CN110479776B - 热轧棒线材轧后闭环控冷系统及控制方法 - Google Patents

Abstract

本发明公开一种热轧棒线材轧后闭环控冷控制系统及方法。所述的方法包括下述步骤：1)利用计算模型对获取的轧制钢坯的初始数据计算，得到该轧件的控冷目标温度和控冷工艺参数；2)利用确定的控冷工艺参数对轧件进行冷却；3)在线获取水箱出口侧轧件的实际温度；4)如果该温度与控冷目标温度的偏差在预定的范围内，则返回步骤2；否则，依据该偏差对步骤2中的控冷工艺参数进行调整。本发明预计算模块和在线计算模块、后计算自学习模块等之间的紧密配合，实现稳定可靠、实时性好、容易在生产线投运的螺纹钢筋等棒材轧后控冷闭环控制，有效提高轧件产品的控冷精度以及通条质量的稳定性，实现棒线产品的绿色减量化生产。

Description

热轧棒线材轧后闭环控冷系统及控制方法

技术领域

本发明涉及领域为热轧棒线材生产领域，尤其涉及一种热轧螺纹钢筋轧后冷却的闭环控制系统及控制方法。

技术背景

螺纹钢筋是最具代表性的建筑钢材，是建筑结构中不可或缺的结构材料，广泛用于房屋、桥梁、道路等工程建设。目前，我国城镇化程度不断提高，口岸、交通等基础设施建设继续保持扩大趋势，房地产市场也保持平稳，未来市场对螺纹钢的需求更加强烈，对螺纹钢的性能要求也更加严格。普通强度钢筋作为土木工程建设用钢主材已无法满足建设发展的要求，具备强度高、韧性好、易焊接、抗震等综合性能的高强钢筋的推广应用已成为必然趋势。于2018年11月1日正式实施的新国标GB/T1499.2-2018《钢筋混凝土用钢第2部分：热轧带肋钢筋》，明确取消335MPa级钢筋、增加600MPa级系列钢筋、增加金相组织检验的规定，旨在进一步促进高强钢筋的推广应用。

我国钢铁行业正面临着产品结构失调、环境污染严重、资源消耗过大等严峻挑战，亟需绿色转型，即研发先进工艺技术和装备、优化生产工艺流程，降低能源资源消耗、保护生态环境，实现绿色制造。面对新国标GB/T1499.2-2018中，螺纹钢筋金相组织主要是“铁素体+珠光体”，且基圆外围不应出现其他封闭环状组织(若出现不封闭的环状组织，且按规定方法测试钢筋横截面内外层硬度差不大于40HV，仍认定钢筋合格)的新要求，螺纹钢生产企业进一步受到产品性能提升和生产成本控制矛盾的考验。轧后控制冷却技术作为一项兼具节约能源、简化工艺、提高产品性能等绿色制造特征的现代轧制技术，已经成为钢铁生产技术发展的重要发展方向。而高稳定性、高精度的轧后冷却的闭环控制技术是实现轧线温度精确控制，提高螺纹钢质量的关键。

目前，我国螺纹钢产线的水冷控制仍然停留在温度开环调节水平，没有真正实现轧后冷却的闭环控制，往往存在操作工劳动强度大、温度控制命中率低、生产品种少、产品质量通条稳定性不高等多种问题。现已公布的相关控制方法通常直接在水箱入口处的高温计读取温度并作为水箱的开冷温度。由于螺纹钢筋的轧制速度较快(10～18m/s)，这种水箱开冷温度的获取方式往往导致计算结果严重滞后，进而导致水箱动作响应无法对快速通过的螺纹钢筋温度进行有效的实时调控。另外，已公布的相关控制方法没有设置独立的模块对工艺参数进行修正干预，系统稳定性差；也没有兼顾棒线材通条性以及新产品开发的后期数据计算积累和自学习。因此，现已公布的控制策略对现场软、硬件设施要求高，调控实时性差，很难在生产线真正地实现。

