热轧带钢轧制模型的应用与优化
开篇：润墨网以专业的文秘视角，为您筛选了一篇热轧带钢轧制模型的应用与优化范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要： 轧钢模型是热轧带钢过程控制过程系统的控制核心，其参数设定的优劣将直接影响到产品的质量。介绍了莱钢热轧带钢生产的主要过程控制模型，对主要轧制模型的控制特点及在实际生产中对参数的确定与优化方法进行了阐述，解决了一系列与模型相关的问题。
1引言
莱钢1500mm热轧带钢生产线主要产品为碳素结构钢、优质碳素结构钢、低合金结构钢、管线钢、花纹板、汽车结构用钢等。该生产线主要设备有两台端进端出步进梁式数字化加热炉、一架立辊轧机(E1)、一架四辊可逆粗轧机(R1)、热卷箱、双剪刃转鼓式飞剪、六架四辊不可逆式精轧机(F1-F6)、U形管层流冷却、两台全液压三助卷辊卧式卷取机，其自动控制系统主要由北京科技大学国家高效轧制中心设计并实施完成。
21500热轧带钢生产线轧制模型的特点
2.1 轧线过程控制系统（L2）简介
1500轧线的过程控制系统(L2)是基于中间件的实时数据处理系统，主要实现了轧件跟踪、模型计算和生产数据管理。L2是基于实时数据内存文件实现的，以达到过程控制的实时性要求。每支钢的设定数据、实测数据及中间计算数据皆存于实时数据内存文件当中，当这支钢轧制完成后方将这些数据转存于Oracle历史数据库中。
L2由两台过程控制服务器组成，其中一台在线运行，另一台实时热备，两台服务器公用一磁盘阵列，并通过Dateware软件实现双机热备。当在线运行服务器发生故障时系统会自动切换到备用服务器，也可以在系统正常运行时通过系统终端进行手动方式切换。L2的操作系统为Windows 2000 Server 中文版和Windows 2000 Professional 中文版。
控制系统网络采用环形结构与星型结构相结合的混合拓扑结构，网络主干为高可靠性的双环冗余结构的光纤快速以太网。
2.2 热轧带钢的轧制模型
轧制模型是实现热轧带钢生产自动控制的基础，是轧线自动控制系统的大脑。轧线控制系统正是在此基础上得以实现轧机和其它设备的设定，轧件的运送与跟踪，产品质量控制，以及数据通讯、人机界面和辅助设施的控制。主要涉及以下模型：
①温降模型。温度对热轧来说是最重要的一个工艺参数，温降模型是设定模型中的一个重要模型，不仅用于终轧温度和卷取温度控制，而且温度预报对轧制力预报也有直接影响。
②轧制力模型。轧制力模型是轧机设定是否正确及影响厚度精度的主要因素。
③前滑模型。用于连轧机组各机架速度设定计算。
④宽度控制模型。用于粗轧机设定和带钢宽度控制。
⑤厚度控制模型。用于带钢厚度控制。
⑥板形控制模型。用于带钢凸度和平坦度控制。
3 模型存在的问题及其优化方法
3.1 模型存在的问题
由于建设周期和系统调试等方面的原因，在1500热轧带钢生产线投入运行后模型设定精度不高，影响了钢卷质量和生产效率。主要表现为模型计算不稳定、带钢头尾宽度偏差较大、推床开口度偏差较大、活套张力波动大、薄规格的冷轧基板板形质量不高等。
通过对工艺数据综合分析得出结论，以下几方面是影响模型精度的主要因素：
① 测量误差。模型计算需要的工艺参数的实测值，如温度、厚度、轧制力等，由于检测仪表本身存在测量误差，致使这些设定模型中的已知参数也存在误差，从而影响模型的计算精度。
② 部分模型参数取值精确度不高。控制系统中应用的为经验公式模型，并且在实际应用过程中往往对模型函数和部分参数的取值进一步进行简化，以降低模型的复杂程度及实现难度，模型参数的精确程度将直接影响模型精度。
③ 系统特性的变化。任何轧制模型都是建立在一定工艺设备特性基础上的，生产过程中工艺参数、设备特性的变化，如设备的磨损、大气温度变化等，都可能使模型的计算精度降低。
