爐溫對粗軋機終軋溫度影響的研究

肖學文，葉 波，勇浩晨，董 斌

(1.中治賽迪工程技術股份有限公司，重慶 401122； 2.重慶賽迪熱工環保工程技術有限公司，重慶 401122；3.中冶賽迪重慶信息技術有限公司，重慶 401122； 4.中冶賽迪技術研究中心有限公司，重慶 401122)

隨著我國鋼鐵事業的迅猛發展，軋鋼加熱爐的運行數量也在迅速增加[1]，這些運行中的加熱爐大都采取步進方式，利用物理分段供熱實現連續化生產。此類型的加熱爐通過對各個控制段實施不同的溫度控制來實現對爐內鋼坯的加熱過程控制。目前尚沒有較好的測量手段在加熱爐內對鋼坯的溫度進行連續的測量。在加熱爐外常常采用非接觸式測溫技術[2]，由于氧化鐵皮等諸多因素的影響，對鋼坯溫度的直接測量點通常建立在軋鋼粗軋后，也就是通常所說的RDT。許多鋼鐵生產企業對于加熱爐加熱鋼坯的質量要求，也是通過RDT達標率來進行衡量。因此，進行加熱爐各段爐溫對鋼坯粗軋終軋溫度影響的研究就顯得非常有必要。

由于經過加熱的鋼坯從加熱爐出爐后，要經過高壓水除鱗以及粗軋等工序，在整個過程中涉及了輻射、對流、傳導和軋制變形溫升等四種傳熱方式[3]。因此直接進行數學機理建模的方式較為復雜，并且諸多控制因素皆可能對其準確性造成較大的影響。因此，在本文中擬不采用機理模型的方式來建立爐溫與粗軋機終軋溫度之間的關系，而是利用采集的實際生產數據，采用數學分析的方法來建立爐溫與粗軋終軋溫度之間的聯系。

1 現場概況及數據采集方式

某鋼鐵廠1 580 mm熱軋生產線主要為汽車、家電、建筑及結構、機械、電氣等行業提供高品質、高技術含量、高附加值的板材產品。共建設了4座步進梁式加熱爐，單爐額定加熱能力為300 t/h(冷坯)。加熱爐爐型為端進端出、上下加熱、混合煤氣常規+脈沖燃燒、全液壓傳動滾輪斜臺面式步進梁式加熱爐，詳見圖1。

圖1 加熱爐爐型結構簡圖

加熱爐設計有效長度44 870 mm，內寬11 700 mm。加熱爐設12個爐溫自動控制區域，即預熱段、一加熱段、二加熱段、均熱段的上、下控制區，除上部均熱段采用平焰燒嘴供熱，其余各段均采用低NOx燒嘴側向供熱。其中均熱段上采用雙交叉限幅連續燃燒控制，其余各段均采用數字化脈沖燃燒控制。另外，加熱爐還設有一個不供熱的熱回收段，以充分回收煙氣余熱，節約能源。

先通過儀表PLC對加熱爐溫度傳感器(熱電偶)的數據進行采集與處理[4]。上部爐溫數據從安裝在加熱爐爐頂的熱電偶獲得，下部爐溫溫度從安裝在側墻上的熱電偶獲得。采集系統以30 s為周期與儀表PLC進行通信，采集各個測量點的爐溫數據。鋼坯經粗軋機終軋后的溫度(RDT)則通過與軋機相關控制系統通信進行采集。溫度采集系統結構如圖2所示。

圖2 溫度采集分析系統構架圖

2 針對溫度分析系統方法設計

加熱爐爐溫與鋼坯經粗軋機終軋后的溫度的關系的分析算法按照以下的方法進行設計。

1) 以鋼坯為核心的鋼坯相關爐溫數據預處理

由于溫度采集分析系統對于加熱爐溫度與粗軋機終軋后的反饋溫度采取了不同的數據收集方式，在本文中選擇了以鋼坯為核心的數據處理方式來進行數據預處理。粗軋機終軋反饋溫度本身按照鋼坯號進行反饋，可根據數據區間判斷剔除明顯不合理的誤報溫度信息。針對熱電偶采集溫度的處理則按照以下的方式來獲取每塊鋼坯在各個控制區域內的加權平均爐溫：

