摘要：介绍了莱芜钢铁股份有限公司1500mm热连轧带钢生产线卷取温度控制系统的设备布置、系统配置、控制模型和算法，该系统投入运行后，带钢全长95％以上卷取温度能控制在目标温度的±20℃以内。

关键词：卷取温度；带钢热连轧；层流冷却；控制系统

1概述

    莱芜钢铁股份有限公司近来新建了一条1500mm热轧带钢生产线，其轧后冷却采用层流冷却方式，从精轧出口高温计盯至卷取机前高温计CT全长约68m，其布置见图1。该冷却区域分为粗冷区和精冷区两部分，粗冷区包括9个冷却架，每个冷却架设4组喷水集管，每2组喷水集管由1个气动阀控制；精冷区包括6个冷却架，每个冷却架设4组喷水集管，每组喷水集管由1个气动阀控制。层流冷却区的控制目标是把终轧温度为850～950℃的带钢按一定冷却制度迅速冷却到550～ 650℃的卷取温度，控制精度要求为±20℃。

2     控制系统的配置

    控制系统由操作员站／工程师站、服务器、可编程控制器、通讯网络、现场I／O等设备组成。

    操作员站／工程师站完成程序的调试、修改、维护，过程监控，历史／当前趋势显示，生产过程的人工干预等。服务器完成冷却策略的设定，模型预设定计算，按厚度等级对预设定的模型参数进行分类自学习，数据采集及报表打印等。可编程控制器完成带钢的头尾跟踪，顺序逻辑控制，动态调整计算，集管、侧喷、吹扫的开闭控制，冷却架的升降控制，通过Profibus—DP直接控制现场设备，通过Ethernet与精轧及卷取可编程控制器、服务器、操作员站／工程师站联系，获取相关信息。远程I／O完成现场设备的状态收集，根据可编程控

制器向其发送的信息控制现场设备。

3控制系统的实现

3．1冷却策略

    根据所轧带钢钢种和厚度的不同，采用以下几种冷却方式：

    (1)对于要求控制形变奥氏体的组织状态、阻止奥氏体晶粒长大、固化因形变而引起的位错或降低相变温度的钢种，采用前部冷却策略，即先打开粗调区和精调区前部的冷却集管，用精调区后部的冷却集管对卷取温度进行微调控制。

    (2)对于主要控制室温组织相变过程、控制铁素体长大及轧后二相粒子析出的钢种，采用后部冷却策略，即先打开粗调区后部集管进行冷却，用后精调区对卷取温度进行微调控制；或先打开粗调区后部集管和后精调区集管进行冷却，用前精调区对卷取温度进行微调控制。

    (3)对于某些对高冷却速度敏感的钢种(尤其为较厚规格时)，可以采用在粗调区的前部(或全部)以一定的间隔开启冷却集管，用后精调区对卷取温度进行微调控制。

3．2数学模型

    层流冷却系统本身是一个大滞后、多变量、强耦合、强非线性的复杂系统，难以建立精确的数学模型，为了取得满意的控制效果，本系统采用分段线性化预设定模型、动态补偿预设定、头部自学习修正模型参数、全长监控改善控制质量的设计思想。由于不同冷却策略之间的区别只在于冷却集管的开闭组合的不同，下面只以前部冷却方式为例进行介绍。

3．2．1预设定模型

    为了消除整个控冷系统动作滞后的影响，在F₂咬钢时，根据层流冷却控制所需的边界条件(终轧温度、厚度、速度、卷取温度)的设定值，运用预设定模型，对各控制量进行预计算：

式中，N₁为预设定粗调段喷水阀门个数；N₂为预设定精调段喷水阀门个数；V_s为设定轧制速度；V_st为基准轧制速度；T_fs为设定终轧温度；T_fst为基准终轧温度，与带钢厚度有关；T_s为卷取目标温度；T_st为卷取基准温度，与带钢厚度有关；T_tr为由粗调区转移到精调区控制眼，温度；H_s为带钢厚度；P_i为标准条件下预设定段数，P_i=A_iH_s+B_i，A_i、B_i为系数；P_learn为历史自学习值，与带钢厚度有关；R_i为带钢度影响系数，R_i=C_iH_s+D_i，C_i、D_i为系数；

 α₁为带钢在精轧出口侧温度变化对卷取温度的影响系数，α₁=0．5；Q₁、Q₂分别为粗调段和精调段每段冷却水所带走的热量；α₂为由冷却水温t_w、标准水温t_ws、轧件含碳量S_i所决定的影响系数，即：α₂=(1+k_iS_i)[1+k_w(t_w一t_ws)]，k_i、k_w为系数。  

3．2．2前馈动态补偿模型  

    由于板带进入层流冷却区时的实际温度、厚度、速度是实时变化的，为了消除这种板带自身边界条件与其设定值的偏差对卷取温度的影响在带钢出末机架获得实测边界条件后，每隔一暄时间，对预设定模型进行一次修正，相当于沿带钢长度方向分段控制。

式中，△N_ff为前馈控制对开阀个数的补偿值；Q为冷却水所带走的热量；H_a、V_a、T_fa分别为厚度、速度、终轧温度的实测值。   

3．2．3反馈控制模型   

    为了把带钢全长的温度都控制在要求的精度范围内，当带钢到达卷取测温仪，获得实测卷取温度并且头部自学习完成后，根据其与设定值的偏差，反馈回一个控制信号，相应地调节精调区冷却集管的开闭状态。  

3．2．4  自学习模型   

    为了使系统能够根据自身的经历而不断优化，即使系统具有智能性，采取了对带钢头部进行自学习的方法。即每轧一卷带钢时，先从自学习库中调出对应于此卷带钢厚度的长期自学习值，作为预设定的一部分，在带钢头部到达卷取测温仪，并且反馈控制没有投入前，根据获得的实测数据，产生新的对应于此厚度(带钢)的短期自学习值，并进行可信性分析，之后再将其应用于此卷带钢的轧制。在轧制结束后，把轧制此卷带钢时所用的长期自学习值及经过可信度分析后的短期自学习值相加，在考虑遗传效应的基础上，来修正对应此厚度的带钢的长期自学习值。

式中，P_learn(n)为轧制完第n卷带钢后的新的长期自学习值；P_learn(n-1)为轧制第n卷钢时所用的历史自学习值；P_learns为短期自学习值；α₂为水温影响系数；α₃为短期自学习值的可信度；k₁、k₂为系数。

3．3控制算法

  考虑到卷取温度控制系统具有较大滞后性的特点，为了削弱因反馈控制作用太强而引起的卷取温度振荡，反馈控制采用人工智能PI控制算法，即采用大偏差时，为了防止积分饱和，采用纯P调节，且比例系数取值相对较大，使其迅速趋近目标值；小偏差时，为了实现无差控制，采用PI调节，且比例系数取值相对较小。

4结语

  本系统投入运行后，经过一段时间的参数调整及自学习修正，对厚3．0～17．7mm之间各种规格带钢的卷取温度进行统计分析，数据结果为：厚3．0～13．0mm的带钢，全长的99％可达到目标温度的±20℃之内；厚13．0～17．7mm的带钢，全长的95％可达到目标温度的±20℃之内。图2为厚7．75mm带钢卷取温度控制曲线，其控温目标为650℃，控温精度在±20℃之内，其中实测温度与目标温度相差±5℃以内的占带钢全长的86．9％，相差±10℃以内的占带钢全长的100 %。由此可见，该控制系统可较好地满足带钢冷却的要求。

                                                     (北京科技大学高效轧制国家工程研究中心)