【《中厚板轧机技术发展分析国内外文献综述》6000字】

中厚板轧机技术发展研究国内外文献综述1.1课题研究的背景及意义中厚板是我国重要的钢材品种之一，广泛应用于交通工程、建筑工程、电厂等各个领域。中厚板的生产水平以及产品性能水平是衡量一个国家钢铁工业及钢铁材料发展的重要标志之一[1]。近年来，随着产品转型升级，客户对中厚板的质量要求，特别是对中厚板产品板形和厚度等尺寸精度的要求越来越高[2]。如何提高中厚板产品尺寸精度，己成为目前中厚板生产行业广泛关注的焦点问题。现代化轧钢技术中，计算机过程控制系统是轧制过程系统的核心组成部分，建立轧制过程数学模型，是进行计算机控制的基本内容。根据轧制过程中变量的不同，轧制数学模型分为线性和非线性的，通常包括温度模型、厚度模型、辊缝模型、轧制力模型、宽度模型、板形模型等。在这些模型中，轧制力模型尤为重要，直接决定着辊缝的设定精度，进而决定了成品厚度精度。轧制力模型建模复杂，涉及变量繁多，大多相互强耦合，而且存在严重非线性[3-5]。因此，不断改进数学模型，提高轧制模型计算精度，对轧制技术的发展有着重要的意义[6]。国内某5米宽厚板轧机自动化控制系统全部由国外引进，过程控制系统具有较高的自动化水平和产品控制精度。但随着品种规格的不断扩充，轧制工艺的不断优化，以及目前钢铁形势对降低生产成本，产品质量要求的不断提高，轧机自动化系统也暴露出一系列问题，已经成为制约新品种开发和产品高质量稳定生产的瓶颈，亟需解决。轧制力能的预报精度直接影响了中厚板产品的性能，该厚板轧机自动化控制系统中的轧制力能模型精度还有进一步提高的空间，而且其对于以复合板为代表的特殊品种中厚板的轧制力计算还存在一定问题。同时，由于轧制过程存在着多变量、强耦合、非线性、时变性等复杂因素，建立其精确的数学模型是十分困难的[4,5]。因此有必要引进智能优化的方法来对传统轧制模型进行改进，为轧制理论添砖加瓦。二十一世纪是信息的时代，计算机技术的快速发展，使一些以前人们无法想象的事物开始出现，如计算机视觉、语音识别以及阿尔法狗等等。这些人工智能的产物充分利用了大量的数据，达到了非常好的效果。在轧制领域，同样也积累了大量现场实际生产数据，这是一笔宝贵的财富，使用智能优化方法改进传统轧制模型便是一种充分利用这笔宝贵财富的方法[7]。人工智能方法与经典轧制理论不同之处在于，它没有对轧制过程深层规律进行深挖，而是通过简单模拟人类大脑的信息处理过程来对轧制过程中实际发生的事进行处理。由于仅通过纯数据建立的模型可能会产生偶然性失准[8]，本文旨在将传统模型与智能优化方法结合起来，在发现数据规律的基础上充分利用过往经验模型的预测效果，建立精确的中厚板轧制力能模型，以实现更稳定的高精度预测，提高生产效率。1.2中厚板研究现状1.2.1中厚板轧机轧机发展及生产概况从1850年美国开始用二辊可逆式轧机生产中板以来，中厚板生产已经有了170多年的历史。这么多年来，中厚板轧机经历了一系列的发展与创新。从早期的三辊劳特式轧机到后来的普通四辊中板轧机，再到能够自动厚度控制的现代化轧机，中国中厚板装备主要经历了有着显著时代特征的三个阶段[9-11]。1864年世界上第一架三辊劳特式轧机面世了。三辊劳特式轧机轧制力一般为1300~1500t。由于轧制力限制，能够生产的品种和规格非常有限。这是中厚板轧机发展的第一个阶段。1881年出现了厚度精度高的四辊可逆轧机，它标志了中厚板轧机第二个阶段的到来。这个时期的轧机均为手动轧制，自动化程度非常有限，因而在厚度上无法实现精准控制。这种轧机轧制力能够达到4000t以上，已经能较好地满足当时的需求，三辊劳特式轧机逐渐被取代。第三个阶段是现代化中厚板轧机时期，兴起于21世纪初期，这个时期的宽厚板轧机采取了现代化的技术装备，这些技术包括：液压AGC系统、快速换辊技术以及二级轧制模型等等。这些新技术新装备的应用，使中厚板的产量和质量都有了非常显著的提升。表1.1是我国部分4000mm以上中厚板轧机概况。 表1.1我国部分4000mm以上中厚板轧机概况Table1.1Generalsituationofsomeplatemillsover4000mminChina企业轧机宽度(mm)最大轧制力(kN)投产沙钢150001000002006首钢抚宁4300890002006宝钢罗泾42001000002008鞍钢鲅鱼圈55001050002008莱钢4300900002009武汉鄂城4300800002009营口五矿48001200002010沙钢250001000002010济钢4300900002010湘钢50001000002010兴澄特钢4300900002010南钢50001200002013二十一世纪初，由于我国经济建设的需求以及国家对制造业的大力支持，国内掀起了一轮建设中厚板生产线的热潮。2005年宝钢5000mm宽厚板轧机是我国首台5m级轧机；2006年沙钢5000mm轧机是我国第二条5m级厚板生产线。之后的几年时间内,我国沙钢、首钢、鞍钢、莱钢、兴澄特钢、湘钢、济钢也陆续建立了多条4m级、5m级中厚板生产线。中厚板产能达到了千万吨级。在2020年，全年中厚板产量达到了近六千万吨。中厚板生产企业在水电、核电、高强钢、管线钢、容器用钢、汽车用钢等方面也研究并开发了大量新产品，已经有部分产品已经应用于实践[12-17]。1.2.2中厚板轧制理论研究现状（1）工程法二十世纪20年代，轧制理论尚处于孕育萌生期。1924年卡尔曼微分方程的出现，树立了轧制理论的第一个里程碑。后来的研究学者们在卡尔曼微分方程的基础上，附加不同的假设条件，用经典的数学解析方法，推导演泽出形式各异的轧制力公式。主要代表有艾克隆德、采利柯夫、翁克索夫、普兰特等[18,19]。奥罗万于1943年提出了计算单位压力的微分方程，他在推导过程中采用了卡尔曼所做的某些假设，其中主要是假设轧制过程仅发生平面变形，忽略轧件在轧制过程中的宽展。1948年，布兰德·福特在卡尔曼微分方程为基础上，推导得到了冷轧轧制力预测模型。1953年，西姆斯又以奥罗万微分方程为出发点，推导出了西姆斯公式，它是热轧中应用最为广泛的轧制力理论计算公式。这些方法通常被称为工程法，至今仍是钢厂实际生产中运用的最多的方法[20]。（2）能量法二十世纪60年代，计算机的发展为世界工业带来了新的活力。在轧制领域，各钢厂引入计算机来对连轧机组进行控制，有效提高了产量以及产品性能。也因此，对轧制力预测精度的要求越来越高。随着轧制理论的进一步发展，人们提出了能量法来计算轧制力，包括基于最小能原理的上下限法、变分法等等，它抛开了力平衡关系，而是利用数学优化方法从运动许可速度场中寻找满足能量原理的最优解，进而得到轧制变形区的应力分布，以此计算轧制压力。因而，可以克服工程法忽视宽度变化的问题。能量法将求解轧制问题的维度从二维进步到了三维，是轧制理论发展的第二个里程碑[21]。（3）有限元法二十世纪80年代，随着计算机技术的进一步发展，工业领域出现了一系列以有限元法为代表的现代数值模拟方法。利用这些方法，研究人员能够较为理想地模拟和研究轧制过程。这是因为轧件在轧制过程中的变形非常复杂，既涉及到了材料非线性，也涉及到了大应变、大位移导致的几何非线性，此外轧制过程中各种混合边界条件也非常难以处理，而有限元法可以不作任何变形特性的预先假设灵活地处理各种复杂的几何形状以及边界条件，得到轧制过程中各方面的信息，研究各种因素对轧制过程的影响。有限元法在轧制领域的应用是轧制理论发展的第三个里程碑[21]。（4）人工智能法人工神经网络(ArtificialNeuralNetworks，ANN)是由众多基本单元互相连接，模仿人类脑神经处理信息的方式，进行数据并行运算和非线性处理的网络系统。它是在现代神经科学研究成果的基础上提出的，反映了人脑功能的基本特性，但并不是人脑的真实描写．而只是它的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现，知识与信息的存贮表现为网络元件间分布式的物理联系；网络的学习和识别决定于各神经元连接权值的动态演化过程。神经元网络的优点是学习能力强，可轻易实现非线性映射复杂过程，并具有大规模并行运算的能力，所以它在控制领域及人工智能等领域应用广泛，能够解决许多传统方法难以处理的复杂情况。神经网络由于其强大的建模能力和灵活的自学习能力，近年来已成为一种流行的建模工具。人工神经网络是一个具有高度非线性的超大规模连续时间动力学系统。其最主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力。同时它又具有一般非线性动力系统的共性，即不可预测性、吸引性、耗散性、非平衡性、不可逆性、高维性、广泛连接性与自学习性等。因此，它实际上是一个超大规模非线性连续时间自学习信息处理系统。在轧制生产过程中，利用人工神经网络，进行了许多有价值的研究，一些已经成功在线用于轧钢生产中[22-28]。从20世纪90年代开始，人工神经网络的应用为轧制理论的发展揭开了新的篇章。神经网络从新的视角去处理轧制过程中遇到的实际问题，引发了轧制过程研究中观念上的一场革命，为轧制理论的发展树立了第四个里程碑[21]。1.3轧制领域人工智能技术研究现状由于传统轧制模型在构建时引入了太多简化，在对产品性能要求越来越高的当下，传统轧制模型已经无法满足生产需求。近年来，随着计算机技术的发展，研究人员开始重视长期生产积累下来的大量实际生产数据。以这些实际数据为基础，人工智能算法能够改善传统轧制模型的各种不足。这是未来轧制理论发展的方向。1.3.1人工神经网络算法在轧制领域的应用人工神经网络在数据分析中的应用引起了众多工业部门的关注。在钢铁工业中，神经网络在轧制过程建模和控制中得到了成功的应用。神经网络建模的一个不同之处在于它需要大量的训练数据，这些数据具有足够的激励和良好的分布。到目前为止，神经网络在轧制力和力矩建模中的主要应用是利用现有的工厂数据来估计基于物理或经验模型的一些自学习参数。由于神经网络在高非线性和复杂数据的问题中具有广泛的适用性，近年来神经网络受到了更多的关注[29-43]。如丛日霞采用人工神经网络结合轧制力自适应的方法来对轧制力模型计算偏差进行研究，建立了BP神经网络轧制力偏差模型[36]；谭成楠，程晓茹等在热连轧精轧机组实际生产数据的基础上，采用BP人工神经网络建立了热连轧精轧机组轧制力预报模型，模型具有较高的精度[37]；张俊明，刘军等将RBF神经网络与传统数学模型相结合，建立了某钢厂连轧机组的轧制力预测模型，轧制力偏差由传统模型的17%左右减小到了11%[38]。陈治明、罗飞等人提出了利用混沌优化支持向量机来进行轧制力预测的方法，使得轧制力精度得到提高，平均误差从BP神经网络模型预测的10％降到5％以下[39]；YanW等人采用RBF神经网络建立了精轧厚度和轧制力模型，研究了有无传统模型输入对神经网络模型的影响[40]；Lee提出了一种基于神经网络的长期学习方法，以提高热轧机轧制力预测的准确性。他们在预计算阶段将神经网络方法与传统的学习算法相结合，以减小带钢头端部的厚度误差[41]REF_Ref20656150\r。Mahdi和Hosein建立了一种神经网络模型以预测热轧带材的轧制力和轧制力矩，该模型考虑了轧制温度、压下量、轧制速度和接触区摩擦系数等重要参数的影响，并通过有限元模拟进行了验证[42]。Parya等人提出了一种能够预测轧制时变形抗力变化的神经网络模型，轧制力平均预测误差较现场原模型降低了50%左右[43]。1.3.2智能优化算法优化算法，指借助某种思维方式或利用特定的原则，在规定的目标区域内搜索最优解的方法，本质上是一类数学上的搜索原则或思维。以其所处研究阶段的不同可分为传统优化算法和现代优化算法[44]。传统优化算法是一类针对有较为明确的问题及条件描述的结构化问题，利用其函数特性，运用数学方法求全局最优解的算法。传统优化算法一般用于解决数学模型确定、目标函数维数低、非实时的优化问题[45]。比较常见的传统优化算法有：穷举法，列举出所有的可能解，一一代入计算，最终找出一个满足条件的最优解；爬山法，每次从当前解附近的解空间中找出一个最优解更新当前解，直到找到一个满足条件的最优解；黄金分割法，按照黄金分割比例0.618逐步缩小搜索空间，最终得到最优解。此外还有：牛顿法、数据规划法、梯度法以及单纯法等。随着世界工业水平以及社会需求的提高，优化问题越来越复杂，常常表现为目标函数性态不明确、非线性成分强、多极值、连续性差等特性，甚至会出现目标函数不唯一以及无明确函数解析表达式的情况。传统优化算法对于这些复杂优化问题已经有些束手无策，特别是对于在解空间内存在多个局部极值的目标函数，传统优化算法往往只能得到局部最优解[44]。人们对于新优化算法的需求日益迫切，因此，现代优化算法诞生了。现代优化算法，也常称为智能优化算法，它在一定程度上克服了传统优化算法的不足。其中最典型的是基于群体智能而提出的优化算法，其思想来源于自然界的群体行为，是一类用于求解复杂优化问题的新兴优化算法[45]。算法优势有三点：（1）搜索效率高，多个个体相互协作同时进行搜索任务；（2）系统鲁棒性强，少数搜索能力弱的个体不会对整个群体有太大影响；（3）行为自组织，个体间不相互独立，而是通过某种机制彼此合作完成复杂的搜索任务。典型群智能优化算法有人工蜂群算法、蚁群算法、遗传算法、人工鱼群算法、粒子群算法以及量子粒子群算法等。自群智能优化算法出现以来，已经在通信、工业控制、电子等多个前沿领域中推广与应用[44]。参考文献[1]孙玮,崔风平.中厚板生产900问[M].冶金工业出版社.2014.[2]唐荻,米振莉,陈雨来.轧钢技术的现状和新发展[J].钢铁,2007,42(11):1-4.[3]齐滨.莱钢厚板轧机轧制力模型的应用[J].自动化与仪器仪表,2011,2:79+83.[4]孙一康.带钢热连轧的模型与控制[M].北京:冶金工业出版社,2002:38.[5]武贺,吕立华.板带轧机负荷分配方法的综述[J].控轧工程,2009,16:6-10+17.[6]王旭.特厚板变厚度轧制工艺模型研究[D].沈阳:东北大学,2018.[7]Y.Y.Yang,D.A.Linkens,J.Talamantes-Silva.Rollloadprediction-datacollection,analysisandneuralnetworkmodelling[J].JournalofMaterialsProcessingTechnology,2004,152(3):304-315.[8]王龙鑫.特厚板变厚度轧制力能模型的智能优化研究[D].沈阳:东北大学,2019.[9]孟令启.中厚板轧机的力学分析与控制模型研究[D].武汉:华中科技大学,2007.[10]王国栋,刘相华.日本中厚板生产技术的发展和现状[J].轧钢,2007,(2):1-5.[11]赵志业.金属塑性变形与轧制理论[M].北京:冶金工业出版社,1980,376-392.[11]王峰.国内中厚板生产现状与工艺变化[J].云南冶金,2019,48(6):61-65.[12]张阔斌,侯蕾,王俊等.超快冷技术在唐钢中厚板生产线上的应用[J].轧钢,2018(5):67-70.[13]唐荻，武会宾.我国高附加值中厚板产品现状与发展趋势[J].轧钢,2012,29(2):1-4.[14]徐平国，裴劲松．我国钢铁工业品种质量发展现状和对策[J].生产力研究,2010(11):155－156.[15]邵正伟.济钢Q345级钢板探伤缺陷的研究[D].济南:山东大学,2011.[16]石晓伟,刘芳芳,李行,等.Q345R(