基于多参数联控与在线检测的硅钢表面乳化液智能管控方法与流程

本发明属于冷轧轧硬卷表面质量控制领域，具体的说是基于多参数联控与在线检测的硅钢表面乳化液智能管控方法。

背景技术：

1、在冷轧厂酸轧车间的二十辊单机架可逆轧机生产过程中，高牌号无取向硅钢（如50系列，热卷厚度2.3mm，冷轧目标厚度0.5mm）的成品道次轧制需使用乳化液对轧辊咬入区进行润滑和冷却。完成润滑与冷却功能后，大量乳化液附着于轧硬卷表面，随轧硬卷一同进入轧机出口侧，成为需被清除的残留乳化液。若上述残留乳化液不被清除，在后续退火工序中，残留乳化液中的油性物质将在高温下碳化并烧结于轧硬卷表面，形成无法去除的斑迹缺陷，严重影响成品表面质量。

2、为去除残留乳化液，现有产线在轧机出口侧沿轧硬卷行进方向依次布置刮油辊、高压吹扫装置及羊毛毡，构成三级串联的乳化液清除系统。刮油辊表面包覆的无纺布层通过压靠机构与轧硬卷表面物理接触，以机械刮擦方式将大部分乳化液剥离；高压吹扫装置以预设吹扫压力与预设吹扫角度向轧硬卷表面喷射压缩空气，利用高速气流的剪切力将残留乳化液吹离；羊毛毡通过毡体与轧硬卷表面的接触摩擦进行最终擦拭吸附。在羊毛毡之后安装有在线残油检测仪，用于实时测量经三级清除后轧硬卷表面单位面积上的最终残油量。轧机乳化液循环系统配置有浓度传感器和温度传感器，分别用于在线检测乳化液浓度和温度；轧机主传动系统配置有轧制速度编码器，用于实时输出轧制速度信号。

3、在常规生产模式下，上述各设备以开环方式独立运行。刮油辊的维护更换仅依赖固定生产卷数或运行时间的计划性安排，而非基于刮油辊实际剩余除油能力的定量评估。刮油辊表面包覆的无纺布层自投入使用起便与高速运行的轧硬卷表面持续摩擦，其微观孔隙结构被逐渐压溃、纤维被磨平，除油能力随轧制公里数的累积而发生不可逆的逐步衰减。

4、然而，在两次更换的间隔期内，高压吹扫装置的吹扫压力始终维持初始设定值不变，无法对刮油辊除油能力的逐步衰减进行动态补偿，亦无法在刮油辊尚具备足够除油能力时避免提前更换，或在刮油辊已严重磨损时及时更换。同时，乳化液浓度、温度和轧制速度等辅助工况参数在工艺允许范围内存在正常波动，辅助工况参数波动同样会引起轧硬卷表面残油量的变化，但现有模式缺乏定量剥离上述波动干扰的手段，无法区分残油升高是源于刮油辊磨损还是源于辅助工况参数波动，若直接以实测残油量判断刮油辊性能状态，易将工况波动引起的残油变化错误归因于刮油辊磨损，导致误判。

5、为此，本发明提供基于多参数联控与在线检测的硅钢表面乳化液智能管控方法。

技术实现思路

1、为了弥补现有技术的不足，解决背景技术中所提出的至少一个技术问题。

2、本发明解决其技术问题所采用的技术方案是：本发明所述的基于多参数联控与在线检测的硅钢表面乳化液智能管控方法，包括：

3、步骤s1，在刮油辊更换后，采集稳态工况下的原始残油量序列，对原始残油量序列执行数据预处理确定基准残油目标值、基准吹扫压力；

4、步骤s2，对当前轧硬卷的残油量进行数据预处理，并调用残油影响因子模型分析当前工况下的理论残油预测量；

5、比较当前轧硬卷的实测稳态平均残油量与理论残油预测量，得到净残油偏差，基于净残油偏差在多卷连续生产中的时序表现，判断刮油辊是否发生趋势性性能衰减；

6、步骤s3，当步骤s2判断刮油辊发生趋势性性能衰减时，将步骤s2中的净残油偏差，以及净残油偏差变化率作为输入进行模糊推理，获得压力补偿增量，并以步骤s1确定的基准吹扫压力为基础叠加历次压力补偿增量的累计值，得到更新后的吹扫压力设定值；

7、步骤s4，监测下一轧硬卷的净残油偏差变化量，将净残油偏差变化量与根据步骤s3中压力补偿增量得出的预期残油下降量进行比较，获得补偿响应残差，并依据补偿响应残差在线修正步骤s2中的残油影响因子模型。

