CN100372950C - 一种控制带钢温度的方法 - Google Patents

Abstract

本发明提供一种控制带钢温度的方法，其包括如下步骤：A、利用广义预测控制原理，根据带温动态模型预测将来某一时刻的带温；B、使目标带钢的温度与预测带温的差达到最小值为原则，计算出需要的煤气流量偏差；C、再根据实际煤气流量结合煤气流量偏差计算出煤气流量设定值 D、将煤气流量设定值发送至仪表控制设备 E、在温态时根据实际带温进行静态模型及动态模型的自学习，并再次进行煤气流量设定值计算。本发明可快速、准确控制带钢温度，其可通过参数配置可适用于不同生产线。

Description

一种控制带钢温度的方法

技术领域

本发明涉及一种控制带钢温度的方法，用于冷轧厂连续退火机组、热镀锌机组等连续生产线的带钢温度控制。

背景技术

带钢温度控制是整个生产线的核心控制技术之一，对提高产品质量起着非常重要的作用，一般是采用加热炉数学模型来控制带钢的温度，目前现有的加热炉数学模型大部分都是按照具体的生产工艺厂家而定，生产工艺厂家不同，其相应的退火炉数学模型机理也不相同，而且响应速度慢，控制精度也不高。

发明内容

本发明所要解决的技术问题是提供一种可快速、准确控制带钢温度的方法，其通过参数配置可适用于不同生产线。

为了解决上述技术问题，本发明采用了下述技术方案：提供一种控制带钢温度的方法，其包括如下步骤：

A、根据通板顺序、钢板的基本数据、中央段的速度设定值、带钢的实际温度、带钢的目标温度、工艺数字模型的自学习参数，利用广义预测控制原理，根据带温动态模型预测将来某一时刻的带温；

B、使目标带钢的温度与预测带温的差达到最小值为原则，计算出需要的煤气流量偏差；

C、再根据实际煤气流量结合煤气流量偏差计算出煤气流量设定值；

D、将煤气流量设定值发送至仪表控制设备；

E、在温态时根据实际带温进行静态模型及动态模型的自学习，并再次进行煤气流量设定值计算。

本发明具有如下的优点：加热炉的数学模型利用了广义的预测控制原理(GPC)，对于不断改变目标值的系统来说，GPC是最合适的控制理论。基于GPC，根据带温动态模型预测将来某时刻的带温，并使目标带温与预测带温之差达到最小值为原则，求得煤气流量。预测带温是随带钢宽度、厚度变化或带钢速度而变化，而目标带温随产品卷变化而变化。该模型提供了响应快又稳定的控制系统。该模型从热力学平衡方程和系统状态方程，导出加热炉带温控制的静态模型和动态模型，再根据预测控制原理来计算煤气流量的增量，并用带遗忘因子的递推最小二乘法，来修正数学模型的系数。实际应用效果良好，系统稳定时目标带钢温度与实际温度不超过3度。

1、利用广义预测控制原理(GPC)控制带钢温度，响应速度非常快，控制精度高；

2、与生产工艺关联不大，不管退火炉工艺厂商和生产工艺不同，只要对参数作配置均可使用本方法。

3、自动分配煤气流量，该方法能根据钢种、规格自动分配各炉区煤气流量。

4、消除由于炉温造成的带钢跑偏，加热炉各炉区之间如果存在不合理的炉温偏差，容易造成带钢的跑偏，该方法能通过自动分配各炉区煤气流量，而消灭这种炉温偏差。

附图说明

图1是本发明的一种控制带钢温度的方法的流程图。

图2是带钢目标温度的计算和实际中央线速度的关系。

具体实施方式

如图1所示：本发明的控制带钢温度的方法包括如下步骤：

1、根据通板顺序、钢板的基本数据、中央段的速度设定值、带钢的实际温度、带钢的目标温度、工艺数字模型的自学习参数，利用广义预测控制原理(GPC)，根据带温动态模型预测将来某一时刻的带温；

2、使目标带钢的温度与预测带温的差达到最小值为原则，计算出需要的煤气流量偏差；

3、再根据实际煤气流量结合煤气流量偏差计算出煤气流量设定值；

4、将煤气流量设定值发送至仪表控制设备；

5、在温态时根据实际带温进行静态模型及动态模型的自学习，并再次进行煤气流量设定值计算。

下面结合上述步骤，详细说明本发明的处理过程：其中，步骤1中带钢目标温度的计算如下：

1)正常带钢目标温度的确定

标准正常的带钢目标温度由基本的热循环代码决定

TSoa＝TSol+TSmo

TSoa：带钢在HC出口的目标温度

TSol：适当带钢的标准目标温度

TSmo：操作员通过VDU输入正常带钢的标准目标修改温度值

2)过渡带钢目标温度的确定

标准虚拟的带钢目标温度由生产线操作员决定

TSoa＝TSol+TSmo

TSoa：带钢在HF出口的目标温度

TSol：适当带钢的标准目标温度

TSmo：操作员通过VDU输入的虚拟带钢标准目标修改温度值

3)带钢目标温度的确定(热循环代码C1，R2)

目标带钢温度的计算和实际中央线速度的关系如图2所示：目标带钢温度根据热循环代码确定，然后不同的实际中央线速度有不同的目标带钢温度，实际中央线速度与目标带钢温度的关系由实际经验确定，其中中央线速度指炉子段的带钢速度。

其中，带钢温度静态模型如下：

$\mathrm{SVF}\≡\frac{\mathrm{TSS}-\mathrm{TSi}}{\mathrm{TF}-\mathrm{TSi}}$

$=1-\exp \[\frac{-1}{s_1\·(\mathrm{TV}-T{V}_{\mathrm{ave}})+s_2\·\mathrm{TV}\·(\mathrm{TV}-T{V}_{\mathrm{ave}})+s_3\·\mathrm{TV}\·(\mathrm{TF}-T{F}_{\mathrm{ave}})+s_4}\]$

其中：

t：采样时间

S：交换面积

TH：带钢厚度

WD：带钢宽度

VS：带钢线速度

TF：炉温

TSi：加热段入口带温

TSS：带温静态值(稳态，即当TF，TH，VS是常数)

TV：面积速度(TH×VS)

TVave：TV的平均值

TFave：TF的平均值

SVF：炉温系数

s₁，...，s₄：模型自学习参数

ρ：带钢比重

C_ρ：带钢比热

σ₀：Stefan-Boltzmann系数

φ：带钢辐射系数

根据静态模型得出带钢温度动态模型如下：

$\mathrm{yhat}\left(t\right)=\mathrm{aly}(t-1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{biu}(t-d-i+1)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{ciwi}\left(t\right)$

$y_{\mathrm{hat}}\left(t\right)=a_{1}y(t-1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_{i}u(t-d-i+1)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i{w}_i\left(t\right)$

输出是板温偏差，输入是煤气流量偏差乘上一个时变系数；干扰则是在带钢速度、厚度、宽度的变化引起的一系列动态干扰。

y(t)≡TS(t)-TSave

u(k)＝DVF(k)*{FL(k)-FL_ave}

w₁≡TST(k-1)

w₂≡DSS(k)

w₃≡DVF(k)*{WD(k)*TH(k)*VS(k)-WTV_ave}

w₄≡DVF(k)              k＝t+1，...，t+d

$\mathrm{DVF}\left(k\right)\≡\frac{\∂\left(\mathrm{TSS}\right)}{\∂\left(\mathrm{TF}\right)}$

其中：

d：带钢升温延迟时间(见图3-1)

y_hat(t)：采样时y(t)的估计值

TV：面积速度 $(\mathrm{TH}*\mathrm{VS})$

FL：煤气流量

WD：带钢宽度

SVF：炉子温度系数

DVF：炉温微分系数

DSS：带温常数项变化量，(当TH×VS发生变化后)

TST：带温一次延迟项(当TH×VS发生变化后，带温修正项)

TS_ave：TS的平均值

FL_ave：FL的平均值

WTV_ave：WD×TH×VS的平均值

a₁，b₁-b_m，c₁-c₄：模型自学习参数

n：常数

根据带钢动态模型计算煤气流量的增量：

在广义预测控制中GPC(Generalized Predictive Control)中，预测模型采用受控自回归积分滑动模型CARIMA(controlled auto regressiveintegrated moving average)，广义预测控制规律的优化目标是：

$\min J=E\{\underset{j=N1}{\overset{N2}{\mathrm{\Σ}}}\mathrm{\ρ}\left(j\right){\{r(t+j)-y(t+j)\}}^2+w\underset{k=1}{\overset{\mathrm{NU}}{\mathrm{\Σ}}}\mathrm{\Δu}{\′(t+k-1)}^2\}$

其中

w：操作量的权重

p(j)：带温偏差的权重

r：目标带温

y：实际带温

N1：无效控制时间(延迟时间)

N2：预测点的时间

NU：距当前点的某时刻

Δu′：操作量的增量(FL(t)-FL(t-1))

