酸洗冷連軋過程智能化控制關鍵技術

冷軋薄帶鋼產品附加值高，但其生產過程對軋制規程、軋輥和潤滑等工藝制度依賴性極強，產品尺寸精度和生產穩定性也有極為嚴格的控制要求。冷連軋工藝過程是典型的多學科綜合交叉工業流程，具有多變量、高響應、非線性等特點，其工作機理和控制技術都非常復雜。東北大學等單位長期從事冷軋工藝過程控制的工作，經過數十年的積累，我國冷連軋工藝裝備控制水平已經達到了較高水平。但冷軋過程依然存在部分機理不明或機理難以描述的問題，同時個性化定制、非穩態過程等復雜工況下的控制水平也存在一定不足，如何采用智能化方法進一步提高冷連軋產品質量和生產穩定性已經成為國內外關注的焦點。冷連軋過程智能化控制關鍵技術如圖1所示。

2.1基于軟測量技術的酸液濃度預測

針對酸液濃度在線檢測設備昂貴、維護成本高的問題，開發了基于軟測量技術的酸液濃度預測模型，選取易檢測的酸液電導率、亞鐵離子密度、酸液溫度為輔助變量，以亞鐵離子和氫離子質量濃度為主變量，利用基于M估計的穩健回歸進行回歸分析建模，建立了具有在線校正功能的酸液濃度預測模型，對比傳統的離線濃度檢測，有效提高了酸液濃度的檢測精度和實時性。

2.2基于案例推理的酸液溫度設定

酸液溫度設定精度低，影響了帶鋼酸洗質量，基于機理的酸液溫度設定模型很少見著于文獻。開發了基于案例推理技術的酸液溫度設定模型，利用大量溫度控制效果良好的生產數據，結合案例推理技術，提高了溫度設定精度，使溫度設定模型具有隨工況變化的自適應能力。

2.3酸軋聯合機組速度優化模型

對酸洗冷連軋聯合機組生產線的速度特性進行全局分析，研究四個工作段速度與三個活套套量的關系。通過對優化原則的分析，設計了基于懲罰項的多目標優化函數，目標函數最優化求解過程中使用Nelder-Mead單純形替換法，并給出了四個速度段速度的初始化計算模型。酸洗機組能夠以最大能力向連軋機組供料，保證生產效率，由于正常生產時停機次數減少，帶鋼成材率得到顯著提高。

3.1基于輔助反饋學習的厚度控制

厚度控制是典型的純滯后系統，目前一般采用Smith預估器來降低純滯后對系統魯棒性的影響，但其依賴于厚度控制預估模型的精度。由于某些參數變化的不確定性以及不確定的測量干擾，常會發生預估模型失配狀況。為了適應冷連軋過程中可能發生的預估模型失配狀況，將輔助反饋迭代學習控制引入Smith預估監控AGC系統，在模型失配時該系統具有更強的魯棒性。

3.2多機架厚度-張力協調優化

運用PSO-SVM算法建立了厚度增量與張力增量預測模型，開發了未配置測厚儀機架厚度等不可測參數模型和外部擾動模型，制定厚度、張力控制指標和輥縫、速度控制能力等工藝設備柔性約束條件，形成了單個機架厚度-張力控制系統的實時狀態估計和輸出預測方法。根據機架之間的交叉耦合關系，確定各機架控制子系統間的數據通訊，以控制功效二維模型為基礎，形成包含所有機架厚度-張力的冷連軋分布式控制系統，開發柔性約束條件下求解速度快、穩定性強的分布式預測控制算法，實現多機架厚度-張力的協調優化控制。

3.3冷軋板形智能優化控制

設計了基于神經網絡和Topkis-Veinott的板形控制協同優化算法，結合搜索與學習兩類思維模式，改善搜索方向的確定方式并降低迭代軌跡走相似路線的可能性，確保了工作輥與中間輥彎輥調節方向的一致性。提出了一種板形調節策略庫模型，通過建立板形狀況分析模型，并采用人工神經網絡及遺傳算法分別求解實際板形判別因子及板形調節執行機構調節量，根據判別因子的合理區間范圍選擇最優的調節機構組合方式，精準地為實際板形缺陷選擇合理的板形調控手段。提出了基于GENOCOP的板形目標曲線動態調節算法，通過分析調節機構飽和狀態與板形目標曲線設定之間的關系，求解調節機構飽和狀態下消除板形偏差所需要的板形目標曲線干預量，避免常規干預中板形系數過度調節或調節不充分的問題。

4.1融合數據與機理的軋制過程智能建模

設計融合數據和軋制機理的智能建模的整體結構，研究數據預處理方法及神經網絡優化算法。建立基于神經網絡校正與機理模型相結合的帶鋼變形抗力和摩擦系數預報模型。針對變形抗力、摩擦系數無法測量且共同影響軋制參數的難點，設計實驗測試獲得鋼種變形抗力的回歸模型，并以此為基準進行摩擦系數、變形抗力神經網絡模型的訓練。修正非穩態過程中機架相關的其他未知因素對軋制參數的影響，建立各機架的校正神經網絡。

4.2冷連軋多目標動態優化設定

針對異常軋制過程數據集合的小樣本問題，開發面向不確定小樣本環境的學習算法，建立打滑、熱劃傷等生產運行狀態的實時評判模型。構建可拓展的冷連軋工藝約束模型庫，綜合考慮軋制力、功率等設備能力和壓下率、軋制力、功率等負荷平衡工藝規則，并將軋機振動、打滑、熱劃傷等工藝狀態以約束形式進行模型化描述。給出各工藝質量參數的滿意度柔性區間系數，從軋制穩定性和產品質量的角度明確各工藝約束條件的優先級和加權系數，以最優運行指標評價函數實時監控非穩態過程運行狀態。開發冷連軋過程多目標動態優化設定方法，以實際運行軋制工藝規程為初始條件進行在線優化，動態實時調整各機架壓下分配、張力制度、潤滑制度等，并在各因素運行指標允許范圍內最大限度提高板帶材軋制速度。

鋼鐵生產流程是涵蓋多工序、多控制層級的大型復雜工業流程，各制備工序裝備與自動化水平較高。同時，工序界面和工況復雜性限制了產品質量與生產效率的進一步提升，難以再從單獨工序或某個獨立系統取得突破。通過智能化關鍵技術實現多工序、系統級、全局的產品質量和生產過程優化，是鋼鐵行業發展的戰略方向之一，鋼鐵行業多工序協調優化控制系統見圖2。我們需要基于良好的工藝裝備和自動化水平，以信息深度感知、智慧優化決策、精準協調控制和自主學習提升形成全流程控制閉環，構建系統之系統級的鋼鐵工業CPS系統。突破工序界面和系統壁壘，形成工序和系統間的無縫銜接與良好互動，避免信息不對稱造成的復雜性和不確定性問題。以智能化、協同化、柔性化、集約化、精準化控制技術，實現鋼鐵工業橫向、縱向和端到端集成，在現有工藝裝備條件的基礎上提升鋼鐵行業的“軟實力”，以智能化推進綠色化，以綠色化帶動智能化。