毕业设计(论文)任务书 课题名称 层流冷却的策略和控制模型 学 院 电气信息学院 专业班级 电子信息工程班 姓 名 学 号 毕业设计（论文）的主要内容: （1）根据课题内容，查阅搜索相关文献资料，并翻译不少于5000字的相关英文文献资料。
（2）了解带钢热连轧的生产工艺，理解层流冷却系统的整体架构。
（3）掌握层流冷却中用到的控制模型的原理。
（4）掌握层流冷却中用到的控制策略的原理。
（5）对完成的工作进行总结，按格式撰写毕业设计论文，准时参加答辩。
起止时间：
20XX 年 2 月 25 日至 2012 年 6 月 5 日共 16 周 指 导 教 师 签 字 系 主 任 签 字 院 长 签 字 摘要 在带钢热连轧工艺中，卷取温度对带钢的金相组织影响很大，是决定成品带钢加工性能、力学性能和物理性能的重要工艺参数之一。为了保证带钢成品性能指标，同时使带钢顺利卷取并保持良好卷形，必须使带钢卷取温度控制在合理范围内。而热连轧带钢的实际卷取温度能否控制在要求的范围内 ,则主要取决于精轧机架后层流冷却控制系统。
本文以某大型钢铁集团的带钢热连轧生产线为基础，设计了一套具有实际应用意义的层流冷却控制策略和控制模型。同时，设计并绘制了基于西门子WinCC的层流冷却控制画面。所有这些实现了对整个系统的全自动控制。模拟测试结果表明，这些控制策略和控制模型功能完善、性能稳定、控制精度高。
关键字：带钢热连轧 层流冷却 卷取温度控制 控制策略 控制模型 Abstract Being one of the important craft parameters, coiling temperature decides the machining performance, the mechanical performance and the physical performance of finished strip product, and has influence on strip’s metallographic phase. In order to get high-quality product and good coil shape, the strip coiling temperature must be controlled at a proper range.Whether the actual coiling temperature of hot rolling strip can be controlled within the required range mainly depends on the laminar cooling control system after the finishing stands. In the paper, a set of control strategies and control models of the laminar cooling control system with practical application significance for a hot strip rolling production line of a large iron and steel enterprise is designed. At the same time, the control pictures for laminar cooling are designed and drawn with the software WinCC of Siemens. All of these achieve the automatic control of the whole system. Simulation test results show that the control strategies and control models have perfect function, stable performance and high control accuracy. Key Words: strip steel hot strip laminar cooling coiling temperature control control strategy control model 目录 摘要 II Abstract III 目录 IV 1 绪论 1 1.1 研究背景及意义 1 1.2 研究现状 2 1.3 章节安排 3 2 层流冷却系统简介 5 2.1 层流冷却系统设备布置 5 2.2 层流冷却系统的基本结构 6 2.3 本章小结 9 3 层流冷却的控制模型 10 3.1 温降模型 10 3.1.1 空冷区温降模型 10 3.1.2 水冷区温降模型 10 3.2 卷取温度预报模型 11 3.2.1 传统卷取温度预报模型 11 3.2.2 基于遗传神经网络的卷取温度预报模型 12 3.3 预设定模型 16 3.4 前馈控制模型 18 3.5 反馈控制模型 19 3.6 自学习模型 20 3.6.1 短期自学习 21 3.6.2 长期自学习 21 3.7 数据库模型 22 3.8 本章小结 22 4 层流冷却的控制策略 24 4.1 冷却策略 24 4.1.1 上下开阀的起始位置 24 4.1.2 冷却方向 24 4.1.3 集管稀疏模式 25 4.1.4 头尾特殊处理 25 4.1.5 临界温度的确定 25 4.2 带钢分段控制 26 4.3 冷却区分段控制 26 4.4 冷却速度控制 26 4.5 侧喷和吹扫控制 28 4.6 上下集管水比的配置 28 4.7 本章小结 29 5 实验部分 30 结论 38 参考文献 39 致谢 40 1 绪论 钢铁是现代社会最重要的原材料，其产量和质量是一个国家发达程度和经济实力的重要标志。世界钢铁协会2010年发布的报告显示，2010年全球粗钢产量达到14.14亿吨，创下全球粗钢产量的新纪录。其中，中国以6.267亿吨位居全球第一位，占全球钢产量的44.3%。随着中国城市化进程的加速，交通、能源等基础设施的大规模建设，以及制造业尤其是汽车、家电等产业的快速发展，钢材需求将会大量增加[1]。
近年来，随着社会的发展和科学技术的进步，低合金高强度、高韧性并具有良好的焊接性能的钢材已经在社会上得到了广泛的应用。各行各业对热轧带钢质量、品种、性能的要求越来越高。我国虽然是钢铁产量大国，但是高附加值、高技术含量的产品所占比例非常低，产品结构非常不合理，钢铁市场正遭受国际化的严峻挑战。调整产品结构、提高技术含量、增加产品附加值将是我国钢铁行业走向世界的必经之路[2]。
在带钢热连轧工艺中，卷取温度对带钢的金相组织影响很大，是决定成品带钢加工性能、力学性能和物理性能的重要工艺参数之一[3]。过高的卷取温度，将会因卷取后的再结晶和缓慢冷却而产生粗结晶组织及碳化物的积聚，导致力学性能变坏，以及产生坚硬的氧化铁皮，使酸洗困难。如果卷取温度过低，一方面是卷取困难，且有残余应力存在，容易松卷，影响成品带卷的质量；
另一方面，卷取后也没有足够的温度使过饱和的碳氮化合物析出，影响钢材性能。因此，将带钢卷取温度控制在由钢的内部金相组织所确定的范围内，是带钢质量的一项关键控制措施。
层流冷却系统位于带钢热连轧生产线的精轧机与卷取机之间，是控制卷取温度的一种方式，其目的是将带钢从终轧后的温度冷却到相变后的卷取温度。该技术不经能大大缩短带钢的冷却时间，大幅提高产量，更重要的是它能够控制冷却速度，改变带钢的金属组织结构，在不降低韧性的情况下，提高钢材强度，减少板带的不平整度以及残余应力，从而明显地提高带钢质量，为企业带来显著的经济效益。
1.1 研究背景及意义 层流冷却是控制带钢卷取温度，获得理想轧材组织和性能的一种有效方法，在目前的带钢热连轧厂中得到了广泛的应用。一般而言，常用的控制方法有：高压喷嘴冷却、板湍流冷却、喷淋冷却、雾化冷却、水幕冷却、层流冷却等。各种冷却方式都有其各自的优缺点，几种冷却方式的优缺点如表1-1[4]。采用哪种冷却方式应根据具体工艺环境和限定条件确定。
表1-1 几种冷却方式的优缺点 冷却方式 优点 缺点 高压喷嘴冷却 水流不间断呈紊流状态喷到带钢表面；
穿透性好，适用于水汽膜较厚的环境。
用水量大，飞溅严重，冷却不均匀；
对水质要求较高，喷嘴易堵塞；
水的利用率低。
板湍流冷却 轧后钢板直接进入水中进行淬火和快速冷却，冷却速度可达30℃/s。
冷却速度调节范围小，耗水量较大。
喷淋冷却 水流以液漓群的方式冲击钢板，比高压喷嘴冷却更均匀，冷却能力较强。
需要较高的压力，调节冷却能力范围小，对水质要求较高。
雾化冷却 用加压的空气使水流成雾状冷却钢板，冷却均匀，冷却速度调节范围大，可实现单独风冷、弱水冷和强水冷。
线路复杂，噪音较大，车间内雾气较大设备易受腐蚀。
水幕冷却 水流保持层流状态，冷却速度快，冷却区距离短，对水质要求不高，易维护。
可调节冷却速度范围较小 层流冷却 水流以恒定低压的柱状水流冲击钢板，形成核沸腾，冷却能力强，冷却均匀。
冷却区距离长，对水质要求较高，喷嘴易堵塞，维护量大。
当前世界上采用的控制冷却设备主要为水幕冷却系统和柱状层流冷却系统。这两种冷却方式都可以依据带钢的速度和厚度进行水量调节，以达到需要的冷却速率，使带钢全长均匀冷却。虽然水幕冷却具有最强的冷却能力，但据西德克虏伯公司对层流、水幕和喷射3种冷却方式的对比实验表明，层流冷却方式的冷却均匀性最高，而冷却强度只比水幕冷却稍低，因此层流冷却是多数带钢热连轧生产线的主要冷却方式。
由此可见，研究层流冷却卷取温度的优化控制即研究层流冷却的策略及控制模型对于提高产品质量，降低废品率，增加企业的经济效益有着非常重要的现实意义。另一方面，层流冷却控制系统主要由国外开发，国内还处在引进、消化、吸收的阶段，研究和优化层流冷却策略和控制模型，对于我国掌握国外先进的制造技术，提高产品在国外市场的竞争力，有着重大而深远的意义。同时，也有利于为我国今后独立自主地开发新钢种（如多相混合组织钢、铁素体区轧制钢）的冷却控制系统打下坚实的基础。
1.2 研究现状 卷取温度控制是层流冷却系统的核心任务，而温度控制的精度在很大程度上取决于过程数学模型的精度。
早期，对层流冷却控制系统的技术改造主要集中在工艺设备的改进方面。九十年代以后，尤其是近几年来，国内外对层流冷却的研究主要包括两个方面：一是通过对冷却过程的研究建立精确的导热数学模型；
二是针对层流冷却控冷过程的特点对控制策略进行研究。具体内容如下：
（1）数学模型的研究。以往的层流冷却温度场数学模型往往是实际冷却过程的简化形式，这样可大大减少计算时间，容易实现，但同时可能对冷却效果带来不利的影响。例如：应用于攀钢的意大利ANSALDO INDUSTRIA公司开发的数学模型比较简单，但对流换热系数的确定不够精确[5]；
应用于鞍钢热轧厂、本钢1700热轧厂的由德国SIMENS公司开发的数学模型没有考虑带钢与环境的热辐射，也没有考虑水温、带钢运行速度、终轧温度对模型参数的影响，而且模型中的时间常数描述的是带钢表面温度，对厚规格带钢的控制效果不理想，模型精度受到了限制[6]；
应用于宝钢1580mm热轧厂的由日本三菱电器开发的数学模型，对各种对流换热因素考虑的较为全面，是一种较先进的层流冷却控制模型，但还需要对许多参数进行回归，按照厚度层别等做出一系列控制表[7]。
（2）控制策略的研究。根据层流冷却控制的工艺特点，目前控冷的方式基本采用预设定计算、前馈控制、反馈控制和模型参数自适应等几个策略，并且采用动态控制的方法，将带钢在延长度方向上进行分段（称作带钢段），同时将冷却辊道划分为若干冷却段，每个冷却段由若干冷却阀组成，然后动态跟踪每一个带钢段，即确定带钢段到达某个冷却段的时刻以及经过的时间，以便在前馈和反馈时确定应调节的水阀数目。当带钢和冷却辊道分段越细，带钢长度方向上的冷却控制越均匀，控制精度越高，但控制也将越复杂。
随着计算机科学的迅猛发展，带钢热连轧技术已经成为多学科结合的应用技术。尤其是近几年，由SMS公司设计制造的紧凑型热带生产线（CSP）被国内大量引进。国内钢铁企业纷纷与高校和知名冶金科研机构合作，消化引进技术，优化系统结构，以提高控制精度。例如：唐山钢铁公司从理论和工艺的角度分析了控冷过程中换层别后自适应能力差、尾部温差大以及低目标卷取温度精度低等问题产生的原因，提出了虚拟检测水温、反推速减点、细化层别等对应的优化策略。
另外，智能控制理论的发展，为描述与控制不确定、非线性的复杂过程提供了理论基础，也使得智能控制在层流冷却中得到了越来越广泛的应用。其中，北京科技大学高效轧制国家工程研究中心提出的遗传神经网络的方法，将遗传算法的能够收敛到全局最优解和鲁棒性强的优点与神经网络结合起来，并运用实际生产数据对该网络进行训练和测试，离线实现了卷取温度高精度的实时预报，并得到了在线应用。
