基于宽厚板厚度控制研究与优化

林积生

(山东省冶金设计院股份有限公司,山东莱芜 271104)

基于宽厚板厚度控制研究与优化

林积生

(山东省冶金设计院股份有限公司,山东莱芜 271104)

介绍了厚度模型是宽厚板产品的控制核心,通过对影响宽厚板厚度偏差因素分析,对厚度偏差模型进行优化和调整,宽厚板产品得到优化改善,提高了控制精度,对热连轧领域的轧制模型设计具有很高的借鉴价值。

自学习模型 厚度偏差 参数优化 弹跳曲线

1 引言

近年来,宽厚板生产线迅速建设,技术研究深入发展,自动控制系统的控制精度不断提高,控制系统工艺自动化也不断升级优化。模型控制已经是现代轧钢的一个基本的控制手段,其中宽厚板厚度控制、轧机辊缝控制及其压下模型、ACC冷却系统控制、跟踪及其批轧控制,生产线节奏控制模型等都是宽厚板轧线控轧控冷系统最关键的模型。

2 厚度模型存在的问题及参数优化方案

对影响厚度的自学习模型及目标厚度的精确计算进行探索与研究,以便对轧机自动控制系统更加深入了解。厚度自学习系数作为轧机厚度模型最重要的性能指标之一,对于钢板厚度的精确计算起着举足轻重的作用,直接影响成材率,因此对厚度自学习模型的研究有着深远的意义。

2.1 厚度计算原理

随着现代工业的发展对宽厚板厚度精度不断提出更高的要求,在厚度计算时我们需要把所有会影响到厚度的因素都考虑在内,这样才能得到需要的最精确的厚度值。在考虑了上述所有的影响因素,根据可用的测量值,通过厚度计算公式就可以计算钢板轧制后的厚度,如下面公式所示。

式中：

h：厚板的出口厚度;

s：辊缝;

Δ hstand：机架拉伸带来的厚度偏差;

Δ hroll：轧辊变形带来的厚度偏差;

Δ hMorgoil：轴承油膜厚度带来的厚度偏差;

Δ hthermal：轧辊热凸度带来的厚度偏差;

Δ hwear：轧辊磨损带来的厚度偏差;

s0：零点。

由上式可以看出自学习的核心就是对S0零点的自学习,因此研究零点自学习的计算是关键。

2.2 存在的问题分析

宽厚板生产线的自动控制系统规模庞大,是一个具有非线性的、多变量耦合的、复杂控制系统,实时性要求非常高,常规的、单一的控制方法难以取得理想的控制效果。因此研究适合于此系统的控制理论、分析与设计方法,不是一蹴而就的,都是在不断地优化和升级中,逐步完善控制系统的各个环节。厚度控制方面,轧制力模型预报不准确,控制精度不高。由于国内装备水平相对较低,普遍采用高炉、焦炉混合煤气对板坯加热,热值不稳定,温度不均匀,再加上控制技术不成熟,厚度均匀性较低,一般厚度均一性命中率在94%,平均厚度相对于目标厚度的命中率在95%左右。

2.3 厚度控制模型的优化与完善

完善道次自学习功能,利用轧制中间道次的实测厚度来校准模型计算偏差,从而最终改善厚度预报精度;重新调整弹跳曲线,使用神经元网络对轧机零调时的数据进行拟合从而得到新的弹跳曲线,通过对其进行持续调整,最后确定了适合的弹跳曲线;GM(厚度计)方式AGC即为轧制力反馈AGC,简称GM-AGC。GM-AGC(Gaugemeter AGC)厚度计型AGC系统优化,有效地提高了系统的动态响应特性,改善同板差和异板差。GM-AGC的实际厚度是利用弹跳方程计算出来的。轧机弹跳是由于在一定轧制力作用下,轧机机架发生的弹跳形变,是轧机所具有的物理特性,与轧机机架本身的结构和材质有关。轧机弹跳曲线即在一定的轧制力变化范围内,机架所发生的弹跳变形量曲线。

轧机弹跳曲线一般可通过理论计算与实际测量来获得。由于理论计算法难以估计轧机各部件接触面之间的非接触间隙对轧机刚度的影响,因此进行厚度控制和辊缝设定时主要采用实测法获得轧机的弹性曲线。压靠法是最常用的实测法之一。该方法成本低,操作简便、数据测量整理方便等优点。轧机弹跳曲线是辊缝设定和AG C控制的核心模型,弹跳曲线在某一特定压力下对应的斜率就是该点的轧机刚度。轧机刚度可用公来表示：

