CN102925652B - 台车炉的智能优化控制方法 - Google Patents

Abstract

本发明涉及一种台车炉的智能优化控制方法，该方法包括以下步骤：（1）从基础自动化系统采集台车炉炉内各段炉温；（2）根据当前时刻来料的温度场、当前时刻的炉温和来料的尺寸规格以及物性参数，计算出下一时刻来料的温度场；（3）根据步骤2）的当前时刻来料温度场计算结果得到当前时刻各来料的计算温度，根据当前时刻各来料的计算温度与工艺要求的温度的偏差，计算炉温综合调整值，并调整炉温。本发明方法对炉温控制采用多段曲线控制，相比其它炉型温度控制只是控制其出炉温度和在炉时间，忽视材料实际加热过程，本方法监测了加热过程中各点各时刻的加热温度，能提高材料控制的水平。

Description

台车炉的智能优化控制方法

技术领域

本发明涉及一种控制方法，特别是一种台车炉的智能优化控制方法。

背景技术

台车炉主要用于宽厚板、大型零件等材料的热处理过程中。当前台车炉生产基本上都是采用手工生产，生产效率低下，工人劳动强度大，失误率高。在台车炉进行热处理过程中，未进行任何自动控制，全靠技术人员的经验控制炉温，一是控制不够准确，二是无法控制能耗，并且在生产过程中，部分炉次的产品可能不仅未能达到热处理效果，反而烧废了零件或者钢板。由不同生产人员生产的材料也各不相同，降低了产品性能的一致性。为此，本发明采用热处理炉数学模型进行生产指导，它能显著提高钢板质量和产量，降低能耗。本系统通过对在炉钢板进行温度预报，根据温度预报结果合理的对台车炉炉温进行优化控制，优化热处理炉生产以提高效率。通过收集热处理炉生产过程信息，提供对模型相关参数采用自学习方法进行优化，提高模型控制精度。通过本发明，材料热处理效率和质量能明显提高，特别适用在大规模零件或者宽厚板的台车炉生产。

发明内容

本发明的目的是解决台车炉生产中无法精确控制，导致产品质量不高的问题，为解决此问题，提出了一种台车炉的智能优化控制方法。

本发明的技术方案如下：

台车炉的智能优化控制方法，包括以下步骤：

1）采集台车炉炉内各段炉温：从基础自动化系统采集炉内各段炉温；

2）根据当前时刻来料的温度场、当前时刻的炉温和来料的尺寸规格以及物性参数，计算出下一时刻来料的温度场；其中初始温度场为入炉前来料的温度场，并认为温度均匀分布，温度为常温，物性参数包括导热系数、比热容、辐射率、密度；来料的温度场为来料各点温度的集合；

3）炉温调整：根据当前时刻各来料的计算温度与工艺要求的温度的偏差，计算炉温综合调整值，并调整炉温；所述当前时刻各来料的计算温度选取当前时刻各来料的中心点温度，或表面温度，或平均温度，当前时刻各来料的计算温度根据步骤2）的当前时刻来料温度场计算结果得到。

根据上述方案，步骤2）中计算下一时刻来料的温度场中各点的温度采用以下公式：

导热微分方程为：

$\frac{\∂t}{\∂\mathrm{\τ}}=\mathrm{\α}(\frac{{\∂}^{2}t}{\∂x^2}+\frac{{\∂}^{2}t}{\∂y^2})$

其中：

$\mathrm{\α}=\frac{\mathrm{\λ}}{\mathrm{\ρc}}$

二阶偏导用中心差商近似，一阶偏导用向前差商近似，其差分方程的显示格式公式如下：

$\frac{t_{m,n}^{k+1}-t_{m,n}^k}{\mathrm{\Δ\τ}}=\mathrm{\α}(\frac{t_{m+1,n}^k-2t_{m,n}^k+t_{m-1,n}^k}{\mathrm{\Δ}{x}^2}+\frac{t_{m,n+1}^k-2t_{m,n}^k+t_{m,n-1}^k}{\mathrm{\Δ}{y}^2})---\left(1\right)$

式（1）中，α为热扩散率，单位为m²/s；λ为导热系数，单位为W/(m·K)，ρ为密度，单位为kg/m³，c为比热，单位为J/(kg·K)，k，τ表示时间；以来料的截面中心为原点，宽度为x方向，厚度为y方向，划分网格，△x表示沿x轴方向长度变化值，△y表示沿y轴方向长度变化值，表示来料在坐标（m,n）处第k时刻的温度值，单位℃；

