CN101456038B - 热轧带钢层流冷却过程板带温度监测方法 - Google Patents

Abstract

本发明涉及一种冶金工业领域的热轧带钢层流冷却过程板带温度监测方法。本发明针对热轧带钢层流冷却过程，监测从精轧机出口到卷曲温度测量点之间各位置处板带温度分布。本发明利用板带物性参数和冷却装置参数直接写出状态空间形式的板带温度模型初步预测板带带温度分布；根据板带上下表面卷曲温度，采用扩展卡尔曼滤波方法对初步预测值进行修正，得到板带温度监测值。本发明应用方便，且适合多种钢种，可以提高板带温度分布的监测精度，降低了对模型精度的要求。

Description

热轧带钢层流冷却过程板带温度监测方法

技术领域

本发明涉及一种冶金工业技术领域的温度监测方法，特别涉及一种热轧带钢层流冷却过程板带温度监测方法。 

背景技术

随着新型材料的不断出现，汽车行业需要更轻便，但又能保证一定强度和韧性的钢板。为了提高钢材性能的办法，除了加入合金以外，轧后控制冷却技术对钢材的性能起到至关重要的作用。因此，在热轧层流冷却过程中亟需一种具有高柔性，高精度的控制方法。为了能够得到较高的控制精度，克服冷却过程的扰动，首先需要知道冷却区内板带温度。然而，在热轧带钢的层流冷却过程，由于水冷区内冷却水和蒸汽的存在，无法检测冷却过程冷却区内钢板温度的实时数据。因此，如何监测水冷区内板带温度分布是一个亟待解决的问题。 

经对现有技术文献的检索发现，Mukhopadhyay A.等在《Journal ofMaterials Processing Technology》(材料处理技术)(2005年，第169期，164-172页)，上发表的“Implementation of an on-line run-out table modelin a hot strip mill”(一种在线冷却模型在热轧带钢中的应用)采用一维传热模型预测板带温度。然而，这种方法是一个前向的估计方法，模型没有体现各带点之间的关系，也没有反馈矫正，模型精度要求严格。Xie H.B等在《Journalof Materials Processing Technology》(材料处理技术)(2006年，第177期，121-125页)，上发表的“Prediction of coiling temperature on run-out tableof hot strip mill using data mining”(应用数据挖掘预测热轧带钢卷曲温度)提出了采用神经网络预测板带卷曲温度，然而，这种方法不能预测板带在水冷区内的暂态温度。 

发明内容

本发明针对上述现有技术的不足，提出了一种热轧带钢层流冷却过程板带温度监测方法。本发明采用精轧机出口到卷曲机前这一开口系的热平衡方程预 测冷却装置各位置处的温度分布，并采用卷曲温度传感器的实测数据修正模型预测得到的板带温度分布，作为最终监测结果。本发明应用简单，适用于多个钢种。监测结果为冷却装置固定位置处钢板厚度方向的温度分布，而不是固定带点厚度方向的温度分布，可直接用于冷却过程的动态控制，无需进行转换。另外，本发明通过反馈卷曲温度矫正板带温度预测值，得到的板带温度，提高了监测精度，对模型精度的要求降低。 

本发明是通过以下技术方案实现的，本发明针对热轧带钢层流冷却过程，监测从精轧机出口到卷曲温度测量点之间各位置处板带温度分布。本发明利用板带物性参数和冷却装置参数直接写出状态空间形式的板带温度模型初步预测板带温度分布；根据板带上下表面卷曲温度，采用扩展卡尔曼滤波方法对初步预测值进行修正，得到板带温度监测值。 

本发明方法包括如下步骤： 

步骤一、将精轧机出口到卷取温度检测点和板带上下表面为边界的开口系划分为多个单元格，每个单元格是能够监测的监测点，然后设置板带各单元格的初始温度分布，为板带温度模型构建提供初始板带温度分布。 

本步骤中，根据用户所需要监测的板带温度分布的密度，板带几何尺寸以及冷却区喷嘴布局合理划分以精轧机出口到卷取温度检测点和板带上下表面为边界的开口系。厚度方向根据板带厚度均匀分为m层，长度方向分为n段，共m×n个单元格。在长度方向上要根据冷却水喷嘴尺寸进行划分，使每组喷嘴覆盖范围为各段长度的整数倍，利于构建板带温度模型，进而预测板带温度。每个单元格即为监测方法能够监测的监测点，单元格大小决定了本发明的温度分布监测方法监测的温度分布的密度。 

步骤二、根据按步骤一所述划分的单元格，确定板带温度模型的阶数为m×n，其中m是板带在厚度方向上划分的单元格数，n为板带在长度方向上划分的单元格数。将输入的板带各单元格温度分布、板带物性参数、表面换热系数、卷曲速度、环境温度、以及实测水流量、水温带入板带温度模型系数的计算公式，直接确定温度模型系数，完成板带温度模型的构建工作。在每个采样周期根据环境变化重新构建板带温度模型。 

步骤三、根据当前板带温度分布，采用步骤二得到的板带温度模型预测下 一时刻步骤一所述的开口系内板带的温度分布，也就是步骤一所述各单元格的温度，并将板带温度预测值输出给板带温度修正调用。 

步骤四、根据步骤二得到的板带温度模型系数，采用扩展卡尔曼滤波方法，计算反馈修正系数，并把反馈修正系数输出供板带温度修正调用。 

本发明采用扩展卡尔曼滤波方法确定反馈修正系数，对于高维系统其具有较好的收敛性，并可抑制噪声，提高监测精度。 

步骤五、用现场卷曲温度传感器采集得到的卷曲温度实测值对得到的板带温度分布预测值进行修正，即把卷曲温度实测值与预测值之差和反馈修正系数相乘，然后与得到的温度分布预测值相加，得到新的板带温度分布值，把这个修正后的温度分布作为本发明监测方法最终监测到的板带温度分布值。 

所述板带温度模型在新的采样时刻，根据实测数据，按步骤二到步骤五重新构建，然后利用板带温度模型预测并修正下一时刻板带温度分布，得到新的时刻板带温度分布监测值，这样板带温度分布被连续监测。 

本发明可实时监测冷却区内部的板带温度分布，适用钢种范围广，且在知道板带和装置参数后可以直接写出，便于应用；本发明用卷曲温度修正模型预测值，可以在不知道板带初始温度的前提下，重构板带温度分布，使板带温度监测值收敛到板带温度分布的实际值。同时起到了滤波和矫正的作用，提高了监测的精度。本发明的监测精度可以达到±12℃。因此，本发明可以以较高的精度监测板带在冷却区内的固定位置处的温度，且适合多种钢种，应用方便。 

附图说明

图1是本发明一实施例中层流冷却过程示意图； 

图2是本发明一实施例中层流冷却过程从轧机到卷曲机间开口系的单元格划分示意图； 

图3是本发明一实施例中层流冷却过程监测方法示意图； 

图4是本发明一实施例中层流冷却过程板带导温系数曲线； 

图5是本发明一实施例中层流冷却过程板带温度监测方法监测结果； 

图6是本发明一实施例中层流冷却过程卷曲温度监测结果与实测值。 

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方 案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。 

本实施例应用于热轧带钢层流冷却过程。如图1所示，层流冷却设备分为主冷区(46.8)，精冷区(15.6m)。共由12组喷嘴组成，各组喷嘴间距为5.2m。带钢精轧后温度约为800-920℃，经冷流冷却设备被冷却至510-680℃，最终由卷曲机卷曲成卷。板带参数如下： 

板带上下表面的热传导系数为： 

λ(x_0，j)＝56.43-0.0363×x_0，j

λ(x_m，j)＝56.43-0.0363×x_m，j

x_i，j为第i层，第j段的单元格的板带温度。单位为×10^-6m²/s。空冷换热系数采用史提芬-泊尔兹曼公式，水冷换热系数经验公式为： 

$h=\frac{2186.7}{{10}^6}{\left(\frac{x}{1000}\right)}^{1.62}{\left(\frac{v}{15}\right)}^{-0.4}{\left(\frac{Q}{300}\right)}^{1.41}$

Q是水流量。环境温度25℃，冷却水温度为25℃。板带厚度3.5mm。卷曲速度为10.5m/s，主冷区水流量为200m³/(s.m²)，精冷区水流量为150m³/(s.m²)。 

本实施例实施流程图如图3所示： 

步骤一，根据板带几何尺寸以及冷却区参数，划分精轧机出口到卷取温度监测点和板带上下表面为边界的开口系。厚度方向分为5层，每层0.7mm；长度方向分为14段，每段5.2m。如图2所示。设置板带各单元格的初始温度值X₀，令板带各段温度由轧机处860℃依次递减到卷曲温度640℃，厚度方向温度相同。 

步骤二，按步骤一所述的方法划分的单元格数，确定状态空间形式的板带温度模型阶数为14×5＝70。特别的本实例中板带温度模型为 

其中：x＝[x₁ ^T x₂ ^T…x_n ^T]^T，x_j＝[x_1，j x_2，j…x_m，j]^T，(j＝1，2，...，n)，x_i，j为第i层，第j段的单元格的温度。y(k)＝[x_1，n(k)x_m，n(k)]^T是上下表面卷曲温度。u(k)＝[h_1，1(k) h_m，1(k) h_1，2(k) h_m，2(k)…h_1，n(k) h_m，n(k)]^T是上下表面的换热系数向量，x₀是入口段的板带温度。F，G，D和C为模型系数。 

根据步骤二所述，根据当前板带各单元格温度分布、板带物性参数、表面换热系数、卷曲速度、环境温度、以及实测水流量、水温按下面模型系数公式直接确定板带温度模型的系数F，G，D和C。 

