第６期 赵 钢等．一种新型冷连轧张力控制系统的研究 ６９５ 一种新型冷连轧张力控制系统的研究 赵钢吴佛珠 （天津市复杂系统控制理论及应用重点实验室，天津３００３８４） 摘 要 全连续冷轧与常见的独立冷轧张力控制系统不同，需要更加稳定、可靠且抗扰性好的张力控制 系统。对于不固定的系统，常规ＰＩＤ控制往往达不到满意的效果，为此对某１ ７００ｍｍ冷连轧生产线的张 力控制进行研究，提出模糊神经网络ＰＩＤ控制方案，并通过ＭＡＴＬＡＢ／Ｓｉｍｕｌｉｎｋ进行仿真。结果表明：改 进后的张力控制系统波动范围小。调节速度快。系统更加稳定。 关键词 冷连轧系统 张力控制 模糊神经网络ＰＩＤ 中图分类号ＴＨ８６５ 文献标识码 Ａ 文章编号 １０００—３９３２（２０１３）０６－０６９５４）４ 自１９世纪中叶德国建造出第一台冷轧机开 始，冷轧机从过去的单机架发展到现在的多机架 连续轧机，张力控制系统一直是冷轧的关键技术 状态，张力波动时主要调节第４机架的速度和压 下量。取图１中任意两个机架进行具体分析，张 力控制如图２所示。 之一。特别是在冷连轧机生产工艺过程中，由于 带钢较薄，特别是超薄带钢轧制时（０．１ ｒｎｍ以 下），机架压下方式已经难以达到带钢的厚度和 板型控制要求，这时就引入张力轧制，以保证更高 要求的带钢厚度和板型…。张力、厚度和板型有 极其复杂的耦合关系，因此通过先进的控制算法 来达到解耦的目的也是目前国内外的研究课题之 一轧制 方向 Ｏ 目前国内的连轧机张力控制还处于摸索阶 段，多数自动化公司在单机架轧制技术方面有比 较好的研究，但对冷连轧的张力控制一直没有很 好的控制策略。因此笔者基于某１ ７００ｍｍ冷连 轧机，提出一种新型的冷连轧张力控制方式。 １ 轧机张力系统数学模型的建立 速度调节 １．１ 轧机张力控制工艺流程 某冷轧生产线工艺流程如图１所示。 图２ 张力控制原理 机架间张力控制采用张力反馈闭环控制方 式，张力控制执行器采用辊缝压下系统（模式１） 和主电机转速控制系统（模式２）完成。 带钢速度从０上升到穿带速度的过程中，张 力控制由主电机转速控制系统完成。当带钢速度 ｓＴ１ Ｓ１、２ ＳＴ３ ＳＴ４ ＳＴ５ 介于穿带速度和最大轧制速度的范围中时采用辊 缝压下系统进行张力控制。高速轧制时的板型质 图１ 轧机工艺流程 量较难控制，因此笔者以辊缝压下式张力控制系 各个机架出口都布置了张力计，通过张力计 测量张力并通过控制器调节轧制力（轧机辊缝） 保证张力恒定。其中第５机架主要处于板型控制 收稿Ｅｔ期：２０１２－１２－２６（修改稿） 化工自动化及仪表 第４０卷 统作为研究对象。 机架液压压Ｆ与液压流量的传递函数关系 １．２轧机张力数学模型 为 ： 根据胡克定律如＝警，可以得出张力与轧机 Ａｐ … 机架间速度差的传递函数关系为： Ｑ ｓ （ ＋１）（ ＋ ｓ＋１） △ （ｓ） ：ＡＥ —ｃｗ ／ Ｌ ＋ｓ ＝—１ ４－『『 Ｌ／ＡＥａｖ（ ）ｓ ＝ １ ＋ ｓ 、‘（１） 式中 Ａ ——缸腔的面积 １ 卜Ｉ Ａｐ——面Ｌ ￡Ｈ ＬＥ １： ； 式中Ａ——厚度与宽度所构成的横截面积； Ｋ——负载的刚度； Ｅ——带钢弹性模量； Ｋ ——压力系数； ——机架的轴线距离； Ｑ ——液压的介质流量； ，——前机架的轧辊线速度；Ｘｐ——液压杆的位移； ——前滑系数； ——惯性环节变换频率； ——拉伸量； ∞。——固有频率； ——张应力值； ｏ——阻尼比。 △ ——前后机架速度差值。 基于辊缝压下的张力控制结构如图３所示。 Ｉ 耍 罾园坶Ｉ 图３ 辊缝压下式张力控制结构 ２模糊神经网络的研究 ２．１．１ ＦＮＮＣ的结构 由式（Ｉ）可以看出冷连轧张力模型参数是不 模糊控制与神经网络相结合可以形成一种功 固定的，这样所选用的ｋ 、ｋ。、ｋ。值也必须随模型 能更强大的控制策略。而模糊控制与神经网络的 的变化而变化，简单ＰＩＤ控制方式显然达不到这 结合方式决定着ＦＮＮＣ结构的复杂程度和性 个要求，而预测式ＰＩＤ控制方式则需要非常精确 能 。二者的结合方式为：用模糊规则训练神经 的数学模型来近似计算ｋ 、ｋ 、ｋ。值，这也不符合 网络。即首先给定神经网络的初步参数向量，然 张力模型时变性与非线性的特点。相对来说，模 后根据模糊规则表离线训练神经网络，由此神经 糊控制具有强鲁棒性、算法简易及不依赖控制对 网络会产生一组不同兴奋程度的神经元，这种不 象精确数学模型等优点 ；神经网络具有学习能 同兴奋程度即可表示为一种抽象的经验规则，进 力强、可映射任意复杂的非线性关系及便于计算 而转化成神经网络的输入输出样本。 机实现等优点。因此将模糊控制与神经网络技术 考虑到ＢＰ网络已经成功地应用于多种控制 结合起来应用于模型及参数变化的冷连轧张力控 系统，并且其结构简单、易于实现，笔者选用三层 制系统具有很强的优越性。 ＢＰ网络作为模糊神经网络控制器，其结构如图５ ２．１ 模糊神经网络控制器（ＦＮＮＣ）结构与算法 所示。 笔者采用的ＦＮＮＣ结构框图如图４所示。 图４ ＦＮＮＣ的结构框图 图中 为张力差值，ｋ 为误差量化因子，ｋ 为误差变化量化因子。 图５ 神经网络结构 第６期 赵 钢等．一种新型冷连轧张力控制系统的研究 这是一个２－Ｎ—Ｎ．３型的神经网络，输入层为 误差 和误差变化ｄＴ；中间层节点数量可根据实 际情况增减，一般２０个左右；输出层即ＰＩＤ的３ 个控制参数ｋ 、ｋ 、ｋ。。 ２．１．２ ＦＮＮＣ算法 以下为神经网络的控制算法 。 输入层： ，ｌ。＝ ；，１‘＝ＴＣ；０１‘＝，ｌ‘，ｉ＝０，１ （３） 中间层： ，２ ” ，０ｚ ＝ｆ（Ｐｊ，１２ ＝０，１，２，…，ｎ （４） 输出层： ，０ｌ‘ （ ）＝ｋＰ Ｊ ０ ’（ ）＝ｋ （５） 【０３“ （ ）＝ｋＤ ￣Ｐｆ（ｐ，，）＝ 为双曲正切函数；Ｗ、Ｖ 为权值向量；Ｐ为取值在０～１的常数。其性能指 标函数．，＝ １∑．［ｎ。（ ）一ｎ（￡）］ ，其中ｎ。（ ）为神 经网络输入函数；ｎ（ｔ）为网络实际输出函数；ｔ为 训练次数。学习算法为ＢＰ算法（带阻尼项）： ： ！１ ２＝ ！ １ ２ Ｏｕ（ｔ） ｕ（ｔ）一“（ｔ一１） （￡＋１）＝ （ｔ）一田（ ） ａ△ （ｔ） 一∑ ㈤ ｏＪ＝一丁１∑［ ）］ ［１－ （ＰＪ，最）］Ｉｉ 笔者采用变步长的方法，即田（ｔ）取值为：当 ｅ（ ）≤０．９５ｅ（ｔ一１）时，卵（ｔ＋１）＝１．２５ｒ／（ｔ）；当 ｅ（ｔ）≥１．０５ｅ（ｔ一１）时，叼（ｔ＋１）＝０．７５ｒ／（ｔ）；其他 情况，’７（ｔ＋１）＝ （ｔ）。 其中： ： ！ ！二 ！ 二１ ２ ０ｕ（ｔ） （ｔ）一 （ｔ一１） ２．