一种适应快节奏轧制的卷取温度模型自学习方法

摘要

本发明涉及一种适应快节奏轧制的卷取温度模型自学习方法，属于冶金行业热轧方法技术领域。本发明的技术方案是：配置卷取温度模型的水冷自学习目标点，当自学习目标点通过高温计后，获取实际温度数据，立即与预测温度进行比较，计算出水冷自学习系数，进行上下限和数据平滑处理后更新到模型数据库，用于卷取温度模型计算。本发明的有益效果是：避免了原设计中在热轧带钢完全通过卷取前高温计后才进行模型自学习系数更新，而在快节奏生产时，更新后的模型自学习系数无法用于下一块带钢的设定计算，造成多卷带钢温度控制异常的问题。

说明书

技术领域

本发明涉及一种适应快节奏轧制的卷取温度模型自学习方法，属于冶金行业热轧方法技术领域。

背景技术

热轧技术领域，为了保证热轧带钢产品的力学性能，需要精确控制带钢在卷取入口的温度，即卷取温度。一般通过卷取温度控制模型对带钢经过层冷区域的水量进行计算和设定，为了保证控制精度，卷取温度控制模型均有自学习功能，即根据前一块带钢的卷取温度实际数据，修正当前块带钢的设定计算结果，以达到满意的控制效果。

在生产过程中，发现上述控制方式存在以下问题：

卷取温度模型自学习更新时刻是在卷取机前高温计检测完成后，即带钢完全通过高温计后进行更新，而卷取温度模型最后一次设定计算时刻是在精轧机组第一机架带载后进行。当生产节奏较快时，便存在前一块带钢还未完全通过高温计，当前带钢已经进入精轧机，即第一机架带载，此时，前一块带钢的实际数据还未进行自学习更新，这种情况下显然前一块的模型自学习不能对当前带钢的卷取温度模型计算进行修正，当自学习参数不合适时，会造成连续两块或以上的带钢卷取温度控制偏差，为企业造成了严重损失。

发明内容

本发明目的是提供一种适应快节奏轧制的卷取温度模型自学习方法，通过配置卷取温度模型的水冷自学习目标点，当自学习目标点通过高温计后，获取实际温度数据，立即与预测温度进行比较，计算出水冷自学习系数，进行上下限和数据平滑处理后更新到模型数据库，用于卷取温度模型计算，避免了原设计中在热轧带钢完全通过卷取前高温计后才进行模型自学习系数更新，而在快节奏生产时，更新后的模型自学习系数无法用于下一块带钢的设定计算，造成多卷带钢温度控制异常的问题，有效地解决了背景技术中存在的上述问题。