$C=\left[\begin{array}{ccc}{0}^{1\×(n-1)m}& 1& 0^{1\×(m-1)}\\ 0^{1\×(n-1)m}& 0^{1\×(m-1)}& 1\end{array}\right];$ $D={\left[\begin{array}{cccc}\mathrm{\γ}{I}_m& 0^{m\×m}& \·\·\·& 0^{m\×m}\end{array}\right]}^T;$

其中： 

$B_j=\left[\begin{array}{cc}(x_{1,j}-x_{\∞})& 0^{(m-2)\×1}\\ 0^{(m-2)\×1}& 0\\ 0& (x_{m,j}-x_{\∞})\end{array}\right];$

I_m∈R^m×m；γ＝v/(2Δl)；α(x_i，j)＝a(x_i，j)/Δy²；β(x_i，j)＝α(x_i，j)/λ(x_i，j)；v为卷曲速度；Δl是段长；Δy是层厚；x_∞为水温。第(i，j)个单元格的导温系数a(x_i，j)可按图4采用查表法得到。至此，完成了板带温度模型的构建工作。 

步骤三，根据当前板带温度分布，利用从步骤二中得到的板带温度模型 

$\left\{\begin{array}{c}x(k+1)=F\·x\left(k\right)+G\·u\left(k\right)+D\·x_0\left(k\right)\\ y\left(k\right)=C\·x\left(k\right)\end{array}\right.$

预测下一时刻各单元格的温度。 

步骤四、跟据得到的板带温度模型系数，采用扩展卡尔曼滤波方法，计算反馈修正系数，并把反馈修正系数输出供板带温度修正用。 

步骤五，用现场卷曲温度传感器采集得到卷曲温度实测值，将卷曲温度实测值与卷曲温度预测值之差乘以反馈系数，然后把这个结果与步骤三中得到的温度分布预测值相加，得到新的板带温度分布。完成板带温度修正工作。这个新得到的板带温度既为板带温度分布最终监测值。 

在新的采样时刻，根据实测数据，按步骤二到步骤五重新构造板带温度模型，预测并修正下一时刻板带温度分布，得到新的时刻板带温度分布监测值。这样板带温度分布被连续监测。 

本实施例监测结果如图5所示。在不知到板带初始温度分布的情况下可以重构板带温度分布，收敛到板带温度分布的实际值。图6为运行20秒的卷曲温度与应用监测方法得到的温度值。由图可知，采用本发明所述的层流冷却过程监测方法，兼有滤波的作用，可以比较精确的监测冷却区内板带的温度分布。本实例中，监测板带温度与实测板带温度之差最大为10℃。 

Claims (3)

1.一种热轧带钢层流冷却过程板带温度监测方法，其特征在于包括如下步骤：

步骤一、将精轧机出口到卷取温度检测点和板带上下表面为边界的开口系划分为多个单元格，每个单元格是能够监测的监测点，然后设置板带各单元格的初始温度分布，为板带温度模型构建提供初始板带温度分布；

步骤二、根据按步骤一所述划分的单元格，确定板带温度模型的阶数为m×n，其中m是板带在厚度方向上划分的单元格数，n为板带在长度方向上划分的单元格数，将输入的板带各单元格温度分布、板带物性参数、表面换热系数、卷曲速度、环境温度、以及实测水流量、水温带入板带温度模型系数的计算公式，直接确定温度模型系数，完成板带温度模型的构建工作；

步骤三、根据当前板带温度分布，采用步骤二得到的板带温度模型预测下一时刻步骤一所述的各单元格的温度，并将板带温度预测值输出给板带温度修正调用；

步骤四、根据步骤二得到的板带温度模型系数，采用扩展卡尔曼滤波方法，计算反馈修正系数，并把反馈修正系数输出供板带温度修正调用；

步骤五、用现场卷曲温度传感器采集得到的卷曲温度实测值对得到的板带温度分布预测值进行修正，即把卷曲温度实测值与预测值之差和反馈修正系数相乘，然后与得到的温度分布预测值相加，得到新的板带温度分布值，把这个修正后的温度分布作为最终监测到的板带温度分布值。

2.根据权利要求1所述的热轧带钢层流冷却过程板带温度监测方法，其特征是，步骤一中，把从精轧机到卷曲机之间的板带在厚度方向上划分为m层，长度方向上划分为n段，共m×n个单元格，在长度方向上根据冷却水喷嘴尺寸进行划分，使每组喷嘴覆盖范围为各段长度的整数倍。

3.根据权利要求1所述的热轧带钢层流冷却过程板带温度监测方法，其特征是，所述板带温度模型在新的采样时刻，根据实测数据，按步骤二到步骤五重新构建，然后利用板带温度模型预测并修正下一时刻板带温度分布，得到新的时刻板带温度分布监测值，这样板带温度分布被连续监测。

Images