CN1055317C - 连续退火炉在线控制方法 - Google Patents

Abstract

本发明公开了一种连续退火炉在线控制方法，通过以热传导理论为依据，建立退火炉整炉带温动态数学模型，构成基于数学模型定量计算和基于人工经验定性推理的混合智能控制系统。将基于数学模型定量计算的优化控制、基于快慢变量分离的预设定和在经典PID基础上引入人工经验进行的闭环反馈智能校正三部分进行混合智能协调，得到各炉段炉温总控制量，再经炉温分配及智能分程求出各种控制信号，由基础自动化设施具体实施，实现对大型退火炉的在线控制。

Description

连续退火炉在线控制方法

本发明涉及一种连续退火炉在线控制方法，具体地说是一种采用计算机通过数学模型对大型连续退火炉进行在线控制操作的方法。

现有技术中，大型连续退火炉一般采用装备有各种炉温、带温仪表的小回路控制和计算机监控系统，由人工设定炉温来间接控制带温，是一种以控制带钢出炉温度为主的串级控制系统。而整座退火炉结构庞大，炉内既有加热又有冷却，传热方式差别很大，机理复杂，再加上带钢钢种、规格、退火曲线及机组速度经常发生变化，而炉子热惯性又大，致使工况难以稳定。由于上述控制系统未直接对炉内目标带温进行控制，使某些炉区按工艺要求实施分程调节时出现临界振荡，在机组突然大幅度降速时，若无人工及时干预，会造成热瓢曲甚至断带的严重故障，而且能耗大。随着计算机技术的进一步发展，产生了采用计算机通过数学模型对大型退火炉进行控制的方法。其所采用的数学模型多为静态数学模型、经验型简单动态模型等，都没能对整炉的炉温、带温分布进行动态描述，无法实现在线操作控制。

本发明的目的是提供一种连续退火炉在线控制方法，通过建立退火炉整炉带温动态数学模型，构成基于模型定量计算和基于人工经验定性推理的混合智能控制系统，对大型退火炉进行在线计算机控制操作。

本发明的目的是这样实现的：

一种连续退火炉在线控制方法，通过以热传导理论为依据，建立退火炉整炉带温动态数学模型，构成基于数学模型定量计算和基于人工经验定性推理的混合智能控制系统，具体步骤如下：

1.系统通过管理计算机输入带钢钢种、规格，退火曲线等工艺参数，送入过程计算机，

2.过程计算机通过测量仪表等基础自动化设施采集各测点位置的炉温、带温、机组运行速度及当前操作条件等参数，

3.上位计算机从过程计算机读取上述参数，由混合智能控制系统进行控制：

a.基于数学模型定量计算的优化控制，得出各炉段炉温控制增量，

b.基于快慢变量分离的预设定，将快变量从系统数学模型中分离出来，对快变量变化引起的各炉段炉温补偿控制增量进行预设定，

c.在经典PID(比例积分微分控制)基础上引入人工经验进行闭环反馈智能校正，定性推理得出各炉段炉温控制增量，

d.对上述基于数学模型定量计算和基于经验定性推理所得的三种控制增量进行混合智能协调，确定各炉段炉温总控制量，

e.将经混合智能协调确定的各炉段炉温总控制量按照数量和逻辑关系进行炉温分配，经多通道分程等求出各种控制信号，

4.过程计算机从上位计算机读取上述控制信号，经现场基础自动化设施的各种调节器施加于生产过程，实现在线闭环控制。

本发明所建立的整炉带温动态数学模型为用偏微分方程表示的带钢温度动态分布数学模型，将退火炉按带钢移动方向展开，并建立x、y、z三维空间坐标系，其中x、y和z方向分别代表带厚、炉长、炉宽方向，假设炉宽Z方向带钢温度梯度为零，带钢的比热、密度、导热系数均为常数，根据富里哀导热定律，得到描述全炉带温动态分布的二维不稳定导热方程： $\frac{\∂T(x,y,t)}{\∂t}=\frac{K_s}{\mathrm{C\ρ}}[\frac{{\∂}^{2}T(x,y,t)}{{\∂x}^2}+\frac{{\∂}^{2}T(x,\mathrm{yt})}{{\∂y}^2}]-v\left(t\right)\frac{\∂T(x,y,t)}{\∂y}---\left(1\right)$ 其中：T(x₁y₁t)为带温

  t为时间，t≥0

  C为带钢的比热

  ρ为带钢的密度

  K_s为带钢的导热系数

  v(t)为机组速度确定求解方程(1)所需的带钢上下表面边界条件，再采用时空离散化技术进行处理，将式(1)化为以炉温为控制向量、带温为状态向量的状态空间数学模型。

本发明所建立的整炉带温动态数学模型也可以是用偏微分方程表示的带钢温度跟踪数学模型，将退火炉按带钢移动方向展开，并建立x、y移动坐标系，其中x、y分别为跟踪单元在带厚和炉长方向上的位置，忽略带钢沿炉长方向的横向热传导，则带钢任意小单元的移动就可视为边界场的移动，假设带钢的比热、密度、导热系数均为常数，根据富里哀导热定律，得到描述带钢温度跟踪的一维不稳定导热方程： $\frac{\∂T{S}_f(x,t)}{\∂t}=\frac{K_s}{\mathrm{C\ρ}}\frac{{\∂}^{2}T{S}_f(x,t)}{{\∂x}^2}---\left(1a\right)$ 其中：TS_f为跟踪单元的温度

  t为时间，t≥0

  C为带钢的比热

  ρ为带钢的密度

  K_s为带钢的导热系数确定求解方程(1a)所需的带钢上下表面边界条件，再采用时空离散化技术进行处理，将式(1a)化为以带温为状态变量、炉温为控制变量的状态空间数学模型。在较稳定的工况下，带钢温度跟踪数学模型与带钢温度动态分布数学模型等价，可由结构简单、计算量小的带钢温度跟踪数学模型反映全炉带温分布规律。

基于数学模型定量计算的优化控制首先要对数学模型中受钢种、规格、机组速度、炉况等影响的参数进行在线辨识，然后根据数学模型预测补偿带温偏差所需的炉温调节量，最后根据所取目标函数进行优化，得到各炉段炉温控制增量。

基于快慢变量分离的预设定是将机组速度V作为快变量从数学模型中分离出来，根据数学模型计算出V变化ΔV时所需的炉温动态补偿量，对速度变化所引起的各炉段炉温补偿控制增量进行预设定。

闭环反馈智能校正所引入的人工经验主要包括：带温大偏差时加大比例作用，中偏差时中等比例加积分作用，小偏差时减小比例作用，并且在超调时加上积分作用，回调时取消积分作用，带温偏差的大中小也是由人工实际经验确定的。

混合智能协调是将三种控制增量分别记作μ₁、μ₂、μ₃，总控制量为μ，根据过程机理和运行经验建立三种控制量与总控制量映射关系知识库{μ₁、μ₂、μ₃}→μ，通过知识推理获得各炉段炉温总控制量μ。

附图说明：

图1为本发明方法的多级递阶控制结构图。

图2为本发明方法的混合智能控制过程流程图。

图3为连续热镀锌退火炉结构及流程示意图。

下面结合附图并以将本发明方法用于连续热镀锌退火炉的在线控制为实施例对本发明进行详述。

图3所示的连续热镀锌退火炉为立式结构，由预热F₁、还原F₂、控冷F₃和喷冷C₁四段组成，这四段共有16个炉区。在预热段F₁的入口和每个炉段的出口各安装有一带温测量仪表1RT-5RT，可获得5个带温测量值。在每个炉区安装有一炉温测量仪表1TC-16TC，可获得16个带温测量值。预热段F₁通过直接燃烧加热带钢并清洁带钢表面，加热过量易引起炉内断带或热瓢曲，加热不足又不能清洁带钢表面从而影响镀锌质量。还原段F₂用两面对称的许多辐射管加热继续提高带温，该段出口处的带温3RT决定了产品的机械性能因而要求严格。控冷段F₃通过辐射管冷却降温，喷冷段C₁则用冷却气体直接冷却带钢，出炉带温5RT直接影响镀锌质量，既不能偏高又不能偏低。整个退火过程必须满足一定的退火曲线。

本发明通过以热传导理论为依据，建立退火炉整炉带温动态数学模型，构成基于模型定量计算和基于人工经验定性推理的混合智能控制系统，满足退火曲线的要求。系统采用多级递阶控制结构，如图1所示，过程计算机由基础自动化设施采集并由管理计算机读入各种参数，上位计算机从过程计算机读取上述参数，进行混合智能控制，得出控制信号，由过程计算机经基础自动化设施施加于生产过程，对连续热镀锌退火炉进行闭环在线控制。

实施例中用于定量计算炉温控制量的数学模型是用偏微分方程表示的带钢温度动态分布数学模型。将热镀锌退火炉按带钢移动方向展开，并建立x、y、z三维空间坐标系，其中x、y和z方向分别代表带厚、炉长和炉宽方向，假设炉宽Z方向带钢温度梯度为零，带钢的比热、密度、导热系数均为常数，根据富里哀导热定律，得到描述全炉带温动态分布的二维不稳定导热方程： $\frac{\∂T(x,y,t)}{\∂t}=\frac{K_s}{\mathrm{C\ρ}}[\frac{{\∂}^{2}T(x,y,t)}{{\∂x}^2}+\frac{{\∂}^{2}T(x,\mathrm{yt})}{{\∂y}^2}]-v\left(t\right)\frac{\∂T(x,y,t)}{\∂y}---\left(1\right)$ 其中：T(x，y，t)为带温

  t为时间，t≥0

  C为带钢的比热

  ρ为带钢的密度

  K_s为带钢的导热系数

v(t)为机组速度确定求解方程(1)所需的带钢上下表面边界条件：炉内带钢表面与退火炉之间的能量传递主要是辐射和对流，假设带钢上下表面的传热对称，则只考虑带钢下表面的边界条件，得到带钢下表面热流密度关系式：

q(y，t)＝ε(y)F_aσ[TZ⁴(y，t)-T⁴(0，y，t)]+h_cF_a[TZ(y，t)

                                                -T(0，y，t)]……(2)其中：q(y，t)为带钢下表面热流密度

  F_a为有效传热面积

  σ为斯蒂芬-波尔兹曼常数(Stefan-Boltzmann)常数

  TZ(y，t)为炉温分布

  h_c为炉气对带钢下表面的对流传热系数

  ε(y)为整个炉体对带钢下表面总有效黑度系数，

  ε(y)＝φ_swε_s+[ε_w+ε_g(y)]/2其中：ε_s为带钢的黑度系数

  ε_w为炉墙对带钢下表面的总有效黑度系数

  ε_g为炉气黑度系数

  φ_sw为炉墙与带钢下表面的辐射角系数

为简化模型以便于实际工程应用，引入综合等效传热系数h(y₂t)：

h(y，t)＝ε(y)σ[TZ²(y，t)+T²(0，y，t)][TZ(y，t)-T(0，y，t)]+h_c

                                                                ……(3)则式(2)可简化为线性化边界条件：

q(y，t)＝h(y，t)F_a[TZ²(y，t)-T(0，y，t)                         ……(4)故边界条件(4)又可表示为： ${\frac{\∂T(x,y,t)}{\∂x}|}_{x=0}=-\frac{h(y,t)}{K_s}[\mathrm{TZ}(y,t)-T(0,y,t)]---\left(6\right)$ 实际在线控制过程中，h(y，t)通过实时递推估计确定。

利用时空离散化技术对上述数学模型进行工程化处理。将炉内带钢划分为N_x×N_y个网络，时间步长为Δt。为方便起见，iΔx、jΔy和kΔt分别简记为i、j和k。适当运用前向差分和后向差分近似，可将带温分布模型化为：

T(i，j，k+1)＝aT(i+1，j，k)+(1-2a-2b-c)T(i，j，k)+aT(i-1，j，k)+

                            bT(i，j+1，k)+(b+c)T(i，j-1，k)   ……(7)式中：

将坐标y处带钢厚度方向上的平均温度 T(y，t)作为y处带温TS(y，t)之近似值， $\stackrel{-}{T}(j,k+1)=\frac{1}{N_x}\underset{i=1}{\overset{N_x}{\mathrm{\Σ}}}T(i,j,k+1)$ ＝(1-2b-c) T(j，k)+b T(j+1，k)+(b+c) T(j-1，k)+ $\frac{\mathrm{\σ}}{N_x}[T(N_x+1,j,k)-T(N_x,j,k)+T(0,j,k)-T(i,j,k)]---\left(8\right)$ ∴TS(j，k+1)＝(1-2b-c-d_jk)TS(j，k)+(b+c)TS(j-1，k)

       +bTS(j+1，k)+d_jkTZ(j，k)                    ……(9)式中：

类似地，可以导出：

TS(0，k+1)＝(1-b-d_0k)TS(0，k)+bTS(j，k)+d_0kTZ(0，k)……(10) $\mathrm{TS}(N_y,k+1)=(b+c)\mathrm{TS}(N_y-1,k)+(1-b-c-d_{N_{y}K})\mathrm{TS}(N_y,k)$ $+d_{N_{y}K}\mathrm{TZ}(0,k)----\left(11\right)$ 若记：

