CC BY
13
УДК 65.011:621.793.5 doi:10.21685/2072-3059-2022-4-10
Обзор проблем управления термической обработкой стали при гибком производстве оцинкованного листового проката
М. Ю. Рябчиков1, Е. С. Рябