[发明专利]一种多电机负荷优化的冷连轧控制方法

说明书

技术领域

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

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

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。 

本发明解决其技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；N_i、N_j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。

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。 

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。 

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]。

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

图1是多电机负荷优化的冷连轧控制方法的流程图。 

图2是量子粒子群算法的流程图。