一种冷轧带钢高精度板形表面粗糙度在线智能控制方法与流程

本发明涉及带钢冷轧技术领域，特别涉及一种冷轧带钢高精度板形表面粗糙度在线智能控制方法。

背景技术：

钢铁行业中，钢铁表面粗糙度是影响钢板可成形性的关键因素之一，是冷轧产品质量的重要指标。

目前，在冷轧带钢生产实践中，对带钢表面粗糙度进行监控的方法通常是在相关冷轧后处理机组出口(如连续热镀锌机组或平整机组)对带钢进行抽检取样，然后在分析测试实验室对样板进行离线测试，获取带钢表面粗糙度参数，并与下游用户的技术要求进行比较。若带钢表面粗糙度不达标，则在后续生产中对生产工艺参数进行必要调整，再抽检取样、离线分析测试、在线调整工艺参数等，直至带钢表面粗糙度完全满足用户要求。但该方法具有滞后性和非连续性，且取样部位一般位于钢板的头部和尾部，无法代表整块钢板的粗糙度特点。

为实现对钢铁表面粗糙度的精确测量，人们进行了多种改进，如西门子试图通过开发平整过程粗糙度在线闭环控制技术以实现对钢铁表面粗糙度的控制。

但目前的研究多采用逐步回归法建立带钢表面粗糙度和轧制力之间的非线性映射关系预报模型，该方法存在控制参数繁多、整定工作繁琐、依赖于工程师经验设定等问题，难以实现广泛的现场应用。

技术实现要素：

本发明所要解决的技术问题是针对上述技术现状而提供一种对数学模型与人工经验依赖度小，可实时调整平整工艺参数，且稳定性好、适用性广的冷轧带钢高精度板形表面粗糙度在线智能控制方法。

本发明解决上述技术问题所采用的技术方案为：一种冷轧带钢高精度板形表面粗糙度在线智能控制方法，该方法使用的冷轧带钢表面粗糙度控制设备包括依次连接的平整机(4)和表面粗糙度检测仪(5)，所述方法包括如下步骤：

(1)将表面粗糙度检测仪(5)检测到的带钢表面粗糙度m的实测值m_act与所述带钢表面粗糙度m的目标值m_ref作差，得出带钢表面粗糙度偏差值e_m，即：

e_m＝m_act-m_ref；

所述带钢表面粗糙度m为带钢表面轮廓算术平均偏差R_a、或微观不平度十点高度R_z、或峰值密度P_c；

将带钢表面粗糙度偏差值e_m对时间t求微分，得出带钢表面粗糙度偏差微分值ec_m，即：

式中：为微分算子；

(2)确定带钢平整轧制力调节量：

将步骤(1)得到的带钢表面粗糙度偏差值e_m和带钢表面粗糙度偏差微分值ec_m代入模糊神经网络在线预报模型中，确定带钢平整轧制力调节量ΔP，以消除带钢表面粗糙度偏差；

(3)确定带钢平整张力调节量：

根据步骤(2)中得到的带钢平整轧制力调节量ΔP，确定带钢平整入口张力调节量ΔT₀、或者带钢平整出口张力调节量ΔT₁，以保持平整延伸率恒定，使得带钢机械性能基本不受影响；

(4)确定带钢平整弯辊力调节量：

根据步骤(2)得到的带钢平整轧制力调节量ΔP，确定带钢平整弯辊力调节量ΔS，以保持平整后带钢板形基本不受影响。

进一步地，步骤(2)中所述模糊神经网络在线预报模型结构如下：

第1层：输入层，将带钢表面粗糙度偏差值e_m和带钢表面粗糙度偏差微分值ec_m作为模糊神经网络在线预报模型的输入矢量x＝[x₁，x₂]^T＝[e_m，ec_m]^T，则第1层神经元的输出为：

第2层：模糊化层，考虑控制性能与算法复杂度，每个输入变量对应设置5个神经元，每个神经元代表一个模糊标记，每个神经元的输出代表模糊标记对应的模糊隶属度，则输入变量x₁至第p(p＝1，…，5)个模糊标记的模糊隶属度为：

式中：j＝1，…，p，n＝3，t＝1，…，δ，δ≤5，为输入变量x₁在采样区间[x₁₁，x_1(m+n)]上的基本样条函数迭代表达式；

输入变量x₂至第q(q＝1，…，5)个模糊标记的模糊隶属度为：

式中：N_j，n(x_i)(j＝1，…，q)为输入变量x₂在采样区间[x₂₁，x_2(m+n)]上的基本样条函数迭代表达式；

第3层：模糊运算层，采用乘法实现模糊集的“与”运算，每个神经元代表一条模糊规则，神经元输出对应每条规则的适用度：

第4层：输出层，实现解模糊，计算所有规则的输出之和，可得带钢平整轧制力调节量ΔP：

式中：w_k为权值系数，其由带钢表面粗糙度偏差值e_m、带钢表面粗糙度偏差微分值ec_m和带钢平整轧制力调节量ΔP对模糊神经网络在线预报模型进行学习训练确定。

进一步地，步骤(3)中所述带钢平整入口张力调节量ΔT₀计算方法如下：

式中：为平整入口张力控制增益，为平整入口张力对平整轧制力传递系数，ε为平整延伸率，P为带钢平整轧制力，T₀为带钢平整入口张力；

所述带钢平整出口张力调节量ΔT₁计算方法如下：

式中：为平整出口张力控制增益，为平整出口张力对平整轧制力传递系数，T₁为带钢平整出口张力。

进一步地，步骤(4)中所述带钢平整弯辊力调节量ΔS计算方法如下：

ΔS＝Gain_{P_S}×ΔP/K_{P_S}

式中：Gain_{P_S}为平整弯辊力控制增益，0＜Gain_{P_S}≤1.0；K_{P_S}为平整弯辊力对平整轧制力传递系数，C为带钢凸度，S为带钢平整弯辊力。

与现有技术相比，本发明的优点在于：本方法通过模糊神经网络控制模型，在线检测带钢表面粗糙度，实时调整平整轧制力，并对平整张力和平整弯辊力进行相应调整，以保持带钢机械性能和板形基本不受影响，实现了对冷轧带钢表面粗糙度的在线智能闭环控制，提高了冷轧带钢表面粗糙度的控制精度和产品质量，更好地满足了用户需求。

附图说明

图1为本发明冷轧带钢表面粗糙度在线智能控制设备示意图；

图2为本发明平整轧制力对带钢表面轮廓算术平均偏差影响的曲线图；

图3为本发明平整轧制力对带钢表面微观不平度十点高度影响的曲线图；

图4为本发明平整轧制力对带钢表面峰值密度影响的曲线图；

图5为本发明冷轧带钢表面粗糙度模糊神经网络在线预报模型结构图；

图6为本发明模糊神经网络控制模型训练样品数不同时MSE分布波形；

图7为本发明模糊神经网络在线预报模型实验结果标准偏差图；

图8为本发明逐步回归在线预报模型实验结果标准偏差图。

图1中，1、开卷机，2、带钢，3、连续退火炉，4、平整机，5、表面粗糙度检测仪，6、卷取机。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

冷轧带钢生产流程为：酸洗-冷轧-退火-平整-镀层、剪切和包装。其中，平整工艺对冷轧带钢的表面粗糙度有较大影响。

1、冷轧带钢表面粗糙度在线智能控制设备

本发明提供的表面粗糙度在线智能控制方法可在如图1所示的设备上完成。如图1所示，由开卷机1传输出来的带钢2经过连续退火炉3和平整机4进行处理后，经过表面粗糙度在线监测仪5，通过所述表面粗糙度在线监测仪5检测到的带钢表面粗糙度m的实测值与下游用户所要求的目标值进行比较，如果符合下游用户要求，则带钢2顺利通过表面粗糙度在线监测仪5，进入卷取机6，即进入镀层、剪切和包装阶段；如若不符合下游用户要求，则根据不同表面粗糙度实测值的数据，将调整平整机4的相关工艺参数，直至后续带钢表面粗糙度m符合下游用户要求。其中所述表面粗糙度在线检测仪5与平整机4串联连接，所述表面粗糙度在线检测仪5基于光学检测原理，为非接触式，位于带钢宽度方向上中部位置。

