CN103019097A - 一种轧钢加热炉优化控制*** - Google Patents

一种轧钢加热炉优化控制*** Download PDF

Info

Publication number
CN103019097A
CN103019097A CN2012104951261A CN201210495126A CN103019097A CN 103019097 A CN103019097 A CN 103019097A CN 2012104951261 A CN2012104951261 A CN 2012104951261A CN 201210495126 A CN201210495126 A CN 201210495126A CN 103019097 A CN103019097 A CN 103019097A
Authority
CN
China
Prior art keywords
temperature
steel billet
air
furnace
regulator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012104951261A
Other languages
English (en)
Other versions
CN103019097B (zh
Inventor
于现军
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING HEROOPSYS CONTROL TECHNOLOGY CO LTD
Original Assignee
BEIJING HEROOPSYS CONTROL TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING HEROOPSYS CONTROL TECHNOLOGY CO LTD filed Critical BEIJING HEROOPSYS CONTROL TECHNOLOGY CO LTD
Priority to CN201210495126.1A priority Critical patent/CN103019097B/zh
Publication of CN103019097A publication Critical patent/CN103019097A/zh
Application granted granted Critical
Publication of CN103019097B publication Critical patent/CN103019097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Heat Treatment Processes (AREA)

Abstract

本发明公开了一种轧钢加热炉优化控制***，涉及加热炉轧钢优化控制技术领域。首先根据不同钢坯类型，生产节奏、钢坯的初始温度和出炉温度建立炉温在线设定器，采用控制炉温的方法控制钢坯出炉温度；基于各种工况下的热效率模型，计算加热炉负荷变化量并作为炉温前馈值，实现负荷波动下的加热炉炉温高精度控制；在此基础上，通过建立空燃比优化控制模型，寻找最佳的空燃比，使加热炉的燃烧状况达到最佳，达到了节约燃料和降低钢损的目的。

Description

一种轧钢加热炉优化控制***
技术领域
本发明涉及加热炉优化控制技术领域，尤其涉及一种轧钢加热炉优化控制***。
背景技术
轧钢加热炉是利用燃料在炉膛内燃烧时产生的高温火焰和烟气作为热源，来加热炉中流动的钢坯，使其达到规定工艺温度的加热装置。加热炉装置生产运行操作要求保证被加热介质出炉温度的控制精度、最少的燃料用量和钢损等。
为实现上述加热炉生产性指标，加热炉控制中关键技术一方面是根据生产节奏，钢坯进炉温度，钢坯出炉温度来调整炉温，使钢坯的出炉温度满足轧钢的需求，需要对炉温进行动态控制；另一方面主要是从节能和物耗等方面考虑，通过寻找合理的风燃比，使得加热炉的热效率最大，并通过降低炉内均热段的氧化性气氛，从而降低钢损。其中在炉温控制过程中，炉温目标值的动态设定以及炉温控制精度的提高，是炉温控制的重点。
在炉温的动态设定上，有宝钢股份有限公司申请的“热轧加热炉炉温动态设定控制方法”，申请号20051002485.0，公开号CN1840715A，该发明共分为四步来实现。第一步，采用板坯温度预报模型计算板坯所在段的段末温度，其方法是前向递推的；第二步，按板坯移动距离，动态计算板坯各段段末的目标温度；第三步，计算板坯当前段所需要的炉气温度；第四步，考虑当前所在板坯的差异进行专家经验加权平均。由于加热炉工作的不确定性，如：生产节奏的变化、进炉钢坯温度的差异（进冷坯和热坯）、钢坯的类型差异等，所以采用前向递推方法很难预测钢坯的温度，或者是预测温度不准确，这些都将大大的影响炉温动态设定的效果。
在炉温的控制方法上，目前采用较多的方法有双交叉限幅控制，模糊自适应控制技术，预测控制和前馈控制技术等。在工业控制技术杂志上，2009年4月期，由江苏锡业集团张秀丽、吴定会撰写的名为“轧钢加热炉燃烧过程的模糊自适应控制策略”一文，其将模糊控制理念运用到加热炉控制技术上去，采用的控制算法仍然是常规PID，仅对P、I、D 的参数进行了模糊计算、设定，模糊控制技术的技术难点是模糊控制器的构成，集中体现在输入语言变量、输出语言变量选择，隶属度赋值表的确定原则，所以模糊控制的规则确定的过程比较复杂，没有好的通用性；由清华大学申请的“加热炉出口温度的一种综合控制方法”，申请号200810102875.7，公开号CN 101256418A，该发明将反馈预测控制和前馈控制应用于加热炉出口炉温的控制上。其反馈预测控制是建立在诸多的假设之上，建立的反馈预测模型不能准确反映实际情况，或者建立的反馈预测模型不准确；其前馈控制策略将煤气压力或者空气压力作为流量变化的前馈，但未涉及对负荷变化的前馈控制。
在风燃比的控制上，由日本碍子株式会社申请的“燃烧加热炉的空气燃料比控制***”申请号200810086051.5，公开号CN 101270880A，该发明中需要操作人员给定一个固定的烟气氧含量设定值，通过氧含量值来修正空气与燃料的流量配比。由于在不同的工况下最佳氧含量不是固定不变的，因此难以真正实现最佳操作，加之烟气氧量存在测量滞后的问题，难以满足控制的实时性，所以这种通过氧含量表来调整空气燃料配比的方式很难达到理想的结果。
综上所述，现有的技术仍旧存在一定的局限性和缺陷，因此开发本***。
发明内容
本发明所要解决的问题是：发明一种轧钢加热炉优化控制***，在保证加热炉不同负荷下钢坯出口温度稳定的前提下，降低煤气消耗，降低钢损。
本发明解决其技术问题采用的技术方案是：本***中设有炉温在线设定器，热负荷估计器，均热段上、下部及加热段上、下部的炉温调节器、炉温前馈调节器、煤气流量调节器、空气流量调节器，空燃比优化控制器，炉温、钢坯温度、钢坯位置、煤气流量、空气流量等测量仪表以及煤气流量调节阀、空气流量调节阀等执行器；
炉温在线设定器的输出作为炉温调节器的给定值，该调节器采用PID控制算法；热负荷估计器的输出乘以负荷分配系数作为各炉温前馈调节器的测量，该调节器采用PD控制算法，其中负荷分配系数根据各部分热负荷大小比例按照操作经验给出；炉温调节器的输出与炉温前馈调节器的输出之和作为煤气流量调节器的设定值，煤气流量调节器采用PID控制算法实现燃气流量的闭环控制；空燃比优化控制器的输出与煤气流量测量值的乘积作为空气流量调节器的设定值，空气流量调节器采用PID控制算法实现空气流量的闭环控制；
（1） 炉温在线设定器
采用最近邻聚类RBF神经网络辨识***模型在线计算炉温设定值；模型输入变量包括入炉钢坯温度                                                
Figure 184290DEST_PATH_IMAGE001
，出炉钢坯温度，生产节奏，钢坯类型
Figure 569638DEST_PATH_IMAGE004
；模型输出变量包括均热段上、下部炉温设定值
Figure 991523DEST_PATH_IMAGE005
、，加热段上、下部炉温设定值
Figure 972434DEST_PATH_IMAGE007
、
Figure 940390DEST_PATH_IMAGE008
，通过采集工业现场过程中的模型输入变量以及均热段上、下部温度
Figure 36522DEST_PATH_IMAGE009
、
Figure 59711DEST_PATH_IMAGE010
，加热段上、下部温度
Figure 924899DEST_PATH_IMAGE011
、
Figure 63756DEST_PATH_IMAGE012
在内的训练样本数据，根据模型输出的炉温设定值与实际炉温的偏差，对神经网络进行离线训练，调整神经网路各层的权值，得到加热炉炉温设定值神经网络模型；通过采集入炉钢坯温度，出炉钢坯温度，生产节奏，钢坯类型实时数据，模型就可输出加热炉炉温设定值；
其中生产节奏是表征单位时间内的出钢量，单位为“根或件/时”，依据用于检测钢坯出炉的光电开关测量信号，实时计算两根钢坯的出炉间隔，计算出每小时钢坯的出炉量R3；
（2）热负荷估计器
热负荷估计器基于加热炉热效率计算当前负荷下需要的煤气流量，热效率采用最近邻聚类RBF神经网络模型，基于热效率模型计算热负荷，热负荷估计器的输出为煤气流量；
热效率神经网络模型的输入变量包括入炉钢坯温度
Figure 709501DEST_PATH_IMAGE001
，出炉钢坯温度，生产节奏
Figure 944490DEST_PATH_IMAGE003
，钢坯类型
Figure 67298DEST_PATH_IMAGE004
，模型输出变量为加热炉热效率
Figure 138022DEST_PATH_IMAGE013
，通过采集工业现场过程中的模型输入变量以及加热炉热实际效率计算值在内的训练样本数据，根据模型输出加热炉热效率
Figure 191429DEST_PATH_IMAGE013
与加热炉实际热效率
Figure 93526DEST_PATH_IMAGE014
的偏差，对神经网络进行离线训练，调整神经网路各层的权值，得到加热炉热效率神经网络模型；通过采集入炉钢坯温度，出炉钢坯温度，生产节奏，钢坯类型实时数据，模型就可输出加热炉热效率值
Figure 574186DEST_PATH_IMAGE013
；
1）实际热效率
Figure 132206DEST_PATH_IMAGE014
计算如下：
Figure 723724DEST_PATH_IMAGE015
Figure 729595DEST_PATH_IMAGE016
Figure 646736DEST_PATH_IMAGE017
其中，
Figure 488790DEST_PATH_IMAGE018
 为煤气总流量，为煤气发热值，
Figure 698371DEST_PATH_IMAGE020
分别为钢坯进入和离开加热炉时的焓值；
2）热负荷估计器输出计算如下：
Figure 333883DEST_PATH_IMAGE021
Figure 600916DEST_PATH_IMAGE022
Figure 531012DEST_PATH_IMAGE024
其中
Figure 524376DEST_PATH_IMAGE025
是钢坯的比热，
Figure 278705DEST_PATH_IMAGE026
是加工处理能力， 
Figure 327302DEST_PATH_IMAGE027
、
Figure 850687DEST_PATH_IMAGE028
分别是钢坯进炉的初始温度和出炉的要求温度，
Figure 280531DEST_PATH_IMAGE029
为生产节奏，
Figure 522157DEST_PATH_IMAGE030
为单根钢坯质量；
(3) 空燃比优化控制器
1）优化目标函数为：
Figure 859597DEST_PATH_IMAGE031
  
其中，
Figure 503068DEST_PATH_IMAGE032
为加权系数，
Figure 838235DEST_PATH_IMAGE033
分别为均热段上、下部的炉温和加热段上、下部的炉温；
2）设定优化步长
设定
Figure 380205DEST_PATH_IMAGE034
,，
Figure 19314DEST_PATH_IMAGE036
，
其中，
Figure 53184DEST_PATH_IMAGE038
分别为均热段上、下部和加热段上、下部的燃气流量，
Figure 935689DEST_PATH_IMAGE039
分别为均热段上、下部和加热段上、下部的空气流量，
Figure 350490DEST_PATH_IMAGE040
分别是均热段上、下部和加热段上、下部的空燃比;
设定 
Figure 293038DEST_PATH_IMAGE041
，
Figure 730973DEST_PATH_IMAGE042
，
Figure 151590DEST_PATH_IMAGE043
，其中为人工调整的系数，按照此关系，每次给出一个总空气量调整量
Figure 550659DEST_PATH_IMAGE045
时，则对应一个空燃比增量；
Figure 475889DEST_PATH_IMAGE046
计算出每次优化时对应的均热段上、下部和加热段上、下部空气流量增量,即步长，分别为：
Figure 824011DEST_PATH_IMAGE048
Figure 108362DEST_PATH_IMAGE049
Figure 832473DEST_PATH_IMAGE050
Figure 860472DEST_PATH_IMAGE051
3）采用进退法自寻优算法，计算优化空燃比；
在恒定煤气流量条件下，通过增加（或减少）空气流量，待***响应后，比较前后工况下优化目标值J的变化，如果优化目标值J变化量增加且显著，说明这种调整是有益的，继续按原有的方向调整空气流量；如果优化目标值J变化量是减少且显著，按原有空气流量调整方向的反方向调整空气流量；当优化目标值J变化不明显时，则停止调整空气流量，表明当前实际的空燃比即为最佳空燃比。
本发明有益之处在于：
炉温在线设定器根据生产中各过程参数的变化情况，根据需要的钢坯出钢温度动态的设定各段的炉温设定值，从而保证了钢坯出炉温度的控制精度。
炉温前馈调节器能够将负荷的变化提前反应到煤气流量，能够有效克服过程滞后带来的不利影响，使得在工况变化时炉温控制快速性与平稳性有保证。
在炉温在线设定器和加热炉热效率在线建模中使用的神经网络，它具有辨识精度高，可以非常精确的逼近任意非线性函数的特点，而且神经网络不依赖于某个具体的设备，在建模时具有很好的通用性。
进退法优化策略，是根据燃烧效果，寻找最佳的工艺参数，获得燃烧过程的经济性，不依赖于任何精密的仪表，不依赖燃料热值分析仪表能够找到最佳空燃比，实现燃烧热效率最大优化控制。
 （4）附图说明
附图1炉温在线设定器框图；
附图2加热炉热效率模型框图；
附图3加热炉优化控制***框图；
附图4 RBF神经网络结构图；
附图5 RBF神经网络最近邻聚类算法流程图；
附图6自寻优程序框图；
（5）实施方式
实施例：
***控制框图如附图3所示。
1、炉温在线设定器
1）建立生产节奏模型
生产节奏是表征单位时间内的出钢量，单位为“根或件/时”，依据用于检测钢坯出炉的光电开关测量信号，实时计算两根钢坯的出炉间隔，计算出每小时钢坯的出炉量R3；
R3=3600/t(k)-t(k-1)）
t(k) 为关电开关检测到有钢坯出炉的时刻，t(k-1)为上一次钢坯出炉的时刻；
2）钢坯类型
根据钢坯种类一次分别给定一个序号，如1,2,3,4,……，同时钢坯类型作为一个量化的数值。其中，钢坯类型的选择需要人工输入。
3）训练样本获取
获取包括入炉钢坯温度
Figure 42055DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 294044DEST_PATH_IMAGE002
，生产节奏
Figure 193867DEST_PATH_IMAGE003
，钢坯类型
Figure 759978DEST_PATH_IMAGE004
，均热段上、下部炉温
Figure 874695DEST_PATH_IMAGE052
、
Figure 235270DEST_PATH_IMAGE053
，加热段上、下部炉温
Figure 622389DEST_PATH_IMAGE011
、在内的50组操作范围较大的生产过程数据，并将这些数据连同工业现场采集的150组历史数据，共计200组数据作为热效率神经网络模型的训练样本； 
3）炉温在线设定器神经网络模型
采用RBF神经网路最近邻聚类的学习算法，选取聚类半径
Figure 945103DEST_PATH_IMAGE054
，半径修正步长，误差阈值
Figure 662578DEST_PATH_IMAGE056
，模型如附图1所示；
模型的输入为：入炉钢坯温度
Figure 836070DEST_PATH_IMAGE001
，出炉钢坯温度，生产节奏
Figure 814707DEST_PATH_IMAGE003
，钢坯类型
Figure 973156DEST_PATH_IMAGE004
，模型输出为：均热段上下部温度
Figure 684760DEST_PATH_IMAGE057
、
Figure 549948DEST_PATH_IMAGE058
，加热段上下部温度
Figure 501855DEST_PATH_IMAGE059
、
Figure 85283DEST_PATH_IMAGE060
。根据模型输出、
Figure 382589DEST_PATH_IMAGE058
、
Figure 692348DEST_PATH_IMAGE059
、
Figure 74656DEST_PATH_IMAGE060
与实际均热段上下部温度
Figure 128063DEST_PATH_IMAGE052
、
Figure 967843DEST_PATH_IMAGE053
，加热段上下部温度
Figure 510820DEST_PATH_IMAGE011
、
Figure 803261DEST_PATH_IMAGE012
的偏差，调整神经网路各层的权值，建立炉温设定值动态的优化模型。
最近邻聚类学***均值确定。算法具体过程如下：如附图5所示
①确定一合适聚类半径、半径修正步长和误差阈值
Figure 881572DEST_PATH_IMAGE063
，定义一矢量
Figure 238473DEST_PATH_IMAGE064
存放属于各类的输出之和，定义一个计数器
Figure 633682DEST_PATH_IMAGE065
统计各类样本个数，
Figure 182476DEST_PATH_IMAGE066
存放权值
Figure 270517DEST_PATH_IMAGE067
，其中
Figure 599867DEST_PATH_IMAGE030
为类别数，
Figure 798768DEST_PATH_IMAGE068
第个类的中心。
②对第一对数据
Figure 274059DEST_PATH_IMAGE070
，令其自成一类，即中心
Figure 28389DEST_PATH_IMAGE071
，同时令
Figure 827718DEST_PATH_IMAGE072
，
Figure 351103DEST_PATH_IMAGE073
=1。对这个只有一个隐单元的RBF网络，隐单元的中心为
Figure 780947DEST_PATH_IMAGE074
，隐单元到输出层的权值为
Figure 68578DEST_PATH_IMAGE075
。
③对第二对数据
Figure 609281DEST_PATH_IMAGE076
，求出
Figure 252752DEST_PATH_IMAGE077
到
Figure 587918DEST_PATH_IMAGE078
的距离
Figure 379156DEST_PATH_IMAGE079
。若
Figure 457971DEST_PATH_IMAGE080
则
Figure 955948DEST_PATH_IMAGE078
为
Figure 275065DEST_PATH_IMAGE077
的最近邻聚类，令
Figure 491283DEST_PATH_IMAGE081
，
Figure 373788DEST_PATH_IMAGE082
，
Figure 726272DEST_PATH_IMAGE075
；若
Figure 731137DEST_PATH_IMAGE083
，则将
Figure 169072DEST_PATH_IMAGE084
作为一个新的聚类中心，并令，，=1。在上述建立的RBF网络中再添加一个隐层单元，该隐层单元到输出层的权值为
Figure 209261DEST_PATH_IMAGE088
。
④考虑到第
Figure 433569DEST_PATH_IMAGE069
个样本数据对
Figure 760645DEST_PATH_IMAGE089
时, 
Figure 858045DEST_PATH_IMAGE090
,假设已有
Figure 270572DEST_PATH_IMAGE026
个聚类中心，其中点分别为,
Figure 214574DEST_PATH_IMAGE084
,…, , 上述建立的RBF网络已有个隐层单元，利用下式：
         
