基于工況識別的輥式淬火過程板形預(yù)報方法

陳 聰,吳 敏,陳略峰,章 文,杜 勝

(中國地質(zhì)大學(xué)(武漢)自動化學(xué)院,湖北武漢 430074;復(fù)雜系統(tǒng)先進(jìn)控制與智能自動化湖北省重點(diǎn)實(shí)驗室,湖北武漢 430074;地球探測智能化技術(shù)教育部工程研究中心,湖北武漢 430074)

1 引言

在工業(yè)現(xiàn)代化進(jìn)程中,鋼板的生產(chǎn)是鋼鐵工業(yè)發(fā)展的重要課題之一.隨著高強(qiáng)度鋼板的廣泛應(yīng)用,各行各業(yè)對鋼板的質(zhì)量要求越來越高.淬火是鋼鐵熱處理工藝中的重要組成部分之一,鋼板經(jīng)過輥式淬火機(jī)進(jìn)行淬火后,可以顯著提高其強(qiáng)度和硬度.板形是淬火后鋼板的關(guān)鍵質(zhì)量指標(biāo),如何穩(wěn)定得到高質(zhì)量鋼板一直是鋼板淬火生產(chǎn)的主要難點(diǎn).板形的預(yù)報可以及時反饋板形信息,操作員可以根據(jù)預(yù)報結(jié)果做出相應(yīng)的決策,最大程度的降低淬火過程生產(chǎn)低質(zhì)量鋼板的風(fēng)險.

近年來,很多學(xué)者對板帶材板形的預(yù)報預(yù)測方法進(jìn)行了大量研究.文獻(xiàn)[1–2]針對板材扎制過程,將金屬塑性變形模型和輥系彈性變形模型進(jìn)行耦合,通過迭代計算應(yīng)力分布值來實(shí)現(xiàn)板形的預(yù)報.文獻(xiàn)[3]將前饋神經(jīng)網(wǎng)絡(luò)(back propagation,BP)應(yīng)用于板形預(yù)測模型,并根據(jù)預(yù)測結(jié)果和效應(yīng)矩陣來調(diào)節(jié)控制器的輸出.文獻(xiàn)[4–5]在建立板形預(yù)測模型時,綜合考慮遺傳算法、思維進(jìn)化算法等數(shù)據(jù)驅(qū)動方法以及將傳統(tǒng)數(shù)學(xué)公式與數(shù)據(jù)驅(qū)動方法相結(jié)合的方法.文獻(xiàn)[6]提出一種基于Takagi-Sugeno(T–S)云推理網(wǎng)絡(luò)的板形預(yù)測模型,采用遺傳算法和模擬退火算法對模型參數(shù)進(jìn)行優(yōu)化.

目前國內(nèi)外對板形建模的研究主要集中在軋制過程.軋制過程的研究對象是帶鋼,通常以卷為單位進(jìn)行生產(chǎn),板形普遍采用扎后帶鋼殘余應(yīng)力沿橫向板寬方向的分布曲線來表示,板形預(yù)測針對的是其中一小段板子的形狀,在軋制生產(chǎn)過程中可以通過接觸式板形儀對板形進(jìn)行實(shí)時測量.鋼板在淬火過程的生產(chǎn)單位以塊來計算,在淬火生產(chǎn)中無法對板形進(jìn)行實(shí)時測量,與軋制后的板形表示方法不同,淬火后的板形著重于表示板子的整體形狀,一般以缺陷類型和不平直度來表示,因此上述方法很難適用于淬火過程板形預(yù)測問題.

利用數(shù)據(jù)驅(qū)動方法對鋼板輥式淬火過程板形建模的研究還比較少,板形的預(yù)報可以提前反饋生產(chǎn)情況,對操作人員在工況復(fù)雜的現(xiàn)場及時調(diào)整控制策略具有重要的參考價值.針對復(fù)雜工業(yè)過程多工況的特點(diǎn),文獻(xiàn)[7]提出一種基于波動區(qū)間預(yù)測的工況識別(operating mode recognition,OMR)方法,該方法側(cè)重對波動區(qū)間的預(yù)測以判斷工況.文獻(xiàn)[8]提出一種多級預(yù)測模型來預(yù)測燒結(jié)過程碳效率,該模型為了提高預(yù)測精度,著重對工況的識別及相應(yīng)子模型的集成.

針對多工況的鋼板輥式淬火過程,本文提出一種基于工況識別的板形預(yù)報方法,該方法著重于根據(jù)識別的工況來選擇合適的預(yù)報模型,以提高預(yù)報精度.首先結(jié)合輥式淬火生產(chǎn)過程機(jī)理,分析淬火過程數(shù)據(jù)特性.然后利用聚類算法對工況進(jìn)行識別,建立各工況下的板形預(yù)報模型.最后利用實(shí)際生產(chǎn)數(shù)據(jù),驗證所提方法的正確性與有效性.

本文的貢獻(xiàn)主要在于設(shè)計了多工況淬火過程的板形預(yù)報方案,通過數(shù)據(jù)展開、參數(shù)選擇、模糊聚類及支持向量機(jī)算法進(jìn)行板形的預(yù)報.其次,在優(yōu)化板形預(yù)報模型參數(shù)的時候?qū)αＷ尤簝?yōu)化算法(particle swarm optimization,PSO)進(jìn)行了一定的改進(jìn),提升了算法的性能和模型的精度.最后利用實(shí)際工業(yè)運(yùn)行數(shù)據(jù)對所提方法進(jìn)行了驗證,表明本文為淬火過程板形預(yù)報提供了一套可行的方案.

2.1 淬火過程描述

淬火過程中,鋼板連續(xù)通過輥式淬火機(jī)[9]冷卻強(qiáng)度不同的高壓(0.8 MPa)、低壓(0.4 MPa)冷卻區(qū),完成板材淬火工藝過程,其中高壓段噴水系統(tǒng)由4種共6組噴嘴組成,低壓段噴水系統(tǒng)由3組低壓噴嘴組成,如圖1所示.

圖1 鋼板輥式淬火過程Fig.1 Roller quenching process of steel plate

2 淬火過程描述與預(yù)報方案設(shè)計

本節(jié)首先描述輥式淬火生產(chǎn)過程,然后對淬火過程進(jìn)行特性分析,在此基礎(chǔ)上設(shè)計板形預(yù)報方案.

鋼板在進(jìn)行淬火過程冷卻時,沿長度方向、寬度方向、厚度方向上冷卻不均勻,會造成鋼板內(nèi)部溫度分布不均勻,進(jìn)而產(chǎn)生復(fù)雜的熱應(yīng)力變化,加上組織應(yīng)力的疊加,內(nèi)部應(yīng)力超過了鋼板的屈服極限,使鋼板發(fā)生翹曲變形[10],出現(xiàn)邊浪、龜背、頭扣、尾翹等板形缺陷.

除了板形缺陷之外,評價淬火后鋼板板形的主要指標(biāo)是鋼板的不平直度,即對一平坦平面的偏離程度.通常將l m(或2 m)直尺放到淬火后鋼板上表面,測量直尺與表面之間的縫隙距離即可得出不平直度.實(shí)際生產(chǎn)現(xiàn)場考核板形的主要指標(biāo)為不平直度,根據(jù)板形缺陷下的不平直度及其閾值可將板形質(zhì)量分為以下兩種:

1) 合格:不平直度小于閾值;

2) 不合格:不平直度大于閾值.

實(shí)際淬火過程中,操作員對淬火鋼板的規(guī)格尤其對厚度非常敏感,在厚度一定的情況下,通過控制冷卻速度來控制鋼板中心到表面的溫度梯度,避免發(fā)生板形缺陷.因此,為了獲得合格的板形,操作員會做出不同的控制決策以滿足不同的生產(chǎn)需求,使工況發(fā)生變化.