冷轧带钢平整的主要目的在于改善带钢表面粗糙度、控制板形及机械性能。在冷轧带钢平整过程中，通过对经过再结晶退火后的带钢施以较小的塑性变形(即平整延伸率ε，大多在0.2％～3％之间)，可以在一定程度上改善退火后带钢的表面粗糙度、消除屈服平台。当平整延伸率实际值偏离延伸率设定值时，通过调整平整轧制力或平整入口、出口带钢张力，可以使实际延伸率回归到设定值。一般来说，对于厚度较薄、材质较硬的带钢，平整延伸率对平整张力比较敏感，通常采用调整平整张力方式控制延伸率；对于厚度较厚、材质较软的带钢，平整延伸率对平整轧制力比较敏感，通常采用调整平整轧制力方式控制延伸率。

所述表面粗糙度在线检测仪5安装于机组出口段，位于平整机4之后。具有对经过平整处理之后的带钢表面粗糙度(包括表面轮廓算术平均偏差、微观不平度十点高度、峰值密度等)进行实时检测的功能。随着带钢按照一定的速度连续向前移动，可以实时地检测得到带钢表面粗糙度值(包括表面轮廓算术平均偏差R_a、微观不平度十点高度R_z、峰值密度Pc等)及其沿带钢长度方向的变化情况。

2.通过调整平整工艺参数智能控制带钢表面粗糙度

根据冷轧带钢平整轧制理论和生产实践可知，如图2、图3、图4所示，一般地，随着平整轧制力在一定范围内增大，带钢表面轮廓算术平均偏差、微观不平度十点高度、峰值密度相应增大，反之亦然。

本发明中通过调整平整工艺参数智能控制带钢表面粗糙度的策略是指，当表面粗糙度检测仪5检测到的带钢表面粗糙度实测值m_act低于设定的带钢表面粗糙度目标值m_ref超过一定程度时，优先地，通过增加平整轧制力，直到带钢表面粗糙度实测值m_act接近于表面粗糙度目标值m_ref为止；当表面粗糙度检测仪5检测到的带钢表面粗糙度实测值m_act高于设定的带钢表面粗糙度目标值m_ref超过一定程度时，优先地，通过减小平整轧制力，直到带钢表面粗糙度实测值m_act接近于表面粗糙度目标值m_ref为止。

下面结合图4，具体说明带钢表面粗糙度在线智能控制的实现步骤和实现方法。步骤如下：

(1)带钢表面粗糙度偏差的确定

表面粗糙度检测仪5检测得到的带钢表面粗糙度m的实测值m_act与带钢表面粗糙度的目标值m_ref作差，得出带钢表面粗糙度偏差值e_m，即：

e_m＝m_act-m_ref

式中：Δm为带钢表面粗糙度偏差值；m_ref为设定的带钢表面粗糙度目标值，来自机组过程控制计算机，根据下游用户对产品的要求确定。带钢表面粗糙度m为带钢表面轮廓算术平均偏差R_a、或微观不平度十点高度R_z、或峰值密度Pc。

带钢表面粗糙度偏差值e_m对时间t求微分，得出带钢表面粗糙度偏差微分值ec_m，即：

式中：为微分算子。

(2)确定平整轧制力调节量

优先地，根据表面粗糙度偏差值计算确定平整轧制力调节量，通过发挥平整轧制力对表面粗糙度的调节作用，达到及时平稳地消除带钢表面粗糙度偏差、实现高精度表面粗糙度闭环控制的目的。

根据步骤(1)得到的带钢表面粗糙度偏差值e_m和偏差微分值ec_m，代入模糊神经网络在线预报模型，确定带钢平整轧制力调节量ΔP，以消除带钢表面粗糙度偏差。模糊神经网络在线预报模型结构如图5所示，具体计算方法为：

第1层：输入层，将带钢表面粗糙度偏差值e_m和偏差微分值ec_m作为模糊神经网络在线预报模型的输入矢量x＝[x₁，x₂]^T＝[e_m，ec_m]^T，则第1层神经元的输出为：

