CN111814402A - 一种加热炉炉温控制方法 - Google Patents
一种加热炉炉温控制方法 Download PDFInfo
- Publication number
- CN111814402A CN111814402A CN202010670639.6A CN202010670639A CN111814402A CN 111814402 A CN111814402 A CN 111814402A CN 202010670639 A CN202010670639 A CN 202010670639A CN 111814402 A CN111814402 A CN 111814402A
- Authority
- CN
- China
- Prior art keywords
- billet
- furnace temperature
- temperature
- furnace
- steel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Crystallography & Structural Chemistry (AREA)
- Materials Engineering (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明涉及一种加热炉炉温控制方法,属于加热炉优化控制领域,包括以下步骤:S1:为每块钢坯建立加热炉区域单坯实测平均炉温与钢坯粗轧终轧温度的数据集;S2:自学习算法建立寻找大量记录的已出炉钢坯、每块钢坯粗轧终轧温度与各加热区域实测有效平均炉温度之间的关系;S3:利用训练好的神经网络预测计算,以当前各炉温控制区域设定温度为输入值,预测计算在炉每块钢坯粗轧终轧温度,并将预测的记过赋值给每块板坯;S4:进行每块钢板所在炉温控制区域的钢坯必要炉温设定值计算;S5:根据控制区域内每块钢坯必要炉温设定值进行加权计算,确定炉温控制区域的炉温设定值。
Description
技术领域
本发明属于加热炉优化控制领域,涉及一种加热炉炉温控制方法。
背景技术
加热炉是轧钢生产的重要设备,加热炉对钢坯加热主要是服务于钢坯轧制工序的需求。因此在实际生产中部分钢铁厂以钢坯完成粗轧后的终轧平均温度作为考核钢坯加热环节的指标。钢坯粗轧后的终轧温度可以通过在线连续监测仪表监测,且不受氧化铁皮等干扰因素的影响,其本身测量精度可以信赖。但此检测值本身为钢坯出炉后的检测值,因此有必要建立相应的算法才能将钢坯粗轧终轧平均温度,用于加热炉的炉温的实时控制。
目前国内在加热炉炉温控制方法方面的专利申请,主要是在针对炉内气氛以及和炉内钢坯装炉策略专利,例如CN201510158776.0,CN201310535432.8等专利,均未涉及到利用钢坯粗轧终轧温度来进行加热炉炉温控制的方法。
发明内容
有鉴于此,本发明的目的是提供一种加热炉炉温控制方法。
为达到上述目的,本发明提供如下技术方案:
一种加热炉炉温控制方法,包括以下步骤:
S1:为每块钢坯建立与之相关的加热炉区域单坯实测平均炉温与钢坯粗轧终轧温度的数据集;
S2:通过自学习算法建立寻找大量记录的已出炉钢坯、每块钢坯粗轧终轧温度与其在各加热区域实测有效平均炉温度之间的关系;
S3:利用已生产的大量钢坯数据完成自学习后,利用训练好的神经网络预测计算,以当前各炉温控制区域设定温度为输入值,预测计算在炉每块钢坯粗轧终轧温度,并将预测的记过赋值给每块板坯,用Tcalrdt进行记录;
S4:根据每块钢坯粗轧终轧温度预测值与目标值的差异来进行每块钢板所在炉温控制区域的钢坯必要炉温设定值计算;
S5:根据控制区域内每块钢坯必要炉温设定值进行加权计算,确定炉温控制区域的炉温设定值。
进一步,步骤S1中,所述数据集以钢坯坯号为数据集主键进行测量数据收集,包括钢坯在不同炉段不同时间内采集的热电偶数据及钢坯的位置信息,利用数据集进行加权平均来计算处理后产生的每块钢坯实测平均炉温、钢坯的钢种信息、钢坯的厚度信息。
进一步,步骤S1中,采集钢坯所在炉段不同时间段的热电偶数据,计算每块钢坯实测平均炉温:
式中,Tf为每块钢坯实测平均炉温值,Tf1为每块钢坯在此控制区域第一次采集炉温,Tf2为每块钢坯在此控制区域第二次采集炉温,Tfn为每块钢坯在此控制区域第n次采集炉温。
进一步,步骤S2中所述自学习算法包括炉温输入层、隐藏层及输出层,将n次采集的炉温分为第1,2…,n控温段上部和下部,作为炉温输入层的输入数据,经过隐藏层处理,输出钢坯终轧平均温度,其中选取的激活函数为ReLU激活函数,选取的算法为Adam算法。
进一步,步骤S4中所述每块钢坯所在炉温控制区域的钢坯必要炉温设定值计算公式如下:
Tsetslabn=k*(Tgoalrdt-Tcalrdt)+Tfset
式中,Tsetslabn为每块钢坯必要炉温设定值,k为修正系数,Tgoalrdt为每块钢坯粗轧终轧温度目标值,Tcalrdt为步骤S3预测的钢坯粗轧终轧温度平均值,Tfset为当前控制区域温度设定值。
进一步,步骤S5中通过下式确定炉温控制区域的炉温设定值:
Tset=Tsetslab1Perslab1+Tsetslab2Perslab2+…+TsetslabnPerslabn