2.2 過程特性分析

淬火后鋼板的板形實(shí)質(zhì)上取決于淬火過程中鋼板的冷卻速率和冷卻均勻性,而鋼板由于其內(nèi)部結(jié)構(gòu)及構(gòu)成存在一定的區(qū)別,不同鋼板在淬火中完成馬氏體相變的臨界冷速不同,即對淬火冷卻過程中冷卻速度有不同的要求.淬火過程鋼板產(chǎn)品種類規(guī)格繁多,操作人員往往會根據(jù)鋼板的規(guī)格調(diào)整淬火機(jī)的工作狀態(tài),導(dǎo)致淬火機(jī)經(jīng)常在多種不同工作狀態(tài)下運(yùn)行,所以淬火過程難免表現(xiàn)出多工況的特性.

鋼板的淬火生產(chǎn)是一個批次生產(chǎn)過程,一個批次里會生產(chǎn)數(shù)十個鋼板.但板形很難實(shí)現(xiàn)在線測量,通常需要在該批次鋼板全部淬火結(jié)束后,經(jīng)過檢測人員的抽樣測量得到該批次鋼板淬火后的板形質(zhì)量.因此,板形質(zhì)量具有嚴(yán)重的時間滯后性,無法及時反饋給過程控制系統(tǒng)以及操作員,這很大程度上阻礙了淬火過程板形的有效控制.

淬火過程是溫度、組織、應(yīng)力/應(yīng)變3方面交互作用的高度非線性過程,由于淬火過程涉及高溫,欲對鋼板實(shí)物的溫度、組織、應(yīng)力/應(yīng)變進(jìn)行在線實(shí)時測量,在當(dāng)前技術(shù)條件下是非常困難的.因此,可以通過各種傳感器在線采集淬火機(jī)的操作參數(shù)和鋼板的狀態(tài)參數(shù)等過程變量信息,板形的質(zhì)量往往可以體現(xiàn)在過程變量的變化中,測量的過程變量如表1所示.

表1 過程測量變量Table 1 Process variables

淬火過程中,一個批次鋼板的過程變量數(shù)據(jù)可以用一個三維矩陣X(I ×Jx×K)表示,即在一個批次中有I個鋼板生產(chǎn),在每個鋼板淬火生產(chǎn)中對Jx個過程變量進(jìn)行K次測量.鋼板的板形質(zhì)量數(shù)據(jù)用一個二維矩陣Y(I×Jy)表示,其中Jy表示鋼板的板形.為了建立三維過程數(shù)據(jù)和二維質(zhì)量數(shù)據(jù)之間的關(guān)系,必須對三維矩陣進(jìn)行合適的預(yù)處理,通常將三維過程數(shù)據(jù)沿鋼板生產(chǎn)方向展開為二維矩陣X(I ×KJx),將時間和變量兩個方向上的數(shù)據(jù)合并在一起,每一行包含了該鋼板淬火生產(chǎn)中所有的過程數(shù)據(jù)[11],展開方式如圖2所示.

圖2 三維矩陣的展開Fig.2 Expansion of three-dimensional matrix

在實(shí)際生產(chǎn)過程中,由于干擾的存在和工況的改變,鋼板淬火過程軌跡的長度會發(fā)生變化,造成過程變量的數(shù)據(jù)不等長特性.鑒于同一個工況過程數(shù)據(jù)長度相差不大的情況,本文采用“最短長度法”來處理不等長數(shù)據(jù).

2.3 方案設(shè)計

考慮到淬火過程對鋼板規(guī)格十分敏感,本文提出一種基于工況識別的板形預(yù)報方法,其結(jié)構(gòu)如圖3所示.首先對淬火過程采集到的原始過程變量進(jìn)行數(shù)據(jù)預(yù)處理,對其進(jìn)行工況識別,然后根據(jù)數(shù)據(jù)相關(guān)性分析選擇模型的輸入變量,通過所識別工況的板形預(yù)報模型,輸出板形質(zhì)量.

圖3 板形預(yù)報方法結(jié)構(gòu)Fig.3 Structure of flatness prediction method

在本文中,首先使用“最短長度法”處理原始數(shù)據(jù)并進(jìn)行展開,運(yùn)用其中鋼板規(guī)格數(shù)據(jù)和模糊C均值(fuzzy C-means,FCM)聚類算法對工況進(jìn)行識別,然后采用Spearman相關(guān)性系數(shù)選擇合適的輸入變量,利用支持向量機(jī)(support vector machine,SVM)建立各工況下的板形預(yù)報模型,并利用改進(jìn)的粒子群優(yōu)化算法(improved particle swarm optimization,IPSO)優(yōu)化模型參數(shù),提高模型精度.