式中：

K表示刚度;

P表示总轧制力;

g表示弹跳量。

弹跳量与辊缝设定的关系可用(3)表示：

式中：

s：预设辊缝;

h1：厚板的目标出口厚度;

hroll：轧辊变形带来的厚度偏差;

g：机架弹跳;

s0kt：轧辊热凸度带来的辊缝偏差;

s0kw：轧辊磨损带来的辊缝偏差;

s0：零点。

由上式可以看出弹跳量越大,预设辊缝越小。

2.3.1 宽厚板的自学习模型

(1)短期自学习。每完成一个道次轧制后,计算与该道次机架相关的所有设定值。根据实测轧制力、实测辊缝、实测弯辊力等参数计算出钢板的实际出口尺寸。把这些值与实测值进行比较,得到的修正因子,我们称为短期自学习因子。短期自学习因子对下一道次进行修正。

(2)长期自学习。最后一个道次轧制完成后测厚仪测得钢板实测厚度后,辊缝零点将通过比较实测厚度与厚度模型输出的计算厚度得到一个偏差值,对该偏差进行处理后得到自学习修正因子,我们称为长期自学习因子。长期自学习因子将对下一块钢板进行修正(开始轧制前)。

2.3.2 辊缝零点及其自学习

(1)标定零点。这里说的的“零点”是由标定过程决定的。在标定中,将上下轧辊以某个速度压靠在一起,直到达到一个特定的压力。

这就意味着公式(1)的厚度值可以设为0,零点厚度与厚度计算公式中所有项之间的差可以用公式3-1计算。

这个差值就是“零点”。更精确的讲,它是标定的零点。在轧制过程中,零点可以通过厚度测量进行自学习调整。

(2)零点自学习调整。自学习过程是一个不断逼近目标的过程,其核心思想用数学模型来表述,称为自学习算法。通常采用基于梯度的算法,其中最小均方误差算法(即LMS算法)最为常用。宽厚板轧机系统自学习模型就是采用该算法。

当进行厚度测量时,零点会进行自动调整。为了得到厚度计算公式中的各项,需要确定轧制力、轧制速度等和轧辊的热膨胀、磨损状态。所以,零点可以用下面公式修正

ΔS0=klearn*Δh 公式3-2

自学习因子klearn的范围在0-1之间,以保持稳定,通常为经验值。Δh为厚度偏差。

(3)厚度偏差的计算。通过比较厚度测量值和厚度计算公式计算出的厚度,就可以确定厚度的误差。

(4)测厚厚度值hmeas的噪声过滤。每一块通过测厚仪测量发送过来的厚度有很多,分布在钢板的多个位置,它们的值会有波动较大的偏差,因此我们如果要使用该测量值,必须要对所有的厚度值进行计算。过滤采用标准偏差方法计算,然后对所有样本应用该标准偏差的若干倍,用于剔除样本中的噪声点。

标准偏差：统计学名词。一种量度数据分散程度的标准,用以衡量数据值偏离算术平均值的程度,是反映一组测量数据离散程度的统计指标,可用来统计结果在某一个时段内误差上下波动的幅度。标准偏差越小,这些值偏离平均值就越少,反之亦然。

式中：

S-标准偏差(%)

n-样本总数或测量次数,一般n值不应少于20-30个xi-样本值

i-标识第i个样本,取值1～n;

用过滤后的测量值减去厚度模型的计算值,得到厚度偏差,最终计算出可以修正厚度的零点,得到一个更加精确的厚度计算值。

3 优化后模型应用效果分析

根据对宽厚板厚度影响参数研究分析,对轧制模型进行优化处理,经投入运行后,带钢成品技术指标控制达到国内先进生产线技术指标要求,厚度控制模型精度得到有效提高,产品质量达到设计要求,满足客户需求,赢得市场份额。轧钢数学模型研究学无止境,需根据实际生产进一步研究和深化提升,产品质量将会有更大的提升空间。

[1]张少峰.4100mm厚板轧机厚度自适应模型的研究与应用[J].宽厚板,2008(06).

[2]贾春莉.中厚板轧制过程控制中厚度精度的研究[D].东北大学,2010.

[3]邱红雷,胡贤磊,赵忠,田勇,王国栋.中厚板轧制过程中的辊缝设定模型及其应用[J].钢铁,2004(12).