外文翻译斯太尔摩线冷却监控系统的开发与应用.docx

1、外文翻译斯太尔摩线冷却监控系统的开发与应用本科毕业设计外文翻译外文译文题目 ：斯太尔摩线冷却监控系统的开发与应用学 院:信息科学与工程学院专 业:自动化学 号:200809154012学生姓名: 指导教师: 日 期:二一二年六月斯太尔摩线冷却监控系统的开发与应用摘要:斯太尔摩控制冷却系统已经成功应用在斯太尔摩生产线，它通过本地网络将材料流体管理系统与PLC自动控制系统联系起来。在生产过程中以及预测最终属性，这种在线模型采用有限元时域微分法去计算温度的变化和相的转变。因为不同钢材的连续冷却温度线在这个模型中是耦合的，所以它可以预测不同钢材的热变化和相转变。也可以为新钢材的生产和优化提供直接的指导

2、。这种在线冷却系统已经被安装在三个斯太尔摩生产线，并取得好的效果。关键词:冷却控制模型、斯太尔摩、线材生产线、质量预估1介绍随着钢铁行业竞争的加剧，如何生产稳定质量新形钢材成为钢铁产业的重点，在冷却过程中，斯太尔摩生产线中也需要更可靠预测控制技术。由于斯太尔摩生产线高效的生产率以及以及产品良好的机械性能，斯太尔摩成为最流行的控制冷却系统。如图1，斯太尔摩冷却控制系统，1000度的线材快速通过几个冷水槽，到达吐丝机，以重叠的方式存储在存放容器中。它的冷却速率靠打开一下一系列的风扇来控制。钢材最终的机械属性主要取决于在相转换前的钢材化学组成和冷却速度。由于在生产过程中无法直接观察冷却速率和相转变，

3、那就非常需要去发展一个在线模型去预测最终的机械属性和相转变。尽管有过类似的研究报告，但是为斯太尔摩生产在线预测的模型尚没有人研究。采用有限元时域分析方法，这种在线控制冷却模型已经安装在实际生产过程中了。这篇论文介绍它的基本原理和控制方法。这很有利于生产产品的稳定性。目前，这种在线模型已经应用在三个斯太尔摩生产线，并取得满意效果。2、数学模型2.1热力学模型在斯太尔摩生产线中，由于无线长钢条高速移动，轴向热传导可以忽略。这种系统可以根据以下假设公式化，解决一维热传导：(1)轴对称(2)横截面处处相同(3)相同的初始温度，这些和现实非常接近。解决线材热流体的基本方程如下注意g(T)是线材由于热导性

4、和相转变而引起的体积变化率。是材料密度，cp热容量，k导热系数。为了减少计算中丢失材料信息，实际的实验数据，k和cp可以在系统接口中直接输入，与传统的回归分析方法。我们用FDTD crank-nicolson方法解上面方程，因为它的快速性和无条件稳定性。这可以满足在线实时系统的需要。为了保持系统速度和准确性的平衡，通过反复实验，我们选择20个数据。通常，大量的数据能够保证系统的准确性，但是会降低系统的速度。这在在线实时系统中是不实际的。因为实际的生产过程中，一个线材通过吐丝机的时间不会超过2秒。我们采用下面的边界条件：在中心线在线材表面这儿初始条件是：这里t是时间，单位秒，r0是线材半径，h是

5、热转换常数，t0是线材表面温度，ta是周围空气和水的温度。当系统运行时，tin是来自高温计测量的温度。这个系统将斯太尔摩生产线划分为几个部分。每个部分有它的热转换常数值h，它可以自适应来自高温计的实际值，一个常量h对应每一个风扇控制台，它可以通过以下方程自适应系统：这里hold是原始的热转换常数，tc是系统预测的温度，tm是高温计测量的温度，tair是空气温度。这个计算系统通过FDTD系统和FEF系统在同样条件下的比较，并得到相同的结果。作为一个实时在线系统，它需要通过本地网络将材料流和PLC自动控制系统联系起来。这个系统需要输入两组数据，一组是来自高温计的实际温度，另外一组是线材的基本信息。