3.2 提高实测数据的可靠性和准确性
首先改善检测仪表的运行环境，使各种检测元件稳定运行；其次，将关键位置的检测仪表改为冗余检测，实现检测信号的多选一，提高现场检测信号的可靠性；再通过信号过滤（屏蔽异常信号或非正常值）、改善信号采样位置和时机、提高采样频次、增加样本数量等方法进一步提高实测数据的准确性。
3.3 细化模型参数层别
针对模型精度不稳定和不同钢种之间的参数相互干扰问题，进一步细化了模型参数层别。模型参数层别钢种按材质分为40档、按宽度分为10档、按厚度分为24档，模型参数层别数量扩展了数十倍，使得模型参数大大细化，精度有较大提高，同时，增加了模型参数层别余量，增强了系统可扩展性。
3.4 完善精轧负荷分配，针对薄规格轧制进行特别优化
负荷分配的实质就是“厚度分配”，并进一步成为各机架的辊缝设定。系统中采用的是根据能耗进行分配的绝对压下率静态负荷分配法。针对F2咬钢冲击大打滑、F5-F6轧制力预报偏小、活套张力不稳的现象，通过对实际工艺参数的跟踪分析，发现各机架负荷分配不合理是导致问题发生的主要原因，特别是为保板形控制效果而导致F5和F6压下率过小。因此，对各层别负荷分配系数进行了优化调整，适当增加了F1、F5、F6的负荷，减小了F2的负荷，在有效控制以上现象的同时，也保证了板形的控制效果。
在轧制薄规格的冷轧基板时进行了针对性的参数优化，在F6机架上下工作辊不接触的情况下，以其此时的最大压下量为基础来进行负荷分配及其它设定计算，来保证薄规格带钢的质量和轧制过程的稳定性。
3.5 优化模型自学习功能
自学习算法在提高模型计算精度方面起着重要作用，我们重点从以下几个方面对模型自学习功能进行了优化调整。
① 根据系统特性的变化，改善自学习策略。
两座加热炉的工艺特性不同，使得从不同加热炉送到轧线的钢坯工艺参数也不尽相同，因此，针对不同加热炉加热钢坯的自学习参数分成不同组别，分别进行学习，以继承其各自系统特性，提高模型精度。
将长期自学习系数和短期自学习系数分开，各自设定不同的学习权重，用不同的学习速度进行学习，以便学习积累更可靠的模型参数。
② 利用模糊IF-THEN规则，实现自学习系数自修正。
系统不断变化的工艺特性是导致模型精度振荡的主要根源，也导致模型参数自学习不稳定的重要原因，我们利用以下自学习算法对自学习功能进行了优化，实现了自学习系数的自修正，改善了自学习效果。
Kn+1=Kn+α(K'-Kn)
式中： Kn+1 ― 第n+1次设定值；Kn― 第n次设定值；K' ― 第n+1设定值；α ― 自学习系数，0≤α≤1。
α值反映了对第n次设定偏差学习继承权重的大小。实际生产中，在现场工艺条件发生变化的情况下，需要不同的自学习系数来适应学习环境的变化。我们借鉴模糊控制思想与方法，根据钢种材质、厚度、宽度、换辊、加热炉变换等工艺条件建立了IF-THEN规则库，根据这些规则，并结合自学习周期的变化来实现自学习系统的自动修正。
③ 建立自学习启动-停止约束规则，保护自学习系数。
建立自学习模型启动-停止约束规则，消除非正常工艺状态对自学习参数的不良影响，保证自学习系数和模型参数的稳定。如某些特殊情况导致实测值为错误采样点时，自学习功能应停止，并给出报警，防止异常工艺参数对自学习系数与模型参数造成污染。
结语：经过对轧钢数学模型的优化改进，1500热轧带钢生产线过程控制系统（L2）的控制精度得到了较大提高，产品质量达到了系统设计目标要求。
参考文献
[1]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.
[2]丁修.轧制过程自动化[M].北京：冶金工业出版社，2006.
注：文章内所有公式及图表请以PDF形式查看。