CN1589986A - 金属板带轧制自动控制工艺参数的优化方法 - Google Patents

Abstract

本发明属于金属板带轧制领域，适用于金属(包括铁、铝、铜、钼、钛等金属及合金)板带轧制过程自动控制的工艺参数优化，采用轧制工艺参数在线自动测量、将采集到的数据通过网络通信传输、计算机数据处理组成的自动控制系统与板带轧制工艺技术相结合的方式对金属板带轧制过程中的变形抗力F和摩擦系数μ的后计算值进行精确计算，将实测的轧制力F和前滑值fs代入以变形抗力K和摩擦系数μ为未知量的二元高次非线性方程组，同时求解两个未知量的后计算值，利用该后计算值对变形抗力K和摩擦系数μ计算模型进行自适应学习优化，进而提高金属板带轧制力F模型的设定精度，可使设定值和实测值的偏差控制在±5％以内。

Description

金属板带轧制自动控制工艺参数的优化方法

所属技术领域

本发明属于金属轧制领域，特别适用于板带轧制过程中自动控制工艺参数的优化。

技术背景

金属(包括铁、铝、铜、钼、钛等金属及合金)板带轧制过程高精度控制的核心是获得准确的轧制力设定值。要想获得准确的轧制力设定值，必须首先得到准确的变形抗力和摩擦系数计算值。金属板带轧制是一个多变量、非线性、强耦合的过程，单从理论角度很难计算出准确的轧制工艺参数，这影响了板带轧制的控制精度，造成产品质量缺陷。

为此，国内外采用检测仪表实测轧制过程的工艺参数，通过实测值对模型自适应学习的方法来提高模型计算精度。但变形抗力和摩擦系数是无法在生产过程中进行连续测量，因此只能通过实测轧制力对其实际值进行间接后计算。由于轧制力是变形抗力和摩擦系数的函数，无法通过轧制力实测值同时获得变形抗力和摩擦系数两个后计算值，故过去只能采取固定一个值，计算另一个值的方法，这会降低参数的计算精度。

发明内容

针对现有技术中存在的问题，本发明提出一种金属板带轧制过程自动控制工艺参数优化方法，可以同时、准确地计算出板带轧制过程的变形抗力和摩擦系数后计算实际值。并通过实测值对数学模型进行自适应学习来提高轧制控制模型的精度。

本发明采用由轧制工艺参数在线自动测量，测试数据通过网络通讯传输、数据计算机处理组成的控制系统，与轧制工艺相结合对变形抗力和摩擦系数后计算实际值进行精确测算。本发明的技术方案：如图1所示，通过板带轧机控制系统的数据传输网络将生产过程中力传感器实测的轧制力、激光测速仪实测的轧机出口处板带的速度、以及传动电机编码器实测的轧辊转速传送到过程计算机实测值数据库中。之后进入到计算机处理程序，如图2所示，过程计算机数据处理程序对实测数据进行处理，去除不合理测量值，并对合理的实测值取平均值。如数据可用，进入下一步程序，否则退出程序，重新开始。数学模型程序系统利用处理后的实测板带出口速度v和实测轧辊速度v_R计算出板带轧制过程的实际前滑值f_s＝(v-v_R)/v_R。把实际前滑值f_s、实测轧制力值F以及其它参数代入相应的前滑理论计算模型式(1)。

$f_s=(\frac{{2R}^{\′}}{h_{\mathrm{out}}}\cos {\mathrm{\Φ}}_n-1)(1-\cos {\mathrm{\Φ}}_n)----\left(1\right)$

${\mathrm{\Φ}}_n=\sqrt{\frac{h_{\mathrm{out}}}{R^{\′}}}\tan \left[\frac{1}{2}{\tan }^{-1}\right\{\sqrt{\frac{h_{\mathrm{in}}-h_{\mathrm{out}}}{h_{\mathrm{out}}}}\}-\frac{1}{4\mathrm{\μ}\sqrt{\frac{R^{\′}}{h_{\mathrm{out}}}}}\ln \{\frac{h_{\mathrm{in}}}{h_{\mathrm{out}}}\frac{1-\frac{t_{\mathrm{out}}}{k\·{{\mathrm{\η}}_{\mathrm{kout}}}^n}}{1-\frac{t_{\mathrm{in}}}{k\·{{\mathrm{\η}}_{\mathrm{kin}}}^n}}\left\}\right]$

