CN107016509A - 一种降低轧钢工序吨钢能耗的方法 - Google Patents

Abstract

本发明旨在提供一种降低轧钢工序吨钢能耗的方法：A、采集轧钢工序中涉及的关键参数的历史数据，构建出炉温度、吨钢能耗的数学模型；B、采集实时生产中的关键参数，作为关键参数初始值；C、将关键参数初始值分别导入出炉温度、吨钢能耗数学模型得到出炉温度与吨钢能耗预测值；D、将关键参数初始值进行随机优化后，得到关键参数临时优化值，并计算得到出炉温度临时优化值与吨钢能耗临时优化值，判断临时优化值的有效性；E、持续循环优化，直至得到关键参数调控目标值；F、将关键参数调控目标值输入轧钢工序控制系统对轧钢工序过程进行控制。该方法克服现有技术改造成本高、控制精度差等缺陷，具有稳定出炉温度、降低吨钢能耗的特点。

Description

一种降低轧钢工序吨钢能耗的方法

技术领域

本发明涉及轧钢控制方法领域，具体涉及一种降低轧钢工序吨钢能耗的方法。

背景技术

能源的竞争是钢铁工业正在面临的挑战，降低能源消耗、建立环境友好的钢铁企业已经成为钢铁工业可持续发展的一个重要方面，也是钢铁工业利润增长的一个重要的基础工作。轧钢加热炉的能源消耗约占冶金行业能源消耗的10％左右，其中轧钢加热炉又占了75至80％。如何有效提高加热炉的热效率，降低能源消耗，从而提高企业的竞争力，已成为当前各个钢厂所不得不面对的最重要的课题之一。中国冶金行业的轧钢加热炉在产量、炉型结构、机械化、自动化水平及理论操作上与国外还存在一定的差距，炉子吨钢燃耗高、效率低，造成了能源的极大浪费，因此提高加热炉效率、搞好加热炉节能工作，是降低轧钢生产成本，实现钢铁企业可持续发展的有效方法之一。

国内主要的加热炉公司目前主要通过采用增加炉体长度、烟气余热的回收利用技术、改进型烧嘴技术、余热回收蒸汽技术和高等级的全纤维耐火材料等改良炉体设备的方式，或者通过采用更加先进复杂的双交叉限幅算法、模糊PID算法等燃烧控制系统来提高加热炉的热效率。然而无论是采用改良炉体设备还是采用更先进的燃烧控制系统都会大幅度提高技术改造成本，尤其是对于已投产的生产线而言，还面临施工工期长，设备利用率低，生产成本飙升等难题，从而降低了钢厂的积极性。

发明内容

本发明旨在提供一种降低轧钢工序吨钢能耗的方法，该方法克服现有技术改造成本高、控制精度差等缺陷，具有应用简单、稳定出炉温度、降低吨钢能耗的特点。

本发明的技术方案如下：

A、采集轧钢工序中涉及的关键参数的历史数据，采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型；

B、采集实时生产中的关键参数，作为关键参数初始值，设置出炉温度的目标值的范围，设置各个关键参数的范围以及循环优化次数的上限；

C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型，分别得到出炉温度预测值与吨钢能耗预测值；

D、以各个关键参数初始值作为中间值，分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围，在各个关键参数的取值范围内进行随机优化后，得到关键参数临时优化值，并将其分别导入出炉温度数学模型、吨钢能耗数学模型，分别得到出炉温度临时优化值与吨钢能耗临时优化值，并将循环优化次数加一；

如果出炉温度临时优化值位于出炉温度的目标值的范围内，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

如果出炉温度临时优化值未位于出炉温度的目标值的范围内，但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

否则该关键参数临时优化值无效；

E、如果关键参数临时优化值有效，且当前循环优化次数未达到上限，则将该关键参数临时优化值作为步骤D的关键参数初始值，进行步骤D的处理；

如果关键参数临时优化值无效，且当前循环优化次数未达到上限，则返回步骤D，进行步骤D的处理；

如果当前循环优化次数达到上限，则将最近一次有效的关键参数临时优化值作为关键参数调控目标值；

F、将关键参数调控目标值输入轧钢工序控制系统，根据关键参数调控目标值对轧钢工序过程进行控制。

优选地，所述的轧钢工序中涉及的关键参数为：钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间。

优选地，所述的步骤D中的关键参数临时优化值的获取详细过程为：将关键参数初始值加上区间在[-5，5]的一个随机值后，如果该关键参数值位于其对应的关键参数的范围内，则将该关键参数值作为关键参数临时优化值；否则，再次选择区间在[-5，5]的一个随机值重复上述操作，直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内，再将其作为关键参数临时优化值。

优选地，所述的偏最小二乘回归方法构建数学模型的方法如下：

a、将关键参数构成的自变量矩阵X＝[x1,…,xp]n*p进行标准化处理，得矩阵变量E0＝[E01,…,E0p]n*p；将出炉温度和吨钢能耗构成的因变量矩阵Y＝[y1,…,yq]n*q进行标准化处理，得矩阵变量F₀＝[F₀₁,…,F_0q]n*p；

b、求解矩阵E₀ ^TF₀F₀ ^TE₀的最大特征值所对应的特征向量W1；求解矩阵F₀ ^TE₀E₀ ^TF₀的最大特征值所对应的特征向量C1；

c、求解主成分

t₁＝E₀W₁ (1)；

u₁＝F₀C₁ (2)；

t_i和u_i则是第i次分别从自变量X和Y中提取的第i对主成分，t_i是x₁,…,x_p的线性组合，u_i是y₁,…,y_q的线性组合；

d、分别求E₀和F₀对t₁的回归方程：

E₀＝t₁G₁ ^T+E₁ (3)；

F₀＝t₁H₁ ^T+F₁ (4)；

式中

e、用残差矩阵E₁和F₁取代E₀和F₀，然后求解第二个特征向量W₂和C₂以及第二个主成分t₂和u₂：

t₂＝E₁W₂ (5)；

u₂＝F₁C₂ (6)；

f、分别求E₁和F₂对t₂的回归方程

E₁＝t₂G₂ ^T+E₂ (7)；

F₁＝t₂H₂ ^T+F₂ (8)；

式中

H₂＝F₁ ^Tt₂/||t₂||²；

g、如此利用剩下的残差信息矩阵不断迭代计算，直到E_m ^TE_m中主对角元素近似0，就退出，则F₀和E₀在t₁,…,t_m上的回归方程为：

E₀＝t₁G₁ ^T+t₂G₂ ^T+Λt_mG_m ^T+E_m (9)；

F₀＝t₁H₁ ^T+t₂H₂ ^T+Λt_mH_m ^T+F_m (10)；

由于t_i是x₁,…,x_p的线性组合，因此，将t_i代入到公式(10)当中，再通过反标准化处理，就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型：

Y_K＝b_k1X₁+…+b_kPX_P+F_mK k＝1,..,q (11)。

本发明突破了传统的通过改良炉体设备或燃烧控制系统的方式的局限，利用工业大数据的角度实现节能降耗，利用偏最小二乘回归方法(PLS)模型算法，建立起钢坯出炉温度及吨钢能耗的数学模型，再通过数据转换的方法可以挖掘出影响吨钢能耗波动和出炉温度波动的主要参数，最后再通过采用双目标循环优化法对PLS数学模型进行主要参数优化设计，使被优化的参数能够在满足工艺限制条件下自动调整，达到钢坯的出炉温度尽可能在很小的范围内波动，电耗保持稳定的目标，同时煤耗能够保持在最低的双目标优化系统，打破了传统的煤耗升电耗降或者煤耗降电耗升的怪圈，从而真正达到节能降耗的目的。

本发明利用大数据进行技术改造，不仅能够对新建的生产线，而且对旧式的生产线一样有效，能够有效降低技术改造的生产成本，同时能够大幅度缩短工期；更重要的是，该系统将PLC一级电气自动化系统升级到智能控制系统，不仅能够实现原始的煤耗的预测，还能够实现在线优化煤耗和预测出炉温度，真正实现了“人工智能”控制，解决了因为操作人员的经验限制，导致操作控制不当造成的能耗损失的问题。

附图说明

图1为本发明降低轧钢工序吨钢能耗方法的流程图

图2为本实施例方法的吨钢能耗预测值与原始的吨钢能耗预测值的对比图

具体实施方式

下面结合附图和实施例具体说明本发明。

实施例1

如图1所示，本实施例以典型的热轧产品厚度为7.5mm的SS400钢板为代表，提供的降低轧钢工序吨钢能耗方法包括以下步骤：

A、采集轧钢工序中涉及的关键参数的历史数据，采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型；

所述的轧钢工序中涉及的关键参数为：钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间；

所述的偏最小二乘回归方法构建数学模型的方法如下：

a、将关键参数构成的自变量矩阵X＝[x1,…,xp]n*p(p＝11)进行标准化处理，得矩阵变量E0＝[E01,…,E0p]n*p；将出炉温度和吨钢能耗构成的因变量矩阵Y＝[y1,…,yq]n*q(q＝2)进行标准化处理，得矩阵变量F₀＝[F₀₁,…,F_0q]n*p；