Figure 198077DEST_PATH_IMAGE092
                               
求出
Figure 545750DEST_PATH_IMAGE089
到这个聚类中心的距离，设
Figure 559023DEST_PATH_IMAGE093
为这些距离的最小值，即 
Figure 725562DEST_PATH_IMAGE094
为
Figure 881737DEST_PATH_IMAGE089
的最近邻聚类，那么：若
Figure 678791DEST_PATH_IMAGE095
，则将
Figure 287627DEST_PATH_IMAGE089
作为一个新的聚类中心，
Figure 274169DEST_PATH_IMAGE096
，
Figure 284850DEST_PATH_IMAGE097
，
Figure 252806DEST_PATH_IMAGE098
Figure 411255DEST_PATH_IMAGE099
，1,对前
Figure 988047DEST_PATH_IMAGE101
个类的
Figure 126904DEST_PATH_IMAGE102
和值保持不变，在上述建立的RBF网络中再添加第
Figure 271633DEST_PATH_IMAGE026
个隐层单元。若
Figure 256906DEST_PATH_IMAGE104
，计算如下：
Figure 628982DEST_PATH_IMAGE105
Figure 699706DEST_PATH_IMAGE099
，
Figure 753113DEST_PATH_IMAGE106
1，保持
Figure 405942DEST_PATH_IMAGE102
和
Figure 886602DEST_PATH_IMAGE103
Figure 179043DEST_PATH_IMAGE107
值不变。隐单元到输出层的权值为
Figure 36140DEST_PATH_IMAGE108
Figure 792744DEST_PATH_IMAGE109
。
⑤所有输入样本考虑完后，计算RBF网络的输出为：
Figure 444305DEST_PATH_IMAGE110
           
