莱钢1 500 mm热轧精轧模型存在问题的分析和处理

刘莱萌

(山东莱芜钢铁集团有限公司板带厂，山东 莱芜 271126)

0 前言

莱钢第1条热轧生产线1 500 mm热轧于2005年5月建成投产。2007年达到了年设计生产能力245万t。随着产量的不断提高，精轧轧制模型存在的问题逐渐暴露出来，为了满足生产及产品质量的要求，莱钢对轧制模型进行了不断优化，取得了良好的效果。

1 模型使用中存在的主要问题

(1)轧制力预报准确率低。轧制力预报值直接关系到辊缝及轧制速度的设定，偏差大会造成各机架间秒流量不等，过程控制不稳定，厚度精度低，严重的会造成堆钢。

(2)自学习效果不佳。经过一段时间运行后，学习效果不理想，设定值经常出现较大的偏差，造成生产过程不稳定。

(3)维护界面操作复杂，干预效果不理想。负荷分配不合理情况下，对绝对压下率进行调整，由于绝对压力率数值相对较小(特别是后机架分配系数在0.0012～0.0015之间)，负荷调整后效果不明显。

(4)新钢种新规格开发适应性差。新钢种、新规格开发时，模型设定精度偏低，学习效果不理想。

(5)模型维护不方便，留给二级维护人员的开口较少，不能对出现的问题及时、有效的维护和调整。

2 原因分析

(1)造成模型轧制力预报不准的主要原因:精轧入口温度采点位置不合理，在热卷箱附近，环境恶劣，外界因素影响加大，特别是冬季周围水、气造成采点不准，给模型的设定的准确性带来困难;轧制负荷采用“绝对压下率”方式，中间坯、出机架厚度的变化不能正确预算，造成轧制力波动较大。

(2)模型自学习方式存在问题，在短期自学习较好的情况下，长期自学习学习速度较慢，不能将好的过程参数保留到自学习中去，造成模型学习周期较长。

(3)对突发或检测异常值的筛除考虑不够全面。如因高温计、测宽测候仪表的异常检测值、设备故障产生的波动较大的参数，模型运行过程中不能合理判断、筛除，造成模型继续学习、使模型设定结果向差的趋势发展。

(4)模型运行前期维护界面过少，维护人员不能及时对模型进行维护优化。

3 采取措施

针对模型在使用过程中存在的问题及其产生的原因，莱钢1 500 mm热轧厂、自动化部及北科大共同对精轧模型进行了优化，主要从以下几个方面开展工作，取得了良好的效果。

3.1 精轧入口采温点优化

将采温点适当后移，避开环境较恶劣的热卷箱区域，在有信号后延时2 s采点，共取8组，每组8个点，64个点的平均值作为精轧模型二次设定的温度值。延时2 s使钢坯头部避让1.5 m后再进行采点，避免了头部温度较低的区域，真实反映头部穿带时的温度，提高了精轧设定模型穿带轧制力预设定的准确性。

3.2 改变负荷分配方式

由“绝对压下率”调整为“相对压下率”，并增加了“相对轧制力”模式。调整为相对压下率后，各机架的压下率［1］设定范围非常清晰，可取得经验值较多。新增的“相对轧制力”模式，实现了对F6机架轧制力负荷范围的控制，在生产冷轧用料等对断面形状有要求的产品时，得到了很好的应用，板形质量也得到了改善。轧制负荷分配及调整操作画面如图1所示。

图1 模型设定画面Fig.1 Graphics of model setting

3.3 提供了Excel修改工具对模型进行维护

精轧模型主要维护常量、长期自学习系数、短期自学习系数、工艺参数等分数据区。为了便于二级维护提供了Excel修改工具，不仅维护方便，各层别不同规格的相关数据一目了然。各机架负荷参数如图2所示。

图2 机架负荷分配表图例Fig.2 Graphic symbol example of frame load distribution

3.4 优化模型自学习

3.4.1 模型自学习过程

模型本身存在误差，轧机条件也在不断变化，为使FSU对后续钢带设定更准确，需要调整模型的某些设定参数。FML的启动时序保证了FML能获得带钢头部的所有实测数据，依据实测值调整模型系数。精轧自学习程序 FML对精轧模型的自学习项目包括:机架间喷水﹑机架间热辐射温降自学习系数;轧制力模型自学习系数;辊缝自学习系数。模型自适应和自学习过程如图3所示。

图3 模型自适应和自学习过程Fig.3 Self-adaptive and self-learning process of model

3.4.2 优化模型自学习的速度与机制

模型的自学习主要区分为长期自学习和短期自学习。短期自学习包括辊缝误差、轧制力自学习系数、温降自学习系数。长期自学习包括轧制力自学习系数和温降自学习系数。轧制力自学习系数与换批后轧制块数、预设定轧制力和实测轧制力的误差率有关;辊缝误差学习系数与换批后轧制块数、预设定轧制力和实测轧制力的误差率、预设定辊缝和后计算辊缝误差率有关，且只进行短期自学习。

预设定模块:换规格轧制在预设定模型中采用长期自学习系数，否则采用短期自学习值;

自学习模块:换规格轧制时，将上支钢的自学习值保存到对应档的长期自学习数据区中;将本支钢的自学习值保存到短期自学习数据区中。

自学习值的更新速度:每个自学习项都进行短期更新;长期自学习更新速度为短期自学习累积值以0.3的速度更新到长期自学习数据区中，以0.2的速度更新长期自学习中的相邻档。

3.4.3 建立模型自学习的限定条件

为保证模型向着稳定、精度的方向学习，程序增加了模型自学习条件，如果条件满足不了，模型自学习程序停掉，关键的限制条件如下:①粗、精轧高温计正常工作;②精轧后测厚仪、测宽仪正常工作;③轧线数据跟踪、传输正确;④换辊、零调正确操作;⑤末机架设定速度和实测速度的影响;⑥粗轧咬钢时间与自学习计算时间不超过150 s;⑦设定速度和实测速度差别过大、预设定负荷分配和后计算负荷分配差别超过5%。关键条件的增设避免了异常过程的学习，确保模型的稳定性。

3.5 增设离线计算模型

北科大在程序升级模型系统提供了计算半自动规程的接口，利用离线模拟平台来开发计算新规格的轧制规程。在新钢种新规格开发前，可根据工艺条件的要求进行轧制规格的预计算，通过计算结果了解轧制负荷与过程参数控制情况，并根据产品性能要求对过程参数适当进行控制。二级计算的轧制规程不仅能保证顺利穿带和头部质量，还能提高新产品开发成功的合格率。

4 效果

(1)轧制力预报准确性提高。首块钢轧制力预报准确率由原来的50%提高到75%，轧制稳定性得到了提高。

(2)自学习速度及效果得到了改善。换辊后第三块就能得到稳定的轧制过程数据，轧制周期内第二块就能学习稳定。

(3)模型维护方便，干预效果显著。运用Excel修改工具可及时对各个层别不同规格产品的轧制负荷分配、长短期自学习系数进行调整。操作工在实际生产过程中也可通过模型设定画面对相对负荷参数进行修订，干预效果显著。

(4)为新钢种、新规格产品开发提供了保障。运用离线模拟平台对新钢种、新规格产品轧制规程进行预算，存在的问题能够提前预知，为过程参数的调整提供支持保障。

［1］孙一康.带钢热连轧的模型与控制［M］.北京:冶金工业出版社，2002.