熱軋軋制節奏模型開發及優化

程 曦,張 庭,傅瀟然

(武漢鋼鐵有限公司設備管理部,湖北 武漢 430083)

熱軋軋制節奏控制是對加熱爐和軋線的作業進行協調,使帶鋼在軋線上以最佳節奏安全運行。為了保證在軋線上高效、安全地生產帶鋼,控制系統有多個安全聯鎖條件,MPC(軋制節奏控制)模型在完全滿足這些制約條件時,準確預測帶鋼抽鋼間隔,在保證相鄰兩塊帶鋼在軋線上不發生控制聯鎖及碰撞的前提下,盡可能地提高軋制節奏,提高熱軋生產能力。

1 技術背景

板坯從加熱爐抽出主要有3種模式:手動抽鋼、定周期抽鋼和MPC模式。

手動抽鋼:由加熱爐操作人員觀察熱軋軋線生產情況,根據經驗判斷每塊板坯的抽鋼時間。該方式主要依賴于操作人員對軋線全局的統籌能力,由于軋線的生產情況復雜多變,因此操作人員往往無法精準判斷抽鋼時間點,另外由于該方式需要操作人員時刻關注軋線狀況,操作人員的勞動負荷較大。

定周期抽鋼:由加熱爐操作人員根據現場狀況,設定一個固定的抽鋼周期,系統根據該周期進行定期抽鋼。不同規格板坯的出爐溫度、軋制時間不同,板坯規格切換時操作人員需要判斷抽鋼周期是否需要調整。因此該抽鋼方式主要依賴操作人員對不同規格板坯軋制節奏預判的準確程度。由于目前熱軋廠為適應市場需求,需要軋制多種不同規格、不同性能的板坯,這種板坯的多變性對操作人員的預判帶來極大的難度,往往無法準確設定抽鋼周期。

MPC抽鋼:軋制節奏模型根據帶鋼在軋線上各個區域影響節奏的瓶頸點計算出下一塊帶鋼的抽鋼間隔,將此間隔時間傳送給加熱爐進行抽鋼動作。

從這3種模式的實現效果來看,手動和定周期模式更多取決于操作人員的經驗,不能系統并客觀地考慮生產狀況,無法準確判斷抽鋼時刻;MPC模式能夠很好地把握好前后兩塊鋼的安全距離,保證前后兩塊帶鋼不發生追鋼事故,另一方面可以有效避免前后兩塊鋼的間隔時間過長無法發揮產能[1]。

2 現狀

目前某熱軋廠1 580 mm產線無MPC模型,主要通過操作工手動抽鋼,不同操作人員的作業習慣不同,節奏一般為100～150 s,平均在125 s左右,抑制了軋線產能的釋放,軋線(指粗精卷區域)效率很難得到充分發揮。人工設置抽鋼節奏全憑經驗,四班無法避免地存在人為差異,操作干預度高,無法全力貼合產線高效軋制要求。為提高產量一味地將抽鋼節奏設置過快也存在風險,在品種和規格變化較多時,易出現追尾廢鋼的現象,造成故障和質量損失。

3 軋制節奏模型開發及優化

3.1 控制原理研究

鋼坯抽鋼時間間隔過短,即軋制節奏過快,容易造成相鄰兩塊帶鋼在軋線上發生碰撞;鋼坯的抽鋼時間間隔過長,即軋制節奏過慢,不利于產線產能的提升。為了最大限度地利用軋機,實現軋線最優節奏軋制,需要利用計算機控制技術進行自動抽鋼控制。所謂自動抽鋼,就是根據軋線軋制速度、板坯在軋線中的位置及板坯在加熱爐中燃燒控制等因素進行綜合判斷后,給加熱爐PLC系統發出抽鋼指令,加熱爐收到抽鋼指令后立即進行抽鋼操作,待加熱爐抽鋼完成后,啟動爐后輸送輥道,將板坯送到粗軋入口R1側導板,觸發軋線控制進程,完成板坯的生產軋制。整個過程不需要人工干預,提高了軋線組織生產效率和軋制節奏的穩定性,降低了能耗,減少了因生產組織不合理影響板卷質量的問題[2]。

MPC根據上一塊抽出板坯的軋制情況,對下一塊抽出板坯預測的抽出時間進行動態修正。與其他模塊關系如圖1所示。

圖1 MPC與其他控制模型接口Fig.1 Interface between MPC and other control modes

3.2 模型開發

MPC控制模型涉及產線全流程,模型開發分為加熱模型和軋線模型兩個部分。軋線部分根據產線實況計算出理想的軋制節奏,通過通信協議發送給加熱模型;加熱模型負責按照時序要求接收軋線節奏預報值,自動觸發抽鋼模型,完成MPC控制抽鋼。該模型在板坯裝爐時就開始控制,板坯裝入時,由軋制節奏控制計算出當前板坯的裝入時間間隔傳送給加熱爐。在爐子燒鋼過程中,一旦有休止、加熱等待時,待抽出材的抽出時間間隔隨之相應增加。它以整條軋線為一個整體,統籌考慮軋線的各個部分。由預計算功能計算出預測帶鋼運行軌跡,通過動態修正程序修正實績與預測之間的誤差。預測和實際的差異在下一塊板坯抽出時由動態修正程序進行修正[3]。計算流程見圖2。

3.2.1 軋線MPC模型開發

結合設備要求和帶鋼軋制工藝設計軋線節奏的計算邏輯、人工操作的歷史記錄等[4],設計和編寫接收每卷帶鋼每點的相對預計算時間報文程序。采用自動修正或人工修正方式對預計算值進行修正,建立與加熱MPC模型的通信機制,并向加熱發送抽鋼間隔瓶頸時間。MPC根據上一塊抽出板坯的軋制情況,對下一塊抽出板坯預測的抽出時間進行動態修正。

圖2 計算流程Fig.2 Calculation process

為了避免相鄰帶鋼之間的碰撞,首先必須進行帶鋼運動的計算。通過這一計算,得到帶鋼頭、尾不同時刻在軋線的位置,帶鋼運動計算所需的基本參數由道次計劃計算給出。根據這些參數,用運動學基本方程可進行帶鋼運動的計算,得到帶鋼頭、尾的運動軌跡,實質上是對帶鋼運動的預測,如圖3所示。

圖3 軋線頭尾運行圖Fig.3 Head and tail operation diagram of rolling line

根據帶鋼運動的計算結果,預測軋線的瓶頸部位。瓶頸是指兩塊帶鋼最容易發生碰撞的部位,其位置不是固定不變,不同的兩相鄰帶鋼其瓶頸部位可能不同。軋線上最可能的瓶頸部位為加熱爐、粗軋機R1、粗軋機R2、精軋F1。從理論上講,相鄰帶鋼的頭、尾運行到瓶頸處的最小時間間隔可以等于零,但是,在實際生產過程中,由于存在隨機干擾,使帶鋼的實際運動和預測運動之間出現偏差。所以,為了保證帶鋼不發生碰撞,針對這些偏差,必須采取相應的措施,如果超過極限節奏后執行不進鋼和游蕩保護,防止相鄰兩塊鋼出現碰撞現象[4]。

同時優化原有控制程序,修改精軋區域程序允許精軋入口同時存在兩塊板坯,兩塊板坯根據軋制速度自動控制安全距離,同時更改二級向一級下發數據的時間,使一級提前接收控制參數,實現了精軋機同時軋制兩塊板坯(原來同一時間精軋機只能軋制一塊板坯),節省了軋制時間。

3.2.2 加熱MPC模型開發

在原有加熱爐模型中新增節奏抽鋼模式、建立接收軋線MPC相關的通信報文、確定接收軋線節奏的時序和觸發自動抽鋼的條件、實時儲存更新MPC相關數據表。在加熱爐計算機中增加接收軋線節奏程序送來的抽鋼間隔瓶頸時間信息的程序,并將其存儲在加熱爐數據庫的實時數據表中。在原有加熱爐抽鋼畫面中增加軋線抽鋼瓶頸時間顯示,并在原有定時抽鋼模式的基礎上增加節奏抽鋼模式,并通過該模式采用軋線間隔瓶頸時間控制加熱爐抽鋼操作。圖4為加熱爐抽鋼畫面。

圖4 加熱爐抽鋼畫面Fig.4 Picture of heating furnace steel drawing

在加熱爐抽鋼操作倒計時程序中,增加在節奏抽鋼模式下發給一級電氣計算機抽鋼指令的功能,使軋線節奏優化程序計算的最佳抽鋼時間間隔能夠用于指導和控制加熱爐實際抽鋼生產。

4 軋制節奏監控系統開發及應用

不同品種軋制工藝要求、設備工況等因素,對MPC控制效果有直接影響。有時當前時段內的MPC整體控制效果沒有達到預期值,有部分原因是受到了當前軋制鋼種的影響。因此,實時監控每個鋼種的軋制間隔,可以對MPC控制效果有一個更全面、客觀、合理的評價。

為了跟蹤MPC模型的使用效果,開發軋制節奏監控系統,系統能夠對MPC控制效果提供最直觀的反饋。該系統從班組、全天、單塊鋼、異常間隔、統計分析等多個維度進行跟蹤和統計MPC控制結果,為MPC模型的優化和完善提供最直接的數據支持。從模塊設計角度分類,系統分為間隔跟蹤統計模塊和異常節奏管理模塊。其中間隔跟蹤模塊又分為當班跟蹤和班組統計跟蹤,而異常間隔管理是用來篩選超出標準值的間隔,快速發現軋制間隔瓶頸,為進一步軋制間隔優化提供指導方向。圖5為軋制節奏管理系統界面,圖6為板坯節奏跟蹤顯示。

系統設計了一個間隔時間閾值接口,可以根據實際控制情況設置報警值。當軋制間隔時間達到或超過閾值時,系統自動將異常軋制間隔統計出來,并提示生產人員及時將異常原因進行輸機,避免事后追溯而產生的各種問題。管理人員可以根據管理經驗將異常原因進行初步分類,避免產生雜亂無章或者無效的原因記錄,提高發現并解決生產問題的效率。

每次提交的軋制間隔異常記錄,系統都會自動納入統計,按照塊數、累計時長和占比進行分類統計,并且從高到低自動排序,做到重點突出,幫助技術人員分析出主要問題并進一步為模型優化提供指導,如圖7所示。

圖5 軋制節奏管理系統界面Fig.5 Rolling rhythm management system interface

圖6 板坯節奏跟蹤Fig.6 Slab rhythm tracking

圖7 軋制節奏異常跟蹤Fig.7 Abnormal rolling rhythm tracking

5 MPC模型預報精度提升

通過軋制節奏監控系統應用統計,MPC模型上線后投入率偏低,模型仍然存在預報精度低的問題。主要原因是在實際生產過程中,由于工藝改變、設備功能不具備和環境影響等因素使得實際軋制節奏產生較大變化,此時自動抽鋼模型預報抽鋼節奏會有較大偏差,這時需要通過自學習模型進行補償糾偏和動態修正[5],見圖8。

新增加熱、粗軋、精軋、層流4個區域的神經網絡自學習,從歷史數據庫中篩選出對抽鋼時間有影響的數據字段,并確認對抽鋼時間波動具有重要影響的主要因素,然后進一步確定訓練模型所采納的數據字段。采用基于LSTM(長短時記憶網絡)為基礎進行神經網絡預測模型開發,確定LSTM神經網絡的內部結構,將均方根誤差RMSE及解釋方差分EVS作為評價模型預測效果的指標。為了得到最優模型需設置合適的損失函數來衡量每次迭代過程中模型的預測值與實際值之間的差距程度,通過建立對比試驗來確定預測模型的隱藏層層數及隱藏層節點數,不斷提高4個區域預計算值的準確性。

圖8 自學習邏輯處理流程Fig.8 Self-learning logic processing flow

每次準備發送鋼卷抽鋼信息時,利用神經網絡自學習得到4個區域的優化值,并存儲在數據庫軋制節奏表中。當接收鋼卷信息時,先計算得到4個區域節奏的預計算值,再從軋制節奏表中取出4個區域優化值及權重,綜合計算得到經過神經網絡優化后的預計算值,并將該值及其采用的優化值和權重存儲在數據表中。優化后的MPC模型于2022年9月投入運行,選取抽鋼時間為2022年7月3—13日與2022年9月11—21日的同規格鋼卷數據進行對比分析,結果見表1。

表1 模型優化前后預報精度對比Table 1 Comparison of prediction accuracy before and after model optimization 單位:%

在實際值與預計算值相差范圍[-10,10] 區間內,R1節奏準確率提高21.9%,精軋進鋼節奏準確率提高24.8%、R2咬鋼節奏準確率提高18.4%、R2拋鋼節奏準確率提升17.2%,該結果表明神經網絡自學習提高了節奏計算的準確性。

6 結語

軋制節奏模型開發及優化后,對1 580 mm產線一個時間段內3742塊鋼,對品種覆蓋普冷、汽車板、鍍錫板、商品材、高強冷軋材的軋制數據進行統計,MPC模型投入后同品種規格抽鋼節奏由平均122 s提升至104 s,F1軋制間隙由44 s提升至29 s,其中單班平均軋制間隔時間30 s,創造軋制間隔時間歷史最優記錄。不僅提高了軋線的自動化水平,提高了熱軋軋制節奏的穩定性,MPC模型平均計算精度提升了21%,大大減少了操作人員對生產的干預,降低了操作工的勞動強度,有利于推進區域標準化作業,另外,在一定程度上保證了設備的穩定運行,而且大大提高了熱軋產品的產量與質量。