自学习带钢卷曲温度的精准监控的研究

摘要：本文对自学习带钢热连轧卷曲温度控制模型进行了分析，结果表明在带钢热连轧卷曲温度控制上采用自学习模型，明显提高了轧制的控制精度以及生产效率，降低了轧制的成本。

关键词：卷曲温度 自学习模型 控制精度

1 概述

带钢热连轧卷曲温度控制是通过层流冷却段长度的动态调节，将具有温度、厚度、速度等工况的带钢从比较高的终轧温度迅速冷却到所要求的卷曲温度，使带钢获得良好的组织性能和力学性能。热轧带钢的实际卷曲温度是否能控制在要求的范围内，主要取决于带钢冷却系统的控制精度。本文主要针对自学习模型卷曲温度控制进行了研究[1]。

2 自学习模型

为了提高计算精度，增强控制模型的适应性，针对模型的设计需要考虑采用自学习功能，通过学习可以获得用于修正卷曲温度预报模型的自学习系数，即模型具有根据自身经历不断修正以提高精度的学习能力[1]。基本原理是根据带钢热连轧卷曲温度的实际测值和预报值之间的偏差，采用适当的修正算法，对预报模型中的重要参数进行修正，以提高模型对以后带钢卷曲温度的预报精度[2]。自学习模型主要包括长期自学习和短期自学习。自学习模型原理如图1所示。

2.1 短期自学习

假设把一块带钢分成多段，短期自学习也就是带钢段之间的自学习。当带钢段出层冷区的高温计时，满足一定条件下，要进行带钢段之间的自学习，以提高控制精度。短期自学习采用指数平滑法：

Newlearn=NewLearn_i*Gain+（1-Gain）*OldLearn_i

（1）

式中NewLearn：当前带钢段自学习后的自学习值；

NewLearn_i：当前带钢段的自学习值，由实测值反推得到；

OldLearn_i：上一带钢段自学习后的自学习值；

Gain：增益系数，0≤Gain≤1，在自学习过程中需要取值合适，取值时需要考虑实测值的可信度和该规格的带钢已经自学习的次数。

2.2 长期自学习

长期自学习即各块带钢之间的自学习，长期自学习主要是考虑到当前带钢的控制对下一块带钢的影响，所以需要进行长期自学习。当带钢全部都出了层冷区的高温计时，采用指数平滑法进行带钢之间的自学习，为保证稳定性，可以取合适的增益系数α。主要是利用控制点之间的自学习所得到的系数Ki，在Ki中选取平均计算的结果作为自学习系数β，读取上一块的结果βold，利用指数平滑法计算βnew：

β=■Ki/n（2）

βnew=βold+α（β-βold）（3）

3 卷曲温度控制效果分析

分别对没有投入自学习功能时和投入自学习功能时进行编程仿真，对于厚度规格为17.5mm、5.5mm、4.5mm、7.0mm、4.0mm、4.0mm，卷曲目标温度分别为520℃、730℃、730℃、610℃、710℃、680℃的带钢进行控制效果分析。从未投入自学习卷曲温度误差计算中可以看出，若使卷曲温度误差达到±20℃为合格，则带钢各点卷曲温度的合格率仅为40%。

从投入自学习卷曲温度的误差与未投入自学习卷曲温度的误差比较可以看出，带钢各点卷曲温度的合格率达到90%，极大程度上满足了卷曲温度控制精度的要求。由于自学习值被写入相应的自学习库中，以后同一钢种同一规格的带钢可以直接从自学习库中取值，提高了卷曲温度的精度，减少了操作工的维护工作，并且为新钢种的开发打下了良好的基础。该卷曲温度控制系统投入运行后，经过一段时间的参数调整及自学习，带钢全长90%控制在卷曲温度目标值的±20℃以内，60%控制在卷曲温度的±10℃以内，使卷曲温度的控制精度达到比较理想的效果。

4 结论

分析结果表明在带钢热连轧卷曲温度控制上采用自学习模型，明显提高了轧制的控制精度以及生产效率，降低了轧制的成本，为带钢的轧制向着高效率、低成本、低能耗、短流程、环保、安全型方向发展提供了新的途径。

参考文献：

[1]彭良贵，于明，王绍东，刘相华.热轧带钢层流冷却数学模型述评[J].轧钢，2003，20（6）：25-29.

[2]热轧带钢层冷过程控制模型.轧制技术及连轧自动化国家重点实验室.东北大学，2005.10.

[3]SIMATIC HMI，WinCC flexible 2008，Compact/Standard/ Advanced，SEIMENS，系统手册，2008.7.

作者简介：

牛晶（1978-），女，东丰人，硕士研究生，吉林化纤集团有限责任公司，职员。