第2层：模糊化层，考虑控制性能与算法复杂度，每个输入变量对应设置5个神经元，每个神经元代表一个模糊标记，每个神经元的输出代表模糊标记对应的模糊隶属度，则输入变量x₁至第p(p＝1，…，5)个模糊标记的隶属度为：

式中：j＝1，…，p，n＝3，t＝1，…，δ，δ≤5，为输入变量x₁在采样区间[x₁₁，x_1(m+n)]上的基本样条函数迭代表达式。

输入变量x₂至第q(q＝1，…，5)个模糊标记的隶属度为：

式中：N_j，n(x_i)(j＝1，…，q)为输入变量x₂在采样区间[x₂₁，x_2(m+n)]上的基本样条函数迭代表达式。

第3层：模糊运算层，采用乘法实现模糊集的“与”运算，每个神经元代表一条模糊规则，神经元输出对应每条规则的适用度：

第4层：输出层，实现解模糊，计算所有规则的输出之和，可得带钢平整轧制力调节量ΔP：

式中：w_k为权值系数，可通过在冷轧带钢连续处理机组上在线检测带钢表面粗糙度偏差值e_m、偏差微分值ec_m和轧制力调节量对模糊神经网络在线预报模型进行学习训练确定。

(3)确定平整张力调节量

由于调节平整轧制力，会引起平整延伸率变化，进而造成带钢机械性能波动。为了保持平整延伸率恒定，使得带钢机械性能基本不受影响，根据轧制力偏差值计算确定平整入口张力调节量、或者平整出口张力调节量，通过发挥张力对平整延伸率的调节作用，达到及时平稳地消除带钢表面粗糙度偏差、实现高精度表面粗糙度闭环控制的目的的同时，保证带钢机械性能不变。

根据步骤(2)确定的平整轧制力调节量，计算确定平整入口张力调节量ΔT₀、或者平整出口张力调节量ΔT₁：

式中：为平整入口张力控制增益，为平整入口张力对平整轧制力传递系数，ε为平整延伸率。

平整出口张力调节量ΔT₁计算方法如下：

式中：为平整出口张力控制增益，为平整出口张力对平整轧制力传递系数，

(4)确定带钢平整弯辊力调节量

由于调节平整轧制力，会造成平整出口带钢板形波动。为了保持平整出口带钢板形基本不变，根据轧制力偏差值计算确定平整弯辊力调节量，通过发挥弯辊力对平整出口带钢板形的调节作用，达到及时平稳地消除带钢表面粗糙度偏差、实现高精度表面粗糙度闭环控制的目的的同时，保证平整出口带钢板形基本不受影响。根据步骤(2)确定的平整轧制力调节量Δp，计算平整弯辊力调节量ΔS：

ΔS＝Gain_{P_S}×ΔP/K_{P_S}

式中：Gain_{P_S}为平整弯辊力控制增益，0＜Gain_{P_S}≤1.0；K_{P_S}为平整弯辊力对平整轧制力传递系数，C为带钢凸度。

带钢表面粗糙度在线智能控制方法的关键在于模糊神经网络在线预报模型的准确度，而模糊神经网络在线预报模型是根据随机选择的训练集由相同结构的模糊神经网络控制模型经学习和优化后获得的，成员模型的数目对预报结果的稳定性起着关键性作用。选取训练样品数为1-50进行计算，MSE分布如图6所示。由图6分析可知，当模型数达到15以上时，MSE趋于稳定，因而实验选择采用20个成员模型。从平整机4和表面粗糙度在线监测仪5采集平整轧制力和表面粗糙度样品数据40组，从40组样品数据集中取出20组样品作为训练集，其余样品分别作为检验集，用于模糊神经网络控制模型的学习训练。

分别将训练好的模糊神经网络在线预报模型和传统逐步回归在线预报模型应用于冷轧带钢连续处理机组，实时在线检测带钢表面粗糙度和平整轧制力，两种方法实施后的带钢表面轮廓算术平均偏差R_a与标准方法测定的结果进行比较，两种方法的标准偏差和最低、最高偏差率分别如图7和图8所示。由图7和图8分析可知，带钢表面粗糙度在线智能控制方法较传统方法具有更优的表面粗糙度控制精度，预报偏差率范围更小，稳定性更好。