|
［摘 要］以莱芜钢铁公司1500mm热连轧机层流冷却系统为对象，对如何提高带钢卷取温度控制质量进行了研究。在基于非线性函数分段线性化的预设定模型的基础上，加入了如下措施来改善控制质量：考虑模型中所用变量的波动，对预设定模型进行实时动态补偿；考虑模型中没有涉及到的因素及慢时变参数对卷取温度的影响，对带钢头部进行自学习。运行结果证明所采用的这些措施大大提高了控温精度，能够很好地满足产品质量的要求。
［关键词］层流冷却；卷取温度；动态修正；滤波处理
莱芜钢铁公司1500mm带钢热连轧机生产线是由国内自己设计、安装和调试的宽带钢热连轧生产线。北京科技大学高效轧制国家工程研究中心为该项目的三电技术总负责方。系统已于2005年6月29日全线贯通，到目前为止，轧制产品的尺寸精度及力学性能指标等均已满足产品质量的要求。本文将介绍该系统在提高卷取温度控制质量方面所做的探索。
1 层流冷却主要设备及控制要求
层流冷却区是指从精轧出口高温计FT至卷取机前高温计CT之间的这一段区域，总长约68m。按控制方式的不同，本区域分为粗冷区和精冷区两部分，每部分都设有上、下喷水集管及侧喷装置。其中，上、下喷水集管在输出辊道上对称布置，配合工作，以使带钢上下表面冷却均匀；侧喷装置设置在输出辊道上每个冷却架对应的喷水集管之后，用来及时将滞留在带钢表面上的水吹走，保证不同冷却架控制的冷却水与带钢进行充分的热交换。粗冷区包括9个冷却架，每个冷却架设4组喷水集管，每两组喷水集管由一个气动阀共同控制，精冷区包括6个冷却架，每个冷却架设4组喷水集管，每组喷水集管由一个气动阀单独控制。
层流冷却区的控制目标是把终轧温度为850～950℃的钢板按一定冷却制度迅速冷却到550～650℃的卷取温度，控制精度要求为±20℃。
2 卷取温度控制的预设定模型
卷取温度控制的预设定模型是根据模型所需的边界条件（终轧温度、厚度、速度、卷取温度、冷却水温等）的设定值信息，自动选用冷却工艺数据，如冷却方式和喷水模式等，计算要达到目标卷取温度所需的喷水阀门个数和起始阀门位置及喷水集管开启和关闭的组合，并进行最大冷却能力校验，最后把设定值传递给基础自动化系统做准备。
层流冷却系统本身是—个大滞后、多变量、强耦合、强非线性的复杂系统，难以建立精确的数学模型，故控制系统的预设定模型采用基于现场实测数据的统计模型，即按照不同材质、不同厚度规格的带钢分别进行统计，获得一组对应情况下的参数的最佳值作为模型，若生产的带钢厚度不在统计的列表中，则按插值法来求取对应的参数。模型如下：
3 预设定模型的补偿
3.1 前馈补偿
预设定模型给出的是在设定值条件下的阀门开闭组合，但是带钢进入层流冷却区时的实际温度、厚度、速度是实时变化的，因此为了消除带钢自身边界条件与其设定值的偏差对卷取温度的影响，需要对预设定模型进行前馈补偿。其补偿方法为：带钢出精轧末机架获得实测边界条件后，结合对带钢样本段的微跟踪信号对预设定模型进行修正，即沿带钢长度方向分段控制，消除边界条件的波动对控制结果的影响。公式如下：
3.2 反馈补偿
预设定模型及前馈模型只是给出了要把带钢冷却到目标卷取温度理论上应该打开的阀门个数，而不能保证带钢实际上一定会达到目标卷取温度，同时，冷却过程中也存在不可控的随机干扰量[2]，为了把带钢全长的实测温度都控制在要求的精度范围内，需要根据层流冷却区出口处的高温计的实测值进行反馈补偿。其补偿方法为：当带钢到达卷取测温仪，获得实测卷取温度并且头部自学习完成之后，根据其与设定值的偏差，反馈回一个控制信号，相应地调节精调区喷水集管的开闭状态。
由于粗轧采用的是可逆轧制，在道次转换时
会导致与辊道接触部分的带钢温降过大，带钢经精轧及层流冷却区冷却后由于温度降低，会显现出明显的周期性水印，尤其是轧制薄规格带钢时，水印更为明显，为了避免水印引起卷取温度反馈控制的震荡，对实测的卷取温度进行滤波处理，即对检测到的最近n个数据取平均值，之后再用于反馈控制。
考虑到卷取温度控制系统的大滞后性，为了削弱反馈控制作用太强引起的卷取温度的振荡，反馈控制采用仿人智能PI控制算法，即大偏差寸，为了防止积分饱和，采用纯P调节，且比例系数取得相对较大，使其迅速趋近目标值；小偏差时，为了实现无差控制，采用PI调节，且比例系数取得相对较。
4 预设定模型的修正
预设定模型只是考虑了影响卷取温度的最主要因素，还有其他一些不可控。不可测或难以测量的因素没有涉及到，如冷却水的水压波动、粗冷区或精冷区不同组集管之间的冷却能力差异等，导致模型的控制效果不太稳定、为了使系统具有自适应功能，采取对带钢头部进行自学习的方法来进行修正。修正的方法为：每轧一卷带钢时，先从自学习库中调出对应于此卷钢厚度的长期自学习值，作为顶设定的一部分；在带钢头部到达卷取测温仪且反馈控制没有投入前，根据获得的实测数据，产生新的对应于此厚度带钢的短期自学习值，并进行可信度分析；之后再将其应用于此卷钢的轧制。在轧制结束后，在考虑遗传效应的基础上、修正对应于此厚度规格的带钢的长期自学习值。
长期自学习值：
5 应用效果及结论
在本系统调试过程中，笔者对各种调试方案的运行结果进行了记录与比较，图3中（a）是厚度规格为7.75mm的带钢在没有加入任何补偿及修正时的卷取温度控制曲线，（b）为加入本文所提出的改善措施后的运行结果。它们的控温目标都是650℃。
温度控制曲线的分项统计数据如下：实测温度与目标温度相差±5℃以内的占带钢全长的39.1％，相差±10℃以内的占带钢全长的57.3%，相差±20℃以内的占带钢全长的90.9%，相差±20℃以上的占带钢全长的9.1%。图3（b）中温度控制曲线的分项统计数据如下：实测温度与目标温度相差±5℃以内的占带钢全长的72.4％，相差±10℃以内的占带钢全长的98.3％，全长的100％都被控制在±20℃以内。
通过现场调试及对相关文献的学习得出如下土要结论：
（1）系统的控制精度取决于统计模型的精度，统计模型对带钢厚度的分类越细，控制
的精度就越高。
（2）前馈补偿可提前消除边界条件波动的影响，反馈补偿可对控制结果进行监控。
（3）对带钢头部进行自学习可不断优化统计模型。 |
|