Wn=Wgrade*Wlocation*Wweight*
式中,Tset为控制炉温设定值,Tsetslabn为每块钢坯必要炉温设定值,Perslabn为影响因子,Wn为第n块钢坯综合影响权重,Wgrade为钢坯钢种因素影响权重,Wlocation为钢坯控制区域影响权重,Wweight*为钢坯重量影响权重。
本发明的有益效果在于:本发明提出一种加热炉炉温控制方法,将钢坯加热工艺与轧制工艺进行了有效的控制关联,从而能更好的使加热炉的加热工艺服务于轧制工艺的总体需求,降低了因为加热钢坯的温度影响到钢坯粗轧终轧温度实现的可能性,从而是上下游生产更加顺畅。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述加热炉炉温控制方法流程图;
图2为自学习算法结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,一种加热炉炉温控制方法,本实例中选取的加热炉有效长度为49.5m,炉膛内宽12.7m,加热炉设计有效长度为44870mm,内宽为11700mm。加热炉设12个炉温自动控制区域,即预热段、一加热段、二加热段、均热段的上、下控制区。
S1:为每块钢坯建立与之相关的加热炉区域每块钢坯坯实测平均炉温与钢坯粗轧终轧温度的数据集合。以每30秒为周期记录其所处区域的热电偶温度实际测量值。当钢坯完成粗轧后,记录粗轧终轧温度平均值。
表1实测数据项目表
表中的各段加权平均温度通过以下公式计算完成:
式中,Tf为每块钢坯实测平均炉温值,Tf1为每块钢坯在此控制区域第一次采集炉温,Tf2为每块钢坯在此控制区域第二次采集炉温,Tfn为每块钢坯在此控制区域第n次采集炉温。
S2:通过自学习算法建立寻找大量记录的已出炉钢坯,每块钢坯粗轧终轧温度与其在各加热区域时实测平均炉温度之间的关系。如图2所示,在进行算法自学习过程中,引入mes函数进行建立的自学习算法误差评估,保证训练数据满足可接受的粗轧终轧温度误差指标,本实例中可接受的温度偏差值为15℃,那么其平方误差为225。神经网络训练的误差应在此范围内,本实例中利用现场采集数据训练12500次达到误差范围以内。
S3:利用已生产的大量钢坯数据完成自学习后,利用训练好的神经网络进行预测计算,预测计算以当前炉温控制区域设定温度为输入值,进行粗轧终轧温度预测计算。以目前处于第二加热段的某块钢坯为例,以其在加热炉内时期的各温度控制区域设定炉温平均值为输入数据预测其粗轧终轧温度。
表2各段设定温度值平均值输入:
预测出单块钢坯终轧平均温度为1109.7℃。
S4:确定根据每块钢坯粗轧终轧温度预测差异值来进行每块钢坯所在炉温控制区域必要设定炉温值计算:
Tsetslabn=k*(Tgoalrdt-Tcalrdt)+Tfset
式中,Tsetslabn为每块钢坯必要炉温设定值,k为修正系数,Tgoalrdt为每块钢坯粗轧终轧温度目标值,Tcalrdt为上一步预测的钢坯粗轧终轧温度平均值,Tfset为当前控制区域温度设定值。
在本案例中,上一步所跟踪钢板的预测粗轧终轧温度为1109.7℃,目标粗轧终轧温度为1120℃,接受误差为15℃,以当前控制区域设定温度为此块钢坯所在区域必要炉温设定温度。
S5:按照S3和S4步骤,对第二加热炉控制区域包含的5块钢坯依次进行钢坯必要炉温计算,并按照以下5块钢坯的影响因子公式,完成第二加热炉段炉温设定值计算,计算完成后设定炉温值为1308℃。
Tset=Tsetslab1Perslab1+Tsetslab2Perslab2+…+TsetslabnPerslabn
Wn=Wgrade*Wlocation*Wweight*
式中,Tset为控制炉温设定值,Tsetslabn为每块钢坯必要炉温设定值,Perslabn为影响因子,Wn为第n块钢坯综合影响权重,Wgrade为钢坯钢种因素影响权重,Wlocation为钢坯控制区域影响权重,Wweight*为钢坯重量影响权重。
对于其他炉温控制区域炉温设定按照S3到S5的步骤依次进行。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种加热炉炉温控制方法,其特征在于:包括以下步骤:
S1:为每块钢坯建立与之相关的加热炉区域单坯实测平均炉温与钢坯粗轧终轧温度的数据集;
S2:通过自学习算法建立寻找大量记录的已出炉钢坯、每块钢坯粗轧终轧温度与其在各加热区域实测有效平均炉温度之间的关系;
S3:利用已生产的大量钢坯数据完成自学习后,利用训练好的神经网络预测计算,以当前各炉温控制区域设定温度为输入值,预测计算在炉每块钢坯粗轧终轧温度,并将预测的记过赋值给每块板坯,用Tcalrdt进行记录;
S4:根据每块钢坯粗轧终轧温度预测值与目标值的差异来进行每块钢板所在炉温控制区域的钢坯必要炉温设定值计算;
S5:根据控制区域内每块钢坯必要炉温设定值进行加权计算,确定炉温控制区域的炉温设定值。
2.根据权利要求1所述的加热炉炉温控制方法,其特征在于:步骤S1中,所述数据集以钢坯坯号为数据集主键进行测量数据收集,包括钢坯在不同炉段不同时间内采集的热电偶数据及钢坯的位置信息,利用数据集进行加权平均来计算处理后产生的每块钢坯实测平均炉温、钢坯的钢种信息、钢坯的厚度信息。
4.根据权利要求3所述的加热炉炉温控制方法,其特征在于:步骤S2中所述自学习算法包括炉温输入层、隐藏层及输出层,将n次采集的炉温分为第1,2...,n控温段上部和下部,作为炉温输入层的输入数据,经过隐藏层处理,输出钢坯终轧平均温度,其中选取的激活函数为ReLU激活函数,选取的算法为Adam算法。
5.根据权利要求4所述的加热炉炉温控制方法,其特征在于:步骤S4中所述每块钢坯所在炉温控制区域的钢坯必要炉温设定值计算公式如下:
Tsetslabn=k*(Tgoalrdt-Tcalrdt)+Tfset
式中,Tsetslabn为每块钢坯必要炉温设定值,k为修正系数,Tgoalrdt为每块钢坯粗轧终轧温度目标值,Tcalrdt为步骤S3预测的钢坯粗轧终轧温度平均值,Tfset为当前控制区域温度设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670639.6A CN111814402B (zh) | 2020-07-13 | 2020-07-13 | 一种加热炉炉温控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670639.6A CN111814402B (zh) | 2020-07-13 | 2020-07-13 | 一种加热炉炉温控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814402A true CN111814402A (zh) | 2020-10-23 |
CN111814402B CN111814402B (zh) | 2023-10-17 |
Family
ID=72843155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010670639.6A Active CN111814402B (zh) | 2020-07-13 | 2020-07-13 | 一种加热炉炉温控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814402B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54112709A (en) * | 1978-02-24 | 1979-09-03 | Hitachi Ltd | Temperature setting and controlling method for multi- zone type heating furnace |
JP2000144255A (ja) * | 1998-11-04 | 2000-05-26 | Kawasaki Steel Corp | 誘導加熱炉の温度制御方法 |
CN104894362A (zh) * | 2015-05-22 | 2015-09-09 | 北京和隆优化科技股份有限公司 | 一种冷热钢坯混装的加热炉炉温设定方法 |
CN107201440A (zh) * | 2017-04-21 | 2017-09-26 | 上海联达节能科技有限公司 | 一种加热炉炉温制度设定方法与系统 |
CN108687140A (zh) * | 2018-05-11 | 2018-10-23 | 鞍钢股份有限公司 | 热轧加热炉板坯温度自学习控制方法 |
CN109248928A (zh) * | 2017-07-13 | 2019-01-22 | 鞍钢股份有限公司 | 一种热轧加热炉动态炉温控制方法 |
CN110918655A (zh) * | 2019-11-30 | 2020-03-27 | 宝钢特钢韶关有限公司 | 一种精细化加热控制方法 |
-
2020
- 2020-07-13 CN CN202010670639.6A patent/CN111814402B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54112709A (en) * | 1978-02-24 | 1979-09-03 | Hitachi Ltd | Temperature setting and controlling method for multi- zone type heating furnace |
JP2000144255A (ja) * | 1998-11-04 | 2000-05-26 | Kawasaki Steel Corp | 誘導加熱炉の温度制御方法 |
CN104894362A (zh) * | 2015-05-22 | 2015-09-09 | 北京和隆优化科技股份有限公司 | 一种冷热钢坯混装的加热炉炉温设定方法 |
CN107201440A (zh) * | 2017-04-21 | 2017-09-26 | 上海联达节能科技有限公司 | 一种加热炉炉温制度设定方法与系统 |
CN109248928A (zh) * | 2017-07-13 | 2019-01-22 | 鞍钢股份有限公司 | 一种热轧加热炉动态炉温控制方法 |
