作者：崔桂梅, 程烨, 张帅

作者单位：内蒙古科技大学信息工程学院，内蒙古 包头 014010

关键词：模式匹配;多级匹配;模糊神经网络;粒子群

摘要：

热连轧是一个复杂的工业过程，针对某钢厂2250 mm轧线存在参数间强耦合难以优化控制的问题，该文提出基于多级模式匹配的参数优化方法，以适配当前优良操作模式库中的最佳操作参数，并应用于加热炉-粗轧工序，从而提升中间坯的产品质量。对采用多级匹配方法寻找不到最优操作模式的情况，该文建立基于模糊神经网络输入输出预测模型，采用粒子群优化算法，直至得到满足要求输出最优操作参数，同时将新的最优模式更新到优良操作模式库中，完成库的扩充。仿真结论与钢厂实际生产过程对比证明该模式匹配及演化的策略的可行性。

Application of pattern matching in heating furnace - rough rolling process
CUI Guimei, CHENG Ye, ZHANG Shuai
Information Engineering Institute, Inner Mongolia University of Science and Technology, Baotou 014010, China
Abstract: Hot continuous rolling is a complex industrial process. Aiming at the problems of difficult optimization control and strong coupling between parameters in 2250 mm rolling line of a steel plant, this paper proposes a parameter optimization method based on multi-level pattern matching, which is applied to the heating furnace – rough rolling process to adapt the best operation parameters in the current superior operational pattern library so as to improve the product quality of transfer bar. For the situation that the multi-level matching method cannot find the optimal operation mode, this paper establishes the input-output prediction model based on fuzzy neural network, uses particle swarm optimization algorithm until the output optimal operation parameters meet the requirements, and updates the new optimal mode to the superior operational pattern library to complete the expansion of the library. The simulation results are compared with the actual production process, which proves the feasibility of the pattern matching and evolution strategy.
Keywords: pattern matching;multi-step matching;fuzzy neural network;PSO
2022, 48(9):29-35  收稿日期: 2021-03-28;收到修改稿日期: 2021-06-24
基金项目: 国家自然科学基金资助项目（61763039）
作者简介: 崔桂梅（1963-），女，河北保定市人，教授，博士，主要研究领域为复杂过程系统的建模及运行优化控制
参考文献
[1] 桂卫华, 阳春华, 李勇刚, 等. 基于数据驱动的铜闪速熔炼过程操作模式优化及应用[J]. 自动化学报, 2009, 35(6): 717-723
[2] 桂卫华, 刘建华, 谢勇芳. 铜闪速熔炼过程操作模式分级匹配技术与演化策略[J]. 系统工程理论与实践, 2013, 33(10): 2714-2720
[3] ZHOU P, ZHANG R Y, XIE J, et al. Data-driven monitoring and diagnosing of abnormal furnace conditions in blast furnace ironmaking: an integrated PCA-ICA Method[J]. Transactions on Industrial Electronics, 2020, 68(1): 622-630
[4] GAMERO F I, COLOMERA J, MELÉNDEZA J, et al. Predicting aerodynamic instabilities in a blast furnace[J]. Engineering Applications of Artificial Intelligence, 2006, 17(1): 103-108
[5] 王国栋. 钢铁全流程和一体化工艺技术创新方向的探讨[J]. 钢铁研究学报, 2018, 30(1): 5-7
[6] 王国栋. 高质量中厚板生产关键共性技术研发现状和前景[J]. 轧钢, 2019, 36(1): 1-7
[7] 陈丹, 邵健, 殷实, 等. 基于大数据平台的冷连轧轧制力自学习模型优化[J]. 冶金自动化, 2020, 44(6): 25-29+61
[8] 曹建国, 江 军, 赵秋芳, 等. 基于数据挖掘的宽厚板板凸度控制[J]. 中南大学学报(自然科学版), 2019, 50(11): 2743-2752
[9] 李 扬, 王 京, 张勇军. 基于数据挖掘的热轧带钢质量分析方法[J]. 工程科学学报, 2015, 37(S1): 56-64
[10] 徐 钢, 张晓彤, 黎 敏, 等. 基于统计过程控制的流程工业工艺规范制定方法[J]. 机械工程学报, 2019, 55(8): 208-215
[11] 崔桂梅, 刘 伟, 张 帅, 等. 基于差分进化支持向量机的轧制力预测 [J]. 中国测试，2021,47（8）：84-88. https://kns.cnki.net/kcms/detail/51.1714.TB.20210115.1410.004.htm1.
[12] 刘元铭, 王振华, 王 涛, 等. 热轧带钢出口凸度数据驱动建模及智能化预测分析[J]. 中国机械工程, 2020, 31(22): 2728-2732
[13] 姬亚锋, 宋乐宝, 原 浩, 等. 基于KPLS与SVM的热连轧板凸度预测[J]. 中国冶金, 2021, 31(1): 20-24+30
[14] 章顺虎, 姜兴睿, 尤凤翔, 等. 融合工业大数据的热轧厚板轧制力模型研究[J]. 精密成形工程, 2020, 12(2): 8-14
[15] KHANG T D, VUONG N D, TRAN M K, et al. Fuzzy C-Means Clustering Algorithm with Multiple Fuzzification Coefficients[J]. Algorithms, 2020, 13(7): 158-159
[16] SINGHAL A, SEBORG DE. Clustering of multivariate time series data[J]. Journal of Chemometrics, 2005, 19(8): 3931-3936
[17] 张慧哲, 王 坚. 基于初始聚类中心选取的改进FCM聚类算法[J]. 计算机科学, 2009, 36(6): 206-209
[18] 白 雪. 聚类分析中的相似性度量及其应用研究[D]. 北京: 北京交通大学, 2012.
[19] 王秀梅, 王国栋, 刘相华. 人工神经网络和数字模型在热连轧机组轧制力预报中的综合应用[J]. 钢铁, 1999, 34(3): 38-39
[20] 马 峰. 神经网络在热连轧模型计算中的应用[J]. 山西冶金, 2021, 1: 111-114
[21] LEE S C, LEE E T. Fuzzy Neural Networks[J]. Mathematical Biosciences, 1975, 23(1): 151-177
[22] BUCKLEY J J, HAYASHI Y. Fuzzy neural networks: A survey[J]. Fuzzy sets and systems, 1994, 66(1): 1-13
[23] GUPTA M M, RAO D H. On the principles of fuzzy neural networks[J]. Fuzzy Sets and Systems, 1994, 61(1): 10-18
[24] 李爱莲, 郭志斌, 解韶峰, 等. 蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究[J]. 中国测试, 2020, 46(1): 113-116
[25] 崔桂梅, 张运强, 张 勇. 基于改进PSO-KELM的高炉回旋区温度预测研究[J]. 中国测试, 2020, 46(4): 26-30