X(k)＝[TS(0，k)，TS(j，k)，……，TS(N_y，k)]^T

U(k)＝[TZ(0，k)，TZ(j，k)，……，TZ(N_y，k)]^T $B\left(k\right)=\mathrm{diag}[d_{0k},d_{1k},\·\·\·\·\·\·,d_{N_{y}K}]$

则最终导出以带温为状态变量、炉温为控制变量的状态空间数学模型

X(k+1)＝A(k)X(k)+B(k)U(k)            ……(12)钢种、规格、机组速度、炉况等各种特性参数均包含于A(k)和B(k)之中。

具体控制步骤如下(参见图1和图2)：

1.系统通过管理计算机输入带钢钢种、规格，退火曲线等工艺参数，送入过程计算机。

2.过程计算机通过测量仪表等基础自动化设施采集各测点位置的炉温、带温、机组运行速度及当前操作条件等参数。

3.上位计算机从过程计算机读取上述参数，由混合智能控制系统进行控制：

a.进行基于数学模型定量计算的优化控制。首先对状态空间数学模型式(12)中包含有钢种、规格、机组运行速度、炉况等参数的A(K)、B(K)进行在线辨识，然后根据模型预测补偿带温偏差ΔX(k+1)所需的炉温调节量ΔU(k)，最后以节能为目标进行优化，得到各炉段炉温控制增量。

b.进行基于快慢变量分离的预设定。为快速克服快变量扰动，将机组运行速度V作为快变量从式(12)所示数学模型中分离出来，根据数学模型计算出V变化ΔV时所需的炉温动态补偿量，对速度变化所引起的各炉段炉温补偿控制增量进行预设定。

c.在经典PID基础上引入人工经验进行闭环反馈智能校正。引入的人工经验主要包括：带温大偏差时加大比例作用，中偏差时中等比例加积分作用，小偏差时减小比例作用，并且在超调时加上积分作用，回调时取消积分作用，带温偏差的大中小也是由人工经验确定的，据此定性推理得出各炉段炉温控制增量，以克服连续热镀锌退火过程中的大量不确定性。

d.对上述基于数学模型定量计算和基于经验定性推理所得的三种控制增量进行混合智能协调。工况不同，三种控制量所占的比重和起的作用是不同的，将三种控制量分别记作μ₁、μ₂、μ₃，总控制量为μ，根据过程机理和运行经验建立三种控制量与总控制量映射关系知识库{μ₁、μ₂、μ₃)→μ，通过知识推理获得各炉段炉温总控制量。

e.将经混合智能协调确定的各炉段炉温总控制量按照数量和逻辑关系进行炉温分配，经多通道分程转换成各种控制信号。转换过程均根据过程机理和人工经验表示成一系列产生式规则，供控制程序实时推理。

4.下位机从上位机读取上述控制信号，经现场基础自动化设施的各种调节器施加于生产过程，实现在线闭环操作控制。

本发明与现有技术相比所具有的优点是：本发明通过建立退火炉整炉带温动态数学模型，构成基于数学模型定量计算和基于人工经验定性推理的混合智能控制系统，真正实现了对大型退火炉的在线控制。经在大型连续热镀锌退火炉上实际使用证明：本发明方法所建立的数学模型精度高，混合智能控制解决了过去因无法控制带温及炉温与带钢走速不协调而引起的断带和热瓢曲等故障和质量问题，保证了生产的正常进行，产品质量稳定，提高了产量，降低了能耗。

本发明方法可用于立式和卧式的所有连续退火炉的在线控制。

Claims (5)

1.一种连续退火炉在线控制方法，其特征是：通过以热传导理论为依据，建立退火炉整炉带温动态数学模型，构成基于数学模型定量计算和基于人工经验定性推理的混合智能控制系统，具体步骤如下：