式中：Tfn為某個加熱爐內所有熱電偶溫度平均值；wn為溫度的加權數，根據鋼坯位于加熱控制區域的位置來進行確定，在設計時，遵循w1+w2…+wn=n的規則。

2) 建立鋼坯-爐溫數據表

在完成前序數據處理的基礎上建立鋼坯-爐溫數據表，數據表的內容如表1所示。

表1 鋼坯-爐溫數據表

3) 建立爐溫-鋼坯經粗軋機終軋后的溫度算法模型以加熱爐爐溫數據中與鋼坯號對應的各段加權平均溫度為輸入層，鋼坯在粗軋機終軋后平均溫度為輸出層，建立神經網絡自學習模型，見圖3。

圖3 神經網絡示意圖

在網絡中，一個基本的神經元模型具有n個輸入，每個輸入都是通過適當的權值w和下一個神經元相連，如圖4所示。

圖4 神經元模型示意圖

由于輸入層的數據與輸出層的數據之間經歷了較為復雜的熱傳導過程(輻射、對流、傳導和變形溫升)，因此假定他們之間為非線性的關系。進一步引入激活函數。在激活函數的選用上，雖然Sigmoid函數運用最為廣泛，但在后向傳遞過程中，Sigmoid向下傳導的梯度包含了一個f’(x) 因子(Sigmoid關于輸入的導數)，因此一旦輸入落入飽和區，f’(x) 就會變得接近于0，導致了向底層傳遞的梯度也變得非常小。此時，網絡參數很難得到有效訓練。在本文中采用了ReLU激活函數。相比起Sigmoid函數夠快速收斂，有效緩解了梯度消失的問題，在沒有監督預訓練的時候也能有較好的表現。

ReLU激活函數被定義為f(x)=max(0,x),表現形式如圖5所示。

圖5 RDT計算結果

在優化算法的選擇上，選用了一種可以替代傳統隨機梯度下降過程的一階優化算法——Adam算法，能基于訓練數據迭代地更新神經網絡權重。Adam優化算法其實是動量梯度下降算法和RMSprop算法的結合。Adam算法公式為

gt=?θJ(θt-1)

mt=β1mt-1+(1-β1)gt

式中：gt為梯度；mt為梯度均值；vt為梯度方差。

Adam算法的偏差修正：

更新權重：

超參數：

β1、β2為指數衰減率，β1=0.9，β2=0.999。

α為學習率，α=0.001。

ε=10-8，避免除數變為0。

初始化：m0=0,v0=0。

3 實際應用解決

針對所需解決的問題，完成神經網絡構造和算法后，利用tensorflow所含keras算法模塊進行分析。

具體步驟如下：

(1) 從燃燒控制模型系統的數據庫中，導出一定數據量的鋼坯在爐加熱的平均爐溫信息以及作為輸入訓練樣本，鋼坯在粗軋機終軋后平均溫度(RDT)為其輸出訓練樣本。

(2)引用NumPy的pandas工具，將數據導入分系統。

(3) 引入keras作為Tensorflow高階應用程序接口，設計激活函數為ReLU，優化算法為Adam的神經網絡。

(4) 進行神經網絡算法訓練，在訓練過程中，引入mes函數進行誤差評估，可接受的溫差偏差值為15 ℃，其平方誤差為225。神經網絡訓練的誤差限制在此范圍內。樣本在進行了10 000次神經網絡的有效訓練后，誤差能夠達到182.9。

(5) 利用訓練好的神經網絡，輸入需要加熱爐爐溫數值進行RDT溫度預測。

加熱爐各段溫度檢測值如表2所示。

表2 神經網絡算法輸入數據

計算結果如圖6所示。得到相應的神經網絡預測結果(RDT)為1 112.047 ℃，現場實際監測溫度值為1 108 ℃，預測與實測誤差較小，證明該方法具備工程上應用價值。

圖6 ReLU激活函數表現形式

4 結 語

本文以現場采集的歷史數據為基礎，通過歷史數據挖掘的方法，避免復雜且不準確的物理建模過程，在鋼坯粗軋終軋溫度與加熱爐實際爐溫之間建立了有效聯系。該算法的建立使通過爐溫預測鋼坯終軋溫度成為了可能，通過該算法可以指導燃控系統進行各段的爐溫調節來實現鋼坯終軋溫度達標率的有效提升。從而提高了加熱爐服務于軋線軋制工藝的能力。