公开/公告号CN107931329A
专利类型发明专利
公开/公告日2018-04-20
原文格式PDF
申请/专利权人 北京科技大学设计研究院有限公司;
申请/专利号CN201711181313.1
申请日2017-11-23
分类号B21B1/46(20060101);B21B37/00(20060101);
代理机构11237 北京市广友专利事务所有限责任公司;
代理人张仲波
地址 100083 北京市海淀区学院路30号北科大科技楼
入库时间 2023-06-19 05:07:54
法律状态公告日
法律状态信息
法律状态
2019-04-19
授权
授权
2018-05-15
实质审查的生效 IPC(主分类):B21B1/46 申请日:20171123
实质审查的生效
2018-04-20
公开
公开
技术领域
本发明涉及轧钢控制技术领域,特别是指一种改善CSP双流换规格轧制力模型精度的控制方法。
背景技术
连铸连轧CSP(Compact Strip Production)生产线具有流程紧凑、投资少、能耗低等优势,近20多年世界上有30多条生产线投产,原有生产线都配备了全自动的热连轧控制系统。考虑到CSP生产工艺刚性强,在轧制一些高强钢和品种钢时,经常会安排连铸双流钢种混轧。CSP生产计划经常由操作工根据板坯温度、轧线设备、自动化系统等状态来临时修改,即在每块钢出炉前再确定成品的目标厚度,这时既要保证带钢顺利穿带和生产稳定,又要保证频繁换规格时的模型精度,对过程控制的模型系统提出了很高的要求。尤其是随着板带产品质量要求的提高,特别是钢种和规格切换时过渡材的质量控制被逐渐重视,原CSP生产线控制系统已不能满足日益提高的控制指标要求。
CSP精轧轧制力模型系统包括预设定模型和自学习模型,预设定模型主要保证带钢头部的厚度质量,确保带钢顺利穿带,为AGC提供良好的起始条件。预设定模型一般采用理论或经验模型,自学习模型根据带钢实测值来进行模型后计算,计算出模型自学习值来修正模型误差。预设定模型包括负荷分配、温降预报、轧制力预报、前滑值计算、辊缝计算等若干子模型,这些模型互相耦合,共同影响模型计算精度,以轧机轧制力计算为例:
Fi=Zlpi*Zbpi*Bi*Lci*Kmi*Qpi
上式中:Fi为第i机架计算轧制力;Zlpi为第i机架轧制力长期自学习系数;Zbpi为第i机架轧制力短期自学习系数;Bi为带钢宽度;Lci为接触弧长;Qpi应力状态系数;Kmi为变形抗力。
其中Kmi=Zlki*f(T,u,ε),式中Zlki为机架变形抗力自学习系数;f()为变形温度、变形速度和变形程度的综合函数,影响因素包括轧制温度、钢种成份和变形率等,可根据不同钢种利用实验室数据进行非线性回归。
轧制力模型的预报精度是精轧模型控制的关键指标,从上述公式中可以看到影响轧制力计算的因素非常多,通过实验室回归得到的理论模型要完全精确预报生产线大生产时的各种状况,无疑是非常困难的。模型自学习的引入是非常有必要的,当一块带钢轧制完成后,采用带钢头部实测值进行模型后计算,利用后计算得到的最新的模型修正系数,来更新模型的短期或长期自学习值,在进行下一块带钢预设定计算时,采用更新后的模型自学习值来保证模型预报精度。
模型自学习一般采用指数平滑法,计算公式如下:
Zbnew=Zbold+a*(Zbcur-Zbold)
上式中:Zbnew为更新后的自学习值;Zbold为更新前的自学习值;Zbcur为模型后计算得到的自学习值;a为自学习速度因子。
模型的短期自学习值是每轧制完成一块带钢都进行更新,长期自学习值的更新一般是在换规格(钢种和宽度、厚度档发生变化)时进行更新,还可以在某一轧制规格完成一定数量的带钢自学习后取这些带钢自学习的平均值,然后采用指数平滑法进行更新。
对热连轧带钢控制模型及自学习方法研究成果较多,如文献(带钢热连轧的模型与控制,冶金工业出版社,2002)综合介绍了精轧数学模型和模型自学习方法。文献(热轧带钢轧制力模型自学习算法优化,北京科技大学学报,2010)提到了根据轧制数量、测量数据质量和轧制力预报误差的影响,建立了轧制力自学习速度因子的优化模型,以及提出一种优化的长期自学习的处理策略来保证在规格切换时模型控制精度。这些文献提出的方法可以解决同一钢种连续轧制时的模型精度问题,无法解决钢种和规格混轧,产品规格变化频繁时带钢过渡材的模型控制精度问题。本文提出一种改善CSP双流换规格生产时轧制力模型精度的控制方法,从而提高带钢头部厚度质量的控制精度。
发明内容