差分方程计算的初始条件为：

$t_{m,n}^0=t_{\mathrm{ini}}(0\≤m\≤M,0\≤n\≤N)$

其中，t_ini表示来料入炉前的温度，M，N与来料的尺寸有关；差分方程计算的边界条件为第三类边界条件：

$\frac{{\∂t}_{m,n}}{\∂m}=\frac{{\∂t}_{m,n}}{\∂n}=0(m=0,n=0,\mathrm{\τ}\≥0)$

$\mathrm{\λ}\frac{\∂t_{m,n}}{\∂m}=h_r(t_{m,n}-t_{\mathrm{fur}})(m=x/2,\mathrm{\τ}\≥0)$

$\mathrm{\λ}\frac{\∂t_{m,n}}{\∂n}=h_r(t_{m,n}-t_{\mathrm{fur}})(m=y/2,\mathrm{\τ}\≥0)$

其中：t_m，n表示来料在（m,n）处的温度，t_fur是炉温，单位℃，h_r为换热系数，单位W/(m²·K)：

$h_r=\frac{\mathrm{R\ϵ\σ}[{(t_{m,n}^k+273)}^4-{(t_{\mathrm{fur}}+273)}^4]}{t_{m,n}^k-t_{\mathrm{fur}}}---\left(2\right)$

式（2）中：R为换热系数的修正系数，当不需要修正时，R为1；ε为辐射率，σ为斯蒂芬-玻尔兹曼常数，其值为5.67×10^-8W/(m2·K4)。

根据上述方案，本发明还包括步骤4）自学习步骤：材料出炉后，通过对比材料表面的实际温度和计算得到的表面温度之差，计算换热系数的修正系数R，对换热系数进行调整。所述换热系数的修正系数R的计算方法为：

$R_{i+1}=(1-a)R_i+a{R}_i^{*}$

式中R_i+1表示第i+1块钢用于计算的修正系数，R_i表示第i块钢计算用的修正系数，表示第i块钢反算所得的修正系数，其中是采用二分法根据实测的炉温，材料的尺寸规格，材料物性参数代入公式（1），公式（2）来计算得到的，a是增益系数，范围为0到1；根据经验，增益系数在学习开始阶段数值取大一点(0.8～1)，学习平稳之后取小一点(0.1～0.4)。

根据上述方案，步骤3）中炉温调整值的计算方法为：用各来料的计算温度与目标温度的偏差乘以系数得出炉温调节值，然后加权计算出炉温综合调整值。

步骤3）中计算炉温调节值采用的公式为：

${\mathrm{\Δt}}_{\mathrm{fur}}^i=\mathrm{c\Δ}{t}_{\mathrm{mat}}^i---\left(3\right)$

式（3）中，是第i个来料的炉温调整值，是第i个来料的计算温度与目标温度偏差，c为调整系数，它与钢种有关；

$\mathrm{\Δ}{t}_{\mathrm{fur}}=\mathrm{\Σ}\left(c_i{\mathrm{\Δt}}_{\mathrm{fur}}^i\right)/\mathrm{\Σ}{c}_i---\left(4\right)$

式（4）中，c_i是第i个来料的调整系数，Δt_fur为炉温综合调整值。

本发明的有益效果为：

1.本发明方法对炉温控制采用多段曲线控制。相比其它炉型温度控制只是控制其出炉温度和在炉时间，忽视材料实际加热过程，本方法监测了加热过程中各点各时刻的加热温度，能提高材料控制的水平。

2.本发明方法通过在线实时调整温度，能精确及时控制炉内材料温度至工艺规定的温度，提高材料热处理效果。

3.本发明方法的自学习功能可以自动优化换热系数因子，提高系统运行的健壮性。

4.通过使用本发明方法能大幅提高劳动生产率，提高产品质量及产能，规范化台车炉生产。

附图说明

图1是本发明一个实施例中的比热容随温度变化图。

图2是本发明一个实施例采用的网格划分方法图。

图3是本发明一个实施例中计算的温度曲线图。

具体实施方式

以下结合实施例对本发明台车炉的智能优化控制方法作进一步详细阐述。

从PDI（基础数据信息）数据中获取待处理钢板的尺寸为5500mm×1800mm×245mm，钢种是Q345B，工艺参数是加热4小时到600℃，然后保温2.5小时，再加热3.5小时到900℃，然后保温6小时出炉。同时获取钢板计算过程中需要的热物性参数，具体见图1。

