本技术的一种针对轧后冷却过程的多目标实时自适应控制方法,包括:步骤1:将整个轧后冷却区划分成多个冷却段并引入多个热流密度自适应系数;步骤2:建立带钢冷却过程的传热方程并将热流密度自适应系数引入传热方程;步骤3:当带钢进入冷却区后,每隔固定时间步长创建新的带钢样本,并更新冷却区内所有带钢样本的状态;步骤4:当某带钢样本通过某高温计后,根据该带钢样本的实测温度与计算温度偏差进行实时自适应计算,更新对应冷却段的热流密度自适应系数;步骤5:当某带钢样本通过卷取高温计后,删除该带钢样本;步骤6:重复步骤3到步骤5,直至带钢尾部通过卷取高温计,计算结束。
背景技术
轧后冷却作为热连轧产线最后一道主要生产工序,其主要作用是通过预设冷却路径将带钢从大约820-950℃的终轧温度冷却到400-680℃的卷取温度。从而获得预期组织及机械性能的热轧产品。然而,在冷却过程中带钢与冷却区周围介质之间的传热十分复杂,仅靠简化的传热模型很难对该过程进行高精度的定量描述。因此在实际生产中,为了提高轧后冷却温度控制精度,模型自适应策略是一种提高模型计算精度的常用手段。先进的自适应策略可以准确及时地纠正模型计算偏差,从而提高模型的准确性和鲁棒性。因此,自适应策略对轧后冷却温度的高精度控制及热轧产品质量至关重要。
为提高轧后冷却过程温度控制精度,国内学者对现有轧后冷却控制系统进行了深入研究,相继开发了适用于不同控制系统的自适应策略,实现了轧后冷却过程卷取温度控制精度的提升。中国专利“CN 105921522B 层基于RBF神经网络的层流冷却温度自适应控制方法”设计了一种基于RBF神经网络的层流冷却温度自适应控制技术,通过创建RBF神经网络和评估RBF神经网络得到最新的自适应参数,层流冷却模型会根据最新的自适应参数,计算冷却策略。中国专利“CN102284517A 基于案例推理的轧后冷却长期自学习方法”基于现场大量生产数据,通过案例构造、案例检索、案例重用、案例修正等案例推理技术对控制冷却数学模型中的长期自学习系数进行决策,使轧后冷却模型具有随工况变化的适应能力,显著提高了模型的头部设定精度。中国专利“CN102284511A一种带钢层流冷却温度自适应方法”针对带钢头部,中部及尾部引入不同自适应系数,改善了带钢长度方向温度均匀性,使自学习系统更加完善,卷取温度命中率进一步提高。中国专利“CN111814861B一种基于双自学习模型的在线冷却控制方法”结合无监督空间聚类模型和有监督的深度神经网络预测模型的特点,优势互补,建立双自学习模型并行、权重共享的系统结构。实现在低成本数据量条件下,快速进行组合式自学习,短时间内完成非线性耦合计算,提高整体控冷系统的鲁棒性和学习效率。中国专利“CN105032951B 一种提高超快冷温度模型精度和自学习效率的控制方法” 综合考虑了钢种物性参数、钢板规格尺寸、介质水温、钢板温度、时效等影响因素对温度模型换热系数的影响。构建一种多维空间关系,有效的描述了不同影响因素作用下的各换热系数之间的联系,快速准确的预测出目标影响条件下的换热系数的值,最终实现温度模型的精确控制。中国专利“CN102794315B一种提高带钢全长卷取温度预报精度的自学习方法”针对带钢卷取温度控制中的段间自学习方法所存在的滞后问题,利用已轧制完成带钢的段间自学习相关控制参数,计算出段间自学习的滞后因子,补偿当前带钢段间自学习所存在的滞后影响,从而提高带钢全长各段的卷取温度预报精度。
上述研究一定程度上促进了轧后冷却温度控制精度,但是更多仅是为了提高卷取温度控制精度而设计的自适应方法。整个冷却区共用同一个自适应系数且自适应运算总是在带钢头部运行到卷取高温计之后触发,导致带钢头部100多米由于无法自适应而控制精度较差。且仅用一个自适应系数时,容易出现超调现象及多目标调节冲突问题。所谓多目标调节冲突问题是指当有多个控制目标时,各个控制目标的调节方向相反,比如在轧后冷却过程需要同时控制冷却区中间位置温度及卷取温度,某时刻中间位置实测温度大于模型计算温度,需要将自适应系数减小,而卷取温度的实测值小于模型计算值,为了保证卷取温度计算的准确性,需要将自适应系数增大,此时若仅有一个自适应系数的话就会出现调节冲突问题。
实现思路