本发明要解决的技术问题是提供一种改善CSP双流换规格轧制力模型精度的控制方法,针对CSP这种生产刚性强的工艺流程,在双流生产,尤其是钢种和规格交替轧制时模型控制出现的问题,如两条隧道炉加热温度存在差异,钢种混轧时工艺和模型互相干扰,轧制生产计划不连贯等,集中表现为轧制力模型预报精度差,精轧穿带不顺和产品头部厚度命中率低等。通过设定模型、短期自学习和长期自学习的结合,达到提高精轧轧制力模型的设定精度,确保精轧顺利穿带和提高精轧出口成品厚度质量。
本发明是基于配置了两条连铸机和隧道炉、N机架精轧机组、层冷、卷取机等设备的CSP生产线,连铸机出来板坯厚度为50~90mm,隧道炉出炉温度范围为1120~1180℃,在精轧机组轧制出合格的产品,通过以下措施来保证精轧机组轧制出合格的成品厚度:(1)在设定模型中,采取控制策略确保钢种和规格混轧、连铸机双流交替轧制情况下的模型预报精度;(2)精轧轧制完成后,进行模型后计算和自学习计算,确保钢种和规格混轧时更新模型自学习系数。
本发明方法包括如下步骤:
(a)对CSP所有钢种进行分组,按照材质代码进行模型系数归档;
(b)对带钢材质、宽度、厚度和连铸机号进行分类,确定带钢短期自学习和长期自学习的层别号;
(c)在模型设定时,采取控制策略处理钢种和规格混轧、连铸机双流交替轧制情况,确保模型设定精度;
(d)带钢轧制完成后,进行模型后计算和模型自学习计算,确保钢种和规格混轧时正确更新模型的短期和长期自学习系数;
(e)轧机换辊或零调后,进行模型自学习系数初始化;
(f)结合自学习进行精轧模型的设定计算。
其中,步骤(a)中对CSP所有钢种进行分组,是按照热轧钢种的碳含量、钢种用途和生产工艺综合因素划分为Nc档,对不同档的变形抗力模型和钢种物理参数分别设定。
步骤(b)中短期自学习层别号的确定方法是将短期自学习分为Nb档,短期自学习表中索引关键字为带钢材质分类号、宽度分类号、厚度分类号和连铸机号;长期自学习层别号的确定方法是将长期自学习分为Nl档,材质分为NC档,宽度分为NB档,厚度分为NH档,则Nl的计算方法为:Nl=NC×NB×NH;
若某一带钢材质代号所处档位为Ci,宽度档位为Bi,厚度档位为Hi,则长期自学习层别号Ni计算方法为:Ni=Ci×NB×NH+Bi×NH+Hi。
步骤(c)模型设定包括带钢温度预报、轧制力预报模型。
对于步骤(c),轧制力预报模型的计算公式如下:
Fi=Zlpi×Zbpi×Bi×Lci×Kmi×Qpi,
其中:Fi为第i机架计算轧制力;Zlpi为第i机架轧制力长期自学习系数;Zbpi为第i机架轧制力短期自学习系数;Bi为带钢宽度;Lci为接触弧长;Qpi应力状态系数;Kmi为变形抗力。
步骤(d)中短期自学习系数提取时采取如下策略:
1)取短期自学习表中第1条记录中的系数;
2)取短期自学习表中材质分档号相同记录的系数;
3)取短期自学习表中材质、宽度和厚度分档号均相同记录的系数;
4)取短期自学习表中材质、宽度和厚度分档号相同,并且连铸机号相同记录更新温降模型自学习系数。
步骤(d)中每块带钢都必须进行短期自学习系数的更新,而是否进行长期自学习系数更新要根据判断条件决定;
自学习系数计算如下:
Zbnew=Zbold+a*(Zbcur-Zbold);
其中:Zbnew为更新后的自学习值;Zbold为更新前的自学习值;Zbcur为模型后计算得到的自学习值;a为自学习速度因子,取值范围为0.35~0.75。
步骤(e)中自学习系数初始化是将短期自学习表中所有档的轧制力自学习系数置为1.0。
本发明的上述技术方案的有益效果如下:
本发明提出一种改善CSP双流换规格轧制力模型精度的控制方法,特别对于CSP双流生产时钢种和规格交替时有很好的适应性。通过设定模型和自学习模型结合,合理设置模型系数表、短期自学习和长期自学习表,通过参数优化可快速达到提高模型精度的效果。在国内某CSP热轧厂进行测试,本发明提出的控制方法和该CSP热轧厂原控制系统进行对比,采用本发明的控制方法对钢种交叉轧制时换辊后前5块钢的轧制力命中率和带钢厚度质量有明显提升。本发明提出的控制方法操作简单,易于实现,适合所有热连轧过程控制系统使用。
附图说明
图1为本发明的改善CSP双流换规格轧制力模型精度的控制方法短期自学习表设置及保存示意图;
图2为本发明的改善CSP双流换规格轧制力模型精度的控制方法获取短期自学习值流程图;
图3为本发明的改善CSP双流换规格轧制力模型精度的控制方法模型后计算和自学习流程图;
图4为本发明的改善CSP双流换规格轧制力模型精度的控制方法换辊后实际生产轧制产品列表;
图5为本发明的改善CSP双流换规格轧制力模型精度的控制方法短期自学习记录表;
图6为本发明的改善CSP双流换规格轧制力模型精度的控制方法大生产时轧制力模型精度统计;
图7为本发明的改善CSP双流换规格轧制力模型精度的控制方法精轧轧制力模型控制流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种改善CSP双流换规格轧制力模型精度的控制方法。
该方法具体实施步骤如下:
(a)首先对CSP所有钢种进行分档,按照热轧钢种的碳含量、合金含量、最终用途和工艺特点等综合因素划分为Nc档,对每档中的模型重要参数单独设置,比如:变形抗力系数、钢种热物性系数等。
如根据碳含量分为超低碳钢、低碳钢、中碳钢、高碳钢,根据合金含量又将低碳钢分为含B和不含B钢,根据用途设置花纹板,根据工艺特点分为不锈钢系列、硅钢系统等。
(b)对带钢材质、宽度、厚度和连铸机号进行分类,确定带钢短期自学习和长期自学习的层别号,短期自学习层别号固定设置为Nb档,长期自学习层别号的确定方法是将长期自学习分为Nl档,规定材质分为NC档,宽度分为NB档,厚度分为NH档,则Nl的计算方法为:Nl=NC×NB×NH。
若某一带钢材质代号所处档位为Ci,宽度档位为Bi,厚度档位为Hi,则层别号Ni计算方法为:Ni=Ci×NB×NH+Bi×NH+Hi。
如短期自学习固定设置Nb=10档,如图1所示,按照先进先出原则,将最新轧制完成的带钢放在第1条记录,原第1条移到第2条,原第2条移到第3条,以此类推,原最后一条直接删除。
如长期自学习固定设置为Nl档,根据轧制完成带钢的层别号来更新相应档及相邻档的自学习值。
(c)在模型设定时采取控制策略处理钢种和规格混轧、连铸机双流交替轧制情况,获取带钢的短期自学习和长期自学习系数,包括:温降自学习Za和轧制力自学习Zp。短期自学习和长期自学习分别记录为:温降短期自学习Zba和长期自学习Zla,轧制力短期自学习Zbp和长期自学习Zlp。
模型设定时获取短期自学习值控制流程如图2所示,操作步骤如下:
1)获取短期自学习表第一条纪录的自学习系数Zba和Zbp;
2)在短期自学习表中从第一条开始查找材质相同的纪录,替换Zba和Zbp,找到即停止;
3)在短期自学习表中从第一条开始查找材质和宽度、厚度分档号相同的纪录,替换Zba和Zbp,找到即停止;
4)在短期自学习表中从第一条开始查找材质和宽度、厚度、连铸机分档号相同,且纪录保存时间小于门限时间的纪录,替换Zba,找到即停止;
5)短期自学习表所有记录保存时间都超过门限时间后,将短期自学习值Zba和Zbp全部初始化。
获取长期自学习系数步骤是根据带钢在长期自学习表中的层别号Ni分别提取Zla和Zlp系数。
(d)带钢轧制完成后,进行模型后计算和模型自学习计算,更新模型的短期和长期自学习系数。
模型后计算和自学习计算流程如图3所示。模型后计算是采用带钢轧制完成后的头部实测数据,利用数学模型重新计算得到预报值或设定值,再根据相应的实测值进行模型自学习修正计算,以温降自学习系数Zacur为例,计算如下:
上式中,Zacur为后计算得到的自学习值;为高温计FET实测值;为高温计FDT实测值;∑ΔT为后计算模型得到的精轧机组总温降;为后计算模型预报的FDT值。
对于短期自学习值,每块带钢轧制完成后都必须进行更新,自学习系数计算采用指数平滑法,公式如下(以Zba为例):
Zbanew=Zbaold+a*(Zbacur-Zbaold)
上式中:Zbanew为更新后的Zba自学习值;Zbaold为更新前的Zba自学习值;Zbacur为模型后计算得到的Zba自学习值;a为自学习速度因子,根据带钢实测值质量,轧制块数等动态计算,取值范围为0.35~0.75。
长期自学习系数更新也采用指数平滑法,是否进行长期自学习系数更新要判断条件如下:
1)前后两支带钢的材质代码、宽度和厚度分档号是否一致;
2)同一批次轧制带钢数量是否超过预设块数,超过则进行长期自学习值更新。
(e)轧机换辊或零调后,进行模型自学习系数的初始化;
自学习系数初始化是将短期自学习表中所有记录的自学习系数进行初始化,主要包括:
1)轧机零调完成:轧制力短期自学习值Zbp置位1.0;
2)停机时间超时:温降短期自学习值Zba置位1.0;
(f)模型自学习方法结合设定模型来保证模型控制的精度。
以轧制力预报为例,计算公式如下:
Fi=Zlpi×Zbpi×f(Hi,hi,Bi,Ti,Ri,......)
上式中:Fi为第i机架预报轧制力;Zlpi为第i机架轧制力长期自学习系数;Zbpi为第i机架轧制力短期自学习系数;f()为计算第i机架轧制力模型函数;
在实际生产中,本发明方法,应用在某CSP热连轧生产线上,采用精轧机架数N=7的精轧热连轧机组。
1)对CSP生产线所有钢种分为Nc=100档,分别用材质代码P01~P100代替;宽度分为NB=10档;厚度分为NH=24档;长期自学习层别Nl=NC×NB×NH=24000档;短期自学习层别Nb=10档。
根据表1中材质、宽度和厚度分档表中的分档范围,在计算机内存中排序号从0开始,假设图4中SPHC2钢种材质代码为P11,宽度1250mm,厚度3.0mm,则对应的分档号分别为:Ci=10,Bi=2,Hi=10,计算长期自学习层别号:
Ni=Ci×NB×NH+Bi×NH+Hi=10×10×24+2×24+10=2458
图4中MGW1300钢种材质代码为P86,宽度1250mm,厚度3.0mm,则对应的分档号分别为:Ci=85,Bi=2,Hi=10,计算长期自学习层别号:
Ni=Ci×NB×NH+Bi×NH+Hi=85×10×24+2×24+10=20458
表1材质宽度厚度分档表
2)针对该CSP生产线一次精轧F1-F7大换辊后的生产情况为例进行说明,实际生产钢种规格列表如图4所示。生产计划主要包括SPHC2和MGW1300两个钢种混轧,产品宽度都是1250mm,产品厚度从2.3mm~5.0mm。
3)对短期自学习系数,换辊零调完成后,短期自学习表要初始化,对短期自学习表1~10条所有记录Zbp初始化。且由于第一块带钢生产时间距离短期自学习表中第一条记录的时间差超过了系统休止门限时间(6小时),所以Zba也初始化为1.0。
4)以图4中生产列表中第18支带钢为例说明短期自学习系数的提取,此时短期自学习记录表如图5所示。根据控制策略,首先取记录表中第一条记录,即第17支带钢的短期自学习值;然后在循环查找记录表中材质相同的记录,查到记录表中第二条记录,即第16支带钢的短期自学习值;后面再寻找其它策略都不符合查找条件。最后第18支带钢的短期自学习值Zbp和Zba取第16支带钢自学习后的短期自学习值。
5)采用本发明提供的模型控制方法,在碳钢和硅钢交替轧制情况下,轧制力预报精度有了大幅度提高,碳钢精度从85.58%提高到94.85%,硅钢精度从89.54%提高到95.23%。图6为采用了本发明后某CSP生产线现场大生产数据的统计情况,轧制1215卷带钢后F1-F7轧制力模型的命中率。
如图7所示为精轧轧制力模型控制总体流程图。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
机译: 信息处理设备,其控制方法以及计算机可读存储介质,其计算模型特征与测量数据特征之间的对应精度并基于该精度对图像中的几何模型和对象进行核对
机译: 一种改善钻井液性能的方法,一种改善钻井液性能的方法,一种改善钻井液性能的方法,一种降低 u0432 u0432 u0430 u04b u0432 u042 u0430 u04e u0449 u0438 u0445 u0440 u0430 u0449 u0430 u044e u0449 u0435 u0433 u043e旋转过程中的力矩和水动力阻力,提升或降低 u0431 u0443 u0440 u0438 u043b u044c u043d u043e u0439管道的控制方法井下油钻井液流失
机译: 一种从系统规格模型自动生成测试脚本的方法