CN103418619A

CN103418619A - 一种冷轧带钢板形预测控制方法

Info

Publication number: CN103418619A
Application number: CN2013103798752A
Authority: CN
Inventors: 赵昊裔
Original assignee: Wisdri Engineering and Research Incorporation Ltd
Current assignee: Wisdri Engineering and Research Incorporation Ltd
Priority date: 2013-08-27
Filing date: 2013-08-27
Publication date: 2013-12-04
Anticipated expiration: 2033-08-27
Also published as: CN103418619B

Abstract

本发明提供一种冷轧带钢板形预测控制方法，包括以下步骤：对于同一规格的冷轧带钢，建立对应的板形预测控制模糊推理模型；结合轧制力变化对带钢板形的影响特性设定板形预测控制模糊推理模型中各参数的模糊隶属函数；利用Takagi-Sugeno模糊模型建模规则建立板形模糊预测控制模型；选择对应的板形模糊预测控制模型来进行工作辊弯辊装置的在线调节。本发明使用模糊建模方法建立轧制力变化量、轧机前张力变化量、轧机后张力变化量与工作辊弯辊装置在线调节量之间的动态关系，克服了由于轧机本体与板形仪之间存在传输时滞对冷轧带钢出口板形控制产生的不利影响，有效消除冷轧带钢产品存在的中浪和边浪两种常见板形缺陷。

Description

一种冷轧带钢板形预测控制方法

技术领域

本发明属于冷轧带钢领域，尤其涉及一种冷轧带钢板形预测控制方法。

背景技术

近年来，随着冷轧带钢产品使用范围的不断扩大，用户对带钢板形质量的要求也越来越高，因而冷轧带钢板形控制技术已经成为一个被现代钢铁企业和大型研究机构所格外重视的重点研究课题。板形控制的原理是通过设计板形控制算法来计算各板形控制执行器的调节量，使各个板形调控手段相互配合，以最大程度的消除板形目标值与实际测量值之间的偏差。

板形控制算法是冷轧带钢板形控制系统的核心内容，它的优劣性直接决定了板形控制效果的好坏。目前广泛采用的基于反馈控制思想的板形多变量优化控制方法通过在轧机出口处配置接触式板形仪在线测量实时板形信号，然后以板形目标值与实时测量值之间的偏差的平方和为评价指标函数，循环计算使得该评价指标函数取得最小值时的各板形调控装置在线调节量。需要指出的是，由于轧机本体与板形仪之间存在传输时滞，某一时刻板形仪实测的板形信号并不是轧机出口的即时板形信号，也就是说，传统板形控制方法是利用过去的板形信号来控制当前的板形，这也决定了很难获得高精度的板形控制效果。特别是当带钢加减速时造成轧制力大幅波动和轧机前后张力剧烈变化，这些因素都会造成出口带钢板形缺陷。因此，现代冷轧企业生产线即使配置有最先进的板形检测装置，也还是未能有效消除冷轧带钢产品存在的板形缺陷，特别是中浪和边浪缺陷。

发明内容

本发明要解决的技术问题是：提供一种冷轧带钢板形预测控制方法，以解决由于轧机本体与板形仪之间存在传输时滞而导致冷轧带钢产品板形控制质量不高的技术问题。

本发明为解决上述技术问题所采取的技术方案为：

一种冷轧带钢板形预测控制方法，其特征在于：它包括以下步骤：

1）对于同一规格的冷轧带钢，建立对应的板形预测控制模糊推理模型：

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₃；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₄；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₅；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₆；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₇；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₈；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₉；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₀；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₁₁；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₁₄；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₁₅；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₁₆；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₁₇；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₁₈；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₉；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂₀；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₂₁；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₂₂；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₂₃；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₂₄；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₂₅；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₂₆；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₂₇；

