更新后的位置；4）、依照更新后的位置，得到更新后的机架出口厚度，依照公式（1）计算得到更新后的目标函数值；对于单一粒子组，如果。
5、更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值；对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；5）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代；反之返回到步骤3）继续迭代。6）、根据得到的全局最优解，确定各机架的最终出口厚度，再根据轧制力模型计算轧制力。2.如权利要求1所述的多电机负荷优化的冷连轧控制方法，其特征在于：所述步骤6）中，所述轧制力模型采用如下公式计算：权 利 要 求 书CN 102029293 ACN 102029295 A 2/2页3（7）式中，f是轧制。
6、压力，D是工作辊直径，E是轧辊弹性模量，H是各机架入口厚度，是变形率，d为平均变形抗力，u是摩擦系数；压扁半径计算公式为：（8）式中，R为轧辊半径，B为轧件宽度，为绝对压下量。接触弧长的计算公式为：（9）轧制力矩主要由以下三部分组成：（10）其中M1为使轧件产生塑性变形力矩，M2为摩擦力矩，M3为电机空载力矩。权 利 要 求 书CN 102029293 ACN 102029295 A 1/6页4一种多电机负荷优化的冷连轧控制方法 技术领域0001 本发明涉及冷连轧控制系统技术领域，尤其是一种多电机负荷的冷连轧控制方法。 背景技术0002 冷连轧机轧制的实质内容是带钢的总厚度变形率在连轧机内的合。
7、理分配，即一至五机架的厚度相对压下来的分配。其目的是在轧制力、轧制功率、轧制速度等参数满足一定约束条件的情况下，使轧制过程处于最佳状态，实现节能轧制，并充分发挥轧机的生产能，保证产品质量。近年来，一种新的名为粒子群算法（PSO）的迭代算法被运用于轧制优化，其概念简单、容易实现、参数较少、收敛速度较快，能够取得较为理想的结果。但是经典PSO算法存在一些的缺点，如极易陷入局部最小值，并不能找到全局最优解。 发明内容0003 为了克服已有冷连轧控制系统的计算量较大、精度较低、负荷优化效果差的不足，本发明提供一种减少计算量、精度较高、负荷优化的多电机负荷优化的冷连轧控制方法。 0004 本发明解决其技。
8、术问题所采用的技术方案是： 一种多电机负荷优化的冷连轧控制方法，所述冷连轧控制方法包括以下步骤：1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：（1）式中，F为目标函数值，为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；3）、采用量子粒子群算法，迭代方程如下(2)(3)(4)式中，为第i组粒子的第d维参数（每一维对应一个机架）；t是迭代次数，a和b是说。
9、 明 书CN 102029293 ACN 102029295 A 2/6页5两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，是一个在之间得到的随机数；称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于随机数，X为粒子更新后的位置；4）、依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；5。
10、）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代。反之则返回步骤3）继续迭代。0005 6）、根据得到的全局最优解，确定各机架的最终出口厚度，根据轧制力模型计算轧制力。 0006 本发明的技术构思为：本发明运用量子粒子群算法，按各机架主电机的相对负荷来制定轧制规程，使电机容量大的在轧制过程中多消耗一些功率，容量小的少消耗点功率，从而能更好地发挥设备能力。当公式（1）中的目标函数F最小时，各机架的轧制负荷余量的平方和达到最小，此时各机架的相对负荷余量近似相等，从而更好的发挥设备能力，提高生产能力。 0007 粒子群算法是一种全局化进化算法，首先随机初始化一群随。
11、机粒子，然后通过迭代找到最优解，即使的适应度函数最小的解。经典粒子群算法在每一代的迭代中，粒子通过跟踪2个极值来更新自己。1个是粒子本身所找到的最优解，即个体极值pbest。另一个是整个种群目前找到的最优值，称之为全局极值gbest，粒子在找到上述2个极值之后，就根据下面2个公式来更新自己的速度与位置： (2)(3)式中rand()为(0,1)之间的随机数；c1和c2为学习因子；w为加权系数4,5。0008 在量子空间中，认为粒子的速度和位置是不能同时确定的，因此QPSO跟传统PSO的不同之处在于粒子的精确位置x和当前速度v是不能确定的，粒子可能会出现在可行域的任何位置。为了搜索到粒子的全局最。
12、优解，粒子按照方程（4）（6）更新自己的位置 本发明的有益效果主要表现在：减少计算量、精度较高、负荷优化。附图说明0009 图1是多电机负荷优化的冷连轧控制方法的流程图。 0010 图2是量子粒子群算法的流程图。 0011 具体实施方式0012 下面结合附图对本发明作进一步描述。 说 明 书CN 102029293 ACN 102029295 A 3/6页60013 参照图1和图2，一种多电机负荷优化的冷连轧控制方法，所述冷连轧控制方法包括以下步骤： 1）、分配各机架出口厚度，每个机架对应一台驱动电机，并以各机架的出口厚度为基础给定浮动范围初始化形成原始粒子，粒子所在的位置即表示机架出口厚度；。
13、2）、根据原始粒子的数据，依照机架出口厚度，计算每个机架对应的驱动电机的轧制功率，并采用等相对负荷余量为目标函数，则有：（1）式中，F为目标函数值，为第i、j机架主电机的额定功率；Ni、Nj为第i、j机架轧制功率；n为机架数；3）、采用量子粒子群算法，迭代方程如下(2)(3)(4)式中，为第i组粒子的第d维参数（每一维对应一个机架）；t是迭代次数，a和b是两个在（0,1）之间的随机数，pbest为粒子组本身所找到的最优解，即个体极值，gbest是整个种群目前找到的最优值，称之为全局极值，是一个在之间得到的随机数；称之为三角势阱模型长度，在以后出现的解释框图中以参数L代替，其中w为一个满足小于随。
14、机数，X为粒子更新后的位置；4）、依照更新后的位置，得到更新后的机架出口厚度。对于单一粒子组，如果更新后的目标函数值小于该组粒子之前的目标函数值，则称该值为该粒子组的个体最优解，即个体极值。对于整个粒子群组，性能表现最好的粒子组，与上次迭代的全局极值比较，取最优解为新的全局极值；5）、检查迭代结束条件，若得到满意误差范围内全局极值或迭代次数达到预设限值，则结束迭代。反之则返回步骤3）继续迭代。0014 6）、根据得到的全局最优解，确定各机架的最终出口厚度，根据轧制力模型计算轧制力。 0015 本实施例中，冷连轧控制中的数学模型：冷连轧机的轧制力模型采用如下公式计算： 说 明 书CN 10202。
15、9293 ACN 102029295 A 4/6页7（7）式中，f是轧制压力，D是工作辊直径，E是轧辊弹性模量，H是各机架入口厚度，是变形率，d为平均变形抗力，u是摩擦系数。0016 压扁半径计算公式为： （8）式中，R为轧辊半径，B为轧件宽度，为绝对压下量。0017 接触弧长的计算公式为： （9）轧制力矩主要由以下三部分组成：（10）其中M1为使轧件产生塑性变形力矩，M2为摩擦力矩，M3为电机空载力矩。0018 轧制电机功率为： （11）式中：为第i机架电机的角速度。0019 以某五机架冷连轧机为例，进行规程优化：钢种为CQ钢，轧件宽度800mm，来料厚度4.8mm，成品厚度1.2mm，终轧。
16、速度781.4rpm。表1为该机组的主要参数。 说 明 书CN 102029293 ACN 102029295 A 5/6页80020 表 1 此处，量子粒子群算法中设定种群规模NC=30，最大迭代次数G=100，迭代过程中，记录每次迭代适应度函数最小值，结果见图2。0021 由图2可以看出，QPSO算法速度非常快，精度高，10次迭代就已经收敛到足够的精度。表2 负荷分配优化前后的比较： 说 明 书CN 102029293 ACN 102029295 A 6/6页9表 2对比表2的结果表明，不仅优化后机架的电机负荷系数更接近，能充分发挥电机能力。而且总功率消耗也从原来的15470kw降到15080kw。说 明 书CN 102029293 ACN 102029295 A 1/2页10图1说 明 书 附 图CN 102029293 A。