1.3 章节安排 本课题以北京科技大学高效轧制国家工程研究中心承接的国内某大型钢铁集团的带钢热连轧生产线二级系统改造项目为背景，介绍了层流冷却技术的研究现状，分析了层流冷却系统设备布置和控制结构，重点研究了层流冷却系统中所用到的控制模型和控制策略。并根据这些理论，绘制了层流冷却的控制画面。实践证明这些控制策略和控制模型是有效的、实用的。
第一章主要介绍了本文的研究背景和意义，对比了几种冷却方式，并从数学模型和控制策略方面对层流冷却系统的研究现状进行了概述。
第二章给出了层流冷却系统的设备布置图和实物图，对层流冷却系统的基本结构以及各个结构之间的相互协调关系进行了介绍。
第三章对层流冷却系统的控制模型进行了研究，控制模型主要包括温降模型、卷取温度预报模型、预设定模型、前馈控制模型、反馈控制模型和自学习模型以及数据库模型。着重分析了改进后的卷取温度预报模型。
第四章对层流冷却系统的控制策略进行了研究，控制策略主要包括冷却策略、带钢分段控制、冷却区分段控制、冷却速度控制、侧喷和吹扫控制和上下集管水比配置。
第五章给出改进的控制模型取得的实验效果，并展示了设计和绘制的HMI画面。
2 层流冷却系统简介 2.1 层流冷却系统设备布置 本文中的带钢热连轧生产线的层流冷却系统由上、下冷却系统和侧喷吹扫系统三部分组成。上部和下部冷却系统各分成60个冷却控制段，每4个控制段为一组，一共15组，前9组用于粗调，后6组用于精调。每个冷却控制段由一个阀门进行冷却水的开关控制。上部的每个控制段有两根常规U 型层流集管，每根集管上设有多个鹅颈喷水管；
下部的每个控制段有4根带一定喷射角的直喷集管，每根集管上有11或12个喷嘴。也就是说，上部冷却系统由120根集管构成，下部冷却系统由240根集管构成。侧喷吹扫系统分布在输出辊道的两侧，而且交叉分布，共有9个侧喷嘴，其中有2个为高压气喷，以吹散雾气，防止对轧线控制仪表的干扰。
层流冷却的长度约为60m，冷却宽度为1700mm。系统同时配置了多种调节阀门和检测仪表,包括手动调节阀、气动截止阀、电磁流量计、热金属检测器、激光检测器、高温计、水温计、压力计、液位计等,用于系统的信号检测、带钢跟踪及自动控制。层流冷却系统设备布置原理图如图2-1所示，设备布置的实物图 1#现场 I/O柜 2#现场 I/O柜 轧制方向 高温计T1 侧喷 高温计T2 侧喷 粗调第1组 手动阀 精调第6组 气动阀 F7 14090mm 59400mm 操作台及HMI 流量计 卷取机 冷却水分配装置 如图2-2所示：
图2-1 层流冷却系统设备布置原理图 图2-2 层流冷却系统设备布置实物图 2.2 层流冷却系统的基本结构 层流冷却系统由机械系统和控制系统组成。机械系统包括供水系统、水处理系统、水量分配系统、层流系统、侧喷和前后吹扫系统。控制系统包括过程自动化控制L2级、基础自动化控制L1级。层流冷却的策略和控制模型属于过程自动化控制L2级的范畴。在控制过程中，过程自动化控制L2级对整个冷却过程进行跟踪、控制、参数计算和设定。其中设定过程，主要根据PDI的目标参数、终轧参数、HMI参数和设备参数为层冷区的各种生产设备提供设定值或设定方式，并以工艺规定的时序将设定结果传送给基础自动化控制L1级。L1级根据L2级的设定值和带钢跟踪信息进行集管开闭操作，并为L2级提供测量信号。
当第一台精轧机F1咬钢时，L1级给L2级发送事件信号，启动层流冷却控制系统的L2级作预设定，L2级预设定完成后，将设定结果下达给L1级，L1级进行带钢的头部跟踪。当判断带钢进入层流冷却区时，考虑阀门的开启延时，提前打开阀门，在整个带钢的头部通过层冷区时，会依次按照预设定的结果开阀。同时，L2级启动动态修正，修正由于终轧速度、终轧温度和终轧厚度对开阀数的影响，动态修正计算是控制系统的前馈控制；
当有带钢段出层流区的高温计时，L2级会进行带钢段之间的自适应，对模型计算进行修正，带钢段之间的自适应是控制系统的反馈控制。当L1级的尾部跟踪程序跟踪到带钢的尾部进入层冷区时，会依次关闭阀门；
当尾部离开层流区时，L2级启动带钢之间的自学习。
这样，整个层流冷却系统就形成了一个前馈控制和闭环控制相结合的控制系统，从而保证了控制系统的精度。层流冷却的控制结构图如图2-3所示，基础自动化L1级控制器图如图2-4，过程自动化L2级服务器图如图2-5所示：
阀门开闭延时处理 测量值处理 带钢 段跟踪 动态设定 头尾跟踪 预设定 冷却模型 FT h Qw、Tw 精轧设定数据 PDI、工艺参数 自适应 测量值处理 带钢 段跟踪 Qw、Tw CT 闭环控制 前馈控制 图2-3 层流冷却的控制结构图 图2-4 基础自动化控制L1级控制器图 图2-5 过程自动化控制L2级服务器图 2.3 本章小结 本章首先介绍了层流冷却系统的设备布置，并给出了设备布置的原理图和实物图；
然后对层流冷却系统的基本结构以及各个结构之间的相互协调关系进行了描述，并给出了层流冷却控制结构图、基础自动化控制L1级控制器图和过程自动化控制级L2服务器图。通过本章的介绍和描述，对层流冷却系统有了整体上的认识。
3 层流冷却的控制模型 层流冷却系统控制模型主要包括温降模型、卷取温度预报模型、预设定模型、前馈控制模型、反馈控制模型、自学习模型和数据库模型。
3.1 温降模型 从带钢离开精轧末机架到达卷取测温计CT，带钢依次处于空冷区、水冷区和空冷区。层流冷却温降模型的计算精度直接影响到卷取温度的控制精度，主要包括空冷区温降模型和水冷区温降模型。
3.1.1 空冷区温降模型 在空冷区，高温辐射热量远远超过空气对流热量，带钢主要以辐射的形式散热，因此，可以只考虑辐射热量损失，而把其他影响都包括在根据实测数据确定的辐射系数 ε 中。另外，空冷区的长度一般都较短，在整个过程中可以用同一个温度 T 来计算。空冷区的辐射温降 ΔTf 可以按下列公式计算：
(3.1) 式中 ΔTf — 空冷区温降，℃；
Δτ — 轧件移动时的温降时间，Δτ = ΔL/v，s；
ΔL — 轧件移动的距离，m；
v — 轧件移动的速度，m/s；
ε — 轧件的热辐射系数；
δ — 斯蒂芬-玻尔兹曼常数，5.67×10-8W/(m2.k4) ；
C — 比热容，J/( kg.K)；
γ — 密度，kg/m3；
h — 轧件的厚度，m；
3.1.2 水冷区温降模型 带钢的层流冷却属于低压喷水冷却，带钢通过层流水时的换热是一种强迫对流形式，主要是以对流的形式散热。水冷区的对流温降 ΔTd 可以按下列公式计算：
(3.2) 式中 ΔTd — 层流冷却温降，℃；
To — 带钢进入水冷区的温度，℃；
TW — 层流冷却水的温度，℃；
α — 对流换热系数；
L — 水冷段长度，m；
C — 比热容，J/( kg.K)；
γ — 密度，kg/m3；
上述计算中的关键参数是对流换热系数 α 值。它与冷却水的温度、水量、带钢的温度、带钢的运行速度、带钢的尺寸等一系列因素有关[8]。为了使理论计算更接近于生产实际，必须对输出辊道上的冷却情况进行大量的统计，以便确定对流换热系数 α 的变化规律。因此对流换热系数一般是理论公式和实测统计相结 合的综合统计模型。一般采用下列回归公式计算：
(3.3) 式中 T — 带钢表面温度，℃；
Q — 水流密度；
a0、a1、a2 — 回归系数。
3.2 卷取温度预报模型 在层流冷却系统数学模型中，卷取温度预报模型是基础模型，也是其他控制模型的关键与核心，其精度直接关系到整个冷却控制系统的温度控制效果及产品性能。
3.2.1 传统卷取温度预报模型 传统卷取温度预报模型根据热传导的原理，在得到精轧传送过来的带钢基本参数（材质、厚度、温度、速度和目标卷取温度等）和轧制基本参数后，利用温降模型及集管开启组合状态，进行卷取温度预测。带钢表面温度可用下列冷却时间函数加以描述：
(3.4) 式中 T(t) — t 时刻带钢的平均温度，℃；
T0 — 冷却区环境温度，℃；
Ti — 终轧带钢温度，℃；
k — 模型自适应系数；
t — 带钢进过冷却区的冷却时间，s；
p — 时间常数。用下式表示：
(3.5) 式中 C — 导温系数；
K — 带钢导热系数；
B — 水温、水压和带钢的热交换系数；
A1 — 上喷水与带钢的热交换系数；
A2 — 上喷水与带钢的热交换系数；
h — 带钢厚度，m。
k1、k2 — 模型系数；
由上述模型可见，带钢通过冷却区的温度随时间的变化描述为指数关系，而带钢厚度、带钢导热、导温特性、冷却区冷却能力、水温、水压和带钢速度等对带钢温度指数降低的陡度产生影响。但是，该模型存在若干问题，主要问题有：没有考虑带钢内部厚度方向的热传导，因此系统误差较大，特别是对于中厚板，预设定精度差；
加速度对模型影响大，在加减速时，控制精度差。
3.2.2 基于遗传神经网络的卷取温度预报模型 由于传统卷取温度预报模型的固有缺陷，导致卷取温度预报精度不高。因此在传统预报模型的基础上，利用现场采集的大量数据建立了基于遗传神经网络的卷取温度预报模型。
3.2.2.1 BP神经网络 BP(Back Propagation)意为误差反向传播。BP神经网络是目前应用最广泛的一种神经网络，它具有很强的泛化映射能力，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；
中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；
最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
BP神经网络是以单个神经元为基础的，现在简单介绍一下单个神经元的工作原理。单个神经元模型如图3-1所示：
x1 x2 …… xj wi1 wi2 wi…… wij yi 第 i 个 图3-1 单个神经元模型图 对于第 i 个神经元，接受多个其他神经元的输入信号xi ，各突触强度以系数 wij 表示，这是第 j 个神经元对第 i 个神经元作用的加权值。利用某种运算把输入信号的作用结合起来，给出它们的总效果，称为“净输入”，用 Ii 表示。净输入的表达式有多种类型，最简单的一种形式是线性加权求和，即Ii = ∑wij xi。此作用引起神经元 i 的状态变化，神经元 i 的输出 yi 是当前状态的函数。利用大量的神经元相互连接就构成了神经网络。
需要指出的是，虽然BP神经网络得到了广泛的应用，但是BP神经网络也存在着收敛速度慢、容易陷入局部最小、网络结构的确定比较困难等缺点。
3.2.2.2 遗传算法 遗传算法GA(Genetic Algorithm)是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境的适应度（适应度评估）施加一定的操作，，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解，一代又一代的优化，并逼近最优解。
遗传操作包括以下三个基本遗传算子：选择、交叉、变异。选择的目的是把优化的个体或解直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，它是建立在群体中个体的适应度评估基础上的。交叉是遗传算法中起核心作用的遗传操作，它是把两个父代个体的部分结构加以替换重组而生成新个体的操作。变异算子是对群体中的个体的码串随机挑选一个或多个基因座上的基因值做变动的操作。遗传算法的过程如图3-2所示：
确定实际问题参数集 对参数集进行编码 初始化群体P(t) 评估群体 1.位串解码的参数 2.计算目标函数值 3.函数值向适应值映射 4.适应值调整 满足停止规则 YES 结束 三个基本算子：
1.选择 2.交叉 3.变异 遗传操作 NO 产生新一代群体 图3-2 遗传算法的过程 3.2.2.3 基于遗传神经网络的卷取温度预报模型 为了克服 BP 神经网络存在的收敛速度慢、容易陷入局部最小、网络结构的确定比较困难等缺点，一些最优化方法逐渐被用于对 BP 神经网络的优化计算中，其中遗传算法（即 GA 算法）和 BP 神经网络的结合产生了遗传神经网络。由于遗传算法能够收敛到全局最优解，而且遗传算法的鲁棒性强（所谓鲁棒性，是指控制系统在一定的参数摄动下，维持某些性能的特性），将遗传算法和BP 神经网络结合起来有着重要的意义，不仅能够发挥 BP 神经网络的泛化映射能力，而且可以使神经网络具有更快的收敛性以及较强的学习能力[9]。其模型结构形式如图3-3所示：
GA模型 适应度f BP神经网络 网络结构参数 输出误差平方和E 图3-3 遗传神经网络模型结构 BP神经网络的输入层和输出层是根据使用者的需求来设计的。本文设定的输入层是对卷取温度有着主要影响的因素和数学模型计算的中间结果，共包含8个输入参数：钢种、终轧厚度、终轧速度、终轧温度、粗调开阀数、精调开阀数、冷却水温和冷却模式；
设定的输出层单元数为1，即带钢卷取温度；
隐层数为单隐层，只对单隐层的节点数进行寻优。隐层激活函数采用下列的 logistic 函数：
(3.6) 式中 a 为函数斜率。网络的学习收敛速度和精度与函数的形状有密切关系，其函数斜率 a 的选取一般也是根据经验值取1。
设网络的输入层单元数、隐层单元数和输出层单元数分别为 Ni、Nh 和No。由于隐节点个数不定，所以网络优化时码串长度是可变的，这样会给遗传算子的操作带来不便。为了保证交叉和变异时子代个体的完整性，取串码的最大可能长度，即确定隐节点最大可能值 Nhmax ，本文取 Nhmax = 2(Ni + No)。根据实际需要，令每一层神经元只与其前一层神经元有连接，输入和输出之间没有直接连接，则总的连接权值为(Ni + No) Nhmax。
码串总长度为L = (Ni + No+1) Nhmax + No +2，包括了网络结构、隐层作用函数、连接权值和阈值的所有信息。以训练集样本为遗传神经网络的输入和期望输出，计算出网络输出和期望输出的误差，取其均方差作为目标函数值 J ,则 J 为 下式：
(3.7) 式中 n — 遗传优化中第n个个体；
Num — 输入输出样本对个数；
m — 输出层节点个数；
yj(k) — 第 k 个样本输入时，第 j 个输出节点的期望输出；
— 第 k 个样本输入时，第 j 个输出节点的实际输出；
由于遗传算法要求的是极大值，所以将极小值目标函数转化为极大值来处理，于是可得到适应度函数：
(3.8) 该式在J(n)< Jmax时成立，当J(n)≥ Jmax时，f(n)=0。
式中 Jmax — 进化过程中 J(n) 的最大值；
f — 个体的适应度函数值。
整个过程的计算框图如图3-4所示 开始 群体初始化 评价个体计算适应度值 达到精度要求或 进化到最大代数 选择 交叉 变异 否 GA 适应度最高的个体解 码成BP神经网络结构 训练BP神经网络 满足精度要求 结束 否 是 是 BP 图3-4 遗传神经网络的计算框图 3.3 预设定模型 当第一台精轧机 F1 咬钢时，基础自动化控制 L1 级给过程自动化控制 L2 级发送事件信号，启动层流冷却控制系统的 L2 级作预设定，L2 级的计算机将在卷取温度预报模型的基础上选择带钢的冷却策略，并根据精轧末机架设定的终轧厚度、终轧温度、终轧速度设定值以及冷却策略等参数应用差分模型进行计算，设定粗调和精调所需开启冷却集管的组数（冷却水段数），控制好目标卷取温度和冷却速度，保证带钢性能，然后将上述预设定结果传送给基础自动化控制级 L1级的计算机进行预设定控制。
预设定模型需要进行冷却能力校核，分为最大冷却能力校核和最小能力校核。最大冷却能力校核是以PDI（原始数据输入模型）的稀疏模式检查冷却能力，如果最大冷却能力不足，则把稀疏模式进行提升，如果提升后冷却能力还不够，则把所有阀门都开启，并且报警；
最小冷却能力校核是把所有阀门都关闭，如果此时卷取温度偏低，说明来料的温度偏低，需要报警。预设定模型的流程图如图3-5所示：
开始 模型计算数据准备 最大能力校核判断 提升冷却 稀疏模式 NO OK 最小能力校核判断 OK 报警 开阀数 设定计算 启动 CSM 结束 图3-5 预设定模型流程图 确切地说，水冷区冷却水段数按照温降模型来计算只能认为是一种理想情况下的静态数学模型。由于带钢在穿越层流冷却区时通常是变速前进，而在影响带钢冷却强度的诸多因素中，带钢速度又最为活跃[10]。因此，冷却水段数的计算只是针对带钢上某一点的，于是必须对带钢进行跟踪，适时开启水阀，使得对该点来说，是在 N 个水冷段的作用下穿越层流冷却区的，而对其他点来说，由于变速运动导致通过层流冷却区所用时间不同，对应的冷却水段就可能不是 N。
由以上可知，冷却水段数 N 的计算比较复杂，因此，在实际的控制过程中，往往将带钢厚度细分成若干个规格，对各个规格分别用统计的方法确定一组系数，并用一个线性方程来表征冷却水段数 N 与有关工艺系数之间的关系，即 (3.9) 在实际应用中，下面的统计模型的效果较好，在我国大部分带钢热连轧生产线上都得到了应用。该方程为 (3.10) 式中 N — 冷却喷水段数目 Pi — 标准条件（v = vs ，TFC=TFS ，TCA=TCAS）下预设定喷水段数；
Ri — 带钢速度影响系数；
v — 带钢终轧实测速度，m/s；
vs — 带钢终轧设定速度，m/s；
a1 — 终轧速度变化对卷取温度的影响系数；
TFC — 带钢终轧实测温度，℃；
TFS — 带钢终轧设定温度，℃；
TCA — 卷取目标温度，℃；
TCAS — 卷取标准温度，℃；
Q — 综合传热系数；
h — 带材实测厚度，m；
a2 — 水温补偿系数。
3.4 前馈控制模型 在带钢热连轧生产线上，精轧末机架与层流冷却系统的第一组集管之间的距离一般为 10m 左右，当带钢出精轧末机架后，层流冷却系统将根据所测的的带钢出口速度、终轧温度、冷却水温以及带钢厚度，通过数学模型计算，决定集管喷嘴开启和关闭的位置、数量和组态。并连续检测第 6 台精轧机架 F6 的出口速度、温度、厚度、冷却水温的变化，从而不断地通过改变冷却集管的开启和关闭的数量，来预先进行卷取温度的控制。前馈控制冷却水段数采用下列公式计算：
(3.11) 式中 NFF — 前馈控制冷却喷水段数；
TFA — 终轧温度目标值，℃；
ΔT — 转移控制所需要的温度修正值，℃。
其实，前馈控制模型是在预设定模型的基础推导而来，除此之外，还可以推导出以下两个控制模型：
（1）
终轧温度补偿控制模型：
(3.12) 式中 NFFT — 终轧温度补偿控制冷却喷水段数；
a1、a2 — 系数。
（2）
转移控制模型：
(3.13) 式中 NT — 转移控制冷却喷水段数。
这里的转移控制，是考虑在卷取温度控制中引入反馈控制方式后，为尽可能减小控制滞后，而将反馈调节集中在层流冷却系统的下游处进行。假设上游冷却水段数过多，就会使带钢的温度过低，则进行反馈控制时，必须关闭喷水段，才能使带钢温度提高，然而下游又没有可关闭的喷水段，这样反馈控制就起不了作用。因此在卷取温度目标值中预加 ΔT ，使下游处增加水冷段数，等效于将上游冷却段数的一小部分转移到下游处，为反馈控制留出余地，实际经验表明， ΔT取30～50为宜。
3.5 反馈控制模型 反馈控制模型主要用来修正卷取目标温度与实际温度的偏差，以便达到较高的卷取温度控制精度。最初的反馈控制，由于控制信号时间滞后较长，因此为避免振荡，实际上只是根据带钢头部的实测温度对设定计算结果进行一次性修正。分为两部分调节，一是当带钢的头部到达层流冷却系统出口高温计温度检测点时，如果检测的温度与通过模型计算的温度值产生误差时，则通过反馈控制对所产生的误差值进行修正；
二是当带钢头部到达卷取温度检测点时，若所测卷取温度与设定的卷取温度产生误差时，则通过反馈控制对所产生的误差进行集管开启修正控制。修正采用下列公式计算：
(3.14) 式中 NFB — 修正冷却水段数；
TCO — 带钢头部实测温度（通常为采样数据平均值），℃。
需要指出的是，式（3.14）中给出的反馈控制算法，由于不能进行带钢的全长反馈控制，因此其控制效果是很有限的。为了解决带钢全长反馈控制问题，在卷取温度控制的实践中，采用下列反馈控制算法：
(3.15) 式中 TCA — 实测卷取温度目标值，℃。
令 (3.16) 则 (3.17) 式中 KP — 反馈控制比例项增益因子；
K1 — 反馈控制积分项增益因子。
于是，(3.14)可改写为：
(3.18) 实践证明，该算法在抑制振荡、提高卷取温度控制精度、简化设定模型的控制参数整定等方面，取得了较好的效果，并已经成功地应用在我国若干套大型带钢热连轧机上。
根据上述的前馈控制模型、终轧温度补偿控制模型、转移控制模型和反馈控制模型，总的冷却喷水段数为：
(3.19) 3.6 自学习模型 模型自学习是近几十年来迅速发展起来并广泛应用于计算机控制的一项技术[11]。仅仅根据上述的几种控制模型，卷取温度的控制精度是有限的。因此，为了提高计算精度，增强控制模型的适应性，模型的设计需要考虑自学习功能，通过学习可以获得用于修正温度预报模型的自学习系数，即模型具有根据自身经历不断修正以提高精度的学习能力。其基本原理是根据带钢卷取温度的实测值和预报值之间的偏差，采用适当的修正算法，对预报模型中的重要参数进行修正，以提高模型对以后带钢的预报精度。自学习主要包括长期自学习和短期自学习。
3.6.1 短期自学习 短期自学习又叫带钢段之间的自学习。当带钢段出层冷区的高温计时，满足一定条件下，要进行带钢段之间的自学习，以提高控制精度。短期自学习采用指数平滑法：
(3.20) 式中 NewLearn — 当前带钢段自学习后的自学习值；
NewLearn_i — 当前带钢段的自学习值，由实测值反推得到；
OldLearn_i — 上一带钢段自学习后的自学习值；
Gain — 增益系数，0≤Gain≤1，在自学习过程中需要取值合适，取值时需要考虑实测值的可信度和该规格的带钢已经自学习的次数。
3.6.2 长期自学习 带钢之间的自学习主要是考虑到当前带钢的控制对下一块带钢的影响，所以需要进行长期自学习。
当带钢全部都出了层冷区的高温计时，采用指数平滑法进行带钢之间的自学习，为保证稳定性，可以取合适的增益系数 α 。主要是利用控制点之间的自学习所得到的系数 Ki ，在 Ki 中选取平均计算的结果作为自学习系数 β ，读取上一块的结果 βold ，利用指数平滑法计算 βnew：
第M段 第I+1块钢 第I块钢 第L段 第M段 第N段 FT CT h 粗调 动态设定 修正后的 集管组态 修正后的 集管组态 精调 动态设定 实测 卷取温度 计算模型 卷取温度 对流 换热系数 - 实际 阀门组态 实测 带钢速度 自学习修正 带钢段之间的自学习 预设定 预设定的 集管组态 带钢之间的自学习 短期自学习 长期自学习 图3-2 自学习模型原理图 (3.21) (3.22) 自学习模型原理图如图3-2所示：
3.7 数据库模型 当带钢冷却结束后，过程自动化控制级L2级将该带钢的相关数据，包括日期时间、钢卷号、目标数据、设定数据以及测量数据添加到本地工程记录数据库中。为了方便查看本地历史工程记录，可以根据需要对工程记录进行各种组合查询和排序。
3.8 本章小结 开始 开始 接受L2带钢及轧线数据 HMI操作指令处理 预设定计算及 卷取温度预报 带钢跟踪 层冷入口实测数据处理 前馈控制 层冷出口实测数据处理 反馈控制 模型自学习 数据库归档 结束 图1 层流冷却控制系统流程图 本章主要研究层流冷却温降模型的空冷区温降模型、水冷区温降模型，卷取温度预报模型的传统卷取温度预报模型、基于遗传神经网络的卷取温度预报模型，预设定模型、前馈控制模型、反馈控制模型、自学习模型以及数据库模型。带钢热连轧生产线的层流冷却控制系统在这些控制模型的作用下，冷却后的卷取温度完全可以满足生产工艺的要求。由前述内容，可得到层流冷却控制的系统流程图，如图1所示。
4 层流冷却的控制策略 由于轧制的带钢的钢种和轧后的厚度不同，所以采用的轧后控冷策略是不同的，主要包括冷却策略、带钢分段控制、层冷区分段控制、冷却速度控制、侧喷和吹扫控制和上下集管水比配置。
4.1 冷却策略 在控制过程中，冷却策略主要确定以下几方面的内容：
4.1.1 上下开阀的起始位置 只在前向冷却和两段式冷却的第一段中起作用，一般上、下起始位置是在同一个位置，特殊情况下上集管的起始位置应该比下集管更加靠近精轧。
操作工可以在 HMI 上面根据实际情况输入上集管阀门和下集管阀门的开启位置，同时在程序中应当加以保护。
4.1.2 冷却方向 在轧制不同的钢种时，为了更好的控制冷却速率，根据工艺制度，需要确定不同的冷却方向，以获取不同的组织成分。主要包括前向冷却和后向冷却。
4.1.2.1 前向冷却 前向冷却又叫前段冷却。集管的开启方向由精轧向卷取方向开启。在这种冷却方式下，带钢在刚进入冷却区时将以最大的冷却速率冷却到目标卷取温度。前向冷却示意图如图4-1所示：
F7 v 1号喷嘴 图4-1 前向冷却示意图 它实质上是以前馈控制为主体，而补偿控制和反馈控制为辅的一种冷却控制方式。主要用于带钢厚度在1.7mm以上的普通碳素钢或则有急冷要求的高级硅钢的冷却。
4.1.2.2 后向冷却 后向冷却又叫后段冷却。在这种冷却方式下，带钢在刚进入冷却区时将会空冷一段距离，然后再快速冷却到目标卷取温度。后向冷却的示意图如图4-2所示：
F7 v 最后喷嘴段 图4-2 后向冷却示意图 它是在层流冷却装置的后段（即靠近卷取机的那一侧），将前馈控制、补偿控制和反馈控制作为一个整体，用上部喷水集管从卷取机侧向带钢逆流的方向增减喷水集管的方法，即冷却水从上部喷出，下部不喷水；