其中，ΔF为当前控制周期的轧制力实测值与上一控制周期的轧制力实测值之差，FP、FZ、FN分别为描述一阶板形偏差为正、零、负的模糊数；ΔT1为当前控制周期的轧机前张力实测值与上一控制周期的轧机前张力实测值之差，T1P、T1Z、T1N分别为描述二阶板形偏差为正、零、负的模糊数；ΔT2为当前控制周期的轧机后张力实测值与上一控制周期的轧机后张力实测值之差，T2P、T2Z、T2N分别为描述四阶板形偏差为正、零、负的模糊数；U为在工作辊弯辊装置的在线调节量；U_j为在第j条模糊规则下工作辊弯辊装置在线调节量参考值，由人工操作经验知识中获得，j=1，2，…，27；

2）结合轧制力变化对带钢板形的影响特性设定关于ΔF的如下模糊隶属函数：

ΔF关于FP的模糊隶属函数：

f_{FP} (ΔF) = \{\begin{matrix} 1, ΔF > α \\ \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 0, ΔF < 0 \end{matrix},

这里，α为ΔF为正的阈值，在步骤1）所述板形预测控制模糊推理控制模型中认为ΔF大于α时为正，ΔF小于-α时为负，下同；

ΔF关于FZ的模糊隶属函数：

f_{FZ} (ΔF) = \{\begin{matrix} 0, ΔF > α \\ 1 - \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 1 + \frac{1}{α} ΔF, - α \leq ΔF < 0 \\ 0, ΔF < - α \end{matrix},

ΔF关于FN的模糊隶属函数：

F_{FN} (ΔF) = \{\begin{matrix} 0, ΔF > 0 \\ - \frac{1}{α} ΔF, - α \leq ΔF \leq 0 \\ 1, ΔF < - α \end{matrix};

3）结合轧机前张力变化对带钢板形的影响特性设定关于ΔT1的如下模糊隶属函数：

ΔT1关于T1P的模糊隶属函数：

f_{T 1 P} (ΔT 1) = \{\begin{matrix} 1, ΔT 1 > β \\ \frac{1}{β} ΔT 1, 0 \leq ΔT 1 \leq β \\ 0, ΔT 1 < 0 \end{matrix},

这里，β为ΔT1为正的阈值，在步骤1）所述板形预测控制模糊推理控制模型中认为ΔT1大于β时为正，ΔT1小于-β时为负，下同；

ΔT1关于T1Z的模糊隶属函数：

f_{T 1 Z} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > β \\ 1 - \frac{1}{β} ΔT 1,0 \leq ΔT 1 \leq β \\ 1 + \frac{1}{β} ΔT 1, - β \leq ΔT 1 < 0 \\ 0, ΔT 1 < - β \end{matrix},

ΔT1关于T1N的模糊隶属函数：

f_{T 1 N} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > 0 \\ - \frac{1}{β} ΔT 1, - β \leq ΔT 1 \leq 0 \\ 1, ΔT 1 < - β \end{matrix};

4）结合轧机后张力变化对带钢板形的影响特性设定关于ΔT2的如下模糊隶属函数：

ΔT2关于T2P的模糊隶属函数

f_{T 2 P} (ΔT 2) = \{\begin{matrix} 1, ΔT 2 > γ \\ \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 0, ΔT 2 < 0 \end{matrix},

这里，γ为ΔT2为正的阈值，在步骤(1)所述板形预测控制模糊推理控制模型中认为ΔT2大于γ时为正，ΔT2小于-γ时为负，下同；

ΔT2关于T2Z的模糊隶属函数：

f_{T 2 Z} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > γ \\ 1 - \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 1 + \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 < 0 \\ 0, ΔT 2 < - γ \end{matrix},

ΔT2关于T2N的模糊隶属函数：

f_{T 2 N} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > 0 \\ - \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 \leq 0 \\ 1, ΔT 2 < - γ \end{matrix};

5）利用Takagi-Sugeno模糊模型建模规则建立如下板形模糊预测控制模型：

U = Σ_{j = 1}^{27} h_{j} \times U_{j},

其中h_i为板形模糊预测控制模型的第i个模糊隶属度，且：

h₁=f_FP(ΔF)×f_T1P(ΔT1)×f_T2P(ΔT2)，h₂=f_FP(ΔF)×f_T1P(ΔT1)×f_T2Z(ΔT2)，

h₃=f_FP(ΔF)×f_T1P(ΔT1)×f_T2N(ΔT2)，h₄=f_FP(ΔF)×f_T1Z(ΔT1)×f_T2P(ΔT2)，

h₅=f_FP(ΔF)×f_T1Z(ΔT1)×f_T2Z(ΔT2)，h₆=f_FP(ΔF)×f_T1Z(ΔT1)×f_T2N(ΔT2)，

h₇=f_FP(ΔF)×f_T1N(ΔT1)×f_T2P(ΔT2)，h₈=f_FP(ΔF)×f_T1N(ΔT1)×f_T2Z(ΔT2)，

h₉=f_FP(ΔF)×f_T1N(ΔT1)×f_T2N(ΔT2)，h₁₀=f_FZ(ΔF)×f_T1P(ΔT1)×f_T2P(ΔT2)，

h₁₁=f_FZ(ΔF)×f_T1P(ΔT1)×f_T2Z(ΔT2)，h₁₂=f_FZ(ΔF)×f_T1P(ΔT1)×f_T2N(ΔT2)，

h₁₃=f_FZ(ΔF)×f_T1Z(ΔT1)×f_T2P(ΔT2)，h₁₄=f_FZ(ΔF)×f_T1Z(ΔT1)×f_T2Z(ΔT2)，

h₁₅=f_FZ(ΔF)×f_T1Z(ΔT1)×f_T2N(ΔT2)，h₁₆=f_FZ(ΔF)×f_T1N(ΔT1)×f_T2P(ΔT2)，

h₁₇=f_FZ(ΔF)×f_T1N(ΔT1)×f_T2Z(ΔT2)，h₁₈=f_FZ(ΔF)×f_T1N(ΔT1)×f_T2N(ΔT2)，

h₁₉=f_FN(ΔF)×f_T1P(ΔT1)×f_T2P(ΔT2)，h₂₀=f_FN(ΔF)×f_T1P(ΔT1)×f_T2Z(ΔT2)，

h₂₁=f_FN(ΔF)×f_T1P(ΔT1)×f_T2N(ΔT2)，h₂₂=f_FN(ΔF)×f_T1Z(ΔT1)×f_T2P(ΔT2)，

h₂₃=f_FN(ΔF)×f_T1Z(ΔT1)×f_T2Z(ΔT2)，h₂₄=f_FN(ΔF)×f_T1Z(ΔT1)×f_T2N(ΔT2)，

h₂₅=f_FN(ΔF)×f_T1N(ΔT1)×f_T2P(ΔT2)，h₂₆=f_FN(ΔF)×f_T1N(ΔT1)×f_T2Z(ΔT2)，

h₂₇=f_FN(ΔF)×f_T1N(ΔT1)×f_T2N(ΔT2)；

6）对于确定规格的冷轧带钢，选择对应的板形模糊预测控制模型来进行工作辊弯辊装置的在线调节。

按上述方案，所述步骤6）包含以下步骤：

6.1）判断板形预测控制当前控制周期k是否到达，若未到达则持续等待；

6.2）当前控制周期k到达时，读取当前控制周期内的相关实测参数：当前控制周期的轧制力实测值F(k)、当前控制周期的轧机前张力实测值T1(k)、当前控制周期的轧机后张力实测值T2(k)、上一前控制周期的轧制力实测值F(k-1)、上一控制周期的轧机前张力实测值T1(k-1)、上一控制周期的轧机后张力实测值T2(k-1)；

6.3）分别计算当前控制周期的轧制力实测值与上一控制周期的轧制力实测值之差：ΔF=F(k)-F(k-1)，当前控制周期的轧机前张力实测值与上一控制周期的轧机前张力实测值之差：ΔT1=T1(k)-T1(k-1)，当前控制周期的轧机后张力实测值与上一控制周期的轧机后张力实测值之差：ΔT2=T2(k)-T2(k-1)；

6.4）将得到的ΔF、ΔT1和ΔT2代入板形模糊预测控制模型获得工作辊弯辊装置的在线调节量U；

6.5）将工作辊弯辊装置的在线调节量U发送给用于工作辊弯辊装置控制的PLC，实现工作辊弯辊装置的在线控制；

6.6）将板形预测控制当前控制周期k设定为k+1，重复步骤6.1）至6.5)，实现工作辊弯辊装置的在线循环控制。

本发明的有益效果为：本发明使用模糊建模方法建立起了轧制力变化量、轧机前张力变化量、轧机后张力变化量与工作辊弯辊装置在线调节量之间的动态关系，建立板形模糊预测控制模型，克服了由于轧机本体与板形仪之间存在传输时滞对冷轧带钢出口板形控制产生的不利影响，减少了轧制力变化和张力变化对带钢板形质量的负面影响，能够有效消除冷轧带钢产品存在的中浪和边浪两种常见板形缺陷，提高产品质量。

附图说明

图1为本发明一实施例的方法流程图。

图2为未使用本发明方法时的轧机出口板形分布图。

图3为使用本发明方法后的轧机出口板形分布图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

图1为本发明一实施例的方法流程图，它包括以下步骤：

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₃；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₄；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₅；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₆；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₇；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₈；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₉；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₀；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₁₁；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₁₄；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₁₅；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₁₆；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₁₇；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₁₈；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₉；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂₀；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₂₁；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₂₂；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₂₃；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₂₄；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₂₅；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₂₆；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₂₇；

其中，ΔF为当前控制周期的轧制力实测值与上一控制周期的轧制力实测值之差，单位为KN，FP、FZ、FN分别为描述一阶板形偏差为正、零、负的模糊数；ΔT1为当前控制周期的轧机前张力实测值与上一控制周期的轧机前张力实测值之差，单位为KN，T1P、T1Z、T1N分别为描述二阶板形偏差为正、零、负的模糊数；ΔT2为当前控制周期的轧机后张力实测值与上一控制周期的轧机后张力实测值之差，单位为KN，T2P、T2Z、T2N分别为描述四阶板形偏差为正、零、负的模糊数；U为在工作辊弯辊装置的在线调节量，单位为KN；U_j为在第j条模糊规则下工作辊弯辊装置在线调节量参考值，由人工操作经验知识中获得，单位为KN，j=1，2，…，27；

ΔF关于FP的模糊隶属函数：

f_{FP} (ΔF) = \{\begin{matrix} 1, ΔF > α \\ \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 0, ΔF < 0 \end{matrix},

这里，α为ΔF为正的阈值，单位为KN，在步骤1）所述板形预测控制模糊推理控制模型中认为ΔF大于α时为正，ΔF小于-α时为负，下同；

ΔF关于FZ的模糊隶属函数：

f_{FZ} (ΔF) = \{\begin{matrix} 0, ΔF > α \\ 1 - \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 1 + \frac{1}{α} ΔF, - α \leq ΔF < 0 \\ 0, ΔF < - α \end{matrix},

ΔF关于FN的模糊隶属函数：

F_{FN} (ΔF) = \{\begin{matrix} 0, ΔF > 0 \\ - \frac{1}{α} ΔF, - α \leq ΔF \leq 0 \\ 1, ΔF < - α \end{matrix};

ΔT1关于T1P的模糊隶属函数：

f_{T 1 P} (ΔT 1) = \{\begin{matrix} 1, ΔT 1 > β \\ \frac{1}{β} ΔT 1, 0 \leq ΔT 1 \leq β \\ 0, ΔT 1 < 0 \end{matrix},

这里，β为ΔT1为正的阈值，单位为KN，在步骤1）所述板形预测控制模糊推理控制模型中认为ΔT1大于β时为正，ΔT1小于-β时为负，下同；

ΔT1关于T1Z的模糊隶属函数：

f_{T 1 Z} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > β \\ 1 - \frac{1}{β} ΔT 1,0 \leq ΔT 1 \leq β \\ 1 + \frac{1}{β} ΔT 1, - β \leq ΔT 1 < 0 \\ 0, ΔT 1 < - β \end{matrix},

ΔT1关于T1N的模糊隶属函数：

f_{T 1 N} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > 0 \\ - \frac{1}{β} ΔT 1, - β \leq ΔT 1 \leq 0 \\ 1, ΔT 1 < - β \end{matrix};

ΔT2关于T2P的模糊隶属函数

f_{T 2 P} (ΔT 2) = \{\begin{matrix} 1, ΔT 2 > γ \\ \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 0, ΔT 2 < 0 \end{matrix},

