[发明专利]一种层流冷却的自学习方法及装置

权利要求书

1.一种层流冷却的自学习装置，其特征在于：该装置包括层流冷却区高温计I、层流冷却区高温计II、基础自动化系统和层流冷却控制系统；

所述层流冷却区高温计I位于层流冷却区下游出口处，层流冷却区高温计II位于层流冷却区下游出口处至卷取机之间；在两个高温计之间构建一个空冷区域，基础自动化系统将采集到的层流冷却区高温计I和层流冷却区高温计II的实测值上传到层流冷却控制系统，通过数值计算求解等效的辐射散热系数，并用于层流冷却区的空冷散热量的计算。

2.根据权利要求1所述的一种层流冷却的自学习装置，其特征在于：所述层流冷却区高温计I与卷取机之间还包括若干个高温计。

3.一种层流冷却的自学习方法，其特征在于：该方法包括以下步骤：

S1：在层流冷却区下游出口处的层流冷却区高温计I，与其相距若干米的位置上，安装层流冷却区高温计II，并将两个高温计测量数据接入基础自动化系统；

S2：过程自动化系统的网关进程负责接收新增高温计的实测数据，并传给层流冷却控制系统进行处理，将处理后的数据将转发给层流冷却模型；

S3：层流冷却模型在收到数据后，进行自学习处理，学习结果为等效辐射散热系数；

S4：层流冷却模型在执行设定计算时，将经过学习修正的辐射散热系数，作为输入参数用于设定计算，提升准确度。

4.根据权利要求3所述的一种层流冷却的自学习方法，其特征在于：在步骤S1中，所述安装层流冷却区高温计II的数量为若干，适当调整各个高温计的间距，并将层流冷却区下游出口处的与卷取机之间所有的高温计的测量数据接入基础自动化系统。

5.根据权利要求3所述的一种层流冷却的自学习方法，其特征在于：所述步骤S3具体为：

S31：通过一维非稳态热传导方程来拟合带钢内部的热传导，

ρ c ( T ) ∂ T ∂ t = ∂ ∂ y ( λ ( T ) ∂ T ∂ y ) ]]>

其中，T＝T(t,l,y)表示在t时刻带钢在长度方向l处厚度方向y处的温度分布，ρ表示带钢密度，c表示带钢的比热容，λ(T)表示带钢的热传导系数；

S32：根据初始条件，T(t0,0,y)＝T0，分析边界条件，

其中，表示在冷却区x处，通过上表面的热流密度，表示在冷却区x处，通过下表面的热流密度，t0表示初始时刻，T0表示初始温度，

即，

- λ ( T l ( x , d ) ) · ∂ T l ∂ y ( x , d ) = φ t o p , l ( x , T l ( x , d ) ) l ∈ [ 0 , L ] , x ∈ [ x S , x E ] ]]>

λ ( T l ( x , - d ) ) · ∂ T l ∂ y ( x , - d ) = φ b o t , l ( x , T l ( x , - d ) ) l ∈ [ 0 , L ] , x ∈ [ x S , x E ] ]]>

其中，x表示带钢所处的冷却区位置，d表示带钢厚度的一半，L表示带钢的总长度，φtop,l(x,Tl(x,d))表示水冷换热时带钢上表面的热流密度，φbot,l(x,Tl(x,-d))表示水冷换热时带钢下表面的热流密度，xs表示热传导方程计算开始位置，xE表示热传导方程计算结束位置；

S33：将带钢表面的热流密度分为空气热流密度和水对流热流密度两部分，

φ i , l ( x , T ) = φ r a d i , l ( T ) + φ a i r i , l ( x , T ) φ r a d i , l ( T ) + φ l i q u i , l ( x , T ) i ∈ { t o p , b o t } ]]>

其中，φi,l(x,T)表示带钢在冷却区x处，通过上下表面的热流密度，表示带钢在冷却区x处，通过上下表面的空气热流密度，表示带钢在冷却区x处，通过上下表面的水对流热流密度，表示带钢上下表面辐射散热的热流密度

φ r a d i , l ( T ) = ϵ σ · ( ( T + 273 , 15 ) 4 - ( T a m b + 273 , 15 ) 4 ) i ∈ { t o p , b o t } ]]>

其中，ε表示等效辐射系数，σ表示玻尔兹曼常数，Tamb表示环境温度；

S34：对一维非稳态热传导方程进行化简为，

ρ c ( T ) v ∂ T ∂ x = ∂ ∂ y ( λ ( T ) ∂ T ∂ y ) ]]>

其中，v为带钢运行速度；

S35：根据化简后的一维非稳态热传导方程以及步骤S33，并根据层流冷却区高温计I和层流冷却区高温计II的实测温度，采用数值方法求解出带钢上下表面辐射散热的热流密度，进而计算出等效热辐射散热系数。