DOI： 10.11817/j.issn.1672-7207.2020.03.014

CSP产线全流程负荷分配策略优化

陈小睿,张殿华,马建阳,彭文

（东北大学 轧制技术及连轧自动化国家重点实验室，辽宁 沈阳，110819）

摘要:为了降低热连轧生产能耗，将出炉温度和负荷分配作为优化变量，建立生产能耗目标函数，采用一种参数自学习动态差分进化算法对目标函数进行求解，实现出炉温度和压下负荷分配的最优化。研究结果表明：对于典型规格，与传统的工艺制度相比，能耗降低9%左右，收敛速度快，计算时间能够满足在线使用要求，证明了该方法在线使用的有效性，为现场工艺提供了指导。

关键词:薄板坯连铸连轧(CSP)；出炉温度；负荷分配；差分进化算法

中图分类号:TG335.5          文献标志码:A

文章编号:1672-7207（2020）03-0697-07

Optimization of load distribution strategy for CSP production line

CHEN　Xiaorui, ZHANG　Dianhua, MA　Jianyang, PENG　Wen

(State Key Laboratory of Rolling and Automation, Northeastern University, Shenyang 110819, China)

Abstract: In order to reduce the energy consumption of production, taking the furnace temperature and load distribution as the optimization variables, the production energy objective function was established, and the differential evolution algorithm was used to solve the objective function to optimize the furnace temperature and the load distribution. The results show that compared with the traditional production process, the energy consumption is reduced by 9% for typical specifications. The algorithm has fast convergence speed and the calculation time can meet the requirements of online use, which proves the effectiveness of the method online and provides guidance for the on-site process.

Key words: compact strip production(CSP); furnace temperature; load distribution; differential evolution algorithm

在热轧带钢生产过程中，负荷分配优化是轧制规程设定的核心内容，合理的负荷分配制度能够充分发挥轧机的能力，稳定生产过程，保证产品的尺寸精度及内部性能，在一定程度上降低能耗，降低生产成本^[1-4]。近年来，很多学者采用了等负荷分配、相对等负荷分配、综合等负荷函数目标^[5-7]、板形良好目标等优化算法实现了热轧负荷分配的优化设计，取得了一定的研究成果。但这些研究多以机架的出口厚度为待优化变量，通过求解单目标或多目标函数得到负荷分配结果^[8-11]。在热轧负荷分配设计过程中，除厚度外，入口温度也是重要的影响因素，不仅影响加热过程能耗，而且影响轧制过程的轧制能耗。在此，本文作者以某CSP产线作为研究对象，以降低生产过程能耗为目的对负荷分配进行优化，同时在进行负荷分配优化的基础上，考虑到出炉温度和负荷分配中压下存在耦合关系(即出炉温度和负荷分配都与变形抗力有关，且出炉温度与变形抗力为负相关，负荷分配中轧制功率与变形抗力为正相关)，将出炉温度和各机架出口厚度分配同时作为待优化变量，建立以加热能耗和轧制能耗为目标的全流程生产过程能耗目标函数，并采用改进的差分进化算法^[12-16]对目标函数进行求解。

1 目标函数

1.1　目标函数设计

分别以负荷分配作为待优化变量以及以出炉温度和负荷分配组合作为待优化变量进行函数设计，基于能耗最低原则选取的目标函数表达式如下：

(1)

式中：J_min为总能耗；E_hot为加热炉能耗；E_ei为各机架的能耗。

加热能耗模型：

(2)

式中：m_s为钢坯质量；c_s为钢坯比热容；T_c为出炉温度；T_R为入炉温度，假设板坯在加热炉入口和出口温度均匀分布；φ_F为加热炉燃烧效率。

轧制能耗模型：

(3)

式中：N_i为电机功率，kW。

电机功率的计算模型如下：

(4)

式中：n_i为电机额定转速，rad；M_i为第i架轧机的轧制力矩，kN·m。

轧制力矩M的计算模型如下：

(5)

式中：P为轧制力，N；为力臂系数，热轧精轧中为0.39~0.44^[17]，此处；l_c为接触弧长度，m。

轧制力的计算采用SIMS公式：

(6)

式中：B为轧件宽度，mm；为考虑压扁后的轧辊与轧件的接触弧长度，mm；Q_p为考虑接触弧上摩擦力造成应力状态的影响系数^[17]；K为金属变形抗力，K=1.155σ，MPa；K_T为前后张力对轧制力的影响系数。