综上，能实现稳定可靠、实时性好、容易在生产线投运的螺纹钢筋等棒材轧后控冷闭环控制系统和控制方法是实现棒线产品绿色减量化生产的技术关键。

发明内容：

针对上述问题，本发明提供一种稳定性高、实时性好、生产线适用性强的热轧棒线材轧后闭环控冷系统及控制方法。

为达到上述目的，本发明一种热轧棒线材轧后控冷闭环控制方法，其特征在于，所述的方法包括下述步骤：

1)利用控冷计算模型对获取的轧制钢坯的初始数据计算，得到该轧件的控冷工艺参数，所述的控冷工艺参数至少包括控冷目标温度；

2)利用确定的控冷工艺参数对轧件进行冷却；

3)在线获取水箱出口侧轧件的实际温度；

4)如果该温度与控冷目标温度的偏差在预定的范围内，则返回步骤2)；否则，依据该偏差对步骤2)中的控冷工艺参数进行调整。

较佳的，还包括步骤5)对该控冷工艺参数进行评价，如果符合评价要求则保存该控冷工艺参数至数据库中。

较佳的，还包括：步骤6)记录轧件在整个冷却过程中实测的表面温度变化、水流量以及水压变化；

记录水冷结束后、上冷床前，轧件全长度不同位置的表面温度，建立轧件表面温度与其全长度方向坐标之间的关系，并计算出轧件全长度方向温度与控冷目标温度偏差，利用自学习模型评估控冷计算模型参数的修正值。减小下一根棒线材冷却后沿长度方向的温度不均匀性，提高棒线材性能的通条稳定性。

较佳的，所述的轧制钢坯的初始数据还包括控冷开始温度；

所述的控冷开始温度的计算方法为：轧机机组入口侧高温计实时监测棒材温度，通过计算热辐射散热、空气对流散热以及轧制变形温升，获得棒材到达轧机机组出口侧(水箱入口侧)的棒材计算温度值，同时自学习计算模型利用轧机机组出口侧高温计的实测温度值，自学习修正温度场计算模型换热系数，从而提高控冷开始温度预报模型的预报精度。

较佳的，轧制钢坯的初始数据包括轧件的化学成分、直径、密度、比热、热传导率、轧制温度、轧制速度、控冷开始温度、控冷目标温度、预设上冷床温度。

较佳的，本发明一种热轧棒线材轧后控冷闭环控制方法，所述的方法包括下述步骤：

1)获取轧制钢坯的初始数据；

2)依据轧制钢坯的初始数据从数据库中查找对应该轧件的控冷工艺参数；如查到则进行步骤4)；否则，进行下一步；

3)依据轧制钢坯的初始数据，按预定计算模型计算该轧件的控冷工艺参数；

4)利用查到或确定的控冷工艺参数对轧件进行冷却；

5)在线获取水箱出口侧冷却后的轧件温度参数；

6)判断获取的冷却后的温度参数是否符合预定的阈值；符合则返回步骤5)；不符合则依据获取的温度参数对步骤2)中的控冷工艺参数进行调整；

7)在预定的轧制时间内计算该控冷工艺的稳定性，如果控冷后最终的实测上冷床温度与预设上冷床温度的差值较上一组控冷工艺参数的更小，则该控冷工艺参数稳定并保存至数据库中。

为达到上述目的，本发明一种热轧棒线材轧后控冷闭环控制系统，至少包括：

预计算模块，利用计算模型对获取的轧制钢坯的初始数据计算，得到该轧件的控冷工艺参数；

水箱控制模块，利用确定的控冷工艺参数对每个水箱进行控制；

测温计，在线获取水箱入口、出口侧轧件的实际温度；

在线计算模块，根据热轧棒线材表面温度实测值和控冷目标温度值之间的偏差对预计算模块的结果进行修正，并在预定的条件下将修正结果应用到冷却过程中。

较佳的，还包括后计算自学习模块，用于记录水冷结束后、上冷床前轧件全长度不同位置的表面温度，建立轧件表面温度与其全长度方向坐标之间的关系，并计算出轧件全长度方向温度与控冷目标温度偏差，利用自学习模型评估控冷计算模型参数的修正值。

较佳的，后计算自学习模块还包括短期自学习和长期自学习；

所述短期自学习用于同一批号内轧件到轧件的参数修正，学习后的参数值自动替代原先的参数值，用于下一根同种轧件；

所述长期自学习用于不同批号的同种轧件长期参数修正，学习后的参数值可以选择性地替代原先的参数值；

所述后计算自学习模块的计算结果用作后续冷却热轧棒线材的自适应，并结合生产统计数据，处理新产品自学习，找出合适的工艺设定参数。

本发明预计算模块和在线计算模块、后计算自学习模块等之间的紧密配合，实现稳定可靠、实时性好、容易在生产线投运的螺纹钢筋等棒材轧后控冷闭环控制，有效提高轧件产品的控冷精度以及通条质量的稳定性，实现棒线产品的绿色减量化生产。

附图说明

图1本发明的控制系统结构图

图2本发明的控冷工艺布置示意图

具体实施方式

下面结合说明书附图对本发明作进一步的描述。

本发明提供一种稳定性高、实时性好、生产线适用性强的螺纹钢筋轧后控冷闭环控制方法，所述方法包括如下步骤：

步骤一：所述轧制工艺信息准备模块获取轧制轧件的初始数据并校核正确后，与控冷工艺数据库中已有的控冷工艺参数进行对比。若轧件的控冷工艺要求与控冷工艺数据库中已有的控冷工艺参数相匹配，则水箱控制模块直接调用相关数据，并对经过水箱的轧件实施控冷；若控冷工艺数据库中的控冷工艺参数都不满足轧件的控冷工艺要求，则轧制工艺信息准备模块将轧件的初始数据输出给预计算模块。

步骤二：预计算模块接收轧制工艺信息准备模块发送的轧件初始数据，通过模块内各个模型的计算，为即将进入水箱的螺纹钢筋确定控冷模式以及水箱水量、水压等控冷工艺参数，并将控冷工艺信息发送给水箱控制模块。

步骤三：水箱控制模块调用控冷工艺数据库中的数据或接收预计算模块输出的控冷工艺参数，按控冷工艺要求调节水箱的水量和水压，实现对经过水箱的轧件的控冷。

步骤四：在线计算模块接收在水箱出口侧实测的螺纹钢筋表面温度、水流量及水压等数据，实时对比螺纹钢筋表面温度实测值和控冷目标温度之间的偏差，且当偏差超过一定范围时，修正预计算模块给出的控冷工艺数据，并在恰当的位置和时间，将修正结果应用到冷却过程中，提高控冷精度。

棒线材的轧制是将一根9～12m钢坯轧制成一根或多根几百米长的长材(倍尺剪切前)。钢坯经过多个道次的轧制越来越长，期间存在空气冷却、设备冷却水的溅射冷却、辐射散热、与设备的热传导散热、轧制变形发热(升温)等复杂过程，最终导致钢材在进入水箱控冷前沿自身长度方向必然存在温度不均匀的现象。因此，在其进入水箱前，由本系统的“预计算模块”(数据库参数不适用时)实时计算每根长材先后不同区段所需的水冷工艺参数(为简化计算，本发明预先设定每根长材10m区间内的温度是均匀一致的)，并由水箱控制模块执行计算结果。因此，预计算模块只能关注进入水箱前的长材，而对于水箱出口冷却后的长材它是不关注的。

为实现稳定可靠的闭环控制，由独立的“在线计算模块”实时监测水箱出口侧实测的轧件表面温度、水流量及水压等数据，并实时对比螺纹钢筋表面温度实测值和控冷目标温度之间的偏差，根据偏差大小修正预计算模块给出的控冷工艺数据，从而实现水冷温度的闭环控制。“在线计算模块”在线监督的严格性，还在于对从工艺数据库中直接调用的工艺参数，仍以实时控制温度偏差的大小为依据进行修正。

步骤五：后计算自学习模块记录螺纹钢筋在整个冷却过程中实测的表面温度变化、水流量变化等情况；记录水冷结束后、上冷床前，轧件全长度不同位置的表面温度，建立轧件表面温度与其全长度方向坐标之间的关系，并计算出轧件全长度方向温度与控冷目标温度偏差，利用自学习模型评估控冷计算模型参数的修正值。减小下一根棒线材冷却后沿长度方向的温度不均匀性，提高棒线材性能的通条稳定性。，进一步弥补各模块中简化的理论模型或经验模型本身的结构偏差、模型系数精度引起的螺纹钢筋实际控冷偏差，有效提高螺纹钢筋的通条质量稳定性。

本发明不仅仅关注经过控冷后长材某一区段横截面的显微组织和性能满足新国标GB/T1499.2-2018或其他标准的要求，而且关注长材沿其自身长度方向的显微组织和性能的均一性，即通条性。因此，本发明的控冷工艺，包括已存放在数据库中的控冷工艺参数，都与长材的通条性有关。

对于已有控冷工艺参数修正的依据在于螺纹钢筋表面温度实测值和控冷目标温度之间的偏差大小，如偏差值大于±10℃的范围(该阈值可由用户自定义)时对原参数作更新；反之，不做处理。

