DOI:10.19476/j.ysxb.1004.0609.2001.06.012
基于自适应滤波的铸轧板形检测信号分析
湘潭工学院机械系,中南大学机电工程学院,中南大学机电工程学院 湘潭411201
中南大学机电工程学院,长沙410083,长沙410083,长沙410083
摘 要:
超薄快速铸轧同常规铸轧相比 , 板形奇异机理复杂 , 板形现象突出。根据铸轧板形缺陷的表征特点 , 建立了铸轧板形的数学描述。将板形检测信号视为动态时间序列 , 运用自适应滤波理论 , 建立了一种通用的板形检测信号除噪方法。仿真结果表明该法除噪效果明显 , 能满足实时控制要求。
关键词:
中图分类号: TG249.9
收稿日期:2001-06-20
基金:国家重点基础研究发展规划资助项目 (G19990 6 490 6 );国家计委重大资助项目 (计高技 [1998] 1985 );
Roll casting flatness detection signal analysis based on adaptive filtering
Abstract:
The fast ultra thin gauge roll casting for aluminum strip rolling is a kind of highly efficient technology with obvious flatness phenomenon. The research focus in the roll casting field is to ascertain the cause of flatness defect and to seek the way of automatic flatness control. According to the characterization of roll casting strip shape, the mathematical expression of the roll casting flatness was established. Flatness detection signal was looked on as dynamic time series and by the theory of adaptive filtering a general method was developed to remove the harmful noise from the flatness detection signal. Simulation result proves that the method can be used in real time control with good effect.
Keyword:
roll casting; flatness detection; adaptive filtering; flatness control;
Received: 2001-06-20
自50年代初开发出的铝双辊铸轧技术用于工业生产以来, 因其具有带坯生产流程短 (将铸造和热轧工艺融为一体) 、 投资少 (仅为热轧法的1/3) 、 节能 (能耗仅为传统热轧法的40%) 等突出特点
典型的双辊板带连续铸轧工艺流程如图1所示。 液体金属由静止炉通过流槽进入前箱, 然后进入铸嘴, 并使金属均匀分布成所要求的宽度, 液体金属由铸嘴流出后, 即与铸轧辊的冷却辊面接触, 开始结晶, 同时经过轧制, 得到板带, 再经过矫直
图1 双辊铸轧工艺流程示意图
Fig.1 Schematic diagram of twin-roll casting process1—Smelting furnace; 2—Static furnace; 3—Fluid trough; 4—Front box; 5—Casting nozzle; 6—Caster; 7—Guiding machine; 8—Shearing machine; 9—Straightener; 10—Coiler
后卷取成卷。
随着科学技术的发展以及加工业对铸轧带材需求量的日益增加, 铸轧工艺不断朝超薄、 快速方向发展
本文作者将铸轧板形检测信号视为动态时间序列, 顾及时序先验信息少以及实时控制的需要, 采用递推辨识 (RPEM) 跟卡尔曼滤波 (KF) 相结合的自适应滤波方法对检测信号进行分析研究, 以期获得实际板形的最佳逼近, 为控制器提供较为精确的输入数据, 从而达到理想的板形控制效果。 通过研究, 成功地将动态数据处理理论应用于板形检测领域, 并建立了一种通用的且能满足实时控制要求的板形检测信号处理方法。
1 铸轧板形的数学描述
板形是指带材的翘曲程度, 板形缺陷一般同时具备几何特征和力学特征
为了描述板带横向厚度跟激光测厚仪测点位置之间的函数关系, 我们将坐标系的原点取在带材的中心处, 并假设所测带材的宽度为B, 各测点沿板宽的坐标位置为xi (i=1, 2, …, n, n为测点数量) , 相对应的实测板厚值为ymi, 目标板厚设定值为yti, 则
yi=ymi-yti (1)
式中 yi为实测板形与目标板形的偏差。
为适应板形控制的需要, 常将板形偏差及板宽作如下均一化处理:
2基于自适应滤波的信号除噪原理及算法
在铸轧环境下, 板形检测信号受外界干扰和随机噪声污染严重
铸轧板形检测信号, 可视为一动态时间序列, 但因先验信息少以及实时控制的需要, 须采用参数递推辨识与信号滤波同时并行的自适应滤波方法来求得信号的最佳估计。 顾及算法的稳定性、 可靠性和计算速度, 参数递推辨识采用RPEM (Recursive Prediction Error Method) 算法, 信号滤波采用KF (Kalman Filtering) 算法, 以下简称RPEM-KF算法。
2.1 测试信号的组成
来自激光测厚仪的铸轧板形数据Y (t) 通常含有两种成分: 确定性成分f (t) 和随机性成分x (t) , 而f (t) 又可分解为趋势项d (t) 和多谐项p (t) , 其相互关系可用下式表示:
Y (t) =f (t) +x (t) =[d (t) +p (t) ]+x (t) (3)
2.2 预分解
由于一般动态数据处理算法多适于处理均值平稳的随机序列, 而Y (t) 中确定性成分占相当大比例, 且均值显著变化, 因此在进行时序分析和滤波之前, 采用2l+1点中心平滑算法, 从中分离出明显趋势项
式中 l为平滑点数, N为测试总数据量。
2.3 时序分析与建模
预分解后所得的无显著趋势项y (t) 可表示为
y (t) =s (t) +n (t) (6)
式中 y (t) 为量测数据, s (t) 为信号, n (t) 为噪声。
对于s (t) , 考虑到其零均值非平稳性, 拟用AR (p) 模型拟合; 对于n (t) , 通常相关性较弱, 常用MA (q) 模型拟合。 即
式中 p, q为模型阶数; ai (t) 为t时刻的AR参数; λj (t) 为t时刻的MA参数, 且λ0 (t) =1; ω (t) , υ (t) 为零均值白噪声, 其方差分别为Q (t) , R (t) 。
将式 (7) , (8) 代入式 (6) , 并令μ (t) =ω (t) +υ (t) , 经变换后可得
式中 μ (t) 为零均值白噪声, 其方差为M (t) ; bj (t) 为与aj (t) , λj (t) 有关的MA参数。
显然, y (t) 为时变参数的自回归滑动平均模型ARMA (p, p+q) 。 通常n (t) 可视为白噪声, 式 (9) 变为
即y (t) 转化为ARMA (p, p) 模型。
2.4 RPEM递推辨识
式 (10) 中y (t) 为可接近量, 可按预测均方误差最小准则及改进的U-D分解算法来辨识模型参数ai (t) , bj (t) 及M (t) 。
2.5 噪声参数的估计
按照最小二乘法可推导出Q (t) , R (t) 与M (t) 满足关系式 (11) , 由该式可求得R (t) , Q (t) 的最小二乘估计:
2.6 Kalman滤波
式 (6) , (7) , (8) 相应的KF模型
式中 S (t) =[s (t) , s (t-1) , …, s (t-p-1) ]
H (t) =[1 0 … 0]1×p为量测矩阵。
对于铸轧板形信号, 通常可将量测噪声n (t) 视为白噪声, 即n (t) =υ (t) 。 此时可直接采用KF算法获得S (t) 的递推估计
式中 K (t) 为p维增益向量;
2.7 测量结果
将暂时分离出的明显趋势项
3 仿真分析
根据实验铸轧机和JGC-H2型激光测厚仪的工艺参数及技术指标, 并结合实验铸轧板带的实测, 对板形检测信号进行了计算机模拟
模拟检测信号经曲线拟合后, 其表达式为
y (t) =-0.1·x2 (t) +2.1+rand (t) ,
(t=1, 2, …, 1001) (14)
式中 rand (t) 为正态分布的白噪声, 其均值为0, 方差为0.022。 该式所描述的信号分布如图2 (a) 所示。
在自适应滤波中, 滤波参数为: 输入数据总数N=1 001, 平滑点数l=12, 模型阶数p=2, 遗忘因子f=0.98, 方差估计参数ni=200, nj=50。
经自适应滤波后所得的除噪板形信号如图2 (b) 所示。
经统计分析, 图2 (a) 中检测信号的标准差Vn=0.02, 最大误差Mn=0.075 7; 图2 (b) 中除噪后信号的标准差Ve=0.003 4, 最大误差Me=0.027 7。 因此, 有Ve/Vn=16.92%, Me/Mn=36.56%。
图2 检测信号 (a) 及其除噪 (b)
Fig.2 Detection signal (a) and removing noise (b)
以上表明铸轧板形检测信号经自适应滤波处理后, 其动态测试随机误差减少约80%, 除噪效果明显。
参考文献
[2] LAOBing (老 兵) .铝带坯连续铸轧技术新发展—四辊式连续铸轧机[J].WorldNonferrousMetals (世界有色金属) , 1997 (10) :31-32.
[8] CHENJie (陈 杰) .轧辊弹性变形解析理论研究与应用[D].Changsha:CentralSouthUniversityofTech nology, 1999.78-86.