CN108687140A (zh) * | 2018-05-11 | 2018-10-23 | 鞍钢股份有限公司 | 热轧加热炉板坯温度自学习控制方法 |
CN110918655A (zh) * | 2019-11-30 | 2020-03-27 | 宝钢特钢韶关有限公司 | 一种精细化加热控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116607001A (zh) * | 2023-07-21 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
CN116607001B (zh) * | 2023-07-21 | 2023-11-14 | 江苏甬金金属科技有限公司 | 一种基于多点反馈的炉温优化控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111814402B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
KR20160105464A (ko) | 미세조직 시뮬레이터, 모니터 및/또는 모델을 이용한, 열연 및 후판 공장에서 금속 강 합금 및 철 합금의 최적 제조 방법 | |
CN113849020B (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
CN104894362A (zh) | 一种冷热钢坯混装的加热炉炉温设定方法 | |
CN101428301A (zh) | 卷取温度控制装置及控制方法 | |
CN108921232B (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
CN100372950C (zh) | 一种控制带钢温度的方法 | |
CN111814402A (zh) | 一种加热炉炉温控制方法 | |
Wu et al. | Neural-network-based integrated model for predicting burn-through point in lead–zinc sintering process | |
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN103447314B (zh) | 一种粗轧测温反馈控制方法 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
CN103831305B (zh) | 一种粗轧机热轧可逆道次轧制时板坯温度的转换方法 | |
Botnikov et al. | Development of the metal temperature prediction model for steel-pouring and tundish ladles used at the casting and rolling complex | |
WO2021080470A1 (ru) | Способ производства проката из стали | |
JP4402502B2 (ja) | 巻取温度制御装置 | |
Zhi-Kun et al. | Application of weighted multiple models adaptive controller in the plate cooling process | |
CN105631231B (zh) | 一种对热轧过程温度实测值进行修正的方法 | |
CA3122450C (en) | Method and electronic device for controlling a manufacturing of a group of final metal product(s) from a group of intermediate metal product(s), related computer program, manufacturing method and installation | |
RU2752518C1 (ru) | Способ эксплуатации отжигательной печи | |
CN113441556A (zh) | 一种低温卷取型热轧双相钢的层流冷却工艺控制方法 | |
JPH0671315A (ja) | 熱間圧延における鋼板の圧延温度予測方法 | |
Zanoli et al. | Analysis and modeling of steel industry reheating furnace billets temperature | |
CN102234715A (zh) | 初轧炉群交叉出钢控制方法 | |
CN115828772B (zh) | 一种融合正向机理与机器学习的钢坯温度的快速计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |