炉温对粗轧机终轧温度影响的研究

肖学文，叶 波，勇浩晨，董 斌

(1.中治赛迪工程技术股份有限公司，重庆 401122； 2.重庆赛迪热工环保工程技术有限公司，重庆 401122；3.中冶赛迪重庆信息技术有限公司，重庆 401122； 4.中冶赛迪技术研究中心有限公司，重庆 401122)

随着我国钢铁事业的迅猛发展，轧钢加热炉的运行数量也在迅速增加[1]，这些运行中的加热炉大都采取步进方式，利用物理分段供热实现连续化生产。此类型的加热炉通过对各个控制段实施不同的温度控制来实现对炉内钢坯的加热过程控制。目前尚没有较好的测量手段在加热炉内对钢坯的温度进行连续的测量。在加热炉外常常采用非接触式测温技术[2]，由于氧化铁皮等诸多因素的影响，对钢坯温度的直接测量点通常建立在轧钢粗轧后，也就是通常所说的RDT。许多钢铁生产企业对于加热炉加热钢坯的质量要求，也是通过RDT达标率来进行衡量。因此，进行加热炉各段炉温对钢坯粗轧终轧温度影响的研究就显得非常有必要。

由于经过加热的钢坯从加热炉出炉后，要经过高压水除鳞以及粗轧等工序，在整个过程中涉及了辐射、对流、传导和轧制变形温升等四种传热方式[3]。因此直接进行数学机理建模的方式较为复杂，并且诸多控制因素皆可能对其准确性造成较大的影响。因此，在本文中拟不采用机理模型的方式来建立炉温与粗轧机终轧温度之间的关系，而是利用采集的实际生产数据，采用数学分析的方法来建立炉温与粗轧终轧温度之间的联系。

1 现场概况及数据采集方式

某钢铁厂1 580 mm热轧生产线主要为汽车、家电、建筑及结构、机械、电气等行业提供高品质、高技术含量、高附加值的板材产品。共建设了4座步进梁式加热炉，单炉额定加热能力为300 t/h(冷坯)。加热炉炉型为端进端出、上下加热、混合煤气常规+脉冲燃烧、全液压传动滚轮斜台面式步进梁式加热炉，详见图1。

图1 加热炉炉型结构简图

加热炉设计有效长度44 870 mm，内宽11 700 mm。加热炉设12个炉温自动控制区域，即预热段、一加热段、二加热段、均热段的上、下控制区，除上部均热段采用平焰烧嘴供热，其余各段均采用低NOx烧嘴侧向供热。其中均热段上采用双交叉限幅连续燃烧控制，其余各段均采用数字化脉冲燃烧控制。另外，加热炉还设有一个不供热的热回收段，以充分回收烟气余热，节约能源。

先通过仪表PLC对加热炉温度传感器(热电偶)的数据进行采集与处理[4]。上部炉温数据从安装在加热炉炉顶的热电偶获得，下部炉温温度从安装在侧墙上的热电偶获得。采集系统以30 s为周期与仪表PLC进行通信，采集各个测量点的炉温数据。钢坯经粗轧机终轧后的温度(RDT)则通过与轧机相关控制系统通信进行采集。温度采集系统结构如图2所示。

图2 温度采集分析系统构架图

2 针对温度分析系统方法设计

加热炉炉温与钢坯经粗轧机终轧后的温度的关系的分析算法按照以下的方法进行设计。

1) 以钢坯为核心的钢坯相关炉温数据预处理

由于温度采集分析系统对于加热炉温度与粗轧机终轧后的反馈温度采取了不同的数据收集方式，在本文中选择了以钢坯为核心的数据处理方式来进行数据预处理。粗轧机终轧反馈温度本身按照钢坯号进行反馈，可根据数据区间判断剔除明显不合理的误报温度信息。针对热电偶采集温度的处理则按照以下的方式来获取每块钢坯在各个控制区域内的加权平均炉温：

式中：Tfn为某个加热炉内所有热电偶温度平均值；wn为温度的加权数，根据钢坯位于加热控制区域的位置来进行确定，在设计时，遵循w1+w2…+wn=n的规则。

2) 建立钢坯-炉温数据表

在完成前序数据处理的基础上建立钢坯-炉温数据表，数据表的内容如表1所示。

表1 钢坯-炉温数据表

3) 建立炉温-钢坯经粗轧机终轧后的温度算法模型以加热炉炉温数据中与钢坯号对应的各段加权平均温度为输入层，钢坯在粗轧机终轧后平均温度为输出层，建立神经网络自学习模型，见图3。

图3 神经网络示意图

在网络中，一个基本的神经元模型具有n个输入，每个输入都是通过适当的权值w和下一个神经元相连，如图4所示。

图4 神经元模型示意图

由于输入层的数据与输出层的数据之间经历了较为复杂的热传导过程(辐射、对流、传导和变形温升)，因此假定他们之间为非线性的关系。进一步引入激活函数。在激活函数的选用上，虽然Sigmoid函数运用最为广泛，但在后向传递过程中，Sigmoid向下传导的梯度包含了一个f’(x) 因子(Sigmoid关于输入的导数)，因此一旦输入落入饱和区，f’(x) 就会变得接近于0，导致了向底层传递的梯度也变得非常小。此时，网络参数很难得到有效训练。在本文中采用了ReLU激活函数。相比起Sigmoid函数够快速收敛，有效缓解了梯度消失的问题，在没有监督预训练的时候也能有较好的表现。

ReLU激活函数被定义为f(x)=max(0,x),表现形式如图5所示。

图5 RDT计算结果

在优化算法的选择上，选用了一种可以替代传统随机梯度下降过程的一阶优化算法——Adam算法，能基于训练数据迭代地更新神经网络权重。Adam优化算法其实是动量梯度下降算法和RMSprop算法的结合。Adam算法公式为

gt=∇θJ(θt-1)

mt=β1mt-1+(1-β1)gt

式中：gt为梯度；mt为梯度均值；vt为梯度方差。

Adam算法的偏差修正：

更新权重：

超参数：

β1、β2为指数衰减率，β1=0.9，β2=0.999。

α为学习率，α=0.001。

ε=10-8，避免除数变为0。

初始化：m0=0,v0=0。

3 实际应用解决

针对所需解决的问题，完成神经网络构造和算法后，利用tensorflow所含keras算法模块进行分析。

具体步骤如下：

(1) 从燃烧控制模型系统的数据库中，导出一定数据量的钢坯在炉加热的平均炉温信息以及作为输入训练样本，钢坯在粗轧机终轧后平均温度(RDT)为其输出训练样本。

(2)引用NumPy的pandas工具，将数据导入分系统。

(3) 引入keras作为Tensorflow高阶应用程序接口，设计激活函数为ReLU，优化算法为Adam的神经网络。

(4) 进行神经网络算法训练，在训练过程中，引入mes函数进行误差评估，可接受的温差偏差值为15 ℃，其平方误差为225。神经网络训练的误差限制在此范围内。样本在进行了10 000次神经网络的有效训练后，误差能够达到182.9。

(5) 利用训练好的神经网络，输入需要加热炉炉温数值进行RDT温度预测。

加热炉各段温度检测值如表2所示。

表2 神经网络算法输入数据

计算结果如图6所示。得到相应的神经网络预测结果(RDT)为1 112.047 ℃，现场实际监测温度值为1 108 ℃，预测与实测误差较小，证明该方法具备工程上应用价值。

图6 ReLU激活函数表现形式

4 结 语

本文以现场采集的历史数据为基础，通过历史数据挖掘的方法，避免复杂且不准确的物理建模过程，在钢坯粗轧终轧温度与加热炉实际炉温之间建立了有效联系。该算法的建立使通过炉温预测钢坯终轧温度成为了可能，通过该算法可以指导燃控系统进行各段的炉温调节来实现钢坯终轧温度达标率的有效提升。从而提高了加热炉服务于轧线轧制工艺的能力。