b、求解矩阵E₀ ^TF₀F₀ ^TE₀的最大特征值所对应的特征向量W1；求解矩阵F₀ ^TE₀E₀ ^TF₀的最大特征值所对应的特征向量C1；

c、求解主成分

t₁＝E₀W₁ (1)；

u₁＝F₀C₁ (2)；

t_i和u_i则是第i次分别从自变量X和Y中提取的第i对主成分，t_i是x₁,…,x_p的线性组合，u_i是y₁,…,y_q的线性组合；

d、分别求E₀和F₀对t₁的回归方程：

E₀＝t₁G₁ ^T+E₁ (3)；

F₀＝t₁H₁ ^T+F₁ (4)；

式中

e、用残差矩阵E₁和F₁取代E₀和F₀，然后求解第二个特征向量W₂和C₂以及第二个主成分t₂和u₂：

t₂＝E₁W₂ (5)；

u₂＝F₁C₂ (6)；

f、分别求E₁和F₂对t₂的回归方程

E₁＝t₂G₂ ^T+E₂ (7)；

F₁＝t₂H₂ ^T+F₂ (8)；

式中

H₂＝F₁ ^Tt₂/||t₂||²；

g、如此利用剩下的残差信息矩阵不断迭代计算，直到E_m ^TE_m中主对角元素近似0，就退出，则F₀和E₀在t₁,…,t_m上的回归方程为：

E₀＝t₁G₁ ^T+t₂G₂ ^T+Λt_mG_m ^T+E_m (9)；

F₀＝t₁H₁ ^T+t₂H₂ ^T+Λt_mH_m ^T+F_m (10)；

由于t_i是x₁,…,x_p的线性组合，因此，将t_i代入到公式(10)当中，再通过反标准化处理，就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型：

Y_K＝b_k1X₁+…+b_kPX_P+F_mK k＝1,..,q (11)；

B、采集实时生产中的关键参数，作为关键参数初始值，设置出炉温度的目标范围为1060℃～1090℃，钢坯的入炉温度的温度范围为12℃～800℃、预热段温度范围为700℃～900℃、预热段时间为该段平均加热时间58min、一热段温度范围为1100℃～1250℃、一加热段时间为该段平均加热时间25min、二热段温度范围为1210℃～1330℃、二加热段时间为该段平均加热时间31min、三热段温度范围为1250℃～1350℃、三加热段时间为该段平均加热时间27min、均热段温度范围为1220℃～1300℃、均加热段时间为该段平均加热时间32min，设置循环优化次数的上限为500次；

C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型，分别得到出炉温度预测值与吨钢能耗预测值；

D、以各个关键参数初始值作为中间值，分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围，在各个关键参数的取值范围内进行随机优化后，得到关键参数临时优化值，并将其分别导入出炉温度数学模型、吨钢能耗数学模型，分别得到出炉温度临时优化值与吨钢能耗临时优化值，并将循环优化次数加一；

如果出炉温度临时优化值位于出炉温度的目标值的范围内，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

如果出炉温度临时优化值未位于出炉温度的目标值的范围内，但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

否则该关键参数临时优化值无效；

所述的步骤D中的关键参数临时优化值的获取详细过程为：将关键参数初始值加上区间在[-5，5]的一个随机值后，如果该关键参数值位于其对应的关键参数的范围内，则将该关键参数值作为关键参数临时优化值；否则，再次选择区间在[-5，5]的一个随机值重复上述操作，直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内，再将其作为关键参数临时优化值；

E、如果关键参数临时优化值有效，且当前循环优化次数未达到上限，则将该关键参数临时优化值作为步骤D的关键参数初始值，进行步骤D的处理；

如果关键参数临时优化值无效，且当前循环优化次数未达到上限，则返回步骤D，进行步骤D的处理；

如果当前循环优化次数达到上限，则将最近一次有效的关键参数临时优化值作为关键参数调控目标值；

F、将关键参数调控目标值输入轧钢工序控制系统，根据关键参数调控目标值对轧钢工序过程进行控制。

由图2的对比图可以看出，采用本实施例降低轧钢工序吨钢能耗方法，比原来工序操作的吨钢能耗预测值有很大幅度的降低，说明本实施例降低轧钢工序吨钢能耗方法效果显著。

Claims (4)

1.一种降低轧钢工序吨钢能耗的方法，其特征在于包括以下步骤：

A、采集轧钢工序中涉及的关键参数的历史数据，采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型；

B、采集实时生产中的关键参数，作为关键参数初始值，设置出炉温度的目标值的范围，设置各个关键参数的范围以及循环优化次数的上限；

C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型，分别得到出炉温度预测值与吨钢能耗预测值；

D、以各个关键参数初始值作为中间值，分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围，在各个关键参数的取值范围内进行随机优化后，得到关键参数临时优化值，并将其分别导入出炉温度数学模型、吨钢能耗数学模型，分别得到出炉温度临时优化值与吨钢能耗临时优化值，并将循环优化次数加一；

如果出炉温度临时优化值位于出炉温度的目标值的范围内，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

如果出炉温度临时优化值未位于出炉温度的目标值的范围内，但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围，且吨钢能耗临时优化值小于吨钢能耗预测值，则该关键参数临时优化值有效；

否则该关键参数临时优化值无效；

E、如果关键参数临时优化值有效，且当前循环优化次数未达到上限，则将该关键参数临时优化值作为步骤D的关键参数初始值，进行步骤D的处理；

如果关键参数临时优化值无效，且当前循环优化次数未达到上限，则返回步骤D，进行步骤D的处理；

如果当前循环优化次数达到上限，则将最近一次有效的关键参数临时优化值作为关键参数调控目标值；

F、将关键参数调控目标值输入轧钢工序控制系统，根据关键参数调控目标值对轧钢工序过程进行控制。

2.如权利要求1所述的降低轧钢工序吨钢能耗的方法，其特征在于：

所述的轧钢工序中涉及的关键参数为：钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间。

3.如权利要求1所述的降低轧钢工序吨钢能耗的方法，其特征在于：

所述的步骤D中的关键参数临时优化值的获取详细过程为：将关键参数初始值加上区间在[-5，5]的一个随机值后，如果该关键参数值位于其对应的关键参数的范围内，则将该关键参数值作为关键参数临时优化值；否则，再次选择区间在[-5，5]的一个随机值重复上述操作，直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内，再将其作为关键参数临时优化值。

4.如权利要求1所述的降低轧钢工序吨钢能耗的方法，其特征在于：

所述的偏最小二乘回归方法构建数学模型的方法如下：

a、将关键参数构成的自变量矩阵X＝[x1,…,xp]n*p进行标准化处理，得矩阵变量E0＝[E01,…,E0p]n*p；将出炉温度和吨钢能耗构成的因变量矩阵Y＝[y1,…,yq]n*q进行标准化处理，得矩阵变量F₀＝[F₀₁,…,F_0q]n*p；

b、求解矩阵E₀ ^TF₀F₀ ^TE₀的最大特征值所对应的特征向量W1；求解矩阵F₀ ^TE₀E₀ ^TF₀的最大特征值所对应的特征向量C1；

c、求解主成分

t₁＝E₀W₁ (1)；

u₁＝F₀C₁ (2)；

t_i和u_i则是第i次分别从自变量X和Y中提取的第i对主成分，t_i是x₁,…,x_p的线性组合，u_i是y₁,…,y_q的线性组合；

d、分别求E₀和F₀对t₁的回归方程：

E₀＝t₁G₁ ^T+E₁ (3)；

F₀＝t₁H₁ ^T+F₁ (4)；

式中

H₁＝F₀ ^Tt₁/||t₁||²；

e、用残差矩阵E₁和F₁取代E₀和F₀，然后求解第二个特征向量W₂和C₂以及第二个主成分t₂和u₂：

t₂＝E₁W₂ (5)；

u₂＝F₁C₂ (6)；

f、分别求E₁和F₂对t₂的回归方程

E₁＝t₂G₂ ^T+E₂ (7)；

F₁＝t₂H₂ ^T+F₂ (8)；

式中

H₂＝F₁ ^Tt₂/||t₂||²；

g、如此利用剩下的残差信息矩阵不断迭代计算，直到E_m ^TE_m中主对角元素近似0，就退出，则F₀和E₀在t₁,…,t_m上的回归方程为：

E₀＝t₁G₁ ^T+t₂G₂ ^T+Λt_mG_m ^T+E_m (9)；

F₀＝t₁H₁ ^T+t₂H₂ ^T+Λt_mH_m ^T+F_m (10)；

由于t_i是x₁,…,x_p的线性组合，因此，将t_i代入到公式(10)当中，再通过反标准化处理，就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型：

Y_K＝b_k1X₁+…+b_kPX_P+F_mK k＝1,..,q (11)。