后计算自学习模块还包括短期自学习和长期自学习。

所述短期自学习用于同一批号内轧件到轧件的参数修正，学习后的参数值自动替代原先的参数值，用于下一根同种轧件。

所述长期自学习用于不同批号的同种轧件长期参数修正，学习后的参数值可以选择性地替代原先的参数值。

后计算自学习模块的计算结果用作后续冷却螺纹钢筋的自适应；结合生产统计数据，处理新产品自学习，并找出合适的工艺设定参数。

步骤六：控冷工艺数据库接收后计算自学习模块输出的经过后计算、自学习修正的控冷工艺数据；记录、分类并更新不同规格、化学成分螺纹钢筋在不同条件下的物性参数以及冷却工艺参数，为后续同批号或新螺纹钢筋产品的自适应调用提供直接的数据来源。

本系统注重控冷工艺数据的积累、分类以及与不同工艺、规格、化学成分条件下螺纹钢筋的对应性，最终存储的数据是多维的，后续的调用也需要从多维的角度去对比——如钢种、规格、控冷工艺要求(开冷温度、终冷温度)、冷却水参数(水量、水压、水温)、空冷参数(季节、气温)等方面。

因此，生产同一规格和成分的螺纹钢筋，会因其它因素的变化而对应不同的控冷工艺参数。

实施例一

本发明提供一种稳定性高、实时性好、生产线适用性强的轧件(螺纹钢筋)轧后控冷闭环控制系统和控制方法，控制系统结构如图1所示。

所述轧制工艺信息准备模块获取轧制轧件的初始数据并校核正确后，首先与控冷工艺数据库中已有的控冷工艺参数进行对比。控冷工艺数据库中已有的控冷工艺参数与轧件的控冷工艺要求相匹配时，水箱控制模块直接调用相关数据，并对经过水箱的轧件实施控冷。

这种以数据库形式存放的控冷工艺参数和系统设定值，可使计算机省去不必要的重复计算，给控制系统节约计算资源和存储空间，极适合棒线材在线大批量稳定生产的使用。

实施例二

作为实施例一的进一步方案，所述控冷工艺数据库中的控冷工艺参数都不满足轧件的控冷工艺要求时，所述轧制工艺信息准备模块将轧件的初始数据输出给预计算模块。

所述预计算模块接收轧件初始数据后，通过模块内各个模型的计算，为即将进入水箱的轧件确定控冷模式(水冷、空冷)以及水箱水量、水压等控冷工艺参数，并将控冷工艺信息发送给水箱控制模块。

所述水箱控制模块接收预计算模块输出的控冷工艺参数后，按控冷工艺要求调节水箱的水量和水压，实现对经过水箱的轧件的控冷。

实施例三

作为实施例二的进一步方案，采用图2所示的控冷工艺布置，所述在线计算模块实时监测、接收在水箱出口侧3#红外线高温计实测的螺纹钢筋表面温度、水流量及水压等设备数据，实时对比螺纹钢筋表面温度实测值和控冷目标温度之间的偏差，且当偏差超过一定范围时，修正预计算模块给出的控冷工艺数据，并在恰当的位置和时间，将修正结果应用到冷却过程中。

上述，对比螺纹钢筋表面温度实测值和控冷目标温度之间的偏差，且当偏差超过一定范围时系统做出响应。所谓“偏差超过一定范围”中的具体“范围”需要根据生产线的实际条件去设置。不同生产线的软硬件条件不同，该“范围”不宜统一固定为一个定值。因此本控制系统可方便用户自定义该范围值(如±10℃、±15℃)，使最终控制目标达到与产线相适应的最佳状态。

上述，当偏差超过一定范围时，修正预计算模块给出的控冷工艺数据，主要是通过调整预计算模型中水冷换热系数的调整系数，使螺纹钢筋表面温度实测值和控冷目标温度之间的偏差控制在设定范围内。当螺纹钢筋表面温度实测值大于控冷目标温度时，增大水冷换热系数；反之，减小换热系数。

实施例四

作为实施例二的进一步方案，所述后计算自学习模块记录每根螺纹钢筋在整个冷却过程中实测的表面温度变化、水流量变化等情况；记录水冷结束后、上冷床前，轧件全长度不同位置的表面温度，建立轧件表面温度与其全长度方向坐标之间的关系，并计算出轧件全长度方向温度与控冷目标温度偏差，利用自学习模型评估控冷计算模型参数的修正值。自学习模型评估后续螺纹钢筋控冷计算模型参数的修正值，最终产生更合理的控冷工艺数据。减小下一根棒线材冷却后沿长度方向的温度不均匀性，提高棒线材性能的通条稳定性。

控冷工艺数据库接收后计算自学习模块输出的经过后计算、自学习修正的控冷工艺数据；记录、分类并更新不同规格、化学成分螺纹钢筋在不同条件下的物性参数以及冷却工艺参数，为后续同批号或新螺纹钢筋产品的自适应调用提供直接的数据来源。