式中：f_s-前滑值

      h_in，h_out-入口、出口带钢厚度

      t_in，t_out-入口、出口单位张力

      η_kin，η_kout-入口、出口变形抗力平均系数

      k，-变形抗力

      μ-摩擦系数

      Φ_n-中性角

      R′-轧辊压扁半径

      n-模型系数

和轧制力理论计算模型式(2)

$F=Q_F(k-\mathrm{\ξ})W\sqrt{R^{\′}(h_{\mathrm{in}}-h_{\mathrm{out}})}+\frac{2}{3}\sqrt{\frac{1-v^2}{E}k\frac{h_{\mathrm{out}}}{h_{\mathrm{in}}-h_{\mathrm{out}}}}(k-\mathrm{\ξ})W\sqrt{R^{\′}(h_{\mathrm{in}}-h_{\mathrm{out}})}----\left(2\right)$

ξ＝α·t_in+β·t_out

$Q_F=1.08-1.02\·r+1.79\·r\·\mathrm{\μ}\·\sqrt{1-r}\·\sqrt{\frac{R^{\′}}{h_{\mathrm{out}}}}$

式中：F-轧制力

F^p，F^e-塑性、弹性区轧制力

F^e _in，F^e _out-弹性压缩、恢复区轧制力

h_in，h_out-入口、出口厚度

W-带钢宽度

t_in，t_out-入口、出口单位张力

k-变形抗力

μ-摩擦系数

R’-轧辊压扁半径

Q_F-轧制力外摩擦影响系数

r-压下率

v-泊松比

E-杨氏模量

α，β-入口、出口张力影响系数

构成以变形抗力K后计算值和摩擦系数μ后计算值为未知量的二元高次非线性方程组式(3)

$\left.\begin{array}{c}{f}_s(k,\mathrm{\μ})=0\\ F(k,\mathrm{\μ})=0\end{array}\right\}---\left(3\right)$

通过Newton-Raphson法求解非线性方程组式(3)，得出变形抗力K和摩擦系数μ的后计算值。上述求解过程是采用迭代法计算的，如果方程组不收敛，计算就退出程序，否则就将计算结果存储到后计算值的数据库中。自适应学习程序将变形抗力K后计算值带入变形抗力K的理论模型式(4)。

$k=\frac{2}{\sqrt{3}}{C}_{k0}{k}_0{(\frac{2}{\sqrt{3}}\ln \frac{100}{100-\mathrm{\ξ}\·r_{\mathrm{tm}}}+{\mathrm{\ϵ}}_0)}^n----\left(4\right)$

$r_{\mathrm{tm}}=\frac{h_0-h_m}{h_0}\×100$

h_m＝(1-γ)·h_in+γ·h_out

式中

k-变形抗力

h₀-初始厚度

h_m-平均厚度

h_in，h_out-入口、出口厚度

k₀，ε₀，n，ξ，γ-模型参数

C_k0-模型自适应学习系数

把摩擦系数μ的计算值带入摩擦系数μ理论模型式(5)

$\mathrm{\μ}=C_1\·e^{(b_L\·L+C_L\·L^2+d_L\·L^3+e_L\·L^4)+b_v(v-v_0)+c_v{(v-v_0)}^2+d_v{(v-v_0)}^3+e_v{(v-v_0)}^4}----\left(5\right)$

式中μ-摩擦系数

L-工作辊轧制带钢长度

v-带钢出口速度设定值

b_L～e_L，b_v～f_v-模型参数

v₀-带钢出口速度标准值

C₁-模型自适应学习系数

对理论计算值进行自适应补偿，优化自适应学习系数C_k0、C₁提高模型的计算精度。

本发明可以通过实测轧制力F和实际前滑值f_s同时计算出变形抗力K和摩擦系数μ后计算实际值，解决了仅使用实测轧制力F进行变形抗力K和摩擦系数μ后计算过程中的耦合问题，可以有效地提高变形抗力K模型和摩擦系数μ模型的自适应学习优化效果，将其计算结果代入轧制力F模型式(2)，轧制力F设定值与实测值偏差可控制在±5％以内。

附图说明

图1为金属板带轧制实测数据采集示意图，

图2为变形抗力K和摩擦系数μ后计算过程流程图，

图3为实施例工业实验75卷冷轧带钢轧制力F计算值与实测值对比图。

具体实施方式

本发明已在冷轧带钢1220mm冷轧机上实验成功。厚度规格：1.5～3.5mm；成品厚度：0.2～0.8mm；宽度：550～1020mm；钢种：SPHC、MRT、Stw22；工作辊直径：550mm；支撑辊直径：1194mm；主电机为交直交矢量变频，功率3800kW，数字转数测量编码器最大测量范围1100r/min。压头(轧制力传感器)采用压磁式，最大测量范围10MN。激光测速仪测速范围0.6～2520mpm，测量精度±0.025％。过程优化计算机采用P4-1.8GHz微型机，程序由VisualC++编写。

以带钢轧制钢种SPHC，入口厚度2.3mm，出口厚度1.67mm，板带宽1020mm为例。通过电机编码器测得电机转速为v_R＝769m/min，激光测速仪测得板带出口速度v＝787m/min，由模型程序计算出实际前滑值f_s＝2.34％。由压头测得并由实测处理程序得轧制力实测值F＝8637.4KN。将实际前滑值f_s和实测轧制力F值分别代入其理论模型中，构成以变形抗力K和摩擦系数μ为未知量的非线性方程组式(3)，通过Newton-Raphson法求解该非线性方程组得变形抗力K后计算值为538.6Mpa，摩擦系数μ后计算值为0.107。将上述后计算值对变形抗力K模型和摩擦系数μ模型式(4)、式(5)进行自适应学习优化后，将变形抗力K和摩擦系数μ模型计算值代入轧制力F模型式(2)得到理论计算值8541.2KN，下一卷同规格带钢的实测轧制力8805.7KN，两者偏差为-3.0％。

Claims (3)

1、一种金属板带轧制自动控制的工艺参数的优化方法，其特征在于包含以下四个步骤：金属(包括铁、铝、铜、钼、钛等金属及合金)板带轧制整个过程的主要工艺参数自动在线实测；对测得的数据进行处理得到金属板带轧制的实际前滑值；由变形抗力K和摩擦系数μ为二个未知量建立了轧制力F(k，μ)和前滑值fs(k，μ)组成的二元高次非线性方程组

求解该方程组同时得到变形抗力K和摩擦系数μ的后计算值；将变形抗力K和摩擦系数μ的后计算值代入变形抗力K和摩擦系数μ理论模型，对理论计算值进行自适应补偿，优化自适应学习系数。

2、根据权利要求1所述的金属板带轧制自动控制的工艺参数的优化方法，其特征在于通过电机编码器自动在线实测轧辊转数V_R和金属板带出口速度V，而且计算得到金属板带实际轧制前滑值f_s；由压力传感器自动在线实测轧制力F。

3、根据权利要求1所述的金属板带轧制自动控制的工艺参数优化方法其特征在于，实测数据处理和高精度轧制力求解整个过程是由计算机程序来完成的，它包括以下步骤：实测数据读入，实测数据处理，去除不合理测量值，并对合理实测值取平均值作数据可用否的判断；计算前滑值f_s，把取出的实测轧制力F代入理论模型，实测前滑值f_s代入理论模型，求解由变形抗力K和摩擦系数μ二未知量的二元高次方程组，进行迭代计算，如收敛得出变形抗力K和摩擦系数μ的后计算值，如不收敛退出程序；将变形抗力K和摩擦系数μ后计算值代入变形抗力K和摩擦系数μ的理论模型进行自适应学习系数优化，把优化了的变形抗力K和摩擦系数μ数值代入轧制力F理论模型得到优化的轧制力设定值。

Images