[发明专利]一种确定热轧带钢层流冷却温度的方法

说明书

技术领域

本发明属于钢铁冶金领域，更具体地，涉及一种确定热轧带钢层流冷却温度的方法。

背景技术

钢铁工业是支持国民经济发展的重要支柱产业，现代钢铁工业的发展水平是一个国家技术进步和综合国力的重要体现。热轧带钢层流冷却是一种利用水冷对高温钢板进行降温的过程，在这个过程中会发生钢板结晶体的变化这些变化可以直接影响钢板的性能，所以对钢板层流冷却过程温度的精确控制对于高质量钢板的生产起很重要的作用。其性能不仅取决于热轧工艺，更决定于轧制之后的控制冷却技术。热卷取温度能否控制在要求范围之内，则主要取决于对精轧机后热带钢冷却系统的控制。

热轧带钢层流冷却过程是由一个复杂非线性、多输入输出、各变量相互耦合的系统完成，涉及带钢温度、带钢运行速度、带钢厚度、喷水流量、带钢内部的组织结构以及相变等多方面的问题。如何控制好如此复杂的生产过程，并按要求精确生产不同规格、不同性能的带钢产品是钢铁生产领域长期研究的问题。其中，建立完善准确的温度模型是实现良好控制的关键。

现有的层流冷却温度计算方法主要有两种，一是以机理模型为主，辨识模型为辅，利用钢板层流冷却过程中的机理公式来建立，然后运用辨识出的时变参数进行计算；二是以实验辨识模型为主，机理模型为辅，通过实测值和机理模型的计算结果作为实验辨识模型的输入输出参数来预报卷取温度，实现基于大量历史数据和当前的现场生产实测数据的卷取温度预测。

但是，无论是机理模型还是辨识模型都有各自的优点和缺点。机理模型更接近工业过程的理论值，可以计算得到更多的实际中无法测量的物理量，利用机理分析可以更全面的了解整个系统；但是现有条件下机理模型不可能完全包含实际中发生的所有物理化学变化，肯定有实际发生的现象是现阶段未知的，这样搭建的机理模型就存在漏洞而且很难弥补。辨识模型是依靠数据驱动的，只建立输入和输出的关系，得到的数据更接近实际情况也更具有时效性；但是辨识模型不能检测和计算生产过程中没有检测到的数据。

发明内容

针对现有技术的不足，本发明提供一种确定热轧带钢层流冷却温度的方法，其目的在于能够精确的计算得到钢板的卷曲温度，同时可以根据生产线的老化以及设备的更新等现象通过自学习不断的修正参数，对层流冷却生产过程有很好的指导作用。

本发明提供一种确定热轧带钢层流冷却温度的方法，包括：

步骤1采集层流冷却过程中的多个数据建立数据库，其中，所述多个数据包括钢板微量元素含量、钢板初始温度T₀、钢板厚度、钢板宽度、钢板设定卷曲温度T′_c和水流密度q_w；

步骤2利用层流冷却温度混合模型计算所述层流冷却过程的卷曲温度，其中，所述层流冷却温度混合模型包括：

机理模型，根据钢板输入量计算出空冷换热的热量值和热辐射散热的热量值，并结合水冷换热的热量值计算出层流冷却过程中的总热量散失，从而计算出所述层流冷却过程的卷曲温度，其中，所述钢板输入量包括所述钢板微量元素含量、所述钢板初始温度T₀、所述钢板厚度、所述钢板宽度和所述钢板设定卷曲温度T′_c，所述水冷换热的热量值根据水冷换热系数α_w计算得出；

TS模糊模型，利用模糊规则，根据输入的隶属度函数u_i、后件参数Θ和输入矩阵计算出相对应的所述水冷换热系数α_w，并将计算出的所述水冷换热系数α_w输入到所述机理模型中进行所述水冷换热的热量值的计算，其中所述输入矩阵为x(k)=[q_w T₀ T′_c]，由所述水流密度q_w、所述钢板初始温度T₀和所述钢板设定卷曲温度T′_c组成；以及

自学习模型，每次运行时从所述数据库中选择最新的N个数据进行C聚类处理，其中，10000≤N≤40000,计算出所述最新的N个数据的所述隶属度函数u_i及所述后件参数Θ，并将计算出的所述隶属度函数u_i及所述后件参数Θ输入至所述TS模糊模型