帶鋼卷取溫度智能控制探究

摘要:本文簡要地介紹了帶鋼生產過程中控制卷取溫度的重要性，并分析指出了目前卷取溫度控制存在的難點，針對層流冷卻過程具有強非線性、分布參數和時變等綜合復雜特性，提出了智能控制方案并用Matlab進行了模擬仿真，仿真結果表明此種方法可使最終卷取溫度精度控制在5℃之內。

關鍵詞:卷取溫度 層流冷卻 模糊控制 神經網絡

1 控制卷取溫度的重要性

卷取溫度控制段是整個熱軋生產線的最后一個關鍵環節，其控制精度對板帶的金相組織影響很大，是決定成品板帶加工性能、力學性能、物理性能的重要工藝參數之一。當實際卷取溫度超出要求范圍時，帶鋼的組織性能就會變差，所以保證熱軋帶鋼卷取溫度達到規定的目標溫度范圍內，提高卷取溫度的控制精度一直是熱連軋領域關注的重要問題。

2 目前卷取溫度控制的難點

2.1 影響卷取溫度的因素多而復雜。這些因素大多具有較強的時變性，機理復雜，難以在數學模型中全部計算和精確描述。

2.2 控制冷卻實際是在很大的空間范圍內對處于變速及高速運動中的帶鋼沿長度方向逐點實施的，這使得卷取溫度控制本質上是一個十分復雜的分布控制問題。

2.3 卷取測溫儀相對控制點，檢測滯后很大，且控制閥的開閉及冷卻水從噴管出水口濺落到帶鋼表面，都存在較大的滯后效應。

2.4 冷卻水量的調節一般是非連續的，其控制“粒度”為一個閥所控制的水量。卷取溫度控制精度本質上受此粒度大小的制約，特別是薄材，更為敏感。

3 采用智能控制方法的必要性

雖然控制卷取溫度的方式有很多，但實踐證明，層流冷卻的控制方式綜合效果最好，它具有冷卻能力強，可控性好，故障率低等優點。但層流冷卻系統中影響卷取溫度的因素多而復雜，時變性、非線性強，難以得到精確的數學模型，過去的研究大多將精力集中在層流冷卻系統數學模型的研究上，但實際控制效果并不十分理想。因而傳統的基于精確數學模型的控制方法難于進一步提高控制精度。要改變這一狀況，就必須改變思路，采用一種不依賴于精確模型的控制方法，智能控制就是一種不依賴于精確模型的控制方法，把智能控制用于層流冷卻系統中將有利于進一步提高卷取溫度控制精度。因此本文提出了卷取溫度的智能控制方案。

4 層流冷卻智能控制流程

在層流冷卻過程中，一般情況下，冷卻水參數的變化是較小的，因此對卷取溫度控制的影響不大，變化大且影響較大的參數就是終軋溫度。終軋溫度的大小可以從終軋溫度測溫儀處實測得到，因此，在控制方案中，將以終軋溫度和卷取為主要參數，而將水溫、水量的變化等作為擾動量。

整個層流冷卻系統控制分為四部分來完成:

4.1 預測終軋溫度，預設主冷區的冷卻段數。控制系統結構示意圖如圖1

以汽車大梁鋼Q345B為例，BP神經網絡選用3×8×1的網絡結構。輸入變量分別為:精軋入口溫度tfo、精軋入口帶鋼厚度h1和軋制速度v1，輸出變量為終軋溫度的預測值tfc。從現場收集42組數據作為學習樣本，采用函數traingdx對網絡進行訓練，學習算法選用改進后的BP算法，即變步長法。學習速率由網絡自行選定。經過2000次學習，終軋溫度的預測值和實際值如下圖2，誤差在±5℃內，基本上滿足實際生產的需要。

4.2 主冷區控制。控制結構圖如圖3:

主冷區采用前饋開環控制，控制器采用圖4的改進的基于T-S模型的模糊神經網絡。并采用離線訓練在線控制的策略。首先利用現場實測輸入輸出樣本數據對模糊神經網絡進行離線訓練，得到模糊神經網絡的模糊控制規則，使模糊神經網絡控制器逼近主冷區控制模型，提高主冷區控制的自適應、自學習能力。

前件網絡的輸入值為終軋溫度實測值tfr與預報值tfc的誤差e和誤差變化率ec，后件網絡的輸入為1，e，ec，dh，dv，dtw。網絡輸出為主冷區的冷卻段數N1。

同樣選取唐鋼生產的汽車大梁鋼Q345B為仿真對象，從現場收集的數據中篩選27組數據，采用單個處理方式學習。

Matlab仿真結果如圖5所示，其中，實線為主冷區目標設定的冷卻段數，虛線為模糊神經網絡模擬的主冷區冷卻段數，從該圖中可以看出，網絡輸出誤差小于±2%，可以滿足精度要求。

4.3 精冷區控制。控制系統如圖6

選用模糊控制作為精冷區仿真控制模型，采用帶修正因子的模糊規則自調整方式，并設置±5℃的控制死區。因為層流冷卻區內冷卻段數的調整量是以整數為單位，層留冷卻控制是一個量級調整方式，冷卻水量的調節是非連續的，所以設置控制死區，既符合工藝要求，又可以保持冷卻段調整的穩定性。

精冷區模糊控制器以卷取溫度目標值tc與實測值tcr的誤差etc和誤差變化率detc作為輸入，采用閉環反饋控制方式，輸出控制量為精冷區冷卻段數N2。

唐鋼熱軋薄板廠1780生產線采用的是前面介紹的層流冷卻數學模型，本文收集的樣本數據均是該生產線上生產汽車大梁鋼Q345B的各項數據，從中篩選了90組，對精冷區模糊控制模型進行離線學習，量化因子、分別取為0.23和0.5，比例因子取為1.4，Matlab仿真結果如圖7所示。

從圖中我們可以看出，采用此種控制方法卷取溫度控制精度基本上可以達到±5℃左右，而目前采用傳統控制方法得到的卷取溫度控制精度在±5℃以上，由此可見，文中采用的這種智能控制方法能夠有效的提高卷取溫度的控制精度。

4.4 建立實時在線控制知識庫。

5 結語

應用本系統對帶鋼軋后冷卻進行自動控制，經過長期觀察，發現系統運行穩定，應用價值也很高，把目標卷取溫度偏差控制在±10℃之內。而且此智能控制系統可以適應相應的環境變化，對不確定的復雜過程進行描述，消除非線性因素對過程控制的影響，從而大大提高了帶鋼的質量。

參考文獻:

[1]干思權.智能控制在帶鋼熱連軋層流冷卻系統中的應用研究[D].北京.北京科技大學.2005.

[2]王士同.模糊系統.模糊神經網絡及應用程序設計[M].上海.科學技術文獻出版社.1998.

[3]趙彥龍.熱軋帶鋼卷取溫度智能控制研究[D].北京.北京科技大學.1995.

[4]范曉明.熱軋帶鋼卷取溫度的智能控制[D].沈陽.東北大學.2000.

[5]W.J.LAWRENCE.On Line Modeling and Control of Strip Cooling[J].Iron Making and Steel Making.1996.23(1).74-78.