在線應(yīng)用時,在一個批次的鋼板淬火生產(chǎn)過程中,需要采集一個鋼板生產(chǎn)過程的完整數(shù)據(jù),識別該鋼板淬火過程所屬工況后,調(diào)用對應(yīng)工況的板形預(yù)報模型進(jìn)行淬火過程板形質(zhì)量的預(yù)報.

3 工況識別與板形預(yù)報模型

本節(jié)針對淬火過程多工況的特點(diǎn),對其進(jìn)行工況的識別,之后通過相關(guān)性分析選擇合適的過程變量作為模型的輸入,利用智能算法建立板形的預(yù)報模型.

3.1 工況識別

在鋼板淬火過程中,操作員會非常注意淬火鋼板的規(guī)格,為了避免發(fā)生板形質(zhì)量不合格的情況,會根據(jù)鋼板規(guī)格來調(diào)整淬火機(jī)的工作狀態(tài),判斷淬火過程的工況.但鋼板規(guī)格眾多,對工況的識別主要依靠操作員的人工經(jīng)驗,識別結(jié)果的可靠性較低.因此,研究淬火過程的工況識別為板形的預(yù)報甚至控制奠定了重要的基礎(chǔ).

本文選取的聚類特征變量為鋼板的厚度、寬度、長度3個參數(shù),在選擇聚類算法對工況進(jìn)行識別時,引入Silhouette系數(shù)[12]來評價聚類效果,經(jīng)過多次實(shí)驗表明,相較于K-Means聚類算法,FCM算法得到的Silhouette系數(shù)平均值更好,方差更小,由此認(rèn)為在本文中FCM算法的聚類性能略優(yōu)于K-Means算法,因此本文采用FCM算法來對淬火過程工況進(jìn)行識別[13].FCM算法結(jié)合模糊理論,通過不斷迭代更新聚類中心,計算鋼板對工況的隸屬度,使目標(biāo)函數(shù)最小化,實(shí)現(xiàn)淬火過程工況的聚類.FCM的目標(biāo)函數(shù)如下:

其中:c為淬火過程工況總數(shù),ci為每個工況的聚類中心,xj表示第j個鋼板,m為加權(quán)指數(shù)也稱平滑因子,uij表示鋼板xj屬于i類工況的隸屬度,并滿足如下的約束條件:

采用拉格朗日乘數(shù)法將約束條件代入目標(biāo)函數(shù),目標(biāo)函數(shù)獲得極小值的必要條件是

FCM算法通過不斷迭代計算目標(biāo)函數(shù),直至滿足收斂條件得到最優(yōu)解.在線應(yīng)用時,通過式(3)的隸屬度函數(shù)計算該鋼板對每個工況的隸屬度即可識別該鋼板淬火過程所屬的工況.

3.2 輸入變量選擇

為減少計算時間并排除不相關(guān)的變量,本文采用Spearman相關(guān)分析方法選擇輸入變量.對淬火過程變量x[x1x2··· xn]和板形y[y1y2··· yn],它們之間的Spearman相關(guān)性系數(shù)為

某鋼鐵企業(yè)實(shí)際淬火現(xiàn)場,淬火機(jī)冷卻系統(tǒng)的噴嘴主要是高壓段后4組噴嘴處于工作狀態(tài).另一方面,由于同批次鋼板的種類規(guī)格類似,淬火過程處于同一種工況下,輥速和輥縫控制精度較高,往往保持不變,鋼板初始溫度和冷卻水流量會發(fā)生波動.因此,本文選擇高壓段后4組上下噴嘴水流量和鋼板初始溫度這9組工藝參數(shù)進(jìn)行相關(guān)性分析.通過計算主要過程變量與板形的Spearman相關(guān)性系數(shù),如表2所示.可以發(fā)現(xiàn)鋼板初始溫度、冷卻系統(tǒng)第3,5組上下噴嘴水流量與板形的相關(guān)系數(shù)較大.由此可以認(rèn)為,{T,是與板形相關(guān)性最大的5個過程變量,將其作為預(yù)報模型的輸入變量.