实施例五

作为实施例二的进一步方案，采用图2所示的控冷工艺布置，所述预计算模型中的控冷开始温度预报模型接收轧机机组入口侧1#红外线高温计实测的棒材温度，通过计算热辐射散热、空气对流散热以及轧制变形温升，获得棒材到达轧机机组出口侧的棒材计算温度值，再利用轧机机组出口侧2#红外线高温计的实测温度反馈值，自学习修正温度场计算模型各换热系数的调整系数，使控冷开始温度预报模型在棒材进入水箱前给出高精度的控冷开始温度。

实施例六

作为实施例二的进一步方案，所述水箱控制模块中建立了水流量与水阀开口度的闭环控制模型，使水箱能够快速、准确地实现控冷工艺数据库、预计算模块或者在线计算模块要求的控冷工艺参数值，从而进一步提高了产线控冷精度，也是整个系统运行的基本保障。

以上，仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (1)

1.一种热轧棒线材轧后控冷闭环控制方法，其特征在于，所述的方法包括下述步骤：

步骤一：轧制工艺信息准备模块获取轧制轧件的初始数据并校核正确后，与控冷工艺数据库中已有的控冷工艺参数进行对比；若轧件的控冷工艺要求与控冷工艺数据库中已有的控冷工艺参数相匹配，则水箱控制模块直接调用相关数据，并对经过水箱的轧件实施控冷；若控冷工艺数据库中的控冷工艺参数都不满足轧件的控冷工艺要求，则轧制工艺信息准备模块将轧件的初始数据输出给预计算模块；

步骤二：预计算模块接收轧制工艺信息准备模块发送的轧件初始数据，通过模块内各个模型的计算，为即将进入水箱的棒线材确定控冷模式以及水箱水量、水压的控冷工艺参数，并将控冷工艺信息发送给水箱控制模块；

步骤三：水箱控制模块调用控冷工艺数据库中的数据或接收预计算模块输出的控冷工艺参数，按控冷工艺要求调节水箱的水量和水压，实现对经过水箱的轧件的控冷；

步骤四：在线计算模块接收在水箱出口侧实测的棒线材表面温度、水流量及水压的数据，实时对比棒线材表面温度实测值和控冷目标温度之间的偏差，且当偏差超过一定范围时，修正预计算模块给出控冷工艺数据，并在恰当的位置和时间，将修正结果应用到冷却过程中，提高控冷精度；

为实现稳定可靠的闭环控制，由独立的“在线计算模块”实时监测水箱出口侧实测的轧件表面温度、水流量及水压数据，并实时对比棒线材表面温度实测值和控冷目标温度之间的偏差，根据偏差大小修正预计算模块给出控冷工艺数据，从而实现水冷温度的闭环控制；“在线计算模块”在线监督的严格性，还在于对从控冷工艺数据库中直接调用的控冷工艺参数，仍以实时控制温度偏差的大小为依据进行修正；

步骤五：后计算自学习模块记录棒线材在整个冷却过程中实测的表面温度变化、水流量变化情况；记录水冷结束后、上冷床前，轧件全长度不同位置的表面温度，建立轧件表面温度与其全长度方向坐标之间的关系，并计算出轧件全长度方向温度与控冷目标温度偏差，利用自学习模型评估控冷计算模型参数的修正值；减小下一根棒线材冷却后沿长度方向的温度不均匀性，提高棒线材性能的通条稳定性；进一步弥补各模块中简化的理论模型或经验模型本身的结构偏差、模型系数精度引起的棒线材实际控冷偏差，有效提高棒线材的通条质量稳定性；

后计算自学习模块还包括短期自学习和长期自学习；

所述短期自学习用于同一批号内轧件到轧件的参数修正，学习后的参数值自动替代原先的参数值，用于下一根同种轧件；

所述长期自学习用于不同批号的同种轧件长期参数修正，学习后的参数值选择性地替代原先的参数值；

后计算自学习模块的计算结果用作后续冷却棒线材的自适应；结合生产统计数据，处理新产品自学习，并找出合适的工艺设定参数；

步骤六：控冷工艺数据库接收后计算自学习模块输出的经过后计算、自学习修正的控冷工艺数据；记录、分类并更新不同规格、化学成分棒线材在不同条件下的物性参数以及冷却工艺参数，为后续同批号或新棒线材产品的自适应调用提供直接的数据来源。

Images