(1)系统通过管理计算机输入带钢钢种、规格，退火曲线等工艺参数，送入过程计算机，

(2)过程计算机通过测量仪表等基础自动化设施采集各测点位置的炉温、带温、机组运行速度及当前操作条件等参数，

(3)上位计算机从过程计算机读取上述参数，由混合智能控制系统进行控制：

a.基于数学模型定量计算的优化控制，得出各炉段炉温控制增量，

b.基于快慢变量分离的预设定，将快变量从系统数学模型中分离出来，对快变量变化引起的各炉段炉温补偿控制增量进行预设定，

c.在经典PID基础上引入人工经验进行闭环反馈智能校正，定性推理得出各炉段炉温控制增量，

d.对上述基于数学模型定量计算和基于经验定性推理所得的三种控制增量进行混合智能协调，确定各炉段炉温总控制量，

e.将经混合智能协调确定的各炉段炉温总控制量按照数量和逻辑关系进行炉温分配，经多通道分程等求出各种控制信号，

(4)过程计算机从上位计算机读取上述控制信号，经现场基础自动化设施的各种调节器施加于生产过程，实现在线闭环控制；

所述的整炉带温动态数学模型是用偏微分方程表示的带钢温度动态分布数学模型，将退火炉按带钢移动方向展开，并建立x、y、z三维空间坐标系，其中x、y和z方向分别代表带厚、炉长、炉宽方向，假设炉宽Z方向带钢温度梯度为零，带钢的比热、密度、导热系数均为常数，根据富里哀导热定律，得到描述全炉带温动态分布的二维不稳定导热方程： $\frac{\∂T(x,y,t)}{\∂t}=\frac{K_s}{\mathrm{C\ρ}}[\frac{{\∂}^{2}T(x,y,t)}{{\∂x}^2}+\frac{{\∂}^{2}T(x,\mathrm{yt})}{{\∂y}^2}]-v\left(t\right)\frac{\∂T(x,y,t)}{\∂y}---\left(1\right)$ 其中：T(x₁y₁t)为带温

t为时间，t≥0

C为带钢的比热

ρ为带钢的密度

K_s为带钢的导热系数

v(t)为机组速度确定求解方程(1)所需的带钢上下表面边界条件，再采用时空离散化技术进行处理，将式(1)化为以炉温为控制向量、带温为状态向量的状态空间数学模型；

所述的整炉带温动态数学模型也可以是用偏微分方程表示的带钢温度跟踪数学模型，将退火炉按带钢移动方向展开，并建立x、y移动坐标系，其中x、y分别为跟踪单元在带厚和炉长方向上的位置，忽略带钢沿炉长方向的横向热传导，则带钢任意小单元的移动就可视为边界场的移动，假设带钢的比热、密度、导热系数均为常数，根据富里哀导热定律，得到描述带钢温度跟踪的一维不稳定导热方程： $\frac{\∂T{S}_f(x,t)}{\∂t}=\frac{K_s}{\mathrm{C\ρ}}\frac{{\∂}^{2}T{S}_f(x,t)}{{\∂x}^2}---\left(1a\right)$ 其中：TS_f为跟踪单元的温度

  t为时间，t≥0

  C为带钢的比热

  ρ为带钢的密度

  K_s为带钢的导热系数确定求解方程(1a)所需的带钢上下表面边界条件，再采用时空离散化技术进行处理，将式(1a)化为以带温为状态变量、炉温为控制变量的状态空间数学模型。

2.根据权利要求1所述的方法，其特征在于所述基于数学模型定量计算的优化控制，首先要对数学模型中受钢种、规格、机组速度、炉况等影响的参数进行在线辨识，然后根据数学模型预测补偿带温偏差所需的炉温调节量，最后根据所取目标函数进行优化，得到各炉段炉温控制增量。

3.根据权利要求1所述的方法，其特征在于所述基于快慢变量分离的预设定，是将机组速度V作为快变量从数学模型中分离出来，根据数学模型计算出V变化ΔV时所需的炉温动态补偿量，对速度变化所引起的各炉段炉温补偿控制增量进行预设定。

4.根据权利要求1所述的方法，其特征在于所述的闭环反馈智能校正所引入的人工经验主要包括：带温大偏差时加大比例作用，中偏差时中等比例加积分作用，小偏差时减小比例作用，并且在超调时加上积分作用，回调时取消积分作用，带温偏差的大中小也是由人工实际经验确定的。

5.根据权利要求1所述的方法，其特征在于所述的混合智能协调是将三种控制增量分别记作μ₁、μ₂、μ₃，总控制量为μ，根据过程机理和运行经验建立三种控制量与总控制量映射关系知识库{μ₁、μ₂、μ₃}→μ，通过知识推理获得各炉段炉温总控制量μ。

Images