[發(fā)明專利]一種鍍鋅產品鋅層重量自動控制的方法

在審

• 申請?zhí)枺?/td>: 202010037906.6
• 申請日: 2020-01-14
• 公開（公告）號: CN111118432A
• 公開（公告）日: 2020-05-08
• 發(fā)明（設計）人: 宋志超;武智猛;董繼廣;趙自強;謝鳳虎;趙曉萌;劉素麗
• 申請（專利權）人: 邯鄲鋼鐵集團有限責任公司;河鋼股份有限公司邯鄲分公司
• 主分類號: C23C2/16
• 分類號: C23C2/16;C23C2/06;G05B13/04
• 代理公司: 石家莊冀科專利商標事務所有限公司 13108
• 代理人: 李桂琴

本發(fā)明涉及一種鍍鋅產品鋅層重量自動控制的方法，包括S0?S7這八個狀態(tài)位，可以在第一時間調出最合適的氣刀參數(shù)，使鋅層重量控制處于一個穩(wěn)定的過程，有效勝任變化的工況條件，控制精度高，避免對于員工經(jīng)驗和責任心的高度依賴，具有極高的推廣應用價值。

技術領域

本專利申請屬于鍍鋅工藝控制技術領域，更具體地說，是涉及一種鍍鋅產品鋅層重量自動控制的方法。

背景技術

鍍鋅產品因其良好的耐腐蝕性能被廣泛應用于建筑、汽車、家電等行業(yè)。鋅層重量是衡量鍍鋅產品耐蝕性的重要指標，鋅層重量的控制由氣刀噴吹實現(xiàn)。具體來說，鋅層重量主要是受生產線速度，氣刀刀唇與帶鋼的間距和氣刀噴吹壓力三個參數(shù)的共同影響。目前多數(shù)鍍鋅產線對于鋅層重量控制仍采用傳統(tǒng)的手動操作方式，即當生產線速度或目標鋅層重量發(fā)生變化時，氣刀操作工手動調整氣刀噴吹壓力和刀唇間距，使帶鋼鋅層重量符合目標要求。但由于人工調整不及時或經(jīng)驗不足，往往不能在第一時間調出最合適的氣刀參數(shù)，造成鋅層重量非高即低，鋅層重量過低導致產品不合格，鋅層重量過高又會造成浪費增加成本。鋅層重量控制過程是一個非常復雜的過程。鋅層重量控制的復雜性原因是：

1)鋅層重量和氣刀壓力、氣刀間距、生產線速度之間是非線性關系，無法用簡單的動態(tài)方程式表達，難以建立模型；

2)因生產工況條件的制約，在線鋅層測厚儀安裝在距氣刀150-200米的距離，帶鋼經(jīng)過氣刀后需要60-180秒才能到達測厚儀，導致鋅層測厚結果存在嚴重的滯后情況，因而無法使用傳統(tǒng)PID控制模型；

3)氣刀壓力的調節(jié)是通過風機的變頻器驅動控制，具有很強的非線性；

4)生產現(xiàn)場干擾因素較多，比如檢修后氣刀位置發(fā)生輕微變動，氣刀刀唇唇縫的變化，帶鋼板型的抖動等，都會對鋅層重量控制產生影響。

因此，鍍鋅鋅層重量控制是一個大滯后、非線性、強擾動的生產過程。由于缺乏有效克服上述難點的技術手段，鋅層重量控制長時間停留在人工控制階段。為了解決上述問題，國內也有相關專利和文獻研究了氣刀壓力前饋控制模型。如申請?zhí)?01510228949.1的發(fā)明專利，公開了一種鍍鋅重量控制系統(tǒng)及方法，該專利采用神經(jīng)網(wǎng)絡模型作為前饋模型克服傳統(tǒng)方法中建模精度低的缺陷。但該發(fā)明前饋控制模塊(神經(jīng)網(wǎng)絡預測模型)的輸入為生產線速度和鋅層重量設定值，輸出為氣刀間距和氣刀壓力設定值。由于生產線速度、鋅層重量、氣刀壓力和氣刀間距四個參數(shù)相互影響、相互耦合，只有三個參數(shù)確定后才能確定第四個參數(shù)。而本專利中兩個輸入特征，兩個輸出特征的神經(jīng)網(wǎng)絡模型結構設計不合理，輸出結果無法有效收斂，無法保證輸出精度。申請?zhí)枮?01710064818.3的發(fā)明專利，公開了一種連續(xù)熱鍍鋅氣刀噴吹壓力自動控制方法，通過采用基于自適應模型的氣刀壓力前饋控制和基于鋅層重量控制的反饋控制模型，實現(xiàn)了生產過程中的氣刀壓力自動控制功能。該方法中鋅層預測模型基于傳統(tǒng)流體力學方程式回歸得出，雖然為了提高預測精度，該方法對不同鋅層重量進行了分組，并分別進行了回歸。但在實際生產中針對于生產線速度、氣刀間距和目標鋅層同時發(fā)生變化的復雜情況時，基于流體力學方程的預測模型缺乏有效預測能力和精度。《基于神經(jīng)網(wǎng)絡規(guī)則抽取的帶鋼熱鍍鋅質量監(jiān)控模型》(王建國，過程工程學報，2008年第8卷第5期，第957頁)介紹了基于神經(jīng)網(wǎng)絡規(guī)則抽取的帶鋼熱鍍鋅質量監(jiān)控模型，利用神經(jīng)網(wǎng)絡規(guī)則抽取方法對樣本數(shù)據(jù)進行學習，從而實現(xiàn)對鋅層質量(重量)的預測。理想情況下，該神經(jīng)網(wǎng)絡模型具有較高的預測精度。但該模型使用的前提是需要足夠多的數(shù)據(jù)量和恒定不變的工況條件。實際生產中，工況條件并非恒定不變。比如鍍鋅生產線每隔15-20天需要檢修一次，要對氣刀進行拆卸維護。氣刀重新安裝后，氣刀位置、氣刀唇縫距離以及氣刀角度等參數(shù)發(fā)生輕微變化，這就導致原預測模型適用工況條件發(fā)生改變，模型預測精度變差，而重新訓練模型又需要足夠多的數(shù)據(jù)量，需要長時間的數(shù)據(jù)積累，而未等到數(shù)據(jù)量足夠多時，生產線檢修氣刀狀態(tài)再次發(fā)生變化，又需要重新收集數(shù)據(jù)訓練模型。因此，單純的神經(jīng)網(wǎng)絡預測模型并不能有效勝任變化的工況條件。

發(fā)明內容