这里，γ为ΔT2为正的阈值，单位为KN，在步骤(1)所述板形预测控制模糊推理控制模型中认为ΔT2大于γ时为正，ΔT2小于-γ时为负，下同；

ΔT2关于T2Z的模糊隶属函数：

f_{T 2 Z} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > γ \\ 1 - \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 1 + \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 < 0 \\ 0, ΔT 2 < - γ \end{matrix},

ΔT2关于T2N的模糊隶属函数：

f_{T 2 P} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > 0 \\ - \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 \leq 0 \\ 1, ΔT 2 < - γ \end{matrix};

U = Σ_{j = 1}^{27} h_{j} \times U_{j},

其中h_i为板形模糊预测控制模型的第i个模糊隶属度，且：

h₂₇=f_FN(ΔF)×f_T1N(ΔT1)×f_T2N(ΔT2)；

6）对于确定规格的冷轧带钢，选择对应的板形模糊预测控制模型来进行工作辊弯辊装置的在线调节，本实施例中，它具体包含以下步骤：

基于本发明的冷轧带钢板形板厚综合控制方法可用于四辊、六辊单机架或多机架冷连轧机组。以下以一台单机架六辊轧机为例，六辊轧机可轧制的产品包括普通板、高强钢、部分不锈钢和硅钢等。本实施例轧制的是中高牌号硅钢，机型为UCM轧机，板形控制手段包括轧辊倾斜、工作辊正负弯辊、中间辊正弯辊、中间辊窜辊以及乳化液分段冷却等。其中中间辊窜辊是根据带钢宽度进行预设定，调整原则是将中间辊辊身边缘与带钢边部对齐，亦可由操作方考虑添加一个修正量，调到位后保持位置不变；乳化液分段冷却具有较大的时间滞后特性。因而在线调节的板形控制手段主要有轧辊倾斜、工作辊正负弯辊、中间辊正弯辊三种。该机组的主要技术性能指标和设备参数为：

轧制速度：Max900m/min，轧制压力：Max18000KN，最大轧制力矩：140.3KN×m，卷取张力：Max220KN，主电机功率：5500KW；

来料厚度范围：1.8～2.5mm，来料宽度范围：850～1280mm，轧后厚度范围：0.3mm～1.0mm；

工作辊直径：290～340mm，工作辊身长：1400mm，中间辊直径：440～500mm，中间辊身长：1640mm，支撑辊直径：1150～1250mm，支撑辊身长：1400mm；

每侧工作辊弯辊力：-280～350KN，每侧中间辊弯辊力：0～500KN，中间辊轴向横移量：-120～120mm，辅助液压系统压力：14MPa，平衡弯辊系统压力：28MPa，压下系统压力：28MPa。

板形仪采用瑞典的ABB公司板形辊，该板形辊的辊径313mm，由实心钢轴组成，沿宽度方向每隔52mm或26mm被分成一个测量区域，每个测量区域内沿轴向在测量辊的四周均匀分布着四个沟槽以放置磁弹性力传感器，传感器的外面被钢环所包裹。板形辊每旋转一周，可以对带材板形测量四次。

安装有测压仪用来实时测量轧机轧制力，在轧机入口处安装有张力仪用来测量轧机前张力，在轧机出口处安装有张力仪用来测量轧机后张力。

针对本实施例，图2给出了本发明板形预测控制方法投入运行前的轧机出口板形分布图，此时采用人工手动调节方式进行冷轧带钢板形控制。由图2可以看出，轧机出口板形的板形偏差最大值甚至超过了20I，具有非常明显的边浪板形缺陷，影响了产品质量和经济效益；这也说明了实际生产对先进板形控制技术研发的必要性。图3给出了本发明控制方法投入运行后的轧机出口板形分布图。由图3可以看出，本发明所述方法有效消除了板形偏差，轧机出口板形的板形偏差最大值控制在5I以内，没有明显的边浪或者中浪板形缺陷，显著改善了带钢产品出口板形，提高了带材的板形质量。