２初始权值的确定 由于神经网络与模糊控制的结合方式为用模 糊规则训练神经网络，所以神经网络的初始值可 以通过模糊控制表作为样本离线学习得到。模糊 控制器的输入输出关系为： ｒＫＰ，Ｉ，。＝一＜ ＋（１一ａ）ＴＣ＞ ｉ ： １ ）Ｉ Ｔ 。 其中０≤ ０≤ ≤１； ∈［ ０， ］；｛ ｝＝ ｛ ｝＝｛Ｋ｝：｛一Ⅳ，…，一１，０，１，…，Ⅳ｝。｛ ｝、 ｛ ｃ｝、｛ｋ ．。｝分别为模糊控制的输入与输出项。 这样，神经网络通过学习模糊规则从而在初期就 被赋予了人的操作经验。 ３ 仿真研究 基于某１ ７００ｒａｍ轧机生产工艺参数计算得 到辊缝压下情况下张力控制传递函数为： ，０，２ （ｓ） 丽 （ ） 取前机架速度 。＝１．５ｍ／ｓ，带厚ｈ＝２．０ｒａｍ， 带宽Ｂ＝１ ５００ｍｍ，前滑系数 ＝０．０３４，可得出整 个压下工艺的传递函数为： ＧＡＴＣ（ｓ）＝） ： ＿ｉ＿； 石＿ｉ羔 丽 ×刈・４．１加 ０５× （８） 对辊缝压下式张力调节分别进行简单ＰＩＤ控 制和ＦＮＮＣ．ＰＩＤ控制，仿真结果如图６所示。 Ｚ 图６ 辊缝式ＰＩＤ与ＦＮＮＣ－ＰＩＤ控制对比仿真 不难看出，就阶跃响应而言ＦＮＮＣ－ＰＩＤ控制 较常规ＰＩＤ控制响应速度基本一致、超调量小，当 系统稳定在１５ｓ时，施加扰动，可以明显地看到此 时ＦＮＮＣ控制的波形波动幅度极小，并迅速调整 到稳定值，常规ＰＩＤ控制效果远不如ＦＮＮＣ控制 效果理想。 ４ 结束语 笔者针对冷连轧张力系统无具体模型或模型 参数经常变化的特点，提出了一种新型的模糊神 经网络控制器（ＦＮＮＣ）解决方案。通过仿真验证 说明，模糊神经网络控制策略较传统的控制方案 在阶跃响应、抗扰能力和自适应能力方面有很大 的提高。又由于张力控制器的不断升级，模糊神 经网络应用于轧机的张力控制是可行的，相信其 （下转第７０５页） 第６期 赵志华等．往复泵故障智能诊断系统的设计 青岛：中国海洋大学，２００４． ７０５ 刘芬，潘宏侠．ＷＣＰＳＯ优化的小波神经网络在传动 箱故障诊断中的应用［Ｊ］．噪声与振动控制，２０１１， １０（５）：１４６—１４９． ［８］ 王乃民，刘润华，肖广云．小波神经网络在原油含水 率预测中的应用研究［Ｊ］．化工自动化及仪表， ２００８，３５（３）：５１～５３． 仲京臣．基于小波神经网络的故障诊断研究［Ｄ］． Ｄｅｓｉｇｎ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｆａｕｌｔ Ｄｉａｇｎｏｓｔｉｃ Ｓｙｓｔｅｍ ｆｏｒ Ｒｅｃｉｐｒｏｃａｔｉｎｇ Ｐｕｍｐｓ ＺＨＡＯ Ｚｈｉ—ｈｕａ ．ＷＵ Ｌｉ （１．Ｓｃｏｏｌ ｏｆＥｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｅａｓｔ Ｐｅｔｒｏｌｅｕｍ Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｑｉｎｇ １６３３１８，Ｃｈｉｎａ； ２．