喷水量为NFF、NFFT、NFB的总和。后向冷却用于带钢厚度小于1.7mm的碳素钢和低级硅钢的冷却。
4.1.3 集管稀疏模式 在轧制一些钢种时（如：微合金钢），工艺要求冷却时的冷却速率比较缓慢，此时可以指定集管组（4个控制段为一个集管组，即一个倾翻架为一个集管组）的稀疏模式。
可以通过 PDI 或者 HMI 指定集管组态时的稀疏模式，主要包括：
（1）1/4模式(X000)：表示一个倾翻架开一个水阀，规定开第一个水阀。X表示开，0：表示关，后面的模式意义一样。
（2）2/4模式（X0X0）：表示一个倾翻架开两个水阀，规定开第一个和第三个水阀。
（3）3/4模式（XXX0）：表示一个倾翻架开三个水阀，规定开第一个、第二个和第三个水阀 （4）4/4模式（XXXX）：表示一个倾翻架的水阀全开。
4.1.4 头尾特殊处理 在带钢冷却过程中，为了控制带钢头部和尾部的温度均匀性，方便卷取控制，保证卷取的卷形质量，对于一些硬质带钢及厚带钢（约8mm以上），需要对带钢的头尾进行特殊的处理。
常用的特殊处理方式主要有：头部不冷、尾部不冷、头尾不冷、头部微冷、尾部微冷和头尾微冷。选择何种特殊处理方式可以采用 PDI 下达或则 HMI 指定，头尾特殊处理的长度可以采用查表法或则 HMI 指定，一般约为10m。
4.1.5 临界温度的确定 为了实现对双相钢和部分特殊钢种的冷却速度控制，需指定临界温度，以便控制带钢的组织成分。在这种工艺要求下，带钢在冷却区中控制过程如下：首先采用前向冷却以最大的冷却速度冷却到临界温度，然后空冷一定时间，最后再以最快的冷却速度冷却到目标卷取温度。
通常将上述工艺控制方式叫作两段式冷却。两段式冷却有两种具体实现方法：
（1）第一段快速冷却到临界温度 + 第二段从指定位置开始冷却 （2）第一段快速冷却到临界温度 + 第二段采用后向冷却 4.2 带钢分段控制 由于带钢纵向材质的不均匀、板坯在加热炉中加热不均匀以及轧制过程中形成的温度波动等原因，产生了带钢纵向温差。因此为了控制带钢纵向温度、保证带钢纵向温度的均匀、减小纵向温差，对带钢全长尤其是头部和尾部采用带钢分段控制策略十分重要。
根据材质、长度、厚度等带钢参数把每块带钢纵向划分为若干段，对于不同的带钢，段数可以变化，以适应带钢的实际情况。被划分的每一块带钢都可以看作是一个被控对象，针对每一段带钢进行入口温度信号检测，设定和控制模型根据每段的温度偏差进行诸如集管开启数等参数的设定计算和控制。
4.3 冷却区分段控制 同带钢分段控制的目的和方法类似，为了实现带钢温度控制目标对，对冷却区集管也进行分段控制。但与带钢分段控制所不同的是，冷却区集管的分段不是均匀划分的，而是根据集管的性质和作用划分为两部分，即粗调段有9段，精调段有6段。针对不同规格的带钢，各段集管之间优化组合开启，可以提高温度控制精度。
4.4 冷却速度控制 对于不同的钢种，通过确定冷却策略中的冷却方向、稀疏模式和临界温度的组合来实现冷却速度的控制，保证带钢的组织性能。现就设定两个中间温度值T1、T2来进行理论分析。
设带钢进入层冷区的温度为TFC,目标卷取温度为TCT,则带钢由TFC以一定的冷却速度 β1 冷却到T1，达到 T1 点的时间应为：
(4.1) 达到T1的距离为 (4.2) 式中vn — 带钢出口温度。
然后再以β2的冷却速度使T1冷却到T2，用同样的方法计算t2及L2，为最后则以TCT为目标计算将带钢从T2冷却到TCT需开启的层流集管段。采用不同的冷却策略的冷却速度控制图如图4-3所示：
带 钢 温 度 ℃ 冷却时间 4-3-1 前向冷却方式的冷却速度 带 钢 温 度 ℃ 冷却时间 4-3-1 后向冷却方式的冷却速度 冷却时间 带 钢 温 度 ℃ 图4-3-3 各种稀疏模式冷却方式冷却速度 4.5 侧喷和吹扫控制 当冷却水和炽热的带钢接触时，带钢和水之间的巨大温差引起迅速的热传导，但同时钢板表面也会迅速形成隔热的蒸汽层。因为冷却时生成的蒸汽层对传热系数影响比较大，所以层流冷却的效果，很大程度上取决于蒸汽层的破环。侧喷的主要目的就是为了去除冷却水在高温的带钢表面形成的蒸汽膜，提高冷却能力，同时可以隔断侧喷之间的冷却集管冷却水的相互干扰，使冷却水朝某一特定方向流动，提高冷却精度。前后吹扫的主要目的是为了保证带钢进入和离开冷却区时表面的清洁，提高表面质量。
4.6 上下集管水比的配置 冷却后带钢外形的平坦和温度的均匀是对轧后冷却装置的基本要求之一，为此需要采取各种措施来保证带钢在长度、宽度和厚度（特别是上下表面）上的冷却均匀。上下水比的合理配置直接影响带钢板形质量。如果上表面喷水太多，则温度比下表面温降快，会使得带钢上翘；
如果下表面喷水太多，则温度比上表面温降快，会使得带钢下翘。带钢的上翘或下翘同时也会影响到后续的卷取工作。
通常采用两种方式来保证带钢上下表面的均匀冷却：一是下集管采用带一定喷射角度的集管，以增强水流在钢板下表面的停留时间，是冷却水与带钢下表面充分热交换；
二是增加下表面的喷水量，这也是最主要和最有效的方法。上下集管水比的配置将视总水量而定，总水量越大，下集管水量与上集管水量比值越小。粗调段和精调段分别有一组集管的上下供水管设置有电磁流量计用于计量上下集管的水流量，根据流量计的反馈值进行调节阀阀位调整，从而改变上下集管的水比，以保证带钢上下表面冷却均匀。经过理论分析和现场实测数据统计，上下集管水比在1.15～1.5左右，冷却效果最佳。
4.7 本章小结 本章主要研究了层流冷却系统的冷却策略（包括上下开阀的起始位置、冷却方向、集管稀疏模式、头尾特殊处理和临界温度的确定）、带钢分段控制、冷却区分段控制、冷却速度控制、侧喷和吹扫控制和上下集管水比配置共6中控制策略。另外，在设计时，层流冷却系统还提供手动控制、半自动控制和全自动控制三种控制方式。这些都是目前我国带钢热连轧生产线上常用到的层流冷却的控制策略，可以看出，不同的钢种需要不同的策略进行冷却。同时，对这些策略的进一步研究，有利于开发和研究特殊钢种的冷却策略。
5 实验部分 通过 Visual C++ 可视化编程语言，在 PC 机上编写程序，利用国内某带钢热连轧生产线生产过程中实际历史数据，对控制模型里的遗传神经网络卷取温度预报模型进行离线学习和测试，训练数据和测试数据分别为 600 组和 200 组。利用训练样本分别对 BP 神经网络和遗传神经网络在相同精度要求 0.01 的情况下进行误差反向传播训练，遗传神经网路在训练 2500 次时达到了精度要求，而 BP 神经网络则需要 3500次，收敛速度提高了28.3%。图5-1[12]显示了两种方法收敛速度的差异：
