酸洗冷连轧过程智能化控制关键技术

钢铁共性技术协同创新中心

钢铁生产全流程智能化创新

架构及研发工作进展

钢铁行业是典型的流程工业。目前钢铁行业的自动化、信息化发展已具有良好的基础，在行业绿色化转型的过程中跃上智能化台阶，钢铁行业技术发展和进步将如虎添翼。中心现已申报成功了“扁平材全流程智能化制备关键技术”和“长型材智能化制备关键技术”等国家十三五重点研发计划智能化项目，目标是建立真正达到工业4.0水平的示范样板线。这将在十三五期间实现典型示范生产线的全流程、一体化智能制造，使中国钢铁生产的管理、质量、效率都提高到一个前所未有的智能化水平。中心在钢铁全流程智能制造方面开展了系列相关工作，本报特组织相关报道，介绍其高层架构及研发进展情况，以飨读者。

酸洗冷连轧过程智能化控制关键技术

1前言

冷轧薄带钢产品附加值高，但其生产过程对轧制规程、轧辊和润滑等工艺制度依赖性极强，产品尺寸精度和生产稳定性也有极为严格的控制要求。冷连轧工艺过程是典型的多学科综合交叉工业流程，具有多变量、高响应、非线性等特点，其工作机理和控制技术都非常复杂。东北大学等单位长期从事冷轧工艺过程控制的工作，经过数十年的积累，我国冷连轧工艺装备控制水平已经达到了较高水平。但冷轧过程依然存在部分机理不明或机理难以描述的问题，同时个性化定制、非稳态过程等复杂工况下的控制水平也存在一定不足，如何采用智能化方法进一步提高冷连轧产品质量和生产稳定性已经成为国内外关注的焦点。冷连轧过程智能化控制关键技术如图1所示。

2酸洗过程工艺与速度优化控制

2.1基于软测量技术的酸液浓度预测

针对酸液浓度在线检测设备昂贵、维护成本高的问题，开发了基于软测量技术的酸液浓度预测模型，选取易检测的酸液电导率、亚铁离子密度、酸液温度为辅助变量，以亚铁离子和氢离子质量浓度为主变量，利用基于M估计的稳健回归进行回归分析建模，建立了具有在线校正功能的酸液浓度预测模型，对比传统的离线浓度检测，有效提高了酸液浓度的检测精度和实时性。

2.2基于案例推理的酸液温度设定

酸液温度设定精度低，影响了带钢酸洗质量，基于机理的酸液温度设定模型很少见著于文献。开发了基于案例推理技术的酸液温度设定模型，利用大量温度控制效果良好的生产数据，结合案例推理技术，提高了温度设定精度，使温度设定模型具有随工况变化的自适应能力。

2.3酸轧联合机组速度优化模型

对酸洗冷连轧联合机组生产线的速度特性进行全局分析，研究四个工作段速度与三个活套套量的关系。通过对优化原则的分析，设计了基于惩罚项的多目标优化函数，目标函数最优化求解过程中使用Nelder-Mead单纯形替换法，并给出了四个速度段速度的初始化计算模型。酸洗机组能够以最大能力向连轧机组供料，保证生产效率，由于正常生产时停机次数减少，带钢成材率得到显著提高。

3轧制过程带钢尺寸及张力控制

3.1基于辅助反馈学习的厚度控制

厚度控制是典型的纯滞后系统，目前一般采用Smith预估器来降低纯滞后对系统鲁棒性的影响，但其依赖于厚度控制预估模型的精度。由于某些参数变化的不确定性以及不确定的测量干扰，常会发生预估模型失配状况。为了适应冷连轧过程中可能发生的预估模型失配状况，将辅助反馈迭代学习控制引入Smith预估监控AGC系统，在模型失配时该系统具有更强的鲁棒性。

3.2多机架厚度-张力协调优化

运用PSO-SVM算法建立了厚度增量与张力增量预测模型，开发了未配置测厚仪机架厚度等不可测参数模型和外部扰动模型，制定厚度、张力控制指标和辊缝、速度控制能力等工艺设备柔性约束条件，形成了单个机架厚度-张力控制系统的实时状态估计和输出预测方法。根据机架之间的交叉耦合关系，确定各机架控制子系统间的数据通讯，以控制功效二维模型为基础，形成包含所有机架厚度-张力的冷连轧分布式控制系统，开发柔性约束条件下求解速度快、稳定性强的分布式预测控制算法，实现多机架厚度-张力的协调优化控制。

3.3冷轧板形智能优化控制

设计了基于神经网络和Topkis-Veinott的板形控制协同优化算法，结合搜索与学习两类思维模式，改善搜索方向的确定方式并降低迭代轨迹走相似路线的可能性，确保了工作辊与中间辊弯辊调节方向的一致性。提出了一种板形调节策略库模型，通过建立板形状况分析模型，并采用人工神经网络及遗传算法分别求解实际板形判别因子及板形调节执行机构调节量，根据判别因子的合理区间范围选择最优的调节机构组合方式，精准地为实际板形缺陷选择合理的板形调控手段。提出了基于GENOCOP的板形目标曲线动态调节算法，通过分析调节机构饱和状态与板形目标曲线设定之间的关系，求解调节机构饱和状态下消除板形偏差所需要的板形目标曲线干预量，避免常规干预中板形系数过度调节或调节不充分的问题。

4轧制过程智能建模与多目标优化设定

4.1融合数据与机理的轧制过程智能建模

设计融合数据和轧制机理的智能建模的整体结构，研究数据预处理方法及神经网络优化算法。建立基于神经网络校正与机理模型相结合的带钢变形抗力和摩擦系数预报模型。针对变形抗力、摩擦系数无法测量且共同影响轧制参数的难点，设计实验测试获得钢种变形抗力的回归模型，并以此为基准进行摩擦系数、变形抗力神经网络模型的训练。修正非稳态过程中机架相关的其他未知因素对轧制参数的影响，建立各机架的校正神经网络。

4.2冷连轧多目标动态优化设定

针对异常轧制过程数据集合的小样本问题，开发面向不确定小样本环境的学习算法，建立打滑、热划伤等生产运行状态的实时评判模型。构建可拓展的冷连轧工艺约束模型库，综合考虑轧制力、功率等设备能力和压下率、轧制力、功率等负荷平衡工艺规则，并将轧机振动、打滑、热划伤等工艺状态以约束形式进行模型化描述。给出各工艺质量参数的满意度柔性区间系数，从轧制稳定性和产品质量的角度明确各工艺约束条件的优先级和加权系数，以最优运行指标评价函数实时监控非稳态过程运行状态。开发冷连轧过程多目标动态优化设定方法，以实际运行轧制工艺规程为初始条件进行在线优化，动态实时调整各机架压下分配、张力制度、润滑制度等，并在各因素运行指标允许范围内最大限度提高板带材轧制速度。

5智能化控制技术发展趋势

钢铁生产流程是涵盖多工序、多控制层级的大型复杂工业流程，各制备工序装备与自动化水平较高。同时，工序界面和工况复杂性限制了产品质量与生产效率的进一步提升，难以再从单独工序或某个独立系统取得突破。通过智能化关键技术实现多工序、系统级、全局的产品质量和生产过程优化，是钢铁行业发展的战略方向之一，钢铁行业多工序协调优化控制系统见图2。我们需要基于良好的工艺装备和自动化水平，以信息深度感知、智慧优化决策、精准协调控制和自主学习提升形成全流程控制闭环，构建系统之系统级的钢铁工业CPS系统。突破工序界面和系统壁垒，形成工序和系统间的无缝衔接与良好互动，避免信息不对称造成的复杂性和不确定性问题。以智能化、协同化、柔性化、集约化、精准化控制技术，实现钢铁工业横向、纵向和端到端集成，在现有工艺装备条件的基础上提升钢铁行业的“软实力”，以智能化推进绿色化，以绿色化带动智能化。

声明：本文转自世界金属导报，摘选自2018年第8期B04部分内容，版权归原作者所有。转载请注明来源；文章内容如有偏颇，敬请各位指正；如标错来源或侵权，请跟我们联系。