Ｔｒａｉｎｉｎｇ Ｃｅｎｔｅｒ，Ｎａｔｕｒａｌ Ｇａｓ Ｂｒａｎｃｈ ｏｆＤａｑｉｎｇ Ｏｉｌｉｅｌｄ，Ｄａｑｉｆｎｇ １６３４１２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃ ｓｙｓｔｅｍ ｆｏｒ ｒｅｃｉｐｒｏｃａｔｉｎｇ ｐｕｍｐｓ ｗａｓ ｄｅｖｅｌｏｐｅｄ，ａｓ ｆｏｒ ｔｈｅ ｓｙｓｔｅｍ ｓｏｆｔｗａｒｅ，ｔｈｅ Ｖｉｓｕａｌ Ｃ＋＋ｗａｓ ｕｓｅｄ ｉｎ ｔｈｅ ｓｏ＇ｗａｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ＳＯ ａｓ ｔｏ ｈａｖｅ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｏｆ ｐｒｅｓｓｕｒｅ．ｐｏ— ｓｉｔｉｏｎ ａｎｄ ｆｌｏｗ ｓｉｇｎａｌ ｃｏｎｔｒｏｌｌｅｄ ａｎｄ ｔｈｅ ｄａｔａ ｂａｓｅ ｍａｎａｇｅｄ ｓｙｎｃｈｒｏｎｏｕｓｌｙ．Ｒｅｇａｒｄｉｎｇ ｔｈｅ ｓｉｇｎａｌ ｃｕｒｖｅｓ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔ ｆａｕｌｔｓ，ｔｈｅ ｐｒｅｓｓｕｒｅ ｓｉｇｎａｌ ｃａｎ ｂｅ ｔａｋｅｎ ａｓ ｔｈｅ ｍａｉｎ ｆａｕｌｔ ｓｉｇｎａｌ ａｎｄ ｔｈｅ ｌｆｏｗ ｓｉｇｎａｌ ｆｏｒ ａｕｘｉｌｉａｒｙ，ａｎｄ ｔｈｅｎ ｈａｖｉｎｇ ｂｏｔｈ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｈｉｃｈ ｂａｓｅｄ ｏｎ ａｒｔｉｉｃｉａｌ ｉｆｎｔｅｌｌｉｇｅｎｃｅ ｔｈｅｏｒｙ ａｎｄ ｔｈｅ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ａｐｐｌｉｅｄ ｔｏ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ，ｐｒｅｓｅｒｖａｔｉｏｎ ａｎｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ．Ｔｈｅ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔｓ ｒｏｍ ｗａｖｅｌｅｔｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔ ｄｉａｇｎｏｓｔｉｃ ｓｙｓｔｅｍ ｆｏｒ ｒｅｃｉｐｒｏｃａｔｉｎｇ ｐｕｍｐｓ ｈａｓ ｆａｓｔ ｓｐｅｅｄ ａｎｄ ｈｉｇｈ ａｃｃｕｒａｃｙ． Ｋｅｙ ｗｏｒｄｓ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｒｅｃｉｐｒｏｃａｔｉｎｇ ｐｕｍｐ，ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ，ｄｉａｇｎｏｓｔｉｃ ｓｙｓｔｅｍ （上接第６９７页） 对实际冷连轧张力控制性能会有很大的改进， 对带钢厚度精度与板型控制都将有很大的帮 助。 １２６． 蒋胜，刘惠康．模糊自适应ＰＩＤ控制器在张力控制 中的应用［Ｊ］．微计算机信息，２００６，２２（８－１）：３２— ３４． 参 考 文 献 张进之，张小平．连轧张力公式［Ｊ］．南方金属， ２００７，（１）：４～１０． Ｘｕｅ Ｗ，Ｇｕｏ Ｙ Ｌ．Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌ ｉｎ Ｍａｉｎ Ｓｔｅａｍ Ｔｅｍｐｅｒａｔｕｒｅ Ｓｙｓｔｅｍ［Ｊ］．