基于FCM聚类算法的AGC系统仿真和测试
2018-05-16郑芳秦久莲
郑芳,秦久莲
(唐山钢铁集团微尔自动化有限公司,河北唐山,063000)
0 引言
影响AGC系统稳定性的因素主要有:(1)连铸坯的因素,如厚度不均、温度不均、和成分不均等。(2)生产工艺因素,轧制力、张力、终轧温度以及轧制润滑等。(3)轧制设备因素,轧辊偏心、热膨胀、磨损、油膜轴承和偏心等。这些因素具有随机性、模糊性、可变性等不确定性的特点,使得AGC系统具有复杂的控制参数输入,轧制厚度变化的发生受多方面因素影响,这使AGC系统的数据具有多判据性。为了克服传统AGC系统稳定性的弊端,采用基于划分的聚类算法对多种数据和信息进行关联、相关和组合,综合考虑厚度的稳定性,这样就可以权衡各种因素对于厚度控制影响的重要程度。
FCM算法是一种基于划分的聚类算法,它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法(HCM)的改进,普通C均值算法对于数据的划分是硬性的,而FCM则是一种柔性的模糊划分。
从唐钢1700热轧生产线现场采集AGC基本控制数据样本,采用模糊C聚类得出最佳聚类数、聚类中心及隶属度,以此结果来确定AGC的结构及其初始化条件,对AGC系统模型进行稳定性仿真,采集样本数据对网络进行离线训练,之后进行在线学习,最后对生产线的产品厚度影响进行测试。
1 系统仿真
在众多影响AGC控制稳定性的因素中,本文选取轧制力AGC控制系数、绝对值AGC控制系数、αA轧机常数比例系数(RF)、αB轧机常数比例系数(ABS)、监控AGC控制系数(for RF)、监控AGC控制系数(for ABS)、油膜轴承补偿系数、头部补偿辊缝设定值、尾部补偿辊缝设定值、监控AGC比例积分控制参数设定值共10个主要参数,保证AGC模型构建后的稳定投入。对采集到的样本数据,先通过聚类处理。神经网络训练好之后,需要先将输入数据发送到Matlab环境进行仿真训练,再输出经过处理的数据。
由于影响AGC的因素很多,输入是一组多维数据,在Matlab中以阵列的形式接受数据。Matlab引擎提供了一系列操作Matlab引擎的 API函数,通过这组函数,可以在自己的应用程序中实现对Matlab的控制,充分发挥Matlab矩阵计算的优势。本文用Matlab引擎完成计算和图形绘制等任务,界面部分则采用VC++来实现。Matlab提供了与VC++的接口,利用Matlab引擎就可以很容易在VC++的环境下运行Matlab语句。
部分程序如下:
t=1 %循环次数
c= [ ]; % 隶属度函数的中心
deta=rand(16,5);% 隶属度函数的宽度
w=rand(4,5); % 第五层的w(i,j)
betas=0.3 ;%学习率
while t<=100
for k=1:1:135
x=xx(k,:);yd=yd1(k,:);
%第二层 分为了m=5类
for i=1:1:16
for j=1:1:5
f2(i,j)=exp(-((x(i)-c(i,j))^2)/deta(i,j)^2); %第二层的输出
end
end
%第三层 共5个结点
第一层:输入层的结点个数为16,每个结点分别对应表5.1中样本数据的一个数值。
第二层:有80个结点,通过聚类处理后,得出样本数据有5个类别,所以每个输入变量都有5个模糊子集。本层的输出为可微的正态型函数,是每一个模糊子集的隶属度函数。
第三层:有5个结点,每一结点分别表示不同结论部分的规则。
第四层:有5个结点,进行归一化算。
第五层:有4个结点,共有4种状态,即网络的输出结点分别对应4个不同的稳定性等级。
从唐钢1700热轧生产线中采集AGC基本控制数据,采用模糊C聚类得出最佳聚类数为5,因此该模型结构为:(16-80-5- 5- 4)。
对采集到的样本数据,先通过聚类处理,采用模糊C聚类得出最佳聚类数、聚类中心及其隶属度。训练好之后,将输入数据发送到Matlab环境进行仿真训练,再输出经过处理的数据,输出结果见表1所示。
表1 样本数据的仿真输出结果
2 现场测试
首先进行了轧机常数、油膜系数等参数的测试采集,并对流量控制参数进行了反复调整,使响应达到快速及时并避免振动,这样AGC控制模型的最基础参数初步设置完成,带身精度±120μm。
逐步调整α-A、GAIN等参数,使控制精度逐步提高。投入压下补偿控制功能,通过对其中速度级联调节量等参数进行多次优化,加强了轧制过程中活套控制的稳定性,从而提高厚度控制的精度,带身厚度精度在±35μm之内。
将ABS AGC及MONITOR AGC投入后,板材头部厚度精度有明显改善作用,但其中limit、 gain等参数经过模糊C均值聚类算法计算后需反复测试调整,达到优化组合的难度较大。为了保证板材厚度控制的准确度,进一步将delay time、 Kp等众多参数引入聚类算法中,对模糊神经元AGC模型细化,调整中发现Kp过大会引起震荡,太小又作用太弱,控制效果不好。
通过对已基本成型的AGC模型反复优化,又采用加入DSU控制的改进方法,根据R1-F2机架的实际轧制力和设定轧制力的偏差计算板厚偏差,再加入聚类算法中去得到新的AGC控制模型,经多次的参数优化后,带身厚度精度在±25μm以内。
此外,对LE放大柜接地系统进行了改进,使其抗干扰能力进一步增强。AGC更趋稳定,精度得以提高。通过对AGC模型的逐步优化,AGC的相关设定参数进行修正,对TIMER等相关参数反复调整测试,使其控制快速及时的同时保证了稳定性,进一步提高了板厚控制的精度。带身精度达到±20μm。
在生产实践中检测各种生产数据,观测自动板厚控制效果,通过各种规格产品的较大量生产,为二级过程控制(L2)提供可靠的数据,优化L2的层叠文件,提高其对板厚控制设定数据的准确度,使板材自动厚度控制的精度得到稳定和提高。
参考文献
[1]刘晓悦.基于模糊神经网络煤矿冲击地压预测模型研究[J].工矿自动化,2008.1.
[2]李柏年.加权模糊C-均值聚类[J].模糊系统与数学,2007,(01).
[3]陈松生,王蔚.改进的快速模糊C-均值聚类算法[J].计算机工程与应用,2007.10.