具体的计算方法如变形抗力模型、摩擦力影响系数模型、张力影响系数模型和温度模型等可以参照文献[16-17]。

1.2　约束条件

在实际生产过程中，为保证轧制过程顺利进行，需要考虑工艺约束和设备约束等约束条件。

1) 温度约束条件。根据产品生产的工艺需求，出炉温度T_c和终轧温度T_z均应限定在一定范围之内：

(7)

(8)

式中：T_cmin和T_cmax分别为最小出炉温度和最大出炉温度；T_zmin和T_zmax分别为最小终轧温度和最大终轧温度。

2) 咬入条件约束。轧制开始时，咬入角α应小于摩擦角β：

(9)

3) 轧制力约束。在轧制过程中，各道次的轧制力F应小于机架最大许可轧制力F_max：

(10)

4) 电机扭矩M_e和功率约束。

(11)

(12)

式中：N_max为最大许可轧制功率；M_max为电机最大允许扭矩。

除上述约束条件外，还应使末机架轧制力尽量接近维持最优板形的轧制力，保证板形良好等。

2 参数自学习动态差分进化算法

2.1　差分进化算法原理

差分进化算法(DE)的主要内容包括：1) 初始化种群；2) 变异操作；3) 交叉操作；4) 选择操作；5) 贪婪搜索。

2.1.1　初始化种群　

初始化种群是依据一定条件随机在搜索空间内生成的一组向量组。以工厂实际生产规程为依据生成种群中的各个个体(向量组中的数)；初始种群规模N_P对算法的性能有重要影响，若N_P过大，则搜索范围变大、搜索能力变强，但是算法的收敛速度和计算速度变慢，使得计算效率下降；而若N_P过小，则种群的多样性降低，虽然搜索速度和收敛速度变快，但是搜索能力不足，个体缺少多样性，容易产生局部最优解，因此，N_P要选择合适的范围。

2.1.2　变异操作　

差分进化算法中变异操作的目的主要是生成1组与父代(若是第1次变异父代是初始种群)不同的试验向量，从而使算法可以寻得优化效果更好的解。采用变异策略DE/rand/1/bin，若假设初始种群为{X₀=(x_1,0, x_2,0, , x_i,0), i=1, 2, , N_P}，则与x_i,0一一对应的变异向量v_i,0的变异公式为

(13)

式中：x_j,0和x_k,0为父代中2个与x_i,0不同的个体，通常称x_i,0为基向量，x_j,0-x_k,0为差分矢量，F为缩放因子，在0~1.2之间取值^[18]。

2.1.3　交叉操作　

在交叉操作中，需要引入交叉概率常数C_R，交叉概率常数是交叉操作的决定性因素，对于父代、子代中同一维度的个体(如i和v_i,0)，若将交叉后形成的种群中每个个体(试验向量)定义为u_i,0，则差分进化算法中的交叉操作表达式为

(14)

式中：k为随机数，每次交叉中k都随机生成1次，；而对于而言，一般采用自学习模式不断进行优化，。交叉示意图如图1所示。

图1　交叉操作示意图

Fig. 1　Diagram of crossover

2.1.4　选择操作　

在选择操作中，需要运用到适应度函数f(x)，一般地，f(x)越小，适应度越好。

（15）

2.2　参数自学习动态差分进化算法

2.2.1　动态差分进化策略　

在原创差分进化算法(DE)中，进化总是从上一个种群全部变成下一个种群，这种进化方式是一种静态结构。吴亮红等^[19]对基本差分进化算法进行了动态改进，提出了动态差分进化策略(dynamic differential evolution, DDE)，实现个体的动态更新，加快算法的计算速度和收敛速度。

2.2.2　参数自学习策略　

差分进化算法具有受控参数少的特点，缩放因子F和交叉概率常数对算法的优化能力有重要影响，若F和保持不变，则目标函数的最优解容易出现早熟收敛和陷入局部最优等问题，许多学者^[20-21]对此进行了大量的研究，提出参数自学习策略，根据参数自身在优化过程中对优化目标的适应度函数影响程度，通过调整参数平衡搜索过程中收敛速度和局部最优的问题，使进化过程朝适应度更好的方向进行，提高算法的优化性能。

图2　优化过程计算流程图

Fig. 2　Flow chart of load distribution calculation

3 仿真结果分析

3.1　计算流程

采用自学习动态差分进化算法对建立的目标函数进行求解，计算流程图如图2所示。主要步骤如下：

步骤1) 根据实际的PDI数据，生成300组初始数据，初始数据由各道次的压下量(或者出炉温度和各道次压下量)组成；对各个参数进行初始化设定，如交叉概率常数、缩放因子和最大迭代数等；

步骤2) 对300组初始数据求解适应度函数(能耗)，对于适应度函数为负值的数据进行重新求解赋值，直到生成300组满足要求的初始数据，设为初始种群，求出初始种群中满足约束条件的最优适应度函数并进行记录；

步骤3) 对初始种群进行变异和交叉操作，生成的新的300组数据，设为交叉种群，计算交叉种群的适应度函数，并让交叉种群与初始种群进行一对一的选择操作，生成新的300组数据设为子代种群；

步骤4) 计算子代种群的适应度函数，求出满足约束条件的最优适应度函数；

步骤5) 若子代种群的最优适应度函数比初始种群的最优适应度函数更优，则对记录的最优适应度函数进行更新；

步骤6) 将上一代的子代种群当成新的初始种群，重复步骤2)~6)进行迭代计算；

步骤7) 设定收敛条件，若迭代次数大于500或者最优适应度函数在连续100代内未发生变化，则输出最优适应度函数并输出出炉温度、压下量、变形程度、变形抗力和轧制力等数据。

3.2　分析与讨论

以某CSP生产线为对象验证优化过程，产线基本参数如表1所示。选取典型产品Q235B钢2种规格分别计算经验方法(产线经验数据)、不考虑出炉温度的负荷分配优化、考虑出炉温度和负荷分配的多目标优化方法在生产过程中的总能耗。Q235B钢规格如表2所示。

表1　产线基本参数

Table 1　Parameters of production line

表2　优化用典型产品Q235B钢规格

Table 2　Data of typical product Q235B steel

采用参数自学习差分进化算法对目标厚度为1.97 mm的Q235B钢进行优化计算，3种方法计算的总能耗对比曲线如图3所示。多目标优化后出炉温度为1 106.84 ℃，轧制参数如表3所示。

图3　1.97 mm厚Q235B钢产品能耗曲线

Fig. 3　Energy consumption curves of Q235B steel with thickness of 1.97 mm

表3　1.97 mm厚Q235B钢轧制参数

Table 3　Rolling parameters of Q235B steel with thickness of 1.97 mm

对目标厚度为1.97 mm的产品的优化结果进行分析可知，在使用负荷分配方法优化时，整个轧制过程能耗从3.85×10⁹ J下降到3.62×10⁹ J，下降了约6.06%；在使用多目标优化方法进行优化时，出炉温度从1 127 ℃下降到1 106.8 ℃，整个过程能耗从3.62×10⁹ J降到3.50×10⁹ J，下降了约9.14%。目标函数求解过程收敛迭代曲线如图4所示，收敛速度约为1.45 s，能够满足在线要求。

图4　1.97 mm厚Q235B钢目标函数求解过程的收敛情况

Fig. 4　Convergence iterative curve for solving objective function of Q235B steel with thickness of 1.97 mm

对目标厚度为1.97 mm的Q235B钢进行优化计算，其能耗对比曲线如图5所示。多目标优化后出炉温度为1 109.64 ℃，轧制参数如表4所示。

图5　1.69 mm厚Q235B钢产品能耗曲线

Fig. 5　Energy consumption curves of Q235B steel with thickness of 1.69 mm

表4　1.69 mm厚Q235B钢轧制参数

Table 4　Rolling parameters of Q235B steel with thickness of 1.69 mm

对目标厚度为1.69 mm的产品的优化结果进行分析可知，在使用负荷分配方法优化时，整个过程能耗从4.53×10⁹ J下降到4.23×10⁹ J，下降了约6.66%；在使用多目标优化方法进行优化时，出炉温度从1 132℃下降到1 109.6 ℃，整个过程能耗从4.53×10⁹ J下降到4.13×10⁹ J，下降了约8.91%。目标函求解过程收敛迭代曲线如图6所示，收敛速度约为1.39 s，能够满足在线要求。

图6　1.69 mm厚Q235B钢目标函数求解过程的收敛情况

Fig. 6　Convergence iterative curve for solving objective function of Q235B steel with thickness of 1.69 mm

结果表明，本文所提出的方法能够实现目标函数的快速求解，能够得到满足设备、工艺条件的要求，实现了出炉温度和负荷分配的优化，达到了生产过程降低能耗的目的，对现场实际生产有很好的指导作用。

采用差分进化算法完成生产过程中的出炉温度和负荷分配的优化问题体现了差分进化算法在解决优化分配问题上的可行性，求解速度能够满足在线使用要求。

4 结论

1) 建立了生产过程能耗目标函数，并将出炉温度的和负荷分配作为待优化变量，通过目标函数的快速求解实现了生产能耗的优化过程。

2) 通过参数自学习动态差分进化算法实现了所建立目标函数求解过程，通过优化同时得到了出炉温度和轧制过程的负荷分配。

3) 对2种典型规格的产品优化后，轧制总能耗分别下降了约9.14%和8.91%，实现了目标函数的求解；同时收敛速度快，求解时间小于2 s，能够满足在线应用的要求，实现了对现场生产工艺的优化。

参考文献：

[1] 张进之. 热连轧机负荷分配方法的分析和综述[J]. 宽厚板, 2004, 10(3): 14-21.

ZHANG Jinzhi. Analysis and summarization of load distribution method for hot continuous rolling mill[J]. Wide and Heavy Plate, 2004, 10(3): 14-21.

[2] LI Haijun, XU Jianzhong, WANG Guodong, et al. Improvement on conventional load distribution algorithm in hot tandem Mills[J]. Journal of Iron and Steel Research International, 2007, 14(2): 36-41.

[3] 寇新民, 张冬花. 能耗负荷分配法在铝冷轧生产线的应用[J]. 冶金自动化, 2017, 41(5): 44-46.

KOU Xinmin, ZHANG Donghua. Energy load distribution for aluminum cold rolling[J]. Metallurgical Industry Automation, 2017, 41(5): 44-46.

[4] 谷向磊, 黄长清, 蔡央, 等. 智能算法优化轧制规程的优缺点及发展趋势[J]. 热加工工艺, 2018, 47(21): 1-6.

GU Xianglei, HUANG Changqing, CAI Yang, et al. Advantages and disadvantages of intelligent algorithm for optimizing rolling schedule and its development trend[J]. Hot Working Technology, 2018, 47(21): 1-6.

[5] 梁国平. 关于轧机的最佳负荷分配问题[J]. 钢铁, 1980, 15(1): 42-48.

LIANG Guoping. The optimum distribution of loads on rolling Mills[J]. Iron and Steel, 1980, 15(1): 42-48.

[6] 胡贤磊, 矫志杰, 邱红雷, 等. 综合等负荷函数法在中厚板规程分配中的应用[J]. 钢铁研究学报, 2003, 15(2): 24-26, 54.

HU Xianlei, JIAO Zhijie, QIU Honglei, et al. Application of equal load function method to medium plate rolling schedule[J]. Journal of Iron and Steel Research, 2003, 15(2): 24-26, 54.

[7] 江潇, 胡贤磊, 刘相华, 等. 综合等负荷函数法在双机架粗轧负荷分配中的应用[J]. 东北大学学报(自然科学版), 2007, 28(2): 221-224.

JIANG Xiao, HU Xianlei, LIU Xianghua, et al. Application of equal load function to load distribution on double-stand mill during hot strip rough rolling[J]. Journal of Northeastern University(Natural Science), 2007, 28(2): 221-224.

[8] LI Yong, FANG Lei. Robust multi-objective optimization of rolling schedule for tandem cold rolling based on evolutionary direction differential evolution algorithm[J]. Journal of Iron and Steel Research International, 2017, 24(8): 795-802.

[9] CHEN Shuzong, ZHANG Xin, PENG Lianggui, et al. Multi-objective optimization of rolling schedule based on cost function for tandem cold mill[J]. Journal of Central South University, 2014, 21(5): 1733-1740.

[10] 邵健, 何安瑞, 杨荃, 等. 热轧宽带钢自由规程轧制中负荷分配优化研究[J]. 冶金自动化, 2010, 34(3): 19-24.

SHAO Jian, HE Anrui, YANG Quan, et al. A scheme for optimal load distribution in schedule free rolling of wide hot strip Mills[J]. Metallurgical Industry Automation, 2010, 34(3): 19-24.

[11] 孙浩, 肖宏, 胡庆军. 基于有约束多目标进化算法的冷轧负荷分配分析[J]. 中国机械工程, 2017, 28(1): 93-100.

SUN Hao, XIAO Hong, HU Qingjun. Analysis for load distribution of tandem cold rolling based on constrained multi-objective evolutionary algorithm[J]. China Mechanical Engineering, 2017, 28(1): 93-100.

[12] 刘波, 王凌, 金以慧. 差分进化算法研究进展[J]. 控制与决策, 2007, 22(7): 721-729.

LIU Bo, WANG Ling, JIN Yihui. Advances in differential evolution[J]. Control and Decision, 2007, 22(7): 721-729.

[13] 姚峰, 杨卫东, 张明. 基于多子群目标分段差分进化的多目标热连轧负荷分配[J]. 北京科技大学学报, 2010, 32(11): 1506-1512.

YAO Feng, YANG Weidong, ZHANG Ming. Multi-objective load distribution of hot strip Mills based on multi-swarm and sub-objective differential evolution[J]. Journal of University of Science and Technology Beijing, 2010, 32(11): 1506-1512.

[14] KIM H K, CHONG J K, LOWTHER D A. Differential evolution strategy for constrained global optimization and application to practical engineering problems[C]//2006 12th Biennial IEEE Conference on Electromagnetic Field Computation, Miami, Florida, USA. IEEE, 2006:?

[15] 吴亮红, 徐睿, 左词立, 等. 求解一类双层规划的自适应变异动态差分进化算法[J]. 中南大学学报(自然科学版), 2016, 47(10): 3436-3444.

WU Lianghong, XU Rui, ZUO Cili, et al. A self-adaptive mutation dynamic differential evolution algorithm for a class of bi-level programming problem[J]. Journal of Central South University(Science and Technology), 2016, 47(10): 3436-3444.

[16] 周纪华, 管克智. 金属塑性变形阻力[M]. 北京: 机械工业出版社, 1989: 212-229.

ZHOU Jihua, GUAN Kezhi. Metal plastic deformation resistance[M]. Beijing: Mechanical Industry Press, 1989: 21-229.

[17] 孙一康. 带钢热连轧的模型与控制[M]. 北京: 冶金工业出版社, 2002: 29-122.

SUN Yikang. Model and control of hot strip rolling[M]. Beijing: Metallurgical Industry Press, 2002: 29-122.

[18] 吴亮红, 王耀南, 袁小芳, 等. 自适应二次变异差分进化算法[J]. 控制与决策, 2006, 21(8): 898-902.

WU Lianghong, WANG Yaonan, YUAN Xiaofang, et al. Differential evolution algorithm with adaptive second mutation[J]. Control and Decision, 2006, 21(8): 898-902.

[19] 吴亮红, 王耀南. 动态差分进化算法及其应用[M]. 北京: 科学出版社, 2014: 81-88.

WU Lianghong, WANG Yaonan. Dynamic differential evolution algorithm and its application[M]. Beijing: Science Press, 2014: 81-88.

[20] BREST J, GREINER S, BOSKOVIC B, et al. Self-adapting control parameters in differential evolution: a comparative study on numerical benchmark problems[J]. IEEE Transactions on Evolutionary Computation, 2006, 10(6): 646-657.

[21] 贾丽媛, 张弛. 自适应差分演化进化算法[J]. 中南大学学报(自然科学版), 2013, 44(9): 3759-3765.

JIA Liyuan, ZHANG Chi. Self-adaptive differential evolution[J]. Journal of Central South University(Science and Technology), 2013, 44(9): 3759-3765.

（编辑 赵俊）

收稿日期： 2019 -06 -11; 修回日期： 2019 -07 -18

基金项目(Foundation item)：国家重点研发计划项目(2017YFB0304100)；国家自然科学基金资助项目(51704067, 51634002)；中央高校基本科研业务专项资金资助项目(N180704006)；轧制技术及连轧自动化国家重点实验室开放课题(2017RALKFKT009) (Project(2017YFB0304100) supported by the National Key R&D Program of China; Projects(51704067, 51634002) supported by the National Natural Science Foundation of China; Project(N180704006) supported by the Fundamental Research Funds for the Central Universities; Project(2017RALKFKT009) supported by Open Research Fund from State Key Laboratory of Rolling and Automation)

通信作者：彭文，副研究员，从事板带轧制过程自动控制、模型优化、故障诊断等研究；E-mail：pengwen233@163.com