ＩＣＩＣ Ｅｘｐｒｅｓｓ Ｌｅｔｔｅｒｓ，２００９，３（３）：４０９～４１４． 董国龙，赵波．单机架可逆冷轧机直接张力控制与 洪志祥．连轧线卷取机控制［Ｊ］．冶金动力，２００７。 （５）：７９～８２． 间接张力控制的比较［Ｊ］．硅谷，２０１ｌ，（１２）：１２６～ Ｓｔｕｄｙ ｏｎ Ｎｅｗ Ｔｅｎｓｉｏｎ ＣｏｎｔｒｏＩ ｏｆ Ｔａｎｄｅｍ Ｃｏｌｄ Ｍ ｉｌＩ ＺＨＡＯ Ｇａｎｇ．ＷＵ Ｆｏ．ｚｈｕ （Ｔｉａｎｉｆｎ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ｃｏｎｔｒｏｌ Ｔｈｅｏｒｙ＆Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｃｏｍｐｌｉｃａｔｅｄ Ｓｙｓｔｅｍｓ，Ｔｉａｎｉｆｎ ３００３８４．Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｔｅｎｓｉｏｎ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｆｏｒ ｃｏｍｐｌｅｔｅｌｙ ｃｏｎｔｉｎｕｏｕｓ ｃｏｌｄ ｒｏｌｌｉｎｇ ｉｓ ｄｉｆｆｅｒｅｎｔ ｔｏ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｌｄ ｒｏｌｌｉｎｇ’ｓ，ｉｔ ａｓｋｓ ｆｏｒ ｔｈｅ ｔｅｎｓｉｏｎ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｗｉｔｈ ｓｔａｂｌｅ ａｎｄ ｒｅｌｉａｂｌｅ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｈｉｇｈ ａｎｔｉ．ｄｉｓｔｕｒｂａｎｃｅ． ａｎｄ ｃｏｎｖｅｎｔｉｏｎａｌ ＰＩＤ ｃｏｎｔｒｏｌ ｆａｉｌｓ ｔｏ ｍｅｅｔ ａｎ ｕｎｓｔａｂｌｅ ｃｏｌｄ ｒｏｌｌｉｎｇ ｓｙｓｔｅｍ．Ｔｈｅ ｔｅｎｓｉｏｎ ｃｏｎｔｒｏｌ ｏｆ ａ １７００ｍｍ ５一 ｓｔａｎｄ ｃｏｎｔｉｎｕｏｕｓ ｃｏｌｄ ｒｏｌｌｉｎｇ ｍｉｌｌ ｗａｓ ｒｅｓｅａｒｃｈｅｄ ｔｏ ｐｒｏｐｏｓｅ ａ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＰＩＤ ｃｏｎｔｒｏｌ ｓｃｈｅｍｅＳｉｍｕ． ．１ａｔｉｏｎ ｗｉｔｈ ＭＡＴＬＡＢ／Ｓｉｍｕｌｉｎｋ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｉｍｐｒｏｖｅｄ ｔｅｎｓｉｏｎ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｗｏｒｋｓ ｗｅｌｌ ｂｅｃａｕｓｅ ｏｆ ｉｔｓ ｓｍａｌｌ ｌｕｃｔｕａｔｆｉｏｎ ｒａｎｇｅ，ｆａｓｔ ｒｅｇｕｌａｔｉｏｎ ｓｐｅｅｄ ａｎｄ ｓｔａｂｌｅ ｐｅｒｆｏｒｍａｎｃｅ． Ｋｅｙ ｗｏｒｄｓ ｃｏｌｄ ｒｏｌｌｉｎｇ ｓｙｓｔｅｍ，ｔｅｎｓｉｏｎ ｃｏｎｔｒｏｌｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＰＩＤ ，
