莱钢1 500 mm热轧精轧模型存在问题的分析和处理

2013-12-03刘莱萌

重型机械 2013年2期

刘莱萌

(山东莱芜钢铁集团有限公司板带厂，山东莱芜 271126)

0 前言

莱钢第1条热轧生产线1 500 mm热轧于2005年5月建成投产。2007年达到了年设计生产能力245万t。随着产量的不断提高，精轧轧制模型存在的问题逐渐暴露出来，为了满足生产及产品质量的要求，莱钢对轧制模型进行了不断优化，取得了良好的效果。

1 模型使用中存在的主要问题

(1)轧制力预报准确率低。轧制力预报值直接关系到辊缝及轧制速度的设定，偏差大会造成各机架间秒流量不等，过程控制不稳定，厚度精度低，严重的会造成堆钢。

(2)自学习效果不佳。经过一段时间运行后，学习效果不理想，设定值经常出现较大的偏差，造成生产过程不稳定。

(3)维护界面操作复杂，干预效果不理想。负荷分配不合理情况下，对绝对压下率进行调整，由于绝对压力率数值相对较小(特别是后机架分配系数在0.0012～0.0015之间)，负荷调整后效果不明显。

(4)新钢种新规格开发适应性差。新钢种、新规格开发时，模型设定精度偏低，学习效果不理想。

(5)模型维护不方便，留给二级维护人员的开口较少，不能对出现的问题及时、有效的维护和调整。

2 原因分析

(1)造成模型轧制力预报不准的主要原因:精轧入口温度采点位置不合理，在热卷箱附近，环境恶劣，外界因素影响加大，特别是冬季周围水、气造成采点不准，给模型的设定的准确性带来困难;轧制负荷采用“绝对压下率”方式，中间坯、出机架厚度的变化不能正确预算，造成轧制力波动较大。

(2)模型自学习方式存在问题，在短期自学习较好的情况下，长期自学习学习速度较慢，不能将好的过程参数保留到自学习中去，造成模型学习周期较长。

(3)对突发或检测异常值的筛除考虑不够全面。如因高温计、测宽测候仪表的异常检测值、设备故障产生的波动较大的参数，模型运行过程中不能合理判断、筛除，造成模型继续学习、使模型设定结果向差的趋势发展。

(4)模型运行前期维护界面过少，维护人员不能及时对模型进行维护优化。

3 采取措施

针对模型在使用过程中存在的问题及其产生的原因，莱钢1 500 mm热轧厂、自动化部及北科大共同对精轧模型进行了优化，主要从以下几个方面开展工作，取得了良好的效果。

3.1 精轧入口采温点优化

将采温点适当后移，避开环境较恶劣的热卷箱区域，在有信号后延时2 s采点，共取8组，每组8个点，64个点的平均值作为精轧模型二次设定的温度值。延时2 s使钢坯头部避让1.5 m后再进行采点，避免了头部温度较低的区域，真实反映头部穿带时的温度，提高了精轧设定模型穿带轧制力预设定的准确性。

3.2 改变负荷分配方式

由“绝对压下率”调整为“相对压下率”，并增加了“相对轧制力”模式。调整为相对压下率后，各机架的压下率［1］设定范围非常清晰，可取得经验值较多。新增的“相对轧制力”模式，实现了对F6机架轧制力负荷范围的控制，在生产冷轧用料等对断面形状有要求的产品时，得到了很好的应用，板形质量也得到了改善。轧制负荷分配及调整操作画面如图1所示。

图1 模型设定画面Fig.1 Graphics of model setting

3.3 提供了Excel修改工具对模型进行维护

精轧模型主要维护常量、长期自学习系数、短期自学习系数、工艺参数等分数据区。为了便于二级维护提供了Excel修改工具，不仅维护方便，各层别不同规格的相关数据一目了然。各机架负荷参数如图2所示。

图2 机架负荷分配表图例Fig.2 Graphic symbol example of frame load distribution

3.4 优化模型自学习

3.4.1 模型自学习过程

模型本身存在误差，轧机条件也在不断变化，为使FSU对后续钢带设定更准确，需要调整模型的某些设定参数。FML的启动时序保证了FML能获得带钢头部的所有实测数据，依据实测值调整模型系数。精轧自学习程序 FML对精轧模型的自学习项目包括:机架间喷水﹑机架间热辐射温降自学习系数;轧制力模型自学习系数;辊缝自学习系数。模型自适应和自学习过程如图3所示。

图3 模型自适应和自学习过程Fig.3 Self-adaptive and self-learning process of model

3.4.2 优化模型自学习的速度与机制

模型的自学习主要区分为长期自学习和短期自学习。短期自学习包括辊缝误差、轧制力自学习系数、温降自学习系数。长期自学习包括轧制力自学习系数和温降自学习系数。轧制力自学习系数与换批后轧制块数、预设定轧制力和实测轧制力的误差率有关;辊缝误差学习系数与换批后轧制块数、预设定轧制力和实测轧制力的误差率、预设定辊缝和后计算辊缝误差率有关，且只进行短期自学习。

预设定模块:换规格轧制在预设定模型中采用长期自学习系数，否则采用短期自学习值;

自学习模块:换规格轧制时，将上支钢的自学习值保存到对应档的长期自学习数据区中;将本支钢的自学习值保存到短期自学习数据区中。

自学习值的更新速度:每个自学习项都进行短期更新;长期自学习更新速度为短期自学习累积值以0.3的速度更新到长期自学习数据区中，以0.2的速度更新长期自学习中的相邻档。

3.4.3 建立模型自学习的限定条件

为保证模型向着稳定、精度的方向学习，程序增加了模型自学习条件，如果条件满足不了，模型自学习程序停掉，关键的限制条件如下:①粗、精轧高温计正常工作;②精轧后测厚仪、测宽仪正常工作;③轧线数据跟踪、传输正确;④换辊、零调正确操作;⑤末机架设定速度和实测速度的影响;⑥粗轧咬钢时间与自学习计算时间不超过150 s;⑦设定速度和实测速度差别过大、预设定负荷分配和后计算负荷分配差别超过5%。关键条件的增设避免了异常过程的学习，确保模型的稳定性。

3.5 增设离线计算模型

北科大在程序升级模型系统提供了计算半自动规程的接口，利用离线模拟平台来开发计算新规格的轧制规程。在新钢种新规格开发前，可根据工艺条件的要求进行轧制规格的预计算，通过计算结果了解轧制负荷与过程参数控制情况，并根据产品性能要求对过程参数适当进行控制。二级计算的轧制规程不仅能保证顺利穿带和头部质量，还能提高新产品开发成功的合格率。