Figure 489621DEST_PATH_IMAGE111
  
通过训练好的神经网络，给定一个入炉钢坯温度
Figure 196415DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 745208DEST_PATH_IMAGE002
，生产节奏，钢坯类型
Figure 162600DEST_PATH_IMAGE004
，都有一个均热段上下部温度设定值
Figure 95921DEST_PATH_IMAGE057
、
Figure 764800DEST_PATH_IMAGE058
，加热段上下部温度设定值
Figure 23743DEST_PATH_IMAGE059
、
Figure 325542DEST_PATH_IMAGE060
相对应。
2、热负荷估计器
利用加热炉热效率回归模型得到的热效率和热量平衡原理计算工况变化热负荷需求煤气流量，其输出煤气流量作为煤气流量调节器的测量值。
1）训练样本获取
获取包括入炉钢坯温度
Figure 328133DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 851519DEST_PATH_IMAGE002
，生产节奏
Figure 78101DEST_PATH_IMAGE003
，钢坯类型
Figure 319726DEST_PATH_IMAGE004
，在内的50组操作范围较大的生产过程数据，并将这些数据连同工业现场采集的150组历史数据，并计算每组数据下对应的实际热效率
Figure 860429DEST_PATH_IMAGE014
，共计200组数据作为热效率神经网络模型的训练样本，其中实际热效率
Figure 151422DEST_PATH_IMAGE014
计算如下：
Figure 752167DEST_PATH_IMAGE112
Figure 215510DEST_PATH_IMAGE113
Figure 559903DEST_PATH_IMAGE114
其中，
Figure 120198DEST_PATH_IMAGE115
为煤气总流量，
Figure 626265DEST_PATH_IMAGE019
为煤气发热值，
Figure 842483DEST_PATH_IMAGE116
分别为钢坯进入和离开加热炉时的焓值；
2）建立热效率模型
选择RBF神经网络作为热效率模型，其中神经网络的输入与输出如图2所示，参数的选取聚类半径
Figure 538038DEST_PATH_IMAGE054
，半径修正步长
Figure 890522DEST_PATH_IMAGE117
，误差阈值
Figure 567491DEST_PATH_IMAGE118
，算法与炉温在线设定器神经网络模型一致；
通过训练好的神经网络，给定一个入炉钢坯温度
Figure 5425DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 753938DEST_PATH_IMAGE002
，生产节奏
Figure 960929DEST_PATH_IMAGE003
，钢坯类型
Figure 74378DEST_PATH_IMAGE004
，都有一个加热炉热效率
Figure 311194DEST_PATH_IMAGE119
相对应。
3）热负荷估计器输出计算如下：
Figure 535501DEST_PATH_IMAGE120
Figure 862578DEST_PATH_IMAGE121
Figure 209245DEST_PATH_IMAGE122
其中
Figure 384192DEST_PATH_IMAGE013
是模型输出加热炉热效率，
Figure 565774DEST_PATH_IMAGE025
是钢坯的比热，
Figure 834076DEST_PATH_IMAGE026
是加工处理能力， 
Figure 733899DEST_PATH_IMAGE027
、 分别是钢坯进炉的初始温度和出炉的要求温度，为生产节奏，
Figure 24569DEST_PATH_IMAGE030
为单根钢坯质量；
3、空燃比优化控制器
1）优化目标函数
Figure 146108DEST_PATH_IMAGE031
其中，取
Figure 827494DEST_PATH_IMAGE032
取值范围0.2～0.3
2）进退法自寻优算法
如附图6所示，步骤如下ε： 
首先设定寻优的步长SOP==γ*
Figure 780724DEST_PATH_IMAGE123
（γ的取值范围1%~2%），其中
Figure 389560DEST_PATH_IMAGE123
为当前空气总流量，允许误差ε，ε的取值范围为1~2，计数器
Figure 359790DEST_PATH_IMAGE124
①恒定煤气流量定值，将当前空气流量作为空气流量设定值输出到空气流量阀位计算器，优化控制器运行标志设置为ON，1~2分钟后记录一个优化目标函数值
Figure 370471DEST_PATH_IMAGE125
；
②选择增加空气流量，置
Figure 338427DEST_PATH_IMAGE126
，空气流量设定值增量为设置的步长
Figure 247608DEST_PATH_IMAGE127
SOP，输出空气流量设定值到空气流量阀位计算器；修改当前的空气燃料比，转向第⑧步；
③如果时,说明寻找的方向正确，继续沿着这个方向寻找，把
Figure 89980DEST_PATH_IMAGE129
的值赋给
Figure 228837DEST_PATH_IMAGE130
，转向第②步；如果时，判断是不是第一次寻优，即
Figure 124298DEST_PATH_IMAGE132
，如果
Figure 109571DEST_PATH_IMAGE133
时，则说名寻找方向错误，转向第④步。如果
Figure 730914DEST_PATH_IMAGE134
时，且
Figure 536059DEST_PATH_IMAGE135
时，则当前空气燃料比为最佳状态，本次寻优结束，优化控制器运行标志设置为OFF。如果
Figure 589466DEST_PATH_IMAGE134
时，且
Figure 491563DEST_PATH_IMAGE136
时，则变步长寻找置SOP=-0.25*SOP，转向第②步。
④选择增加空气流量，置
Figure 972223DEST_PATH_IMAGE126
，空气流量设定值增量为设置的步长（-SOP），输出空气流量设定值到空气流量阀位计算器；修改当前的空气燃料比，转向第⑧步；
⑤如果
Figure 121761DEST_PATH_IMAGE128
时，说明寻找方向正确，继续沿着该方向寻找，把
Figure 894676DEST_PATH_IMAGE129
的值赋给
Figure 546238DEST_PATH_IMAGE137
，转向第④步；
⑥如果时，且
Figure 783501DEST_PATH_IMAGE135
时，则当前空气燃料比为最佳状态，本次寻优结束，优化控制器运行标志设置为OFF。
⑦如果
Figure 597873DEST_PATH_IMAGE131
时，且
Figure 420336DEST_PATH_IMAGE136
时，则变步长寻找置SOP=-0.25*SOP，转向第②步。
⑧目标函数值计算
以动态响应后的稳态实时过程测量值，按优化目标函数计算目标函数值。即优化输出作用到装置后的一段时间后开始计算，时间取决于过程的动态响应时间，对加热炉来说一般取1~2分钟。返回原来的转过来的位置。
3）各部分优化空燃比计算
由2）的得到的总空气流量增量
Figure 197854DEST_PATH_IMAGE045
 ，计算均热段上部、均热段下部、加热段上部、加热段下部的空气流量增量；
Figure 866732DEST_PATH_IMAGE047
取均热段和加热段的空燃比的比值系数
则有均热段和加热段分配的空气增量分别是
Figure 676742DEST_PATH_IMAGE048
Figure 202719DEST_PATH_IMAGE050
Figure 180033DEST_PATH_IMAGE051
计算均热段上部、均热段下部、加热段上部、加热段下部的优化空燃比
Figure 421659DEST_PATH_IMAGE139
     
Figure 962361DEST_PATH_IMAGE140
Figure 402570DEST_PATH_IMAGE141
Figure 3316DEST_PATH_IMAGE142
 4、调节器设计
（1）炉温调节器
均热段上部炉温调节器的设定来自炉温在线设定器的输出，炉温调节器采用PID控制方式，P取值范围80~120，I取值范围200~300，D取值30~50。
均热段下部炉温调节器的设定来自炉温在线设定器的输出，炉温调节器采用PID控制方式，P取值范围90~130，I取值范围220~310，D取值40~50。
加热段上部炉温调节器的设定来自炉温在线设定器的输出，炉温调节器采用PID控制方式，P取值范围70~100，I取值范围180~250，D取值30~50。
加热段下部炉温调节器的设定来自炉温在线设定器的输出，炉温调节器采用PID控制方式，P取值范围90~120，I取值范围210~290，D取值40~50。
（2）炉温前馈调节器
负荷分配系数取值为：
Figure 466658DEST_PATH_IMAGE143
。
其中
Figure 122636DEST_PATH_IMAGE144
为均热段上部负荷分配系数、
Figure 355034DEST_PATH_IMAGE145
为均热段下部负荷分配系数、
Figure 126681DEST_PATH_IMAGE146
为加热段上部负荷分配系数、
Figure 77320DEST_PATH_IMAGE147
为加热段下部负荷分配系数。
均热段上部炉温前馈调节器采用PD控制算法，其中P取值范围30~60， D取值50~70；
均热段下部炉温前馈调节器采用PD控制算法，其中P取值范围40~70， D取值60~80；
加热段上部炉温前馈调节器采用PD控制算法，其中P取值范围30~60， D取值50~70；
加热段下部炉温前馈调节器采用PD控制算法，其中P取值范围40~70， D取值50~80；
（3）煤气流量调节器
均热段上部煤气流量调节器的设定值为炉温调节器的输出与炉温前馈调节器的输出之和，煤气流量调节器采用PID控制方式， 其中P取值范围60~100，I取值范围150~200，D取值20~40。
均热段下部煤气流量调节器的设定值为炉温调节器的输出与炉温前馈调节器的输出之和，煤气流量调节器采用PID控制方式， 其中P取值范围70~90，I取值范围120~150，D取值30~40。
加热段上部煤气流量调节器的设定值为炉温调节器的输出与炉温前馈调节器的输出之和，煤气流量调节器采用PID控制方式， 其中P取值范围60~100，I取值范围150~200，D取值20~40。
加热段下部煤气流量调节器的设定值为炉温调节器的输出与炉温前馈调节器的输出之和，煤气流量调节器采用PID控制方式， 其中P取值范围70~90，I取值范围120~150，D取值30~40。
（4）空气流量调节器
均热段上部空气流量调节器的设定值为空然比优化控制器和当前煤气流量的乘积，测量值为当前空气流量测量值，采用PID的控制方式调节空气阀门。空气流量调节器P取值范围50~80，I取值范围100~150，D取值30~40。
均热段下部空气流量调节器的设定值为空然比优化控制器和当前煤气流量的乘积，测量值为当前空气流量测量值，采用PID的控制方式调节空气阀门。空气流量调节器P取值范围60~90，I取值范围110~140，D取值20~30。
加热段上部空气流量调节器的设定值为空然比优化控制器和当前煤气流量的乘积，测量值为当前空气流量测量值，采用PID的控制方式调节空气阀门。空气流量调节器P取值范围50~80，I取值范围100~150，D取值30~40。
加热段下部空气流量调节器的设定值为空然比优化控制器和当前煤气流量的乘积，测量值为当前空气流量测量值，采用PID的控制方式调节空气阀门。空气流量调节器P取值范围60~90，I取值范围110~140，D取值20~30。

Claims (1)

1.一种轧钢加热炉优化控制***，其特征在于设有炉温在线设定器，热负荷估计器，均热段上、下部及加热段上、下部的炉温调节器、炉温前馈调节器、煤气流量调节器、空气流量调节器，空燃比优化控制器，炉温、钢坯温度、钢坯位置、煤气流量、空气流量等测量仪表以及煤气流量调节阀、空气流量调节阀等执行器；
炉温在线设定器的输出作为炉温调节器的给定值，该调节器采用PID控制算法；热负荷估计器的输出乘以负荷分配系数作为各炉温前馈调节器的测量，该调节器采用PD控制算法，其中负荷分配系数根据各部分热负荷大小比例按照操作经验给出；炉温调节器的输出与炉温前馈调节器的输出之和作为煤气流量调节器的设定值，煤气流量调节器采用PID控制算法实现燃气流量的闭环控制；空燃比优化控制器的输出与煤气流量测量值的乘积作为空气流量调节器的设定值，空气流量调节器采用PID控制算法实现空气流量的闭环控制；
（1）炉温在线设定器
采用最近邻聚类RBF神经网络辨识***模型在线计算炉温设定值；模型输入变量包括入炉钢坯温度                                                
Figure 683221DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 412142DEST_PATH_IMAGE002
，生产节奏
Figure 490957DEST_PATH_IMAGE003
，钢坯类型
Figure 51251DEST_PATH_IMAGE004
；模型输出变量包括均热段上、下部炉温设定值
Figure 822898DEST_PATH_IMAGE005
、
Figure 773536DEST_PATH_IMAGE006
，加热段上、下部炉温设定值
Figure 967626DEST_PATH_IMAGE007
、
Figure 320110DEST_PATH_IMAGE008
，通过采集工业现场过程中的模型输入变量以及均热段上、下部温度
Figure 262658DEST_PATH_IMAGE009
、
Figure 700593DEST_PATH_IMAGE010
，加热段上、下部温度
Figure 183527DEST_PATH_IMAGE011
、
Figure 656096DEST_PATH_IMAGE012
在内的训练样本数据，根据模型输出的炉温设定值与实际炉温的偏差，对神经网络进行离线训练，调整神经网路各层的权值，得到加热炉炉温设定值神经网络模型；通过采集入炉钢坯温度，出炉钢坯温度，生产节奏，钢坯类型实时数据，模型就可输出加热炉炉温设定值；
其中生产节奏是表征单位时间内的出钢量，单位为“根或件/时”，依据用于检测钢坯出炉的光电开关测量信号，实时计算两根钢坯的出炉间隔，计算出每小时钢坯的出炉量R3；
（2）热负荷估计器
热负荷估计器基于加热炉热效率计算当前负荷下需要的煤气流量，热效率采用最近邻聚类RBF神经网络模型，基于热效率模型计算热负荷，热负荷估计器的输出为煤气流量；
热效率神经网络模型的输入变量包括入炉钢坯温度
Figure 769546DEST_PATH_IMAGE001
，出炉钢坯温度
Figure 507826DEST_PATH_IMAGE002
，生产节奏
Figure 732134DEST_PATH_IMAGE003
，钢坯类型
Figure 793631DEST_PATH_IMAGE004
，模型输出变量为加热炉热效率
Figure 77982DEST_PATH_IMAGE013
，通过采集工业现场过程中的模型输入变量以及加热炉热实际效率计算值在内的训练样本数据，根据模型输出加热炉热效率
Figure 552825DEST_PATH_IMAGE013
与加热炉实际热效率
Figure 580824DEST_PATH_IMAGE014
的偏差，对神经网络进行离线训练，调整神经网路各层的权值，得到加热炉热效率神经网络模型；通过采集入炉钢坯温度，出炉钢坯温度，生产节奏，钢坯类型实时数据，模型就可输出加热炉热效率值
Figure 762407DEST_PATH_IMAGE013
；
1）实际热效率
Figure 263664DEST_PATH_IMAGE014
计算如下：
Figure 163487DEST_PATH_IMAGE015
Figure 729598DEST_PATH_IMAGE016
Figure 31266DEST_PATH_IMAGE017
其中，
Figure 454157DEST_PATH_IMAGE018
 为煤气总流量，
Figure 841276DEST_PATH_IMAGE019
为煤气发热值，
Figure 211077DEST_PATH_IMAGE020
分别为钢坯进入和离开加热炉时的焓值；
2）热负荷估计器输出计算如下：
Figure 914722DEST_PATH_IMAGE021
Figure 711777DEST_PATH_IMAGE022
Figure 320613DEST_PATH_IMAGE023
其中是钢坯的比热，
Figure 535060DEST_PATH_IMAGE026
是加工处理能力， 
Figure 631192DEST_PATH_IMAGE027
、
Figure 654380DEST_PATH_IMAGE028
分别是钢坯进炉的初始温度和出炉的要求温度，
Figure 519568DEST_PATH_IMAGE029
为生产节奏，
Figure 658425DEST_PATH_IMAGE030
为单根钢坯质量；
(3) 空燃比优化控制器
1）优化目标函数为：
Figure 304170DEST_PATH_IMAGE031
  
其中，为加权系数，
Figure 539159DEST_PATH_IMAGE033
分别为均热段上、下部的炉温和加热段上、下部的炉温；
2）设定优化步长
设定
Figure 848918DEST_PATH_IMAGE034
,，
Figure 786098DEST_PATH_IMAGE036
，
其中，
Figure 168855DEST_PATH_IMAGE038
分别为均热段上、下部和加热段上、下部的燃气流量，
Figure 461296DEST_PATH_IMAGE039
分别为均热段上、下部和加热段上、下部的空气流量，
Figure 318394DEST_PATH_IMAGE040
分别是均热段上、下部和加热段上、下部的空燃比;
设定 ，
Figure 975826DEST_PATH_IMAGE042
，
Figure 21142DEST_PATH_IMAGE043
，其中
Figure 416352DEST_PATH_IMAGE044
为人工调整的系数，按照此关系，每次给出一个总空气量调整量
Figure 27461DEST_PATH_IMAGE045
时，则对应一个空燃比增量；
Figure 115503DEST_PATH_IMAGE046
Figure 382536DEST_PATH_IMAGE047
计算出每次优化时对应的均热段上、下部和加热段上、下部空气流量增量,即步长，分别为：
Figure 394486DEST_PATH_IMAGE048
Figure 56728DEST_PATH_IMAGE050
Figure 873375DEST_PATH_IMAGE051
3）采用进退法自寻优算法，计算优化空燃比；
在恒定煤气流量条件下，通过增加（或减少）空气流量，待***响应后，比较前后工况下优化目标值J的变化，如果优化目标值J变化量增加且显著，说明这种调整是有益的，继续按原有的方向调整空气流量；如果优化目标值J变化量是减少且显著，按原有空气流量调整方向的反方向调整空气流量；当优化目标值J变化不明显时，则停止调整空气流量，表明当前实际的空燃比即为最佳空燃比。
CN201210495126.1A 2012-11-29 2012-11-29 一种轧钢加热炉优化控制*** Active CN103019097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210495126.1A CN103019097B (zh) 2012-11-29 2012-11-29 一种轧钢加热炉优化控制***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210495126.1A CN103019097B (zh) 2012-11-29 2012-11-29 一种轧钢加热炉优化控制***

Publications (2)

Publication Number Publication Date
CN103019097A true CN103019097A (zh) 2013-04-03
CN103019097B CN103019097B (zh) 2015-03-25

Family

ID=47967816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210495126.1A Active CN103019097B (zh) 2012-11-29 2012-11-29 一种轧钢加热炉优化控制***

Country Status (1)

Country Link
CN (1) CN103019097B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103506406A (zh) * 2013-10-23 2014-01-15 北京和隆优化科技股份有限公司 一种快速自动适应轧机节奏的加热炉炉内温度控制方法
CN104100995A (zh) * 2014-07-14 2014-10-15 首钢总公司 一种加热炉热负荷分配方法及装置
CN105603175A (zh) * 2016-02-25 2016-05-25 成都亨通兆业精密机械有限公司 加热炉加热工艺在线优化控制***
CN105627356A (zh) * 2015-12-31 2016-06-01 北京和隆优化科技股份有限公司 一种冶金燃气锅炉燃烧优化控制***
CN106462117A (zh) * 2014-06-19 2017-02-22 西门子公司 控制目标***
CN106636606A (zh) * 2016-12-30 2017-05-10 北京和隆软件有限公司 一种基于仿真模型的加热炉炉温控制方法
CN108062583A (zh) * 2016-11-08 2018-05-22 同济大学 一种面向节能减排的加热炉工艺参数寻优方法
CN108694288A (zh) * 2018-05-29 2018-10-23 中南大学 快速获取步进梁式钢坯加热炉不同产率下设置温度的方法
CN109055700A (zh) * 2018-10-09 2018-12-21 首钢京唐钢铁联合有限责任公司 一种退火炉空燃比自寻优的方法和装置
CN111542135A (zh) * 2020-05-18 2020-08-14 湖南双达机电有限责任公司 加热器的控制方法、加热器以及除冰车
CN112666834A (zh) * 2021-01-20 2021-04-16 福建三钢闽光股份有限公司 一种适应燃气热值剧烈波动的加热炉炉温控制方法
CN112857072A (zh) * 2020-12-25 2021-05-28 杭州电子科技大学 一种催化重整装置中关于加热炉温度的实时控制方法
CN113739196A (zh) * 2021-08-30 2021-12-03 重庆赛迪热工环保工程技术有限公司 加热锅炉炉温燃料流量与空气流量空燃比比值控制***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1644257A (zh) * 2004-12-15 2005-07-27 大连理工大学 热轧过程加热炉综合优化控制***设计及其控制方法
CN101846971A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 钢包炉优化方法
CN102169326A (zh) * 2011-03-02 2011-08-31 中冶南方(武汉)威仕工业炉有限公司 基于数据挖掘的最优炉温设定值优化***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1644257A (zh) * 2004-12-15 2005-07-27 大连理工大学 热轧过程加热炉综合优化控制***设计及其控制方法
CN101846971A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 钢包炉优化方法
CN102169326A (zh) * 2011-03-02 2011-08-31 中冶南方(武汉)威仕工业炉有限公司 基于数据挖掘的最优炉温设定值优化***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周屹等: "轧钢加热炉空燃比自寻优控制***研究", 《江西冶金》 *
潘炼: "轧钢加热炉燃烧过程神经网络控制***", 《电子与自动化》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103506406A (zh) * 2013-10-23 2014-01-15 北京和隆优化科技股份有限公司 一种快速自动适应轧机节奏的加热炉炉内温度控制方法
CN103506406B (zh) * 2013-10-23 2015-10-21 北京和隆优化科技股份有限公司 一种快速自动适应轧机节奏的加热炉炉内温度控制方法
CN106462117A (zh) * 2014-06-19 2017-02-22 西门子公司 控制目标***
US10747184B2 (en) 2014-06-19 2020-08-18 Siemens Aktiengesellschaft Controlling a target system
CN106462117B (zh) * 2014-06-19 2019-12-10 西门子公司 控制目标***
CN104100995A (zh) * 2014-07-14 2014-10-15 首钢总公司 一种加热炉热负荷分配方法及装置
CN105627356A (zh) * 2015-12-31 2016-06-01 北京和隆优化科技股份有限公司 一种冶金燃气锅炉燃烧优化控制***
CN105627356B (zh) * 2015-12-31 2018-02-02 北京和隆优化科技股份有限公司 一种冶金燃气锅炉燃烧优化控制***
CN105603175A (zh) * 2016-02-25 2016-05-25 成都亨通兆业精密机械有限公司 加热炉加热工艺在线优化控制***
CN108062583A (zh) * 2016-11-08 2018-05-22 同济大学 一种面向节能减排的加热炉工艺参数寻优方法
CN106636606A (zh) * 2016-12-30 2017-05-10 北京和隆软件有限公司 一种基于仿真模型的加热炉炉温控制方法
CN108694288A (zh) * 2018-05-29 2018-10-23 中南大学 快速获取步进梁式钢坯加热炉不同产率下设置温度的方法
CN108694288B (zh) * 2018-05-29 2021-04-30 中南大学 快速获取步进梁式钢坯加热炉不同产率下设置温度的方法
CN109055700A (zh) * 2018-10-09 2018-12-21 首钢京唐钢铁联合有限责任公司 一种退火炉空燃比自寻优的方法和装置
CN109055700B (zh) * 2018-10-09 2020-11-06 首钢京唐钢铁联合有限责任公司 一种退火炉空燃比自寻优的方法和装置
CN111542135A (zh) * 2020-05-18 2020-08-14 湖南双达机电有限责任公司 加热器的控制方法、加热器以及除冰车
CN111542135B (zh) * 2020-05-18 2022-06-10 湖南双达机电有限责任公司 加热器的控制方法、加热器以及除冰车
CN112857072A (zh) * 2020-12-25 2021-05-28 杭州电子科技大学 一种催化重整装置中关于加热炉温度的实时控制方法
CN112666834A (zh) * 2021-01-20 2021-04-16 福建三钢闽光股份有限公司 一种适应燃气热值剧烈波动的加热炉炉温控制方法
CN112666834B (zh) * 2021-01-20 2022-06-03 福建三钢闽光股份有限公司 一种适应燃气热值剧烈波动的加热炉炉温控制方法
CN113739196A (zh) * 2021-08-30 2021-12-03 重庆赛迪热工环保工程技术有限公司 加热锅炉炉温燃料流量与空气流量空燃比比值控制***
CN113739196B (zh) * 2021-08-30 2023-10-10 重庆赛迪热工环保工程技术有限公司 加热锅炉炉温燃料流量与空气流量空燃比比值控制***

Also Published As

Publication number Publication date
CN103019097B (zh) 2015-03-25

Similar Documents

Publication Publication Date Title
CN103019097B (zh) 一种轧钢加热炉优化控制***
CN106636610B (zh) 一种基于时间和炉长的双维度步进式加热炉升温曲线优化设定方法
CN100349081C (zh) 一种高炉热风炉***协调控制方法
CN101464096B (zh) 燃气加热炉温度多点传感与智能控制方法
CN106636606B (zh) 一种基于仿真模型的加热炉炉温控制方法
CN101256418A (zh) 加热炉出口温度的一种综合控制方法
CN101561224A (zh) 一种控制大型步进梁式板坯加热炉燃烧气氛的方法
CN101892338A (zh) 热风炉定风温控制***
CN107764076A (zh) 一种轧钢加热炉燃烧控制***及控制方法
CN102540879A (zh) 基于群决策检索策略的多目标评价优化方法
KR101956365B1 (ko) 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법
CN104894362A (zh) 一种冷热钢坯混装的加热炉炉温设定方法
CN204595644U (zh) 基于神经网络的铝棒加热炉燃烧温度自动控制装置
CN110438331A (zh) 一种加热炉自动燃烧***
CN101990960A (zh) 一种茶叶杀青机及其模糊控制方法
CN110252087B (zh) 粗苯回收过程智能优化控制***
CN103499101B (zh) 一种三元点火炉炉膛温度调节方法及装置
CN103506406B (zh) 一种快速自动适应轧机节奏的加热炉炉内温度控制方法
CN103672949A (zh) 一种克服燃气热值和生产节奏波动的加热炉燃烧控制技术
CN106637026A (zh) 一种镀锌过程气刀压力实时优化控制方法及***
CN104561514B (zh) 双蓄热式轧钢加热炉氧化气氛调节方法及其自动控制方法
CN103499212B (zh) 一种二元点火炉炉膛温度调节方法及装置
CN106873377A (zh) 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法
de Mello et al. Fuzzy control applied to combustion in sugarcane bagasse boilers
RU2445668C2 (ru) Нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: 100096, Beijing, Haidian District Xisanqi Building Materials West Road No. 31, D building, three West

Applicant after: Beijing Heroopsys Technology Co., Ltd.

Address before: 100096, Beijing, Haidian District Xisanqi Building Materials West Road No. 31, D building, three West

Applicant before: Beijing Heroopsys Control Technology Co.,Ltd.

COR Change of bibliographic data

Free format text: CORRECT: APPLICANT; FROM: BEIJING HEROOPSYS CONTROL TECHNOLOGY CO., LTD. TO: BEIJING HEROOPSYS CO.,LTD.

C14 Grant of patent or utility model
GR01 Patent grant