3.3 板形預(yù)報模型

綜合考慮淬火過程影響板形的過程變量,選擇了5組過程變量{T,作為板形預(yù)報模型的輸入,選擇板形質(zhì)量作為其輸出.由于SVM核心思想簡單,適用于小規(guī)模樣本,且具有優(yōu)秀的泛化能力,本文采用SVM來建立板形預(yù)報模型,并利用IPSO算法對其參數(shù)進(jìn)行優(yōu)化[14].

SVM本質(zhì)上是一個二分類的算法,類別可以用y[y1y2··· yn]來表示,表示預(yù)報板形質(zhì)量.對于多維空間的輸入樣本x[x1x2··· xn],每個元素表示輸入?yún)?shù)包括5組過程變量,它尋找一個最優(yōu)的分類超平面wTx+b0,其中wT為超平面的法向量,b為偏移量,使得兩類樣本在這個超平面下的分類間隔2/‖w‖最大,得到最好的分類效果.此時相當(dāng)于求解‖w‖2/2的最小值,在線性不可分的情況下,可以將上述問題轉(zhuǎn)換為以下凸二次規(guī)劃問題:

其中:c為懲罰參數(shù),表示對誤差的懲罰程度,ξ為松弛變量.通過引入拉格朗日乘子法,用Karush-Kuhn-Tucker(KKT)條件求解對偶問題等方法進(jìn)行求解.對于非線性分類問題,通過引入核函數(shù),將數(shù)據(jù)映射到高維空間,解決在原始空間中線性不可分的問題,本文選用的核函數(shù)為徑向基函數(shù):

其中g(shù)為核函數(shù)參數(shù).引入核函數(shù)后,非線性分類問題可以轉(zhuǎn)化為以下對偶優(yōu)化問題:

其中αi和αj為拉格朗日乘子.對應(yīng)的非線性分類決策函數(shù)為

SVM的懲罰參數(shù)c和核參數(shù)g的取值直接影響其分類精度,同時決定了其學(xué)習(xí)能力和泛化能力.因此,本文采用IPSO算法對SVM的懲罰參數(shù)c和核函數(shù)的參數(shù)g進(jìn)行優(yōu)化,提高板形預(yù)報模型精度.

PSO算法源于對鳥群捕食的行為研究,通過設(shè)計一種無質(zhì)量的粒子來模擬鳥群中的鳥,粒子只有速度和位置兩種屬性.粒子群中的所有粒子都有一個適應(yīng)度函數(shù),判斷當(dāng)前位置的好壞,根據(jù)當(dāng)前個體極值和當(dāng)前整個粒子群全局最優(yōu)解來更新自己的速度和位置[15–16],本文中粒子的位置表示SVM模型的懲罰參數(shù)c和核參數(shù)g,速度表示其每次迭代的變化程度,適應(yīng)度函數(shù)為SVM模型的預(yù)報錯誤率

其中:pr為預(yù)報正確的樣本數(shù),pn為樣本總數(shù).粒子在每次迭代后,確定速度和位置的公式如下所示:

其中:i1,2,···,N,N是群中粒子的總數(shù);vi是粒子的速度;w為慣性因子;random()是介于(0,1)之間的隨機(jī)數(shù);c1和c2是學(xué)習(xí)因子,通常兩者相等;xi是粒子的當(dāng)前位置;pbesti為每個粒子的個體極值,gbesti則為全局最優(yōu)解.

