[发明专利]用于辊底式热处理炉中的物料跟踪控制方法

说明书

技术领域

本发明涉及热处理炉的技术领域，尤其涉及一种用于辊底式热处理炉中的物料跟踪控制方法。

背景技术

钢铁工业提高钢板质量的一项有效措施是对钢板进行热处理，而辊底式热处理炉由于处理的钢材质量好、产量高、易于实现机械化、自动化操作，因此被广泛地应用；热处理炉板坯物料跟踪是辊底式热处理炉优化加热控制的基础，它为温度控制和优化设定提供物料信息，物料跟踪的控制精度直接影响钢板质量及产量。

热处理炉炉底辊多采用一个辊道一个变频器的单对单控制方式，这就意味着不同的钢板在炉内可以以不同速度运行，对物料跟踪的控制精度提出了很高的要求，一旦物料跟踪信息与钢板实际位置不一致，就会导致炉内钢板控制混乱，有可能出现撞钢事故。

目前，热处理炉物料跟踪控制方法多采用速度补偿系数的方法来调整物料跟踪显示与钢板实际位置保持一致，由调试人员在项目之初根据热胀冷缩率确定系数大小，但是在生产过程中这个参数不是一成不变的，影响这个系数的大小的因素还有很多，例如，钢坯速度变化引起的打滑、由于使用频繁而出现的辊径磨损、相邻辊道之间的微小速度差、钢坯接触辊道的个数、钢坯重量等。这就导致前一时间段好用的参数值，过一段时间应用就出现错误，还需人工重新调整参数，费时费力。

基于现有技术存在的上述技术问题，本发明结合神经网络模型来解决目前存在的技术问题。神经网络具有很强的容错性和强鲁棒性，善于联想、综合和推广，对于任意非线性对象的逼近和建模以及对不确定模型的控制均有很好的效果。

RBF(径向基函数，Radial Basis Function)神经网络是一种具有较强函数逼近能力、分类能力和较快学习速度的三层前馈神经网络，其结构简单、训练简洁、而且学习收敛速度快，还具有良好的全局逼近性能，是一种局部接近网络；目前已经证明RBF神经网络可以在任意精度下逼近任意的非线性函数，且不存在局部最小问题，是一种品质良好的网络。

因此，本发明鉴于RBF神经网络的上述优点，将RBF神经网络应用在辊底式热处理炉中的物料跟踪控制过程中，从而改善了物料跟踪的控制精度和稳定性这个技术问题。

发明内容

本发明的目的是提供一种用于辊底式热处理炉中的物料跟踪控制方法，该方法控制精度高。

为达到上述目的，本发明采用如下的技术方案。用于辊底式热处理炉中的物料跟踪控制方法，其特征在于包括如下步骤：

①沿炉长方向设置多个光电管(所述炉指辊底式热处理炉)，所述多个光电管用来对炉内钢坯(即钢板)进行校正，以相邻两个光电管一段，把整个炉长分为几段，为每一段定义一个段速度补偿系数；

②针对每块钢坯物料跟踪信息存储分配每段的段速度补偿系数；

③为每一段建立一个n组的数据库，四分之一存储历史最优数据组，四分之三存储历史最近数据组，其中n为正整数；

④每当钢坯头部接触到当前段的光电管时，更新当前段的数据组，采用建立好的数据组，利用RBF神经网络建立的物料跟踪拟合模型，使用最新的数据组作为输入更新当前段的这个段速度补偿系数；

⑤根据现有的钢坯(即钢板)物料跟踪位置信息，根据当前段的段速度补偿系数计算当前段的下发速度。

步骤③中所述数据库的输入数据包括物料跟踪误差、当前段温度、钢坯长度、钢坯重量，所述数据库的输出数据为段速度补偿系数。

步骤④中采用的RBF神经网络的模型为4输入1输出的拟合模型。

步骤⑤中计算下发速度采用如下公式：d_{第n段下发}＝d_{第n段设定}×k_第n段，其中n为正整数，d_{第n段下发}为第n段的下发速度，d_{第n段设定}为第n段的设定速度，k_第n段为第n段的段速度补偿系数。

所述多个光电管是指3～100个光电管。所述n为2～99的正整数。

本发明具有以下有益效果：

1)加强了物料跟踪系统的控制稳定性和精度，延长辊底式热处理炉无事故、高效率生产时间；

2)以解决不定时间出现的物料跟踪信息与实际钢坯之间不一致的技术问题，使控制精度达到允许的范围之内(物料跟踪信息与实际钢板位置误差可以控制在50mm以内)，控制精度高，系统适应能力较强；

3)在使用时间较长，段速度补偿系数呈现较明显的非线性的热处理炉物料跟踪控制上，具有较好的控制优势。

附图说明

图1是RBF神经网络的模型示意图。

图2是本发明提出的用于辊底式热处理炉中的物料跟踪控制方法的系统控制示意图。