热连轧板形控制模型优化与应用研究

论文摘要

热轧带钢的板形控制是板带材生产领域的重点和核心,本论文依托1750热连轧机,以提高热轧薄板的板形质量为目标,深入地分析了板形控制基础理论和模型仿真,通过现场试验和模型仿真程序的开发,结合生产现场控制系统对板形控制的工艺和设备进行了研究,主要研究内容及结果如下:从模型结构和算法方面对板形控制理论进行了研究,结合生产现场系统地分析和阐明了影响板形控制的工艺和设备,通过对上下辊热凸度啮合对比试验,分析了在轧制过程中热凸度的变化过程,提出并实施了对部分冷却设备的改造,工作辊冷却水系统的改造,成功解决了改造前精轧F1～F3机架消凸过大的问题,保持了轧制稳定性,减少了中浪的出现,较为良好地控制了热轧带钢板凸度;提出了精轧支撑辊也使用CVC辊形技术的思路,使之与工作辊辊形配合,降低了轧辊的辊耗和剥落事故,在轧制相同吨位的条件下,换下辊后支撑辊CVC辊形比平辊形的磨损量降低了32.7%,延长了支撑辊的使用寿命,改善了板形质量,使板形控制有了显著提高。以Matlab软件为编程平台,利用人工神经网络技术,分别开发出弯辊力预报仿真模型和轧制力预报仿真模型,通过程序设计及模型计算,结果表明,利用人工神经网络模型进行仿真预报,其精度比生产现场的传统预报方式预报的精度有较大幅度的提高,弯辊力模拟预报值精度比传统的预报值提高了78.04%,轧制力预报的精度比传统的精度提高了36.71%,所建模型高精度地模拟逼近了实际值。CVC辊型曲线是影响板形控制的重要因素之一,结合生产现场的轧辊曲线,利用Matlab强大的数学分析功能进行了CVC辊型曲线数学模型的拟合求解,得到了更为合理的辊型曲线数学模型:y = 4.0326×10-2-2.045×10-3x+1.4522×10-6x2-3.8045×10-10x3此辊型曲线数学模型的建立进一步改进和优化了现场实际应用的辊型,使生产过程中的带钢板形控制有了显著提高。通过生产现场大量数据的收集及统计,分析了工作辊、支撑辊的磨损对板凸度控制产生的影响,通过轧辊磨损试验,分析出了在一个轧制周期内工作辊的磨损程度及规律,上工作辊磨损量大于相应下工作辊磨损量,下支撑辊磨损量大于相应上支撑辊磨损量;工作辊部分实际的磨损曲线基本与实测数据较相似,所获得的实测数据与轧辊磨损一般规律相一致,磨损量的大小与轧辊的使用期内所轧带钢长度、温度、钢种以及金属前滑、后滑、横向流动等因素有关,在热轧带钢轧机中,各机架的轧辊研磨和疲劳磨损幅度的总体趋势与轧制工艺参数相对应,使现场辊耗的控制、合理用运轧辊策略及优化轧辊磨削等技术得到了有效提升。板形控制中轧制规程的优化设计及实践应用,用动态规划的方法对热轧现有的轧制规程进行负荷分配优化计算,对轧制规程中的工艺参数进行了优化计算,由试验结果表明用动态规划的方法进行轧制规程的优化,对于良好板形的控制显示出了较强的优势,当来料出现厚度波动或其他扰动时可以对轧制规程进行适当调整,确立最佳的轧制规程,以此提高凸度与平直度的命中率。通过负荷分配的优化计算,合理分配轧机的道次压下量,使优化负荷分配的总功率比原现场使用的负荷分配的总功率平均降低了3.37%,进一步降低了生产负荷,由于轧制负荷的降低,减轻了轧辊凸度的磨损程度,辊凸度磨损变化幅度的降低使生产过程中带钢的板形质量得到了有效改善。由此本方案的实施优化了热轧厂原轧制规程,降低了轧机的负荷,改善了板形。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 板形控制技术国内外发展概况
• 1.2 板形控制理论新进展分析
• 1.2.1 在实验基础上提出动态遗传理论
• 1.2.2 轧辊弹性变形的板形理论
• 1.2.3 轧件与轧辊统一的板形理论（简称新板形理论）
• 1.2.4 动态负荷分配方法与策略分析
• 1.2.5 板形控制技术的发展趋势
• 1.3 板形控制的基本原理
• 1.3.1 带钢平直条件
• 1.3.2 精轧板凸度条件分析
• 1.4 本文选题的背景和意义
• 1.5 本文的主要研究内容
• 1.6 本文章节内容安排
• 第二章 板形控制系统的模型控制策略及试验研究
• 2.1 平直度控制模型策略及分析推导
• 2.1.1 平直度基本控制模型推导及分析
• 2.1.2 平直度控制过程及原理分析