根据煤气流量增量计算煤气流量的参考值：

FLsv＝FLpv+Δu′(t)

FLsv：煤气流量的参考值

FLpv：煤气流量的实际值

Δu′(t)：煤气流量增量

其中，步骤5中的静态模型的自学习系数计算如下：

s_hatj(t)＝s_hatj(t-1)+K_j*ε(t)

$k_j\≡\frac{p_j*{\mathrm{\φ}}_j\left(t\right)}{1+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{p}_i*{\mathrm{\φ}}_i{\left(t\right)}^2}$ 其中p_j自适应增益

其中：

TV：TH×VS

t：采样时间

s_hat1：参数1的估计值

s_hat2：参数2的估计值

s_hat3：参数3的估计值

s_hat4：参数4的估计值

p_j：自适应增益

步骤5中的动态模型的自学习系数计算如下：

Λ(t)为N×N的矩阵，N＝n+5

λ_i(t)是遗忘因子

${\mathrm{\λ}}_i\left(t\right)\≡\sqrt{1-\frac{g_i*\mathrm{\ϵ}{\left(t\right)}^2}{1+\stackrel{\‾}{\mathrm{\φ}}{\left(t\right)}^{T}P(t-1)*\stackrel{\‾}{\mathrm{\φ}}\left(t\right)}}$

其中：

g_i：响应θ的第i个成员的常数

λ_i：响应θ的第i个成员的遗忘因子

θ_hat(t)：在采样t时刻的估计值

n：控制区

上述模型运算时刻点为：

(1)在下列时间计算带温目标值

1)每T1秒

2)当中央线速度改变超过XM/MIN时.

(2)计算混合煤气流量率在下列时间

1)以上提到的所有时间

(3)参数自学的执行时间

1)1)每T1秒

上述运算的前提条件如下：

(1)计算机方式条件

1)跟踪方式ON

2)与仪表的数据链通讯正常

(2)功能设计的条件

1)为每一个燃烧区设定一个混合煤气流量率的上限值

2)为每一个燃烧区设定一个混合煤气流量率的下限值

3)如果带温控制被禁止，该功能取消计算机方式应当信号

(3)目标计算值(最后需要计算的值)

1)带钢在HF炉出口的目标参考值

2)混合煤气流量率参考值

3)模型参数

另外，还对输入数据进行上下限检查，如果数据超出上下限计算机方式将被禁止。

Claims (2)

1.一种控制带钢温度的方法，其特征在于，包括如下步骤：

A、根据通板顺序、钢板的基本数据、中央段的速度设定值、带钢的实际温度、带钢的目标温度、工艺数字模型的自学习参数，利用广义预测控制原理，根据带温动态模型预测将来某一时刻的带温；

B、使目标带钢的温度与预测带温的差达到最小值为原则，计算出需要的煤气流量偏差；

C、再根据实际煤气流量结合煤气流量偏差计算出煤气流量设定值；

D、将煤气流量设定值发送至仪表控制设备；

E、在温态时根据实际带温进行静态模型及动态模型的自学习，并再次进行煤气流量设定值计算；

步骤A中所述的带钢目标温度由基本的热循环代码决定，计算公式为：TSoa＝TSol+Tsmo，其中，Tsoa为带钢在HC出口的目标温度，Tsol为适当带钢的标准目标温度，Tsmo为操作员通过VDU输入正常带钢的标准目标修改温度值；

在下列时间计算带温目标值，1)每T1秒，2)当中央线速度改变超过X M/MIN时；

所述的带钢温度静态模型如下：

$\mathrm{SVF}\≡\frac{\mathrm{TSS}-\mathrm{TSi}}{\mathrm{TF}-\mathrm{TSi}}$

$=1-\exp \left[\frac{-1}{s_1\·(\mathrm{TV}-{\mathrm{TV}}_{\mathrm{avc}})+s_2\·\mathrm{TV}\·(\mathrm{TV}-{\mathrm{TV}}_{\mathrm{ave}})+s_3\·\mathrm{TV}\·(\mathrm{TF}-{\mathrm{TF}}_{\mathrm{ave}})+s_4}\right]$

其中：TF为炉温，Tsi为加热段入口带温，TSS为带温静态值，TV为面积速度，Tvave为TV的平均值，Tfave为TF的平均值，SVF为炉温系数，s₁，...，s₄为模型自学习参数；

所述的带钢温度动态模型如下：

$y_{\mathrm{hat}}\left(t\right)=a_{1}y(t-1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{biu}(t-d-i+1)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{ciwi}\left(t\right)$