1.采集台车炉炉内炉温：从基础自动化系统采集炉内各段炉温。

一般来说，台车炉比较长，采集炉温只采集来料所在各段的炉温。

2.计算钢板的温度场

为节省计算时间，计算过程中假设钢板四面受热均匀，于是可以对钢板沿厚度和宽度方向上进行1/2对称切分。划分网格方法具体见图2。

划分网格后，模型根据当前炉温，周期性对钢板进行计算。计算的初始值为环境温度，此次计算结果为下一次计算的初始值，周期为10s。在19:50:02时，钢板中心温度511.5817℃，表面温度为551.7307℃，此时炉温为562.465℃。

根据式（1）和式（2），

$\frac{t_{m,n}^{k+1}-t_{m,n}^k}{\mathrm{\Δ\τ}}=\mathrm{\α}(\frac{t_{m+1,n}^k-2t_{m,n}^k+t_{m-1,n}^k}{\mathrm{\Δ}{x}^2}+\frac{t_{m,n+1}^k-2t_{m,n}^k+t_{m,n-1}^k}{\mathrm{\Δ}{y}^2})---\left(1\right)$

$h_r=\frac{\mathrm{R\ϵ\σ}[{(t_{m,n}^k+273)}^4-{(t_{\mathrm{fur}}+273)}^4]}{t_{m,n}^k-t_{\mathrm{fur}}}---\left(2\right)$

式中：α为热扩散率，单位为m²/s；τ表示时间，单位为s；m为x轴方向上的点，n为y轴方向上的点，表示来料第k时刻在（m,n）点的温度值，单位℃；h_r是换热系数，单位W/(m²·K),t_fur是炉温，单位℃；k_r为换热系数的修正系数。

把钢板的PDI信息、热物性参数信息、钢板温度、炉温代入可求解下一时刻19:50:12的钢板表面温度为511.9474℃，中心温度为552.0616℃，同时根据本时刻的炉温和当前换热系数以及所计算的钢温又可以计算下一时刻的钢温。具体计算结果曲线见图3。

3.炉温温度调节

温度调节是控制热处理质量最关键的因素。第三步进行一次计算后，系统会自动计算温度调节值，其依据是：计算温度与目标温度的偏差乘以系数并加权求出炉温调节值。根据PDI、工艺信息、第3步计算得到的温度代入公式（3）式（3）中，是钢板第i点的炉温调整值，是钢板第i点的计算温度与目标温度偏差，k为调整系数，k与钢种有关；以及公式（4）式（4）中，k_i是钢板第i点的调整系数,Δt_fur为炉温综合调整值。计算得到在19:50:02时刻，炉温应该设置为563.2℃。然后下发给自动化系统进行调节。

4.自学习步骤

钢板出炉之后，根据实测的钢板温度与计算的钢板温度之差，来修正换热系数，使得下次计算更加准确。其采用式（5）式中R_i+1表示第i+1块钢用于计算的修正系数，R_i表示第i块钢计算用的修正系数，表示第i块钢反算所得的修正系数。a是增益系数。可算出修正系数为1。下个材料将采用此修正系数进行计算。

本发明方法计算的实时数据计算温度、炉温、实测数据、温度设定、温度调节、都保存在数据库中，供工艺人员查看和分析。

Claims (4)

1.台车炉的智能优化控制方法，其特征在于：包括以下步骤，

1)采集台车炉炉内炉温：从基础自动化系统采集炉内来料所处位置的各段炉温，取平均值作为当前时刻炉温；

2)根据每个当前周期时刻来料的温度场、该当前周期时刻的炉温和来料的尺寸规格以及物性参数，周期性的计算出下一周期时刻来料的温度场；其中初始温度场为入炉前来料的温度场，并认为温度均匀分布，物性参数包括导热系数、比热容、辐射率、密度；