8、本发明的有益效果如下：

9、1.本发明所述的基于多参数联控与在线检测的硅钢表面乳化液智能管控方法，步骤s1通过在刮油辊更换后的最佳窗口期内、于基准工况参数下连续生产多卷同规格轧硬卷，并对原始残油数据序列依次执行带头尾段剔除和滑动平均滤波处理，其中带头尾段剔除根据焊缝到达时刻、预设剔除长度及实时轧制速度动态计算剔除点数，以切除加减速非稳态段对残油统计的污染，滑动平均滤波利用窗口内采样点的算术平均抑制传感器电子噪声和瞬时油雾干扰，两者协同作用使最终获得的基准残油目标值纯净地反映刮油辊初始最佳除油能力，同时同步读取的实际吹扫管路压力被定义为基准吹扫压力，由此建立后续所有比较判断和补偿计算所依赖的统一参照基准；

10、步骤s2采用与步骤s1完全相同的数据预处理方式对当前轧硬卷的残油量进行处理，得到实测稳态平均残油量，确保当前实测值与基准值在相同的统计口径下进行比较，消除数据处理方式差异带来的系统偏差；在此基础上，步骤s2调用预标定的残油影响因子模型，以步骤s1确定的基准残油目标值为比较基线，将实时采集的乳化液浓度、乳化液温度和轧制速度波动对残油量的影响进行归一化处理，得到理论残油预测量，该模型基于控制变量法通过单参数阶梯扰动实验分别标定浓度敏感系数、温度敏感系数和速度敏感系数并线性叠加，其物理依据在于三者分别通过改变润滑油膜形成特性、乳化液粘度和带钢表面卷吸量三种互不交叉的物理路径独立影响残油量，从而满足叠加原理；步骤s2通过实测稳态平均残油量与理论残油预测量作差得到净残油偏差，该净残油偏差在物理意义上剥离辅助工况参数波动带来的残油变化分量，仅保留刮油辊自身性能变化所贡献的偏差分量；

11、步骤s3在步骤s2判定刮油辊发生趋势性性能衰减时被触发，将步骤s2输出的净残油偏差和净残油偏差变化率作为模糊推理的双输入变量，经模糊化映射至预设的输入模糊子集并计算隶属度后，与预先构建的模糊控制规则表进行匹配，以各条规则的激活强度为权重对各输出模糊子集的代表值进行加权平均，输出压力补偿增量，其中输入模糊子集和输出模糊子集采用完整等距划分论域、三角形隶属度函数且在相邻顶点连线中点处相交且隶属度均为0.5的设计，使得在整个论域上任意一点对所有模糊子集的隶属度之和恒为1，从而保证解模糊化加权平均结果的连续性和无偏性；步骤s3以步骤s1确定的基准吹扫压力为基础，叠加历次压力补偿增量的累计值，得到更新后的吹扫压力设定值并输出至吹扫压力调节执行机构，由此实现吹扫压力随刮油辊磨损累积而逐步递增的动态补偿；模糊推理的引入使得补偿增量并非固定步长，而是根据净残油偏差的大小和变化趋势自适应地调整补偿幅度，即在残油偏差大且上升速度快时输出较大的补偿增量以快速抑制残油攀升，在偏差小且趋于稳定时输出较小的补偿增量以避免过调；

12、步骤s4在步骤s3执行压力补偿后启动，持续监测下一轧硬卷的净残油偏差变化量，并利用预标定的压力-残油转换系数将步骤s3输出的压力补偿增量映射为预期残油下降量，然后将实际净残油偏差变化量与预期残油下降量进行比较得到补偿响应残差；该补偿响应残差的物理意义在于：由于净残油偏差已经由步骤s2中的残油影响因子模型剔除乳化液浓度、温度和轧制速度等辅助工况参数波动的干扰，其变化量仅反映刮油辊自身除油能力变化和压力补偿的实际效果，因此补偿响应残差不能归因于工况变化而只能归因于残油影响因子模型本身的精度漂移，进而使得补偿响应残差成为诊断模型精度的有效信号；步骤s4依据该残差对残油影响因子模型中的浓度敏感系数、温度敏感系数和速度敏感系数进行在线修正，且修正量的分配依据为当前卷各辅助工况参数实测值与步骤s1确定的对应基准值之间偏差量的相对占比，即偏差量越大的参数其与敏感系数的乘积在当前理论残油预测值中所占份额越大，该参数对应的敏感系数误差对预测值偏差的贡献也越大，因此承担越多的修正份额，进一步确保有限的修正资源被优先用于贡献最大的参数，提高了修正效率；通过上述在线修正机制，残油影响因子模型的理论预测精度随系统运行而持续保持，进而使步骤s2中计算出的净残油偏差始终基于准确的模型预测值，避免了因模型漂移导致的误判。