CN105032951A - 一种提高超快冷温度模型精度和自学习效率的控制方法 - Google Patents

Abstract

本发明公开了一种提高超快冷温度模型精度和自学习效率的控制方法，本方法综合考虑了钢种物性参数、钢板规格尺寸、介质水温、钢板温度、时效等影响因素对温度模型的核心参数——换热系数的影响。构建一种多维空间关系，有效的描述了不同影响因素作用下的各换热系数之间的联系，利用简便的几何算法和数值求解相结合，快速准确的预测出目标影响条件下的换热系数的值，最终实现温度模型的精确控制。本发明可在拥有较少冷却钢板的经验数据的基础上，快速合理的计算出适合当前工况条件下的模型参数，能有效降低温度模型计算过程中的自学习成本，提高温度模型的稳定性及准确性。

Description

一种提高超快冷温度模型精度和自学习效率的控制方法

技术领域

本发明涉及轧钢技术领域，尤其涉及一种提高超快冷温度模型精度和自学习效率的控制方法。

背景技术

随着控制轧制控制冷却工艺的发展以及市场的竞争日益激烈，高品质产品的稳定生产成了所有企业的发展目标。中厚板轧后冷却过程中钢板的温度变化及冷后钢板的温度分布决定了产品的最终性能，因此钢板温度控制的精确程度，是高效生产出高级别产品的关键所在。

如今，为满足客户的多样化需求，钢种的类别及规格尺寸的变化越来越频繁。在工况条件复杂的大生产中，由于人为的不确定性因素很大，较多的人工干预容易导致冷却过程中钢板的温度无法准确命中。这种情况很大程度上影响最终产品的组织性能，降低生产效率，甚至拖延交货期，对企业带来较大的经济损失。

在科技快速发展的当代，越来越多的钢企迫切需要一种自动化程度高的轧后冷却系统来保证稳定、准确、高效的大规模生产。而轧后冷却系统的自动化水平的核心就在于温度模型的控制。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种提高超快冷温度模型精度和自学习效率的控制方法。

上述目的是通过下述方案实现的：

一种提高超快冷温度模型精度和自学习效率的控制方法，其特征在于，对新的待冷却钢板的模型计算所需的换热系数h的计算方法为：

(1)现场或实验室试验测得关键影响因素X与换热系数h之间的单因素对照关系，拟合成函数曲线；

(2)建立多维空间坐标系，空间中的各维度表示一种影响因子。依据单因素对照曲线，取相同换热系数变化量Δh来确定影响因子在对应坐标轴上的间距，再经过无量纲化处理转换成各维度上连续变步长的坐标节点。这样每块钢板都可以根据其初始条件(影响因素)在多维空间坐标系中找到对应的一点，该点的价值表征了在当前各因素共同影响下的换热系数值，故称其为价值点；

(3)根据历史数据，在多维空间中可建立已知的历史价值点集。当一块新钢板待冷却时，在多维空间中确定其价值点的空间位置，新添加的点称为目标价值点；利用欧几里得距离法，计算历史价值点与目标价值点的空间真实距离以表示其相关性，根据经验设定阈值筛选出围绕目标价值点的最具影响力的历史价值点；

(4)通过空间相关性的结果，加权平均求得目标价值点的值，即待冷却钢板的模型计算所需的换热系数。

根据上述的控制方法，其特征在于，所述步骤(1)中每一个价值点与其各维度坐标的向量表示形式如下：

h_i＝(X_i，1，X_i，2…X_i，m)，i＝1，2，…，n

式中，h_i为第i个价值点的换热系数；X_i，m为第i个点的第m维坐标值。

根据上述的控制方法，其特征在于，各维度的坐标步长是根据每一影响因素对换热系数的作用程度而定义；再通过步长节点的无量纲化，可以将不同单位的影响因子的值统一成连续的整数，便于空间真实距离的计算。

根据上述的控制方法，其特征在于，所述步骤(2)中当一块新的待冷钢板到来，根据其材料特性及工况条件确定空间各维度的坐标值，并添加新的价值点，表示如下：

h_n+1＝(X_n+1，1，X_n+1，2…X_n+1，m)^T

采用欧几里得距离法，求得前n个价值点与第n+1个价值点的空间距离关系，即

$S_i={\left(\underset{j=1}{\overset{m}{\Σ}}{\left(X_{i,j}-X_{n+1,j}\right)}^2\right)}^{1/2},i=1,2,...,n$

根据上述的控制方法，其特征在于，优先在几个最重要的影响因子做相关性的筛选，方式如下：

X_i，k∈(X_n+1，k-ε，X_n+1，k+ε)，i＝1，2，…，n

式中，k为优先考虑的重要影响因子；ε为经验阈值，判断前n个价值点的关键因子k是否属于第n+1个价值点的关键因子k的阈值ε范围内，将不属于的点提前滤过。

根据上述的控制方法，其特征在于，计算空间每个点的权重w_i如下

$w_i=\frac{{S_i}^{-1}}{{\mathrm{\Σ}}_{i=1}^q{S_i}^{-1}},i=1,2,...,q$

式中，S_i为各价值点的空间距离，q指经过筛选后的价值点个数；

第n+1个目标价值点的换热系数h_n+1可通过加权平均求得：

$h_{n+1}=\underset{i=1}{\overset{q}{\Σ}}{w}_i{h}_i,i=1,2,...,q$

式中，h_n+1为目标钢板的换热系数值；h_i为筛选后第i个价值点的换热系数值；w_i为筛选后第i个价值点的综合权重；

将新的待冷却钢板的换热系数h_n+1代入至温度模型边界条件中进行计算，实现对温度的精确控制。

本发明的有益效果：本发明可在拥有较少冷却钢板的经验数据的基础上，快速合理的计算出适合当前工况条件下的模型参数，能有效降低温度模型计算过程中的自学习成本，提高温度模型的稳定性及准确性。

附图说明

图1是钢板厚度与换热系数之间的关系；

图2是介质水温与换热系数之间的关系；

图3是钢板表面温度与换热系数之间的关系；

图4是坐标原点转换后钢板表面温度与换热系数之间的关系；

图5是自学习多维空间模型示意图；

图6是温度模型控制流程图。

具体实施方式

热轧钢板轧后冷却是一个非常复杂的过程，根据能量守恒及傅里叶定律，可以得出热平衡微分方程

${\mathrm{\ρc}}_p\frac{\∂T}{\∂\mathrm{\τ}}=\frac{\∂}{\∂x}\left(\mathrm{\λ}\frac{\∂T}{\∂x}\right)+\frac{\∂}{\∂y}\left(\mathrm{\λ}\frac{\∂T}{\∂y}\right)+\frac{\∂}{\∂z}\left(\mathrm{\λ}\frac{\∂T}{\∂z}\right)+\stackrel{\·}{Q}$

式中，ρ为密度，单位是kg/m³；c_p为定压比热，单位是J/(kg·℃)；T为温度，单位是℃；τ为时刻，单位是s；λ为导热系数，单位是W/(m·K)；为单位时间、单位体积中内热源的生成热，单位是W/m³。一般钢板冷却可近似认为是无内热源的，潜在的内热源是相变潜热。这些物性参数和材料的化学成分、温度有着固有关系，可以通过实验测得，因此可以作为已知条件。

温度模型的计算采用第三类边界条件，即与物体相接触的流体介质的温度T_f和换热系数h为已知，公式表示为

$-k(\frac{\∂T}{\∂x}+\frac{\∂T}{\∂y}+\frac{\∂T}{\∂z})=h(T-T_f)$

h与T_f可以是常数，也可以是某种随时间和位置变化的函数。如果h与T_f不是常数，则在数值计算中经常分段取其平均值作为常数。这里的流体介质温度T_f可以通过现场检测仪器实时测得。

综上所述，影响温度模型的各个参数中只有换热系数h是不确定的。由于h的影响因素非常多且关系复杂，无法确定一个固有的h值，在实际应用均采用自学习的方法来在线对h进行修正。

本发明主要是通过一种改进算法来快速准确的预测出换热系数h，实现高效精确的温度模型控制，步骤如下：

(1)现场或实验室试验测得关键影响因素X与换热系数h之间的单因素对照关系，拟合成函数曲线；

(2)建立多维空间坐标系，空间中的各维度表示一种影响因子。依据单因素对照曲线，取相同换热系数变化量Δh来确定影响因子在对应坐标轴上的间距，再经过无量纲化处理转换成各维度上连续变步长的坐标节点。这样每块钢板都可以根据其初始条件(影响因素)在多维空间坐标系中找到对应的一点，该点的价值表征了在当前各因素共同影响下的换热系数值，故称其为价值点；

(3)根据历史数据，在多维空间中可建立已知的历史价值点集。当一块新钢板待冷却时，在多维空间中确定其价值点的空间位置，新添加的点称为目标价值点；利用欧几里得距离法，计算历史价值点与目标价值点的空间真实距离以表示其相关性，根据经验设定阈值筛选出围绕目标价值点的最具影响力的历史价值点；

(4)通过空间相关性的结果，加权平均求得目标价值点的值，即待冷却钢板的模型计算所需的换热系数。

更详细的描述如下：

一、确定主要影响因子与换热系数h之间的关系

换热系数h的影响因素很多，如钢板厚度、介质水温、钢板表面温度等。为了更好的在多维空间中表示每个影响因子的特性，先通过对照试验描绘出各影响因子与换热系数的关系，如图1，图2，图3。

二、建立多维空间

将换热系数h各主要影响因子转换成一个多维空间各维度的坐标值，因此若各影响因子确定，即决定了价值点的空间位置。每一个价值点与其各维度坐标向量关系表达式如下：

h_i＝(X_i，1，X_i，2…X_i，m)^T，i＝1，2，…，n

式中，h_i为第i个价值点的换热系数；X_i，m为第i个点的第m维坐标值。

以三维为例，根据步骤一的试验结果，可以拟合出各影响因子与换热系数的函数曲线，依据相同影响程度Δh(结合试验结果由人工经验给出)来确定各维度坐标的等效步长，如图1，图2，图3。值得注意的是，钢板表面温度与换热系数之间的关系非单调曲线，即存在不同温度点对换热系数的影响程度相同的现象，为了构建更合理的空间关系，采用坐标原点变换法：将转折点T₀设为新坐标原点，以T₀所对应的换热系数值为起点，依次取相同影响程度(纵坐标Δh)，来确定横坐标的步长，如图4所示。此时，虽然沿横坐标正向温度值逐渐增大，但最终体现在纵轴影响程度却是统一的。这种方法可以体现出距离的负作用，即两个温度值相差越大，两者所对换热系数影响程度可能差别很小，如图4所示，ΔT_pk与ΔT_pi的距离相差很远，但他们所对应的换热系数的变化程度是相同的。

为了便于计算并客观反映不同物理量在空间中的相互关系，我们将各因子无量纲化，具体做法是统一Δh/Δh。由于各维度的坐标步长均由等间距的Δh来等效得出，故Δh/Δh可使到各维度步长节点等效成连续的整数，这样各因子的任意值在其对应步长内均可插值成无量纲的小数，如图5。

三、求解空间几何相关性

当一块新的待冷钢板到来，根据其材料特性及工况条件可确定空间各维度的坐标值，并添加新的价值点，表示如下：

h_n+1＝(X_n+1，1，X_n+1，2…X_n+1，m)^T

采用欧几里得距离法，求得前n个价值点与第n+1价值点的空间距离关系，即

$S_i={\left(\underset{j=1}{\overset{m}{\Σ}}{(X_{i,j}-X_{n+1,j})}^2\right)}^{1/2},i=1,2,...,n$

为了提高运算效率，优先在某几个最重要的影响因子做相关性的筛选，方式如下：

X_i，k∈(X_n+1，k-ε，X_n+1，k+ε)，i＝1，2，…，n

式中，k为优先考虑的重要影响因子；ε为经验阈值。判断前n个价值点的关键因子k是否属于第n+1个价值点的关键因子k的阈值ε范围内，将不属于的点可以提前滤过，减少空间关系的运算。

四、预算目标点换热系数

综上所述，空间每个点的权重w_i如下

$w_i=\frac{{S_i}^{-1}}{{\mathrm{\Σ}}_{i=1}^q{S_i}^{-1}},i=1,2,...,n$

式中，S_i为各价值点的空间距离，q指经过筛选后的价值点个数。

第n+1个目标价值点的换热系数α_n+1可通过加权平均求得：

$h_{n+1}=\underset{i=1}{\overset{q}{\Σ}}{w}_i{h}_i$

式中，h_n+1为目标钢板的换热系数值；h_i为筛选后第i个价值点的换热系数值；w_i为筛选后第i个价值点的综合权重。

至此，新的待冷却钢板的换热系数已经求得，代入至温度模型边界条件中进行计算，实现对温度的精确控制。

Claims (6)

1.一种提高超快冷温度模型精度和自学习效率的控制方法，其特征在于，对新的待冷却钢板的模型计算所需的换热系数α的计算方法为：

(1)现场或实验室试验测得关键影响因素X与换热系数h之间的单因素对照关系，拟合成函数曲线；

(2)建立多维空间坐标系，空间中的各维度表示一种影响因子。依据单因素对照曲线，取相同换热系数变化量Δh来确定影响因子在对应坐标轴上的间距，再经过无量纲化处理转换成各维度上连续变步长的坐标节点。这样每块钢板都可以根据其初始条件(影响因素)在多维空间坐标系中找到对应的一点，该点的价值表征了在当前各因素共同影响下的换热系数值，故称其为价值点；

(3)根据历史数据，在多维空间中可建立已知的历史价值点集。当一块新钢板待冷却时，在多维空间中确定其价值点的空间位置，新添加的点称为目标价值点；利用欧几里得距离法，计算历史价值点与目标价值点的空间真实距离以表示其相关性，根据经验设定阈值筛选出围绕目标价值点的最具影响力的历史价值点；

(4)通过空间相关性的结果，加权平均求得目标价值点的值，即待冷却钢板的模型计算所需的换热系数。

2.根据权利要求1所述的控制方法，其特征在于，所述步骤(1)中每一个价值点与其各维度的坐标可表示如下：

h_i＝(X_i，1，X_i，2...X_i，m)^T，i＝1，2，...，n

式中，h_i为第i个价值点的换热系数；X_x，m为第i个点的第m维坐标值。

3.根据权利要求2所述的控制方法，其特征在于，各维度的坐标步长是根据每一影响因素对换热系数的作用程度而定义；再通过步长节点的无量纲化，可以将不同单位的影响因子的值统一成连续的整数，各影响因子任意值均可在对应步长内插值成小数。

4.根据权利要求2或3所述的控制方法，其特征在于，所述步骤(2)中当一块新的待冷钢板到来，根据其材料特性及工况条件确定空间各维度的坐标值，并添加新的价值点，表示如下：

h_n+1＝(X_n+1，1，X_n+1，2...X_n+1，m)^T

采用欧几里得距离法，求得前n个价值点与第n+1个价值点的空间距离关系，即

$S_i={\left(\underset{j=1}{\overset{m}{\Σ}}{\left(X_{i,j}-X_{n+1,j}\right)}^2\right)}^{1/2},i=1,2,...,n$

5.根据权利要求4所述的控制方法，其特征在于，优先在几个最重要的影响因子做相关性的筛选，方式如下：

X_i，k∈(X_n+1，k-ε，X_n+1，k+ε)，i＝1，2，...，n

式中，k为优先考虑的重要影响因子；ε为经验阈值，判断前n个价值点的关键因子k是否属于第n+1个价值点的关键因子k的阈值ε范围内，将不属于的点提前滤过。

6.根据权利要求5所述的控制方法，其特征在于，计算空间每个点的权重w_i如

下

$w_i=\frac{{S_i}^{-1}}{{\mathrm{\Σ}}_{i=1}^q{S_i}^{-1}},i=1,2,...,n$

式中，S_i为各价值点的空间距离，q指经过筛选后的价值点个数；

第n+1个目标价值点的换热系数h_n+1可通过加权平均求得：

$h_{n+1}=\underset{i=1}{\overset{q}{\Σ}}{w}_i{h}_i$

式中，h_n+1为目标钢板的换热系数值；h_i为筛选后第i个价值点的换热系数值；w_i为筛选后第i个价值点的综合权重；

将新的待冷却钢板的换热系数h代入至温度模型边界条件中进行计算，实现对温度的精确控制。