图5-1 两种神经网络收敛速度比较 经过遗传算法的优化设计之后，BP神经网络进一步进行误差反向传播计算2000次，作为预测网络对测试数据进行测试，单样本的测试的时间不超过10ms。
图5-2 预测的卷取温度的偏差 从图5-2[13]可以看出预测的卷取温度与目标卷取温度的偏差比较集中，偏差绝对值在5℃以内的预测值达到了80%，偏差绝对值在10℃以内的预测值达到93.5%，能够达到偏差绝对值在20℃以内的设计要求。
所以，得到以下结论：
1）
将遗传算法和BP神经网络相结合，极大地加快了BP算法的搜索进程，保证了网络隐层节点数、隐层作用函数的最佳选取和网络权值、阈值的最佳优化；
2）
将遗传神经网络应用于带钢热连轧卷取温度的预报能够满足卷取温度预报的精度要求，同时具有较快的收敛速度，能够满足实时控制的要求。
3）
当带钢在层冷入口获得实测数据后，利用已经训练好的遗传神经网络，对卷取温度进行预报，并结合带钢微跟踪进行实时前馈补偿控制的方法是可行的，有在线应用的前景。
友好的人机界面系统是一套工业应用的自动化系统的重要组成部分，对于操作工的现场操作和系统维护都有着重要作用。利用西门子的Wincc组态控制软件设计并实现了功能完善、界面友好的HMI系统，包括CTC（卷取温度控制，又叫层流冷却控制）主监控画面（图5-3）、CTC曲线监控画面（图5-4）、CTC故障阀设置画面（图5-5）、CTC检测信号监控画面（图5-6）、其他阀测试画面（图5-7）和手动自动设定画面（5-8）。
层流冷却 主监控画面 图5-3 CTC主监控画面 图5-4 CTC曲线监控画面 红色表示该阀门出现故障 图5-5 故障阀设置画面 图5-6 CTC检测信号监控画面 其他阀调试 1#水泵运行正常 粗调出口吹扫开启 侧喷S16位开启 图5-7 其他阀测试画面 图5-8 手动自动设定画面 结论 本文在参考国内外带钢热连轧层流冷却控制系统文献资料的基础上，结合北京科技大学高效轧制国家工程研究中心承接的国内某大型钢铁集团的带钢热连轧生产线二级系统改造项目，从控制模型和策略两方面针对如何提高层流冷却过程中的卷取温度控制精度进行了深入的研究，得出以下结论：
（1）通过对热轧带钢层流冷却过程的分析，知道冷却过程中的温降模型的计算精度直接影响到最终的冷却效果。所以，建立精确的带钢冷却模型对提高卷取温度控制精度具有重要的影响。
（2）层流冷却的控制模型有很多种，其中卷取温度预报模型是基础模型，文中所提到的带钢热连轧生产线以前采用的是传统的卷取温度预报模型，轧制的钢材质量差，经济效益不好。在二级系统改造升级时，采用了基于遗传神经网络的卷取温度预报模型，轧制的钢材质量有了明显地提高，经济效益明显好转。
（3）轧钢是一项涉及到冶金、材料、机械、自动化和计算机等多学科交叉与结合的工艺，是一种非常复杂的工业控制过程，文中所设计的控制模型和控制策略也都不是也不可能将所有的对卷取温度有影响的因素都能考虑在内。因此，有些模型还存在这进一步优化的问题。
总之，现场生产结果表明，这些控制策略和控制模型功能完善、性能稳定、控制精度高。
参考文献 [1] 李新创.影响我国钢铁工业发展的十大因素[J].冶金管理，2004,(1) :24～28 [2] 汪祥能，丁修埅.现代带钢热连轧控制[M].沈阳：东北大学出版社，1996.1～2 [3] 孙一康.带钢热连轧的模型与控制[M].北京：冶金工业出版社，2002.115～117 [4] M.格罗斯兰波特等.用于钢板加速冷却（多用途间断冷却）过程的自动控制[A].板带轧制科学与技术，第四届国际轧钢会议论文集[C].冶金工业出版社，1990.319～327 [5] Lawrence WJ.etal.Online modeling and control of strip cooling[J].Ironmaking and Steelmaking.1996(1), 74～78 [6] Auzinger D.Recent development in process optimization[J].Ironmaking and Steelmaking.1996(1), 84～87 [7] Uetz G.etal.Influencing the formation of the steel structure by suitable temperature control in the run_out section of hot strip mill[J].Steel Research.1991(5), 216～222 [8] 张大志，高建雄，刘涛.中厚板轧后快速冷却控制策略与控制模型[J].北京科技大学学报，2005,27(5):604～608 [9] 张大志，程秉祥，李谋渭，孙一康，管克智.基于遗传神经网络的冷连轧机轧制压力模型[J].北京科技大学学报，2000,22(4):384～388 [10] 吴彬，陈海耿.带钢厂热轧机组层流冷却数学模型[J].黄金学报，2001,3(4):259～262 [11] 彭良贵，于明，王绍东，刘相华.热轧带钢层流冷却数学模型述评[J].轧钢，2003,20(6):25～29 [12] 李宏，张大志.遗传神经网络在热轧带钢卷取温度预报中的应用[J]. 上海金属，2006，28(5):58 [13] 李宏，张大志.遗传神经网络在热轧带钢卷取温度预报中的应用[J]. 上海金属，2006，28(5):59 致谢 在本文完成之际，我由衷地感谢在本科学习期间所有给予我指导、关怀、帮助、支持的亲人、老师和同学。
首先要感谢我的指导老师XX教授，在论文完成期间，XX老师对我的关心和支持很多，XX老师广博的知识给了我很大的启发和帮助，为我的论文指出了许多宝贵的思路，整篇论文的完成离不开章老师的指导。
十分感谢XX大学高效轧制国家工程研究中心信息技术部的各位领导和同事的支持和帮助，感谢轧制中心给予我的宝贵的实习机会。
推荐访问:层流冷却强度的设计 SARS的预测和控制模型 推式策略和拉式策略 经济动态控制模型 eoq库存控制模型 光电电梯控制模型 病毒的传播与控制模型 推动策略和拉引策略