3)炉温调整：根据步骤2)的每个周期时刻来料温度场计算结果得到该周期时刻各来料的计算温度，根据该周期时刻各来料的计算温度与工艺要求的温度的偏差，计算该周期时刻炉温综合调整值，并调整炉温；所述该周期时刻各来料的计算温度选取该周期时刻各来料的中心点温度，或表面温度，或平均温度；

其中炉温综合调整值的计算方法为：用各来料的计算温度与目标温度的偏差乘以系数得出炉温调节值，然后加权计算出炉温综合调整值；

计算炉温调节值采用的公式为：

$\mathrm{\Δ}{t}_{\mathrm{fur}}^i=\mathrm{c\Δ}{t}_{\mathrm{mat}}^i$

式中，是第i个来料的炉温调整值，是第i个来料的计算温度与目标温度偏差，c为调整系数，c与钢种有关；

计算炉温综合调整值：

$\mathrm{\Δ}{t}_{\mathrm{fur}}=\mathrm{\Σ}\left(c_i\mathrm{\Δ}{t}_{\mathrm{fur}}^i\right)/\mathrm{\Σ}{c}_i$

式中，c_i是第i个来料的调整系数,Δt_fur为炉温综合调整值。

2.如权利要求1所述的台车炉的智能优化控制方法，其特征在于：步骤2)中计算下一周期时刻来料的温度场中各点的温度采用以下公式：

$\frac{t_{m,n}^{k+1}-t_{m,n}^k}{\mathrm{\Δ\τ}}=\mathrm{\α}(\frac{t_{m+1,n}^k-2t_{m,n}^k+t_{m-1,n}^k}{\mathrm{\Δ}{x}^2}+\frac{t_{m,n+1}^k-2t_{m,n}^k+t_{m,n-1}^k}{\text{\Δ}{y}^2})---\left(1\right)$

式(1)中，α为热扩散率，α＝λ/(ρ·c)；λ为导热系数，ρ为密度，c为比热，k，τ表示时间；以来料的截面中心为原点，宽度为x方向，厚度为y方向，划分网格，△x表示沿x轴方向长度变化值，△y表示沿y轴方向长度变化值，表示来料在坐标(m,n)处第k时刻的温度值；

计算式(1)的初始条件为：

$t_{m,n}^0=t_{\mathrm{ini}},(0\≤m\≤M,0\≤n\≤N)$

其中，t_ini表示来料入炉前的温度，M，N与来料的尺寸有关；

计算式(1)的边界条件为第三类边界条件：

$\frac{{\∂t}_{m,n}}{\∂m}=\frac{{\∂t}_{m,n}}{\∂n}=0,(m=0,n=0,\mathrm{\τ}\≥0)$

$\mathrm{\λ}\frac{{\∂t}_{m,n}}{\∂m}=h_r(t_{m,n}-t_{\mathrm{fur}}),(m=x/2,\mathrm{\τ}\≥0)$

$\mathrm{\λ}\frac{{\∂t}_{m,n}}{\∂n}=h_r(t_{m,n}-t_{\mathrm{fur}}),(m=y/2,\mathrm{\τ}\≥0)$

其中：t_m,n表示来料在(m,n)处的温度，t_fur是炉温，h_r为换热系数：

$h_r=\frac{\mathrm{R\ϵ\σ}[{(t_{m,n}^k+273)}^4-{(t_{\mathrm{fur}}+273)}^4}{t_{m,n}^k-t_{\mathrm{fur}}}---\left(2\right)$

式(2)中，R为换热系数的修正系数，ε为辐射率，σ为斯蒂芬-玻尔兹曼常数。

3.如权利要求2所述的台车炉的智能优化控制方法，其特征在于：还包括步骤4)自学习步骤：材料出炉后，通过对比材料表面的实际温度和计算得到的表面温度之差，计算换热系数的修正系数R，对换热系数进行调整。

4.如权利要求3所述的台车炉的智能优化控制方法，所述换热系数的修正系数R的计算方法为：

$R_{i+1}=(1-\mathrm{\α})R_i+\mathrm{\α}{R}_i^{*}$

式中R_i+1表示第i+1块钢用于计算的修正系数，R_i表示第i块钢计算用的修正系数，表示第i块钢反算所得的修正系数，其中是采用二分法根据实测的炉温，材料的尺寸规格，材料物性参数代入公式(1)公式(2)来反算得到的，α是增益系数，范围为0到1。