PSO算法在求解優(yōu)化問題時,表現(xiàn)出較好的尋優(yōu)能力,但傳統(tǒng)的PSO算法容易陷入局部最優(yōu),導(dǎo)致結(jié)果誤差較大.由式(11)和式(12)可知,PSO算法的性能決定于w,c1,c2的取值,文獻(xiàn)[17]采取一種慣性因子非線性變化、學(xué)習(xí)因子隨機(jī)取值的方式來對粒子進(jìn)行更新,以此來對PSO算法進(jìn)行改進(jìn).本文為了克服算法易陷入局部最優(yōu)即“早熟”的現(xiàn)象,引入變異因子α來對粒子進(jìn)行重置,每次迭代尋優(yōu)更新位置時,粒子有一定的概率,即在random()小于α?xí)r進(jìn)行初始化.同時為了提高全局搜索能力和局部搜索能力,采用慣性因子線性遞減變化的方式來對粒子位置進(jìn)行更新[18],搜索前期慣性因子較大,有利于在全局范圍的尋優(yōu),后期慣性因子較小,著重加強(qiáng)局部范圍的搜索,慣性因子更新公式如下:

其中:t為當(dāng)前迭代次數(shù),tmax為最大迭代次數(shù),wmax為慣性因子上限,wmin為慣性因子下限.

在優(yōu)化模型參數(shù)時,設(shè)置PSO算法的迭代次數(shù)為50,粒子總數(shù)為40,學(xué)習(xí)因子c1和c2等于2,慣性因子w的取值范圍為[0.1,1],變異因子α為0.1,并與傳統(tǒng)PSO算法、文獻(xiàn)[17]改進(jìn)的PSO算法進(jìn)行了對比,優(yōu)化過程的適應(yīng)度變化情況如圖4所示.從圖中可以看出本文的IPSO算法比傳統(tǒng)的PSO算法、文獻(xiàn)[17]改進(jìn)的PSO算法具有更好的收斂效果,說明優(yōu)化性能更好,驗證了本文針對PSO算法改進(jìn)的有效性.

圖4 適應(yīng)度變化曲線圖Fig.4 Fitness change curve

4 仿真與結(jié)果分析

為了驗證本文所提方法的有效性,本文從某鋼鐵企業(yè)采集了近一個月內(nèi)77個批次共計941組鋼板的淬火生產(chǎn)數(shù)據(jù),選取鋼板的厚度、寬度、長度為聚類特征變量,利用FCM算法進(jìn)行實(shí)驗.將其中51批次的數(shù)據(jù)作為訓(xùn)練集進(jìn)行實(shí)驗,確定聚類的類別數(shù)和聚類中心,發(fā)現(xiàn)當(dāng)聚類的簇數(shù)為4時,聚類效果較好;利用剩下的26個批次的生產(chǎn)數(shù)據(jù)進(jìn)行測試,其結(jié)果如圖5所示,表明可以將這77批次鋼板淬火過程的工況劃分為4類,且從圖中的數(shù)據(jù)點(diǎn)分布情況來看,利用FCM對生產(chǎn)數(shù)據(jù)進(jìn)行聚類是有必要的.根據(jù)聚類結(jié)果,共需建立4個不同工況的IPSO–SVM板形預(yù)報模型.考慮到FCM算法聚類效果依賴于初始聚類中心,易陷入局部最優(yōu)的現(xiàn)象,可通過改進(jìn)初始聚類中心的選取規(guī)則和目標(biāo)函數(shù)來優(yōu)化聚類效果.

圖5 聚類結(jié)果Fig.5 Clustering results

本文選取工況識別所用的全部941組數(shù)據(jù),采用基于過程數(shù)據(jù)的質(zhì)量預(yù)測方法中常用的偏最小二乘法(partial least squares,PLS)[19]進(jìn)行對比,對基于PLS的板形預(yù)報模型(PLS)、基于SVM 的板形預(yù)報模型(SVM)、基于工況識別和SVM 的板形預(yù)報模型(OMR–SVM)、基于工況識別的PSO–SVM板形預(yù)報模型(OMR–PSO–SVM)、基于工況識別的IPSO–SVM板形預(yù)報模型(OMR–IPSO–SVM)進(jìn)行了實(shí)驗.同時為了提高實(shí)驗結(jié)果的可信度,采用交叉驗證的方法進(jìn)行訓(xùn)練和測試,預(yù)報結(jié)果如表3至表8所示.表3至表7中混淆矩陣的比例值依次為p1,p2,p3,p4,p1(p4)表示預(yù)報模型對板形質(zhì)量合格(不合格)的查準(zhǔn)率,表8中的精度指的是預(yù)報模型對兩個板形質(zhì)量的平均查準(zhǔn)率計算公式如下:

表3 PLS預(yù)報結(jié)果混淆矩陣Table 3 Confusion matrix of PLS prediction result

表4 SVM預(yù)報結(jié)果混淆矩陣Table 4 Confusion matrix of SVM prediction result

表5 OMR–SVM預(yù)報結(jié)果混淆矩陣Table 5 Confusion matrix of OMR–SVM prediction result

表6 OMR–PSO–SVM預(yù)報結(jié)果混淆矩陣Table 6 Confusion matrix of OMR–PSO–SVM prediction result

表7 OMR–IPSO–SVM預(yù)報結(jié)果混淆矩陣Table 7 Confusion matrix of OMR–IPSO–SVM prediction result

表8 預(yù)報精度對比Table 8 Comparison of prediction accuracy

其中:TP表示預(yù)報板形質(zhì)量合格且實(shí)際板形質(zhì)量合格的樣本數(shù),FP表示預(yù)報板形質(zhì)量合格但實(shí)際板形質(zhì)量不合格的樣本數(shù),FN表示預(yù)報板形質(zhì)量不合格但實(shí)際板形質(zhì)量合格的樣本數(shù),TN表示預(yù)報板形質(zhì)量不合格且實(shí)際板形質(zhì)量不合格的樣本數(shù).

從表中可以看出,在沒有工況識別的情況下,PLS模型和SVM 模型預(yù)報精度較低,分別為75.24%和86.29%,相比之下,根據(jù)本文提出方法建立的板形預(yù)報模型精度更高.在利用IPSO算法優(yōu)化模型參數(shù)之后進(jìn)一步提高了預(yù)報精度,精度達(dá)到了96.81%,說明該方法能夠在淬火過程中較準(zhǔn)確地預(yù)報板形質(zhì)量.

為了進(jìn)一步分析本文所提方法的可行性,在某鋼鐵企業(yè)淬火生產(chǎn)現(xiàn)場的控制系統(tǒng)中加入板形預(yù)報功能測試,其系統(tǒng)結(jié)構(gòu)圖如圖6所示.基礎(chǔ)自動化層通過傳感器從工業(yè)現(xiàn)場收集淬火過程生產(chǎn)數(shù)據(jù),并通過工業(yè)以太網(wǎng)傳輸?shù)絻?yōu)化控制層.在淬火過程控制系統(tǒng)中通過相關(guān)板形預(yù)報模型的計算,將預(yù)報結(jié)果存儲數(shù)據(jù)庫中,并提供給現(xiàn)場操作人員,以便在出現(xiàn)生產(chǎn)板形不合格情況時及時調(diào)整工藝參數(shù),盡可能避免一個批次內(nèi)接下來生產(chǎn)鋼板得到不合格的板形,提高板形的合格率.

圖6 淬火過程控制系統(tǒng)結(jié)構(gòu)圖Fig.6 Structure of control system in quenching process

5 結(jié)語

本文考慮到淬火過程多工況等特性,提出了一種基于工況識別的板形預(yù)報方法.采用FCM算法實(shí)現(xiàn)對淬火過程工況的識別,在此基礎(chǔ)上建立了各工況下的IPSO–SVM模型,通過模型的計算,預(yù)報當(dāng)前板形質(zhì)量.利用工業(yè)生產(chǎn)數(shù)據(jù)進(jìn)行實(shí)驗,驗證了該方法具有較高的預(yù)報精度,可以實(shí)現(xiàn)鋼板淬火過程中板形質(zhì)量的準(zhǔn)確預(yù)報,為淬火生產(chǎn)控制決策提供參考依據(jù).在未來的研究中,將參考扎制過程板形預(yù)測的相關(guān)成果,結(jié)合基于過程數(shù)據(jù)的質(zhì)量預(yù)測方法,繼續(xù)研究淬火過程板形建模以及控制方法,并將其應(yīng)用于實(shí)際淬火過程,提高鋼板的板形質(zhì)量.