6、八个高温计已经安装在生产线去提供实际温度数据便于系统去计算比较。这些温度首先被生产线高温计测量，直接传送给特定的PLC，然后保存在数据库，最后系统可以以没每300毫秒的速度从数据库中读出数据，另外一组数据例如线材组成成分等也是系统所需要的，当钢板一旦从火炉中出来时，这些数据被传送给特定的数据库。2.2相转换系统如何为相转换过程建模是至关重要的，因为在相转换时不同的冷却速度决定了钢材最终的微观结构。这个系统通过联系热传导分析和相转换以及微观结构变化解决了这个问题。并且都符合现在的微观工程学。相转换过程可以通过下面的阿夫拉米方程描述：这里x是分式变换式，b(t)，n(t)是随着温度，成分而变化的参

7、数。用户可以依据他们的实验数据直接在系统中输入这些参数。一个需要决定的重要参数是奥氏体但到珠光体转换时的起始温度。这个系统可以提供用户接口去输入特定钢材的实验数据，然后系统可以通过下面方程计算温度8：这里a和m可以通过回归得到，ta1是TTC实验的保持温度，可以直接在系统中输入。在连续冷却台上，之前的相转换次数可以被转换与虚拟时间保持一致7：在第j步，转换次数可以用以下方程描述：在这段时间，转换次数可以描述为：相变热g(t)可以按照下面方程计算：这里h(t)体积变化率，对于高碳刚，它可以按照如下公式计算：2.3属性预测系统随着极限抗拉强度系统的发展，使预测线材的微观结构成为可能。这种预测的微观

8、结构可以和机构-属性关系系统结合去计算机械属性，有很多因素决定钢材的强度。例如钢材的含碳量。按照mclvor和他的同事的研究，有两个最主要的因素影响了钢材的极限抗拉强度，一个是相变前的冷却速度，另一个是钢材化学组成。这些可以通过下面的方程描述：这涉及到mclvor和他同事的研究成果，cr在700度时的冷却速度，这简单的代表了相变前的冷去速度，因为对于高含量碳的钢材，相变总发生在刚好700度以后。在CSSC系统中，cr按照钢材从奥氏体到珠光体转换的起始温度到700度的范围修改，这是由上述方程决定的。通过以上。我们可以看到，在相变前，加快冷却速度可以提高钢材极限抗拉强度。尽管其它一些元素也能提高极

9、限抗拉强度，但是会降低钢材的延展性。由于cr可以通过热力学模型直接计算获得，化学成分也可以很容易获得，因此我们在生产过程可以预测钢材的机械性能。抗拉屈服强度可以根据以下关系计算：YTS=AUTS这儿A是常量0.7。3.结果讨论3.1系统稳定性准确性和稳定性系统的两个基本要求。我们期望系统能够连续不断的运行，同时，输出结果应当正确便于指导生产。第一个问题是如何通过其它条件如高温计来直接获得所需参数。经过反复实验，我们找到了合适的解决方法正如图5所描述。目前，三条生产线已经采用了这种系统去传送数据给SCCS，并且没有出现任何问题，SCCS可以以300毫秒为周期正常运行。在每一个周期中，SCCS系统

10、为预测了钢材各处的温度，因此任何时间点的温度是知道的并且可以被控制。所有的数据保存在数据库便于以后核查。3.2热力学模型的准确性经过三年的努力工作和反复实验，这种在线系统已经安装在江苏省宝钢的斯太尔摩生产线上，经过几次版本的修改，这种系统可以正常的运行了，八个线上高温计也已经安装了去监测实际温度，一个高温计被用来测量起始温度，另一个安装与吐丝机，用来测量水箱对温度的影响。其它六个被安装在风扇冷却台，用来检测温度的变化并和系统预测值进行比较。在线系统会计算每点处的温度值，然后自动按照真实值和系统预测值的比较进行改变热传导常数。所有这些都是在300毫秒的周期中完成的。这可以满足在线实时系统的处理能

11、力要求。此系统能很好的学习热传导常数的变化规律。这就可以正确预测相变和机械属性了。图6比较了实际测量值和系统预测值的比较。、图6表明，实际值和预测值的偏差不超过20度。相转换的效果在温度变化曲线上看的很清楚，它在相变时引起了略微的上升，然后就是逐渐的下降。这个系统能够预测相转变的时机，这可以给技术人员提供指导去控制风扇的开度。通常，我们期望相变在短时间里以同样的温度进行。这保证了钢材微观结构的一致性。就像索氏体化钢丝。3.3机械属性机械属性的预测是钢铁公司的重要问题。如果系统足够的准确，公司会减少样本的核查数量，这样可以节约大量时间和金钱。在宝钢，SWRH82B被选择去验证系统的准确性。首先，

12、例子11被选择在sccs系统中去预测最终的抗拉强度，在检查400个样本后，我们发现系统预测值是比实际值略高的，如图7。数据分析表明，强度平均值在30Mpa，与标准值相差37Mpa。所有的样本显示出类似的趋势，这表明系统的准确性还可以进一步提高。为了进一步提高系统的准确性，我们采用多元回归的方法去修改化学成分、冷却速度等方面的一些系数。新的方程如下：通过比较例子11和下面的13，我们可以发现，二者几乎相同。唯一的不同是各种参数的系数，这些数据我们可以从实际生产获得，根据13，系统的稳定性已经提高，统计分析表明，平均值差都是0.39Mpa，标准差16.8Mpa。我们可以从图7发现基本一致，这提供了

13、系统的可靠性的保障。至于其它组成不同的高碳钢，实验与SWRH82B类似。首先，例子11被用来预测UTS，并与真实值比较，然后按照多元回归的结果修改它的相对系数。3.4生产中在线系统的应用需要指出的是，由于各种因素的影响，在大量生产中可能导致UTS差异。合理的在线预测能够提醒工人把注意力集中在一些关键因素上，例如每个点的温度和冷却速度。目前，在线Sccs系统已经安装在斯太尔摩生产线超过一年。并显示出它强大的优势。在安装之前，工人不能直接观察出每一点的相变和温度，这往往会导致严重的产品质量问题。安装此系统后，工人可以直接得到生产进度通过友好的界面，并据此调节风扇开度，控制各处温度在合理范围。并且使

14、相变发生在设定的区域。根据来自生产线的数据。安装此系统后的生产效率大大提高，产品质量也大大改善。4.总结一个特殊的在线预测系统在斯太尔摩生产线成功实现。下面的总结包含了基本的工作经验：1，系统模型分三个部分：通过FDTD实现的热力学模型，通过根据实验数据解Avrami方程实现相变模型，通过生产数据的回归计算实现的物理机械属性模型。三个模型有着深刻的内在关系。2，这个在线系统是开放的。以便得到生产过程的生产信息。这样就可以将材料流体和PLC自动控制通过本地网络相结合。3，没有任何系统是完美无缺和绝对准确的，因此，我们设计了自适应功能去根据系统运行时的参数自动调整各种系数，目前的结果显示，系统是能

15、够在误差允许范围正确预测最终钢材的机械性能。Development and application of online Stelmor Controlled Cooling SystemAbstract：An online Stelmor Controlled Cooling System (SCCS) has been developed successfully for the Stelmor production line, which can communicate with the material ow management system and Program Logic Con

16、trol System (PLCs) automatically through local network. This online model adopts Implicit Finite Difference Time Domain (FDTD) method to calculate temperature evolution and phase transformation during the production process and predicts nal properties. As Continuous Cooling Temperature (CCT) curves

17、of various steels can be coupled in the model, it can predict the latent heat rise and range of phase transformation for various steels, which can provide direct guidance for new steel development and optimization of present Stelmor cooling process. This unique online system has been installed in th

18、ree Stelmor production lines at present with good results.1. IntroductionWith increasing tough competition in the steel industry, how to develop new steel products and stabilize quality of present products becomes the major concern for steel producers. Pushing the mechanical properties of rod wire c

19、loser to its technical limits, the demand on more reliable predictive control technique for the cooling process in Stelmor production line increases continuously. Stelmor is the most popular controlled cooling process to produce the steel wire due to its fast production speed and homogeneous mechani

20、cal properties along the length of wire coil. In Stelmor process as shown in Fig. 1, a rod wire with temperature above 1000 C coming from the nishing mill quickly passes through several water tanks to the laying head at a specic temperature to form into loops, depositing on to a conveyor in an overl

21、apping pattern, the specic cooling rate is achieved by opening of a series of fans below. The nal mechanical properties depend mainly on the chemical composition and the cooling rate before the phase transformation for high carbon steel 1,2,6. As the cooling rate and phase transformation cannot be o

22、bserved directly during production, it is urgently required to develop an online model to predict the nal mechanical properties and phase transformation. Although there are several research reports in this eld 36, the online quality prediction model for Stelmor process has not found reported yet.Ado

23、pting Implicit Finite Difference Time Domain (FDTD) method,an online controlled cooling model was developed and installedto monitor the real production process. This paper focuses on introduction of its basic theory and control method of the online system, which is helpful for stabilization of the p

24、roduct quality.At present, this online model SCCS has been installed in three Stelmor production lines with satisfactory performance.2. Mathematical model2.1. Thermal modelIn the Stelmor production line, axial heat conduction can be ignored because of an innitely long steel rod moving at high speed,

25、the model can be formulated to solve 1D heat conduction based on following assumptions: (1) radial symmetry; (2) uniform circular cross-section; and (3) uniform initial temperature, which is brieyclose to reality.Basic equation to solve the heat ow within the rod isfollowing:Note that g(T) is the vo

26、lumetric rate of heat generation within the rod due to phase transformation, q material density, Cp the heat capacity and k the thermal conductivity. In order to reduce loss of material message during calculation, real experimental data q, k, and Cp can be input directly in the interface of model as

27、 shown in Figs. 2 and 3, compared with traditional regression method.The FDTD CrankNicolson method has been adopted to solve above equation as it is fast and unconditionally stable, which can meet the requirement of online modeling.In order to maintain balance between speed and accuracy of the model

28、, 20 nodes has been selected along radial direction after trial and error. In general, large number of nodes is helpful to guaranteeaccuracy of the model, but it will cause the slow speed of the model, which is unacceptable for the online model, as in real production, one rod wire can pass the layin

29、g head in no more than 2 s.The following boundary conditions have been appliedWhere t is time in second, r0 the radius of rod wire, h the heat transfer coefcient. T r0 rod surface temperature, Ta air or water temperature surround.When the online model is running, Tin is the measured temperature comi

30、ng from the pyrometer installed after the nishingmill. The model divides the Stelmor line into several stages, eachwith its constant heat transfer coefcient h value, which can be self-adapted to match real measurements from several pyrometers installed in the production line. In one Stelmor producti

31、on line inSha-Steel company, there are 14 fan machines put below in sequence to control the cooling rate of steel rod by opening its fan volume. A constant h is assigned to each fan machine controlled stage, which can be self-adapted according to the following self-developed equation:where hold is t

32、he original heat transfer coefcient,Tc the model predicted temperature at one pyrometer position on the fan cooling production, TM the measured temperature from the specied pyrometer, and Tair the air temperature. The computer model was checked by comparison between the FDTD model and commercial FEM model FEMLAB under the exact same conditions, Fig. 4 shows the exact same results from both mode