本发明的技术方案是：一种适应快节奏轧制的卷取温度模型自学习方法，包含以下步骤：

(1)配置水冷自学习位置点相关参数，包括最小长度L

(2)计算水冷自学习目标点，通过控制系统跟踪和计算带钢通过卷取前高温计的长度，当通过长度大于最小长度L

(3)获取水冷自学习目标点的实际温度，通过与预测温度比较，计算出水冷自学习系数；

(4)对水冷自学习系数进行上下限判断，平滑处理，再次上下限判断后更新到模型数据库，用于下次卷取温度模型计算。

所述步骤(1)中，水冷自学习目标点相关参数还包括水冷自学习系数当前值上下限、平滑系数和当前值上下限；最小长度L

所述步骤(2)中，热轧带钢卷取温度控制时，在长度方向上将带钢分为若干个样本段，每个样本段的长度L

水冷自学习目标点样本段的序号i计算方法为：用最小长度L

所述步骤(3)中，当水冷自学习目标点，即第i样本段通过卷取前高温计后，获取第i样本段在高温计的实际测量数据的平均值T

T

其中：z为水冷自学习系数，v为实际速度，h为带钢实际厚度、FDT为层冷入口实际温度，flow为层冷实际水量；

Td为自学习更新死区，取值范围为3～5℃，当T

所述步骤(4)中，对计算出的水冷自学习系数z

对z

z

其中，β为平滑系数，取值范围为0.2～0.8；

对新的水冷自学习系数z

其中，z

本发明的有益效果是：通过配置卷取温度模型的水冷自学习目标点，当自学习目标点通过高温计后，获取实际温度数据，立即与预测温度进行比较，计算出水冷自学习系数，进行上下限和数据平滑处理后更新到模型数据库，用于卷取温度模型计算，避免了原设计中在热轧带钢完全通过卷取前高温计后才进行模型自学习系数更新，而在快节奏生产时，更新后的模型自学习系数无法用于下一块带钢的设定计算，造成多卷带钢温度控制异常的问题。

附图说明

图1为本发明的工作流程图。

具体实施方式

为了使发明实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本发明实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本发明一小部分实施案例，而不是全部的实施案例，基于本发明中的实施案例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都属于本发明保护范围。

一种适应快节奏轧制的卷取温度模型自学习方法，包含以下步骤：

(1)配置水冷自学习位置点相关参数，包括最小长度L

(2)计算水冷自学习目标点，通过控制系统跟踪和计算带钢通过卷取前高温计的长度，当通过长度大于最小长度L

(3)获取水冷自学习目标点的实际温度，通过与预测温度比较，计算出水冷自学习系数；

(4)对水冷自学习系数进行上下限判断，平滑处理，再次上下限判断后更新到模型数据库，用于下次卷取温度模型计算。

所述步骤(1)中，水冷自学习目标点相关参数还包括水冷自学习系数当前值上下限、平滑系数和当前值上下限；最小长度L

所述步骤(2)中，热轧带钢卷取温度控制时，在长度方向上将带钢分为若干个样本段，每个样本段的长度L

水冷自学习目标点样本段的序号i计算方法为：用最小长度L

所述步骤(3)中，当水冷自学习目标点，即第i样本段通过卷取前高温计后，获取第i样本段在高温计的实际测量数据的平均值T

T

其中：z为水冷自学习系数，v为实际速度，h为带钢实际厚度、FDT为层冷入口实际温度，flow为层冷实际水量；

Td为自学习更新死区，取值范围为3～5℃，当T

所述步骤(4)中，对计算出的水冷自学习系数z

对z

z

其中，β为平滑系数，取值范围为0.2～0.8；

对新的水冷自学习系数z

其中，z

实施例：

某热轧产线精轧出口至卷取机距离为148.2m，在卷取温度模型配置文件中的水冷自学习相关参数配置。

其中水冷自学习目标点最小长度L

优选地，L

最小长度比例系数取值范围为0.1～0.3，优选地，e＝0.1。

水冷自学习系数当前值范围为0.6～3.5，优先地，范围设定为0.6～3.0。

水冷自学习系数新值范围为0.6～3.5，优先地，范围设定为0.6～3.0。

平滑系数β取值范围为0.2～0.8，优选地，平滑系数β＝0.3。

在连续生产钢种SPHC，宽度为1250mm，目标厚度为5.75mm，目标卷取温度为620℃时，样本长度为2.5m，根据板坯尺寸计算出成品带钢长度为386.4m，总样本数为154个。计算水冷自学习目标点样本段的序号i，其中

i

i

水冷自学习目标点样本段序号i取i

进一步地，获取样本段序号16对应的实际数据，实际测量数据的平均值T

进一步地，自学习更新死区T

进一步地，对计算出的当前水冷自学习系数z

z

进一步地，对z

计算出新的水冷自学习值后，不需要等带钢整体通过卷取高温计，立即更新到模型数据库中，用于下一块带钢卷取温度模型设定计算，保证下一块带钢在精轧咬钢时，触发最后一次卷取温度模型计算时使用新的水冷自学习值，以保证快节奏生产时卷取温度控制精度。