$y_{\mathrm{hat}}\left(t\right)=a_{1}y(t-1)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_{i}u(t-d-i+1)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i{w}_i\left(t\right)$

输出是板温偏差，输入是煤气流量偏差乘上一个时变系数；干扰则是在带钢速度、厚度、宽度的变化引起的一系列动态干扰；

y(t)≡TS(t)-TSave

u(k)＝DVF(k)*{FL(k)-FL_ave}

w₁≡TST(k-1)

w₂≡DSS(k)

w₃≡DVF(k)*{WD(k)*TH(k)*VS(k)-WTV_ave}

w₄≡DVF(k)    k＝t+1，...，t+d

$\mathrm{DVF}\left(k\right)\≡\frac{\∂\left(\mathrm{TSS}\right)}{\∂\left(\mathrm{TF}\right)}$

其中：t为时间，TS为动态带钢温度，TH为带钢厚度，VS为带钢速度，TF为炉温，TSS为稳态带钢温度，其中：d为带钢升温延迟时间，y_hat(t)

为采样时y(t)的估计值，FL为煤气流量，WD为带钢宽度，DVF为炉温微分系数，DSS为带温常数项变化量，TST为带温一次延迟项，TS_ave为TS的平均值，FL_ave为FL的平均值，WTV_ave为WD×TH×VS的平均值，a₁，b₁-b_m，c₁-c₄为模型自学习参数，n为常数；

根据所述带钢动态模型计算煤气流量的增量：在广义预测控制中，预测模型采用受控自回归积分滑动模型，广义预测控制规律的优化目标是：

$\min J=E\{\underset{j=N1}{\overset{N2}{\mathrm{\Σ}}}\mathrm{\ρ}\left(j\right){\{r(t+j)-y(t+j)\}}^2+w\underset{k=1}{\overset{\mathrm{NU}}{\mathrm{\Σ}}}\mathrm{\Δ}{u}^{\′}{(t+k-1)}^2\}$

其中，t为时间，w为操作量的权重，ρ(j)为带温偏差的权重，r为目标带温，y为实际带温，N1为无效控制时间，N2为预测点的时间，NU为距当前点的某时刻，Δu′为操作量的增量，该增量为FL(t)-FL(t-1)；

根据煤气流量增量计算煤气流量的参考值：

FLsv＝FLpv+Δu′(t)

FLsv为煤气流量的参考值，FLpv为煤气流量的实际值，Δu′(t)为煤气流量增量；

静态模型的自学习系数计算如下：

s_hatj(t)＝s_hatj(t-1)+K_j*ε(t)

$K_j\≡\frac{P_j*{\mathrm{\φ}}_j\left(t\right)}{1+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{P}_i*{\mathrm{\φ}}_i{\left(t\right)}^2}$

其中，p_j为自适应增益，TV为面积速度，t为采样时间，s_hat1为参数1的估计值，s_hat2为参数2的估计值，s_hat3为参数3的估计值，s_hat4为参数4的估计值，

动态模型的自学习系数计算如下：

Λ(t)为N×N的矩阵，N＝n+5.

$\mathrm{\Λ}\left(t\right)\≡\mathrm{diag}\left\{\frac{1}{{\mathrm{\λ}}_1\left(t\right)}\right\}=\left\{\begin{array}{cccccc}1/{\mathrm{\λ}}_1\left(t\right)& & & & & 0\\ & 1/{\mathrm{\λ}}_2\left(t\right)& & & & \\ & & .& & & \\ & & & .& & \\ & & & & .& \\ 0& & & & & 1/{\mathrm{\λ}}_N\left(t\right)\end{array}\right\}$

λ_i(t)是遗忘因子，

${\mathrm{\λ}}_i\left(t\right)\≡\sqrt{1-\frac{g_i*\mathrm{\ϵ}{\left(t\right)}^2}{1+\stackrel{\‾}{\mathrm{\φ}}{\left(t\right)}^{T}P(t-1)*\stackrel{\‾}{\mathrm{\φ}}\left(t\right)}}$

其中，g_i为响应θ的第i个成员的常数，λ_i为响应θ的第i个成员的遗忘因子，θ_hat(t)为在采样t时刻的估计值，n为控制区。

2.根据权利要求1所述的控制带钢温度的方法，其特征在于，所述目标带钢温度根据热循环代码确定，不同的实际中央线速度有不同的目标带钢温度，其中，中央线速度指炉子段的带钢速度。

Images