萊鋼1 500 mm熱軋精軋模型存在問題的分析和處理

劉萊萌

(山東萊蕪鋼鐵集團有限公司板帶廠，山東 萊蕪 271126)

0 前言

萊鋼第1條熱軋生產線1 500 mm熱軋于2005年5月建成投產。2007年達到了年設計生產能力245萬t。隨著產量的不斷提高，精軋軋制模型存在的問題逐漸暴露出來，為了滿足生產及產品質量的要求，萊鋼對軋制模型進行了不斷優化，取得了良好的效果。

1 模型使用中存在的主要問題

(1)軋制力預報準確率低。軋制力預報值直接關系到輥縫及軋制速度的設定，偏差大會造成各機架間秒流量不等，過程控制不穩定，厚度精度低，嚴重的會造成堆鋼。

(2)自學習效果不佳。經過一段時間運行后，學習效果不理想，設定值經常出現較大的偏差，造成生產過程不穩定。

(3)維護界面操作復雜，干預效果不理想。負荷分配不合理情況下，對絕對壓下率進行調整，由于絕對壓力率數值相對較小(特別是后機架分配系數在0.0012～0.0015之間)，負荷調整后效果不明顯。

(4)新鋼種新規格開發適應性差。新鋼種、新規格開發時，模型設定精度偏低，學習效果不理想。

(5)模型維護不方便，留給二級維護人員的開口較少，不能對出現的問題及時、有效的維護和調整。

2 原因分析

(1)造成模型軋制力預報不準的主要原因:精軋入口溫度采點位置不合理，在熱卷箱附近，環境惡劣，外界因素影響加大，特別是冬季周圍水、氣造成采點不準，給模型的設定的準確性帶來困難;軋制負荷采用“絕對壓下率”方式，中間坯、出機架厚度的變化不能正確預算，造成軋制力波動較大。

(2)模型自學習方式存在問題，在短期自學習較好的情況下，長期自學習學習速度較慢，不能將好的過程參數保留到自學習中去，造成模型學習周期較長。

(3)對突發或檢測異常值的篩除考慮不夠全面。如因高溫計、測寬測候儀表的異常檢測值、設備故障產生的波動較大的參數，模型運行過程中不能合理判斷、篩除，造成模型繼續學習、使模型設定結果向差的趨勢發展。

(4)模型運行前期維護界面過少，維護人員不能及時對模型進行維護優化。

3 采取措施

針對模型在使用過程中存在的問題及其產生的原因，萊鋼1 500 mm熱軋廠、自動化部及北科大共同對精軋模型進行了優化，主要從以下幾個方面開展工作，取得了良好的效果。

3.1 精軋入口采溫點優化

將采溫點適當后移，避開環境較惡劣的熱卷箱區域，在有信號后延時2 s采點，共取8組，每組8個點，64個點的平均值作為精軋模型二次設定的溫度值。延時2 s使鋼坯頭部避讓1.5 m后再進行采點，避免了頭部溫度較低的區域，真實反映頭部穿帶時的溫度，提高了精軋設定模型穿帶軋制力預設定的準確性。

3.2 改變負荷分配方式

由“絕對壓下率”調整為“相對壓下率”，并增加了“相對軋制力”模式。調整為相對壓下率后，各機架的壓下率［1］設定范圍非常清晰，可取得經驗值較多。新增的“相對軋制力”模式，實現了對F6機架軋制力負荷范圍的控制，在生產冷軋用料等對斷面形狀有要求的產品時，得到了很好的應用，板形質量也得到了改善。軋制負荷分配及調整操作畫面如圖1所示。

圖1 模型設定畫面Fig.1 Graphics of model setting

3.3 提供了Excel修改工具對模型進行維護

精軋模型主要維護常量、長期自學習系數、短期自學習系數、工藝參數等分數據區。為了便于二級維護提供了Excel修改工具，不僅維護方便，各層別不同規格的相關數據一目了然。各機架負荷參數如圖2所示。

圖2 機架負荷分配表圖例Fig.2 Graphic symbol example of frame load distribution

3.4 優化模型自學習

3.4.1 模型自學習過程

模型本身存在誤差，軋機條件也在不斷變化，為使FSU對后續鋼帶設定更準確，需要調整模型的某些設定參數。FML的啟動時序保證了FML能獲得帶鋼頭部的所有實測數據，依據實測值調整模型系數。精軋自學習程序 FML對精軋模型的自學習項目包括:機架間噴水﹑機架間熱輻射溫降自學習系數;軋制力模型自學習系數;輥縫自學習系數。模型自適應和自學習過程如圖3所示。

圖3 模型自適應和自學習過程Fig.3 Self-adaptive and self-learning process of model

3.4.2 優化模型自學習的速度與機制

模型的自學習主要區分為長期自學習和短期自學習。短期自學習包括輥縫誤差、軋制力自學習系數、溫降自學習系數。長期自學習包括軋制力自學習系數和溫降自學習系數。軋制力自學習系數與換批后軋制塊數、預設定軋制力和實測軋制力的誤差率有關;輥縫誤差學習系數與換批后軋制塊數、預設定軋制力和實測軋制力的誤差率、預設定輥縫和后計算輥縫誤差率有關，且只進行短期自學習。

預設定模塊:換規格軋制在預設定模型中采用長期自學習系數，否則采用短期自學習值;

自學習模塊:換規格軋制時，將上支鋼的自學習值保存到對應檔的長期自學習數據區中;將本支鋼的自學習值保存到短期自學習數據區中。

自學習值的更新速度:每個自學習項都進行短期更新;長期自學習更新速度為短期自學習累積值以0.3的速度更新到長期自學習數據區中，以0.2的速度更新長期自學習中的相鄰檔。

3.4.3 建立模型自學習的限定條件

為保證模型向著穩定、精度的方向學習，程序增加了模型自學習條件，如果條件滿足不了，模型自學習程序停掉，關鍵的限制條件如下:①粗、精軋高溫計正常工作;②精軋后測厚儀、測寬儀正常工作;③軋線數據跟蹤、傳輸正確;④換輥、零調正確操作;⑤末機架設定速度和實測速度的影響;⑥粗軋咬鋼時間與自學習計算時間不超過150 s;⑦設定速度和實測速度差別過大、預設定負荷分配和后計算負荷分配差別超過5%。關鍵條件的增設避免了異常過程的學習，確保模型的穩定性。

3.5 增設離線計算模型

北科大在程序升級模型系統提供了計算半自動規程的接口，利用離線模擬平臺來開發計算新規格的軋制規程。在新鋼種新規格開發前，可根據工藝條件的要求進行軋制規格的預計算，通過計算結果了解軋制負荷與過程參數控制情況，并根據產品性能要求對過程參數適當進行控制。二級計算的軋制規程不僅能保證順利穿帶和頭部質量，還能提高新產品開發成功的合格率。

4 效果

(1)軋制力預報準確性提高。首塊鋼軋制力預報準確率由原來的50%提高到75%，軋制穩定性得到了提高。

(2)自學習速度及效果得到了改善。換輥后第三塊就能得到穩定的軋制過程數據，軋制周期內第二塊就能學習穩定。

(3)模型維護方便，干預效果顯著。運用Excel修改工具可及時對各個層別不同規格產品的軋制負荷分配、長短期自學習系數進行調整。操作工在實際生產過程中也可通過模型設定畫面對相對負荷參數進行修訂，干預效果顯著。

(4)為新鋼種、新規格產品開發提供了保障。運用離線模擬平臺對新鋼種、新規格產品軋制規程進行預算，存在的問題能夠提前預知，為過程參數的調整提供支持保障。

［1］孫一康.帶鋼熱連軋的模型與控制［M］.北京:冶金工業出版社，2002.