• 2.1.3 平直度自动控制系统（ASC）
• 2.1.4 热连轧生产中的板形控制参数设定
• 2.2 凸度前馈控制模型策略及影响分析
• 2.2.1 凸度前馈控制的基础模型
• 2.2.2 凸度前馈控制模型结构
• 2.3 平直度反馈控制模型策略及影响分析
• 2.3.1 平直度反馈控制
• 2.3.2 反馈控制模型
• 2.4 板凸度控制策略及模型计算分析
• 2.4.1 目标凸度的牛顿迭代法计算模型
• 2.4.2 负荷分布对出口带钢凸度影响的模型计算
• 2.4.3 收敛条件
• 2.5 影响凸度变化的模型参数设定分析及实验研究
• 2.5.1 精轧机组工作辊热凸度（ΔD）变化分析
• 2.5.2 F1-F6 轧辊热凸度随轧制带钢卷数的变化
• 2.5.3 精轧轧辊辊形配置对带钢板凸度的影响
• 2.6 本章小结
• 第三章 板形控制中弯辊、窜辊模型系统分析及仿真试验
• 3.1 板形控制中二级模型控制系统及结构
• 3.1.1 计算机控制系统结构
• 3.1.2 热轧自动化控制系统分级控制
• 3.1.3 控制功能模块结构
• 3.1.4 二级模型控制的系统环境
• 3.2 MATLAB 语言及BP 神经网络的应用
• 3.2.1 MATLAB 语言的发展及应用
• 3.2.2 神经网络原理及BP 网络模型
• 3.3 人工神经网络的弯辊力模型预报仿真试验
• 3.3.1 弯辊工艺模型控制策略
• 3.3.2 窜辊工艺模型控制策略
• 3.3.3 人工神经网络的弯辊力模型预报仿真试验过程
• 3.4 人工神经网络轧制力预报模型仿真
• 3.4.1 轧制过程中的基本模型
• 3.4.2 轧制过程中力能参数的模型计算
• 3.4.3 人工神经网络的轧制力模型预报仿真试验过程
• 3.5 本章小结
• 第四章 CVC 辊型对板形控制的有效分析及磨损试验
• 4.1 CVC 轧机工作原理
• 4.2 轧机机座的弹性变形理论及数学模型分析
• 4.2.1 机座弹性变形理论分析
• 4.2.2 机座相关模型参数的设定
• 4.3 用MATLAB 进行CVC 辊型曲线数学模型的拟合求解
• 4.3.1 CVC 辊型建模
• 4.3.2 数据计算
• 4.3.3 新的CVC 辊型曲线在实际板形控制中的应用效果
• 4.4 辊系磨损模型的分析
• 4.4.1 磨损变形的机理
• 4.4.2 磨损对热轧带钢板凸度的影响
• 4.4.3 辊系的磨损计算模型
• 4.4.4 在实际生产中轧辊磨损模型的计算及数据传输过程
• 4.5 轧辊磨损试验研究
• 4.5.1 磨损试验数据的采集及分析
• 4.5.2 单位轧制力与磨损量间的相关分析
• 4.6 本章小结
• 第五章 生产中的自学习模型理论应用分析
• 5.1 自学习模型概述
• 5.2 自学习功能分析及模块组成的结构关系
• 5.2.1 自学习功能
• 5.2.2 自学习模块的组成和模块之间的关系见图5.1
• 5.3 热轧生产中自学习参数相关的数学模型
• 5.3.1 再计算的数学模型
• 5.3.2 辊缝凸度短期适应值的计算模型
• 5.3.3 辊缝凸度的长期自学习值的计算模型
• 5.3.4 平直度适应值的计算模型
• 5.3.5 弯辊力适应值的计算模型
• 5.3.6 轧制力模型的自学习学习
• 5.4 本章小结
• 第六章 板形控制中轧制规程的优化设计及实践应用
• 6.1 热连轧轧制规程优化概述
• 6.2 热连轧带钢负荷分配策略探讨
• 6.2.1 经验分配法
• 6.2.2 负荷成比例分配法
• 6.3 轧制规程模型设定分析
• 6.3.1 粗轧与精轧的宽度、厚度控制模型设定策略
• 6.3.2 速度控制的模型设定分析
• 6.3.3 轧制时间的模型计算分析
• 6.3.4 温度变化过程及模型计算分析
• 6.4 热连轧板形控制中最佳轧制规程的设计及实例求解
• 6.4.1 最佳板形轧制规程设计及动态规划策略分析
• 6.4.2 离散线性系统的状态方程及性能指标
• 6.4.3 离散线性系数的最优控制决策及最优性能指标
• 6.4.4 闭环最优控制的状态方程和算法
• 6.4.5 热轧厂板形控制轧制规程动态规划求解实例
• 6.5 本章小结
• 结论
• 致谢
• 参考文献
• 在学研究成果
• 附录