以上实施例仅用于说明本发明的技术思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施。本发明的专利范围不限于上述实施例，凡依据本发明所揭示的原理、设计思想所做的等同变化或修饰，均在本发明的专利范围之内。

Claims

1.一种冷轧带钢板形预测控制方法，其特征在于：它包括以下步骤：

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂；

IFΔF is FP and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₃；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₄；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₅；

IFΔF is FP and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₆；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₇；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₈；

IFΔF is FP and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₉；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₀；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₁₁；

IFΔF is FZ and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₁₂；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₁₄；

IFΔF is FZ and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₁₅；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₁₆；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₁₇；

IFΔF is FZ and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₁₈；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2P and，THEN U=U₁₉；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2Z and，THEN U=U₂₀；

IFΔF is FN and IFΔT1is T1P and IFΔT2is T2N and，THEN U=U₂₁；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2P and，THEN U=U₂₂；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2Z and，THEN U=U₂₃；

IFΔF is FN and IFΔT1is T1Z and IFΔT2is T2N and，THEN U=U₂₄；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2P and，THEN U=U₂₅；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2Z and，THEN U=U₂₆；

IFΔF is FN and IFΔT1is T1N and IFΔT2is T2N and，THEN U=U₂₇；

ΔF关于FP的模糊隶属函数：

f_{FP} (ΔF) = \{\begin{matrix} 1, ΔF > α \\ \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 0, ΔF < 0 \end{matrix},

ΔF关于FZ的模糊隶属函数：

f_{FZ} (ΔF) = \{\begin{matrix} 0, ΔF > α \\ 1 - \frac{1}{α} ΔF, 0 \leq ΔF \leq α \\ 1 + \frac{1}{α} ΔF, - α \leq ΔF < 0 \\ 0, ΔF < - α \end{matrix},

ΔF关于FN的模糊隶属函数：

F_{FN} (ΔF) = \{\begin{matrix} 0, ΔF > 0 \\ - \frac{1}{α} ΔF, - α \leq ΔF \leq 0 \\ 1, ΔF < - α \end{matrix};

ΔT1关于T1P的模糊隶属函数：

f_{T 1 P} (ΔT 1) = \{\begin{matrix} 1, ΔT 1 > β \\ \frac{1}{β} ΔT 1, 0 \leq ΔT 1 \leq β \\ 0, ΔT 1 < 0 \end{matrix},

ΔT1关于T1Z的模糊隶属函数：

f_{T 1 Z} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > β \\ 1 - \frac{1}{β} ΔT 1,0 \leq ΔT 1 \leq β \\ 1 + \frac{1}{β} ΔT 1, - β \leq ΔT 1 < 0 \\ 0, ΔT 1 < - β \end{matrix},

ΔT1关于T1N的模糊隶属函数：

f_{T 1 N} (ΔT 1) = \{\begin{matrix} 0, ΔT 1 > 0 \\ - \frac{1}{β} ΔT 1, - β \leq ΔT 1 \leq 0 \\ 1, ΔT 1 < - β \end{matrix};

ΔT2关于T2P的模糊隶属函数

f_{T 2 P} (ΔT 2) = \{\begin{matrix} 1, ΔT 2 > γ \\ \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 0, ΔT 2 < 0 \end{matrix},

ΔT2关于T2Z的模糊隶属函数：

f_{T 2 Z} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > γ \\ 1 - \frac{1}{γ} ΔT 2,0 \leq ΔT 2 \leq γ \\ 1 + \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 < 0 \\ 0, ΔT 2 < - γ \end{matrix},

ΔT2关于T2N的模糊隶属函数：

f_{T 2 P} (ΔT 2) = \{\begin{matrix} 0, ΔT 2 > 0 \\ - \frac{1}{γ} ΔT 2, - γ \leq ΔT 2 \leq 0 \\ 1, ΔT 2 < - γ \end{matrix};

U = Σ_{j = 1}^{27} h_{j} \times U_{j},

其中h_i为板形模糊预测控制模型的第i个模糊隶属度，且：

h₂₇=f_FN(ΔF)×f_T1N(ΔT1)×f_T2N(ΔT2)；

2.根据权利要求1所述的冷轧带钢板形预测控制方法，其特征在于：所述步骤6）包含以下步骤：