线材轧制冷却过程智能混合控制

第18卷第6期 系

统 仿 真 学 报© Vol. 18 No. 6

2006年6月 Journal of System Simulation Jun., 2006

线材轧制冷却过程智能混合控制

于政军1，柴天佑1，柏庆言2

（1.东北大学自动化研究中心, 沈阳 110004; 2.鞍钢新轧公司线材厂, 鞍山 114002）

摘 要：由于轧制节奏的变化和与低温步进梁长时间接触，从步进梁式加热炉出来的线材料坯（简称钢坯）温度沿纵向呈现不规则状态分布，这使得线材成品的质量稳定性受到严重影响。限于高速轧制的工艺特点和冷却系统的大滞后特征，钢坯均温处理一直是采用步进式加热的线材轧制过程控制难点。针对高速线材冷却控制特点，提出了一种基于温度分布状态分析的轧制冷却过程智能控制模式。该模式采用RBF网络模型对轧件温度进行提前预测，通过对预测温度的深入分析，辨识每根钢坯的温度状态分布特征（平均温度、水印深度和位置等），并结合冷却系统特性把握设定调整节奏，实现了线材轧制冷却过程的均温和降温控制目标。 关键词：线材轧制冷却；RBF神经网络；温度预测；设定补偿

中图分类号：TG335;TP391 文献标识码：A 文章编号：1004-731X (2006) 06-1626-04

Rod Milling Cooling Process Intelligent Hybrid Control

YU Zheng-jun1, CHAI Tian-you1, BAI Qing-yan2

(1.Research Center of Automation, Northeastern University, Shenyang 110004, China;

2.Rod Mill of Angang New Steel Co.Ltd., Anshan 114001, China)

Abstract: The change of production rhythm and the heat exchange between the billet and the walking beam provokes the appearance of nonuniform billet temperature. The rod milling under bad billet temperature conditions generally produces products of unacceptable quality. A novel intelligent hybrid control system for billet temperature is presented, in which a RBF model is used to estimate the billet temperature in advance for analyzing the billet temperature distributing status, in order to generate the optimum coolant flux set point adequate to cooling system characteristic.

Key words: coil rolling temperature control; RBF NN; temperature estimate; intelligent hybrid control

引 言

[1]

量，冷却系统没有足够的响应时间，提前检测钢坯温度又会因钢坯在检测点到水箱之间所经历了轧制和冷却处理过程而严重失真，使得冷却设定不准确；二是单个轧件温度分布波动大限制了反馈信息的直接获取：由于同一根钢坯的不同部位温度存在偏差，水箱出口的检测温度只能代表被检查部位的处理结果，并不能直接作为后续坯段的反馈信息，因此难以用传统的回路控制策略实现钢坯轧制温度控制。

目前，解决冷却系统滞后的重要手段是前馈与反馈相结合的控制策略[2]，但因为没有充分考虑轧件本身温度分布的不均匀性和冷却系统滞后特性的合理匹配，所以这些控制方法难以实现钢坯温度的精细控制，钢坯出炉温度的波动仍然是困扰线材质量稳定的难题。

对于以产品性能作为控制对象的工业生产过程控制，优化设定和基础回路控制相结合的分层控制策略为人们所广泛认可和应用，并在层流冷却过程[3]、选矿过程[4]得到成功应用。鉴于此，本文针对高速线材冷却控制特点，提出了一种基于温度分布状态分析的轧制冷却过程智能控制模式。该模式采用RBF网络模型对轧件温度进行提前预测，然后通过对预测温度的深入分析，辨识每根钢坯的温度状态分布特征（平均温度、水印深度和位置等），并结合冷却系统冷却特性把握系统的冷却水流量设定调整节奏。同时，为了最大限度地减少轧件目标温度与实际结果之间的偏差，该模式引入了反馈设定补偿机制，即通过对终点轧件温度分析，确

对钢坯的晶粒细化控制是保证线材内在质量的重要环

节，而实现晶粒细化控制的重要前提是严格的精轧温度控制，保证钢坯进入精轧机时温度波动在一个限定的范围内。在线材轧制过程中，引起钢坯温度波动的主要因素有两个：一是轧制节奏变化，二是步进梁接触温降。在线材轧制过程中，轧制节奏经常会发生变化，在没有轧制节奏控制的情况下会导致加热炉的钢坯出炉温度时常有很大的波动。同时，又由于线材坯料偏于细长，采用步进式加热炉加热过程中，钢坯需要长时间与具有自冷却系统的步进梁接触，受到热传导过程的影响，接触的地方有明显的温降现象(简称水印)，这使得钢坯出炉温度不但整体上可能出现温度偏差，而且一根钢坯本身也会出现温度不均现象。如不加以控制，成材会出现同一卷线材各段品质指标不同，降低线材成品的质量档次。

线材精轧温度控制面临着两个控制难点：一是轧制冷却系统的大滞后特性和高速线材轧件滞留水箱时间短的矛盾：冷却系统存在大滞后特征且高速线材通过水箱时间短

暂，如果在水箱入口处检测钢坯温度，然后再设定冷却水流

收稿日期：2006-01-09 修回日期：2006-04-25

基金项目：国家自然科学基金 (60534010)和国家973重点基础研究计划项目 (2002CB312201)。

作者简介：于政军(1958-), 男, 辽宁鞍山人, 工程师, 博士生, 研究方向为冶金工业过程优化控制。

·1626·

2006年6月 于政军,

等：线材轧制冷却过程智能混合控制 Jun., 2006

如果将某根钢坯的第k段冷却后的温度T3j(k)作为被控其中，T2j(k)变量，可以得到描述T3j的过程函数如式1所示，D2j(k)为精冷系统外部扰为第k段钢坯在P2j点的检测温度；

动对第k段钢坯温度的影响；F2j(k)为精冷系统对第k段钢坯的冷却水流量设定。

定当前冷却设定模型存在的设定偏差，并通过设定补偿的形式对设定系统进行反馈修正。

本文推荐的轧制冷却过程智能控制模式已经用于鞍钢线材厂控冷轧制系统设计，控制结果显示，采用叠加式精轧温度智能混合控制模式进行线材冷却控制，不但能够保证钢坯进入精轧机前的平均温度满足工艺要求，而且还能大大提高钢坯精轧前温度的均匀度，真正改善成品线材的品质特性。

T3j(k)=f(T2j(k),D2j(k),F2j(k)) (1)

1.2 传统控制方法及存在的控制问题

由于难以形成有效的温度闭环控制，线材多线轧制冷却过程的钢坯温度控制主要是依靠操作工根据所观察的钢坯温度和生产经验，通过调整各个水箱的冷却水流量来实现，其控制逻辑如图2所示。其中，Ta为目标温度；S = (S1, S2j)，S1为WB1的设定流量，S2j为WB2j的设定流量；T= (T1j, T2j, T3j)

，T1j为P1j当前的检测值，T2j为P2j当前的检测值，T3j为P3j当前的检测值；F = (F1, F2j)，F1为WB1的实际流量，F2j为WB2j的实际流量。

1 线材轧制冷却系统

1.1 过程描述

多线(以三线为例)线材控温轧制冷却系统由预冷系统和精冷系统，以及若干检测钢坯温度的高温计组成(参见图1)。其中，预冷系统包括预冷水箱WB1（位于粗轧区和中轧区之间）、流量调节阀V1和流量计FM1；精细冷却系统则由3组(每条线一组)精冷水箱WB2j(i = 1, 2, 3)、V2j(j = 1, 2, 3)和FM2j(j = 1, 2, 3)构成。同时，每条轧线上，在粗轧段的3机架后、WB2j入口处、WB2j出口处各设置了一个高温计，分别标示为P1j、P2j和P3j。WB1和WB2j的冷却水流量分别通过调节阀V1和V2j进行调整，瞬间实际流量则由流量表FM1和FM2j加以检测受到环境条件的限制，预冷却系统使用一个共用水箱WB1。由于多条轧线上的钢坯不可能同步经过WB1，这使其作用被限于对钢坯的预降温，因而，要想实现精轧温度的精细控制，WB2j需要同时承担精确降温和均温双重任务。

图2 传统线材轧制冷却过程控制逻辑

在传统的人工冷却设定控制模式下，操作人员要做以下工作（参见图2）：

温度分析：

跟踪观察钢坯温度：通过各个轧线上的高温计检测值监视当前钢坯的温度分布状态及变化趋势；

分析当前控制效果：根据观察到的钢坯温度（包括处理前和处理后的温度变化）分析当前控制系统的控制效果，确定是否需要对当前使用的水量进行调整，做出调整冷却水量的决策；

图1 线材多线轧制冷却过程工艺示意图

冷却决策：

制定冷却水调整方案：根据观测到的温度和冷却水量调整决策制定在当前冷却设定基础上的冷却水调整量；

水量调节操作：根据冷却方案调整当前水箱的流量设定值。 由于操作人员很难根据“水印”位置变化把握水量调整时机，在人工冷却设定控制模式下，冷却系统不能实现对钢坯局部温度波动的有效处理。

轧制冷却过程控制的焦点是如何针对钢坯温度实时把握作用于高速运动钢坯的冷却水流量。对于一根钢坯而言，其表面温度沿钢坯纵向方向连续波动。因此，要想实现对钢坯的均温和降温的双重目的，必须首先能够对钢坯进行准确的位置跟踪。

通过研究分析认定，根据被轧钢坯秒流量相等原理，在钢坯运行速度恒定的情况下，钢坯上任意一点到达不同的检测点的时间间隔固定不变，选择相同的时间间隔，通过定位钢坯头部的位置，可以准确地同步钢坯的温度检测点和冷却工作点。为此，为了便于跟踪钢坯温度和建立相应的冷却设定模型，本文将钢坯沿行进方向按固定时间片分为n段（长度l = 100ms × v，v为钢坯运行速度）。由于钢坯段的长度很小，因此视作段内温度均匀分布。

2 线材轧制冷却过程智能混合控制

2.1 冷却过程智能控制策略

针对轧制冷却过程控制难点，本文提出了一个叠加设定方案，即将冷却水流量设定分为针对钢坯平均温度的降温分量和针对“水印”现象的均温分量（又称均温设定补偿）。考虑到一些不可测外部扰动对冷却效果的影响，降温设定又进一步分为前馈分量和反馈分量。

·1627·

2006年6月 系

统 仿 真 学 报 Jun., 2006

达WB2j时的温度T2j(k)与钢坯在P1j点的检测温度T1j和钢坯从P1j点到P2j点所经历的冷却处理和轧制处理对钢坯温度造成的影响D1j(k)之间存在的某种函数关系，其表达式如式2所示，其中<>表示内部元素为顺序固定的钢坯段温度。

线材轧制冷却过程控制采用包含调节层和监督层两层控制结构：调节层负责冷却水流量回路控制（见图1的回路配对和图2的变量说明），监督层负责为调节层提供最佳冷却水流量设定。监督层的控制逻辑框架如图3所示，其中，PM为温度预测模型；SM1为预冷系统流量设定模型，用于生成WB1的冷却水流量控制回路设定值；SMa为精冷系统降温流量设定模型；ASM为温度均值计算模型；SMoff为精冷系统均温流量设定模型；S2j*为降温前馈设定分量；S3j*为z-1指示取上根钢降温补偿设定分量； S2j*为均温设定分量；坯的温度值；T2j为T2j的预测值；其余符号含义同前。

为了兼顾冷却系统的响应特性，降温设定和均温设定补偿采用不同的调整节奏。降温设定为每根钢变更一次，鉴于系统的实时性要求，采用第一个水印中心点后固定长度（见图3中的L2）钢坯的平均温度代表整个钢坯的温度均值；均温设定为每个水印变更一次，均温设定补偿量依据水印区钢坯温度均值确定。

T2j(k)=f1(T1j,F1,Dj)

T1j=<T1j(1),",T1j(k),",T1j(n)>

(2)

在基本生产信息确定以后，线材轧制热力模型的各个模型系数和过程参量也随之确定，只有强迫对流传导系数存在着某种变数。在钢坯冷却过程中，存在着两种对流热传导介质：空气和冷却水，由于在精轧前没有强制空冷，因此在轧制冷却控制时允许忽略空气对流波动对温降的影响。另外，预冷系统的流量设定只与目标温度有关，在过程中视为常量，因此可以将式2简化为式3形式。

*

T2j(k)=f2(T1j(1),",T1j(k),",T1j(n)) (3) 从理论上讲，T1j的所有的向量元素（每段钢坯的温度）都将对T2j(k)构成一定的影响，但从工程实现的角度考虑，只需要T1j(k-2)、T1j(k-1)、T1j(k)、T1j(k+1)、T1j(k+2)等5个

温度点就可以达到应用两维有限差分技术求解二阶偏微分方程的精度要求。为此，对式3进行进一步简化处理，可以得到新的T2j(k)的计算函数关系如式4所示。

T2j(k)=f3(T1j(k-2),T1j(k-1),T1j(k),T1j(k+2),T1j(k+1)) (4)

在钢坯跟踪功能的支持下，T1j(k)和T2j(k)均可以获得精确的实际测量值，因而为采用人工神经网络技术通过T1j(k)为了简化算法和对T2j(k) 进行提前预测提供了一定的方便。

便于模型学习，本文选用了径向基函数（RBF）神经网络[7]模型作为式4的逼近函数，预测模型的数学表达式如式5所示，其中T*2j(k) 为第k段钢坯在P2j点温度的预测值，wi为权值，ci为Ri(x)的中心点，σi为Ri(x

)的感知常数。

图5显示了针对一根钢坯温度预测RBF网络的温度预测值与实际检测值的对照结果，位于图上部的曲线为在P1j点检测的钢坯纵向温度状态分布T1j，作为RBF模型的输入信息；位于图下部的两条曲线分别是钢坯在P2j点的预测温度T1j’和实际检测温度T1j。

图3 轧制冷却过程控制逻辑框架

图4描述了一根钢坯温度分布与冷却水流量设定之间的对照关系，其中，L1为钢坯头部到第一个水印底部的距离；用于计算钢坯平L2为钢坯的第一个水印中心点后特定距离，

均温度；k为钢坯段顺序号，排列顺序与钢坯走行方向相反（k = 1处为头部第1段，k = n为尾部最后一段）；T为钢坯温度；Ta为目标温度；T为水印临界温度，温度低于该的连续钢坯段为水印区；S2j为预期设定输出。

T

L

TTS

图4 钢坯温度分布及预期设定输出示意图

由于预冷系统冷却水流量无须在线实时调整，因此实现均温和降温控制目标的关键是预测模型PM、降温设定模型SMa和均温设定模型SMoff设计。

图5 RBF温度预测模型温度预测实例

2.3 降温流量设定模型设计

无论是前馈分量计算还是反馈分量计算都需要“感知”钢坯的平均温度，为此本文采用统计过程控制方式确定了温度均值计算模型AVM，AVM的通用数学表达式如式6所示，

2.2 温度预测模型设计

由线材轧制过程热力学过程模型[5]可知，第k段钢坯到·1628·

2006年6月 于政军, 等：线材轧制冷却过程智能混合控制 Jun., 2006

其中，Tijav为钢坯段平均温度； Tijav为第k段钢坯温度采样值；i为高温计位置号；j为轧线号；|k∈L2|代表在钢坯的L2区间温度采样点的个数。

在实际生产过程中，对应不同钢种和规格，有明确的目标温度。经过长时间的经验积累，针对每个目标温度和基于该目标温度的偏差，已经积累了相应的冷却水设定经验。因此，基本设定计算模型SMa可以归结为以表格形式存在的经验知识模型，即对应着目标温度和待处理钢坯预测温度之间的偏差，由计算机直接选定一个基准冷却水流量工作设定Sa，模型的数学表达式如式7所示，其中，Γ( Tij )为对应于目标温度偏差（Tijav -Ta）的表值。

坯均温和降温均有明显作用，钢坯精扎机入口温度基本维持在900~920之间，控制精度完全满足冷却工艺目标。

4 结论

本文提出的线材多线轧制冷却过程智能混合控制模式已经在鞍钢新轧公司线材厂的三线高速线材轧线上投入使用，通过数百根钢坯冷却跟踪结果表明，加入冷却控制后，冷却系统的温控精度得到了很大的提高，主干段的温差在

20°C以内的成材比率由不到10%提升到75%以上。同时，大幅度降低了操作工的劳动强度，消除了人工操作中经验差异和疲劳所带来的冷却质量波动，提高了产品质量的稳定性。

叠加式线材轧制冷却过程智能控制模式不但可以用于解决线材轧制过程中钢坯温度波动给线材质量造成的不利影响，同时也为型材轧钢中水印处理提出了一种切实可行的智能控制方法。

Tijav=∑Tij(k)/k∈L2 (6)

k∈L2

Sij(k)=Γ( Tij) Tij=Tijav Ta (7)

2.4 均温流量设定模型设计

对于温度补偿设定Soff，需要兼顾冷却系统的滞后特性和控制目标的实时性要求。由于冷却系统的滞后特征，设定值的修正周期受到系统响应特性的限制。如果两次设定值的修改时间间隔太短，冷却系统难以达到既定的设定流量，而如果设定变更间隔太大，则可能错过主要的“水印”区间，不能实现预期的冷却目标。本文解决这一矛盾的方法是将钢坯划分为“水印”区和非“水印”区，由SMa承担钢坯平均温度降温（包括“水印”区和非“水印”区）的任务，而由“水印”温度补偿设定模型SMoff负责对“水印”的局部

图6 精冷系统降温、均温实例

温降设定补偿。SMoff的数学表达式如式8所示，其中，λ为；|k∈ Z|代表水印区均温系数；Z为水印区定义（参见图3）在钢坯的水印区温度采样点k的个数。

0

Soff(k)= λT*(k)/k∈Z

∑2i k∈Z

k Zk∈Z

(8)

3 工业实践

鞍钢线材厂是国内最早引进摩根60年代末期第一代高线生产线的厂家，为消化引进技术，在水冷风冷进行大量试验，积累了许多经验。1995年进行了设备改造，轧制速度年产量由50万吨提高到100万吨。 从50m/S提高到75m/S，

然而，由于设备强度问题（粗轧机与精轧机），线材厂开轧温度过高达1100℃，入精轧温度930℃-980℃（表面温度），与先进厂家控制温度（开轧900℃、入精轧870℃、终轧920℃、吐丝780℃-870℃）有较大差距。为了充分发挥设备潜力、厂家决定建立精轧温控系统，新系统的开发和运行平台为ROCKWELL公司的DCS系统。

图6和图7显示了投入线材轧制冷却过程智能混合控制系统后钢坯的冷却控制实例，图6显示了一根钢坯在精冷系统入、出口的温度状态变化情况；图7显示了对应于每段钢坯的叠加设定与时间流量之间的对应关系，其中F2j为精冷系统实际冷却水流量。从图中可以看出，冷却控制系统在钢

·1629·

[5] [6] [4] [3] [2] [1]

图7 精冷系统流量设定及跟踪实例

参考文献：

M Kazeminezhad, A Karimi Taheri. The effect of controlled cooling after hot rolling on the mechanical properties of a commercial high carbon steel wire rod [J]. Materials and Design (S0020-7403). 2003, 24: 415–421. 朱宏祥, 温治, 等. 前馈和反馈相结合的控制策略在宝钢线材厂控冷轧线上的应用实践[J]. 冶金自动化, 2003, (2).

Han-Xiong Li, Shouping Guan. Supervising a DCS- Controlled Batch Process, Hybrid Intelligent Control Strategy [J]. IEEE Control Systems Magazine (S0272-1708). 2001.

V R Radhakrishnan. Model based supervisory control of a ball mill grinding circuit [J]. Journal of Process Control (S0959-1524). 1999, 9: 195-211.

胡泽强, 温治, 等. 线材控冷轧制热过程数学模型及其数值仿真[J]. 冶金自动化, 2003, (1).

柴天佑, 等. RBF神经网络在加速冷却控制系统中的应用[J]. 自动化学报, 2000, 22(2).

本文来源：https://www.bwwdw.com/article/9iae.html