金属带生产中的目标值确定的制作方法
本发明涉及用于确定具有用于将金属产品轧制成金属带的至少一个轧机机架组的轧制设备的生产参数的目标值的方法和装置,和具有这种装置的轧制设备、计算机程序产品和机器学习模型。
背景技术:
1、在轧制设备中设有一个或多个轧机列,即一个或多个轧机机架组,利用所述轧机列将金属初级产品、例如新浇铸的铸坯、板坯或已经预轧制的金属带,轧制成最终产品。为了生产新带,即具有新特征(如与前一带相比改变的带厚度、宽度、表面结构和/或微观结构和/或类似特征)的带,在连续运行中对设备的生产参数或运行参数进行调整。然而为此,首先需求确定所述参数的相应的目标值。
2、例如,为了轧制新带,首先必需确定重要变量、如轧制力、扭矩、轧辊弯曲和轧辊轴向位移的目标值。所述预先确定的质量对随后的产品质量具有决定性影响,因为所述变量例如影响待轧制的带的厚度、轮廓和/或平直度。此外,还能够基于这些重要变量设定其他运行参数、如质量流量的设置。
3、为了预先确定生产参数,通常使用查找表。在这些表中,表征待生产的带的期望特征的带参数与相应的、例如通过经验收集的生产参数相关联。替代地,也使用物理模型,带参数和生产参数之间的物理关系纳入所述物理模型中。
4、另一方案基于对所谓“人工智能”的使用。经过相应训练的、即机器学习过的模型随后能够根据所提供的带参数输出相应的生产参数。特别有利的是,这种方案也与物理模型的使用相结合。例如,在schlang等人发表的“钢铁加工中神经计算的当前及未来发展(current and future development in neural computation in steel processing)”,控制工程实践(control engineering practice)第9卷 (2001),第975-986页中,描述了一种架构,根据所述架构,纳入分析模型中的校正因子通过两个分开的神经网络计算。
5、然而,所有这些迄今为止的方案的缺点是:通常没有考虑或仅不充分地考虑当前的设备状态,或者甚至没有考虑直接的生产历史或设备历史。当在轧制设备处执行更改或使用新材料时,所使用的查找表或模型例如能够快速变得不可用。此外,这种查找表和模型能够仅输出“平均的”生产参数目标值,因为设备状态、即生产条件在实践中不断发生微小变化,例如通过变化的物理环境条件、磨损和/或类似情况。
6、例如,使用所谓的前馈网络作为机器学习模型,所述前馈网络将每个待生产的新带视为独立于之前生产的带。因此,这种网络的预测始终排他性地基于过去收集的经验的平均值,因此在此也称其为“长期遗传”。因此,在实践中,在与前一带相似的待轧制的新带中,这种网络的预测被忽略,而是取而代之使用与前一带对应的生产参数目标值。这被称为“短期遗传”。
技术实现思路
1、本发明的目的是:进一步改进对铸轧设备的生产参数的目标值的确定,特别是除带参数和生产参数之间的静态关系之外,还要考虑当前的设备状态,和在必要时甚至考虑直接的设备历史或生产历史。
2、所述目的通过根据独立权利要求的方法和装置和具有这种装置的轧制设备、计算机程序产品和机器学习模型来实现。
3、优选的实施方式是从属权利要求和以下描述的主题。
4、根据第一方面,在用于确定具有用于将金属产品轧制成金属带的至少一个轧机机架组的轧制设备的选定的生产参数的目标值的方法、特别是计算机实施的方法中,提供预定的参考材料的材料参数的值。此外,在金属带生产时预先已知的生产参数的基础上,由基于循环神经网络的机器学习模型确定材料参数的校正因子。随后,能够在物理生产参数模型的基础上确定轧制设备的选定的生产参数的目标值,借助校正因子调整的材料参数值和用于待轧制的金属带的目标规格纳入所述物理生产参数模型中。
5、本发明意义上的轧制设备能够已经由具有至少一个轧机机架的至少一个轧机机架组形成。但轧制设备也能够包括其他设备组件,例如用于将待轧制的金属产品(重新)加热的加热装置、用于对金属产品进行除鳞的除鳞装置、用于轮廓成形的立辊轧机、用于冷却轧制的金属带的冷却区、用于分离金属带的一个或多个分离装置、用于卷取金属带的一个或多个卷取机和/或类似组件。轧制设备能够特别是铸轧设备的一部分,但替代地也能够与浇铸机分开设置。轧制设备能够被设计用于热轧或冷轧。
6、在本发明意义上确定选定的生产参数的目标值优选是对目标值的预先计算或预测(即预估)。
7、在本发明意义上的材料参数优选是与材料相关的参数,例如密度、导热率、弹性、屈服应力和/或类似参数。
8、在本发明意义上的机器学习模型优选是由一个或多个算法在训练数据的基础上生成的统计模型。机器学习的模型能够特别是也被称为训练后的模型。机器学习模型适宜地是机器学习的结果。这种机器学习模型能够通常也被称为人工智能,所述人工智能已经识别出训练数据中的模式和规律,进而也能够根据所述模式和规律来评估或评价未知数据。上文和下文描述的机器学习模型基于所谓的“神经网络”(“neural networks”)。
9、在本发明意义上的预先已知的生产参数优选是在金属带生产中相关的生产参数的已知值,特别是在金属带生产中可测量的或(预先)设定的生产参数的值。例如,这种预先已知的生产参数能够是待轧制的金属产品的横截面尺寸、待轧制的金属产品的温度、待轧制的金属产品的化学组分、轧辊直径、待轧制的金属产品穿过设备或进入设备的输送速度和/或类似参数。因此,预先已知的生产参数也能够被理解为预先已知的(例如设定的或测量的)生产参数值。
10、在本发明意义上的生产参数模型优选是对(特别是选定的)生产参数的建模。在生产参数模型中适宜地将目标规格(即期望的带参数)与生产参数相关联。例如,生产参数模型能够基于所述目标规格和生产参数之间的物理关系。这种模型能够是解析地或数值地可解的。
11、本发明的一个方面基于如下方案:利用机器学习模型和物理模型的组合,以确定轧制设备的所选择生产参数的目标值。在此,在所述组合中的数据处理的出发点优选是提供预定的参考材料的材料参数值。该材料参数值能够例如通过模拟或计算被确定或预设。但所提供的材料参数值不能够直接用于计算目标值。其反而还必需被适配于实际存在的情况。为此,机器学习模型适宜地确定材料参数的校正因子。在此,机器学习模型优选地从已经预先已知的生产参数出发,例如预设的生产参数、如根据道次计划确定的压下率或待轧制的金属产品的化学组分或可测量的生产参数、如待轧制的金属产品的温度。但在此,有利地,机器学习模型也至少考虑到当前的设备状态或运行状态,或者在必要时也考虑到在预定数量的之前生产的带时的生产条件。即,机器学习模型在确定校正因子时能够至少将当前的、通常在短时间尺度上变化的生产条件、在必要时也将预定数量的之前生产的带中的生产条件包括在内。
12、当前的运行状态或设备状态或者当前的生产条件,至少在实践中,不是直接且全面可测量的。换言之,实际的运行状态或设备状态或者当前的生产条件不能够通过(可调节的或可测量的)设备参数或生产参数完全映射。因为大量的变量对金属带的生产产生影响,所述变量最终不能够全部被控制和/或检测。例如,环境条件、如环境温度、空气湿度和/或类似情况能够发挥作用。同时,磨损、例如在轧辊、轴承、致动器和/或类似部件处的磨损也能够产生影响。
13、但是,当前的运行状态或设备状态或者当前的生产条件能够由专用的机器学习模型或神经网络检测。根据本发明的模型能够例如是自适应的,即适配于变化的运行状态。为此,机器学习模型适宜地基于循环神经网络(“recurrent neural network”,rnn)。所述循环神经网络不仅具有例如关于在铸轧设备中带生产时的不同材料和(物理)联系的普遍的、与时间无关的知识(即所谓的“长期记忆”),而且还能够具有关于当前设备状态的知识(即所谓的“短期记忆”)。借助于循环神经网络,可以以非常巧妙的方式和方法将所述长期记忆和短期记忆组合起来。因此能够确定近乎最佳的校正因子——进而也能够确定选定的生产参数的近乎最佳的目标值——,设备历史的至少一部分纳入所述校正因子中。因为借助于这种机器学习的模型,在确定(优选设备特定的或甚至轧机机架特定的)校正因子时能够考虑到:利用哪些校正因子确定在先的带的目标值,而无需明确地回溯早先的校正因子,例如无需在生产相似的带时原样采用这些校正因子。
14、选定的生产参数的目标值随后能够最终借助于生产参数的建模来确定,其中借助校正因子校正的材料参数值适宜地用作生产参数模型的输入变量。在此,与传统方案、即例如借助于查找表的预测相比,所述目标值预测的平均误差特别小,和自动自适应于当前的设备状态。
15、下面描述本发明的优选实施方式及其改进形式。只要没有明确排除,所述实施方式就分别能够彼此任意组合,以及能够与本发明的下文描述的方面任意组合。
16、能够通过使用由两个机器学习模型的组合来实现材料参数值校正时特别高的灵活性。为此,基于前馈神经网络的另外的机器学习模型能够在表征接下来要在轧制设备中被加工的金属的状态的材料特征数据的基础上确定材料参数的另外的校正因子。另外的机器学习模型(其在下文中偶尔也被称为第一机器学习模型)因此适宜地考虑实际用于带生产的材料及其特征,例如其化学组分和/或温度。其适宜地被材料特定地构成或训练。其能够用于考虑或确定当前使用的材料的硬度。相反,最初已经讨论的机器学习模型(在下文中偶尔也被称为第二机器学习模型)能够考虑到设备配置。其适宜地被设备特定地构成或训练。
17、将所提供的材料参数值的校正一方面分为材料特定的校正、另一方面分为设备特定的校正,允许使用专用的机器学习模型或神经网络。第一模型能够例如是静态的,而第二模型——如已经提及的那样——是自适应的,即能够适配于变化的运行状态。因此,第一机器学习模型适宜地基于前馈神经网络(“feedforward neural network”,fnn)。因此,例如在新的设备投入运行时,使用另外的(第一)机器学习模型是有用的,因为其不再必须适配于所述设备或在所述设备上进行训练。相反,另外的机器学习模型能够跨设备使用。
18、在使用基于循环神经网络的机器学习模型时,早先的设备状态在必要时能够在较长的时间段对确定校正因子产生影响。因此,优选的是,(第一)机器学习模型基于具有能控制的短期记忆的循环神经网络。在本发明意义上的具有能控制的短期记忆的循环神经网络优选是具有所谓的lstm模块或lstm单元(lstm=“长短期记忆”)的神经网络。因此,具有能控制的短期记忆的循环神经网络也能够被称为lstm网络。这种网络在隐藏层(“hiddenlayers隐藏层”)中具有带有输入门(“input gate”)、记忆和遗忘门(“forget gate”)和输出门(“output gate”)的节点或单元,所述节点或单元控制相应单元中的信号处理并作为一种过滤器发挥作用。上述门在lstm网络中控制什么被“记住”和什么被“遗忘”。
19、在使用基于具有能控制的短期记忆的循环神经网络的机器学习模型时,能够限制较早的设备状态、特别是很久以前的设备状态对第二校正因子的确定的影响。由此允许执行“重置”,例如在更换轧辊时、在铸轧设备较长时间停机时和/或类似情况下。
20、能够自动且低耗费地建立第二机器学习模型的短期记忆的一种可能性在于,利用机器学习模型在金属带的依次生产期间连续地确定校正因子。在此,连续地确定可被理解为:在特别不同的金属带的依次生产期间使用第二机器学习模型,而不重置第二机器学习模型。因此,短期记忆在轧制设备的常规运行期间能够连续地不断进一步建立。由此,轧制设备的较早的运行状态能够影响每个随后确定的校正因子——进而也影响所确定的目标值——。
21、替代地,能够有利的是,能够针对每个待生产的金属带有针对性地激活或重新建立lstm网络的短期记忆。为此,优选在轧制设备的运行期间为每个所生产的热轧带存储预先已知的生产参数或生产参数值。机器学习模型随后能够在新的金属带开始生产之前,从存储的预先已知的生产参数中的不同生产参数出发,反复确定所提供的材料参数值的校正因子。特别地,在从当前的预先已知的生产参数出发确定的校正因子纳入物理模型之前,能够反复确定该校正因子。在此适宜地丢弃反复确定的校正因子,即在任何情况下均不将其直接作为确定目标值的基础。以这种方式,各个运行状态能够有针对性地不被考虑。因此,这种做法实现了经由lstm网络的短期记忆的增强控制。
22、在本发明意义上的新的金属带的生产开始优选是具有新的目标规格和相应改变的特征、即改变的带参数的金属带的生产的开始。
23、根据本发明第一方面的方法在确定轧制设备中的轧机机架组或各个轧机机架的轧制参数的目标值时具有特别大的益处。因为如开头已经提及的那样,所生产的金属带的质量特别地与这种轧制参数相关;对必需的轧制力的特别精确的确定(其中能够考虑在带参数和轧制力之间的静态的或仅缓慢变化的联系,和运行状态或设备状态的不断出现的变化(例如轧辊的不断磨损、轧辊温度波动和/或类似情况)),不仅对于实现所追求的金属带厚度是特别重要的,而且对于其他参数(如质量流量)的设定或对轮廓和/或平直度的计算也是特别重要的。
24、因此,优选的是:选定的生产参数是轧制参数,特别是轧制力、轧辊扭矩、轧辊弯曲和/或轧辊轴向位移。
25、由于金属(初级)产品的在轧制设备的一个或多个轧机机架组中进行的厚度减小决定性地与所加工的金属的可变形性相关,进一步优选的是:其值被提供的材料参数是屈服应力。在此,屈服应力是材料从其开始塑性地(而不再是弹性地)变形的应力。如果选定的生产参数是轧制参数、特别是轧制力,则屈服应力因此能够是对于确定目标值的特别重要的材料参数。
26、但替代地,该方法也能够被用于确定其他选定的生产参数的目标值,例如在粗轧道中的轮廓、平直度、宽展和/或压缩。
27、为了也能够改进(第二)机器学习模型的长期记忆,在利用针对生产参数确定的目标值生产金属带之后,优选确定所生产的金属带的带参数。例如,能够模拟或传感器检测所述带参数。适宜地,随后借助于确定的带参数适配机器学习模型。换言之,优选的是,循环网络(在必要时具有能控制的短期记忆)在每个生产的带之后被再次调适。通过改进模型的长期记忆,对于选定的生产参数的校正因子进而还有目标值的更可靠的确定是可行的。在常规运行中,如此能够生产出这样的金属带,所述金属带的带参数更加接近目标规格。
28、根据发明的第二方面,用于确定具有用于将金属产品轧制成金属带的至少一个轧机机架组的轧制设备的选定的生产参数的目标值的装置具有提供模块,所述提供模块被设计用于,提供预定的参考材料的材料参数的值。基于循环神经网络的第二机器学习模型被设计用于,在金属带生产时的预先已知的生产参数的基础上确定材料参数的校正因子。最后,还设有计算模块,所述计算模块被设计用于,在物理生产参数模型的基础上确定轧制设备的生产参数的目标值,借助校正因子调整的材料参数值和用于待轧制的金属带的目标规格纳入所述物理生产参数模型中。
29、由于(第二)机器学习模型基于循环神经网络,(第二)机器学习模型能够特别是将当前生产金属带的当前运行状态、并在必要时也将预定数量的在直接在先的运行状态包括在下一金属带的生产规划中。换言之,由此(第二)机器学习模型具有“短期记忆”,这允许对校正因子预测进而也对目标值预测进行显著改进。
30、本发明意义上的模块能够在硬件和/或软件方面上构成。该模块能够特别是具有至少一个优选与存储器系统和/或总线系统数据连接或信号连接的处理单元。例如,该模块能够具有微处理器单元(cpu)或其模块和/或一个或多个程序或程序模块。该模块能够被构成用于:处理作为存放在存储系统中的程序实施的指令,检测来自数据总线的输入信号,和/或将输出信号输出给数据总线。存储系统能够具有一个或多个(特别是不同的)存储介质,特别是光学、磁性、固态和/或其他非易失性介质。程序能够被构建为,使得其体现此处描述的方法或至少其部分或能够执行此处描述的方法或至少其部分,使得根据发明的第二方面的装置能够执行这种方法的步骤,进而特别地能够确定轧制设备的生产参数的目标值。
31、根据本发明的第三方面,用于生产金属带的轧制设备具有:至少一个用于将金属产品轧制成金属带的轧机机架组;根据本发明的第二方面的装置;和控制装置,所述控制装置被设计用于,在轧制设备的所选择生产参数的由该装置确定的目标值的基础上控制轧制设备。利用这种轧制设备,能够从金属(初级)产品、即如例如新浇铸的金属铸坯、板坯或预轧制的中间带中生产出金属带,所述金属带的带参数特别接近目标规格。因为借助基于循环神经网络的(第二)机器学习模型,除了在带参数和生产参数之间长期稳定的联系之外,还能够考虑到当前的或甚至另外的最近存在、在实践中持续变化的运行状态。
32、控制装置能够在硬和/或软件方面构成。控制装置能够特别具有至少一个优选与存储器系统和/或总线系统数据连接或信号连接的处理单元。例如,控制装置能够具有微处理器单元(cpu)或其模块和/或一个或多个程序或程序模块。控制装置能够被构成用于:处理作为存放在存储系统中的程序被实施的指令,检测来自数据总线的输入信号,和/或将输出信号输出给数据总线。
33、根据本发明的第四方面,计算机程序产品被配置用于执行根据本发明的第一方面的方法。这种计算机程序产品能够例如在轧制设备中的过程自动化的框架中被执行。计算机程序产品适宜地包含指令,在所述指令通过计算机执行时、例如在轧制设备的过程自动化的框架中,促使所述计算机执行根据本发明的第一方面的方法。
34、根据本发明的第五方面,机器学习模型基于循环神经网络和被设计用于,在金属带生产时的预先已知的生产参数的基础上确定材料参数的所提供的校正因子。所述机器学习模型适宜地适合用作在根据本发明第一方面的方法中和/或在根据本发明第二方面的装置中的(第二)机器学习模型。优选地,机器学习模型能够通过根据训练数据对循环神经网络进行训练来获得,所述训练数据包含大量不同的预先已知的生产参数或生产参数值和与所述生产参数或生产参数值相关联的校正因子。
35、下面描述本发明的优选实施方式及其改进形式。只要没有明确排除,所述实施方式能够分别彼此任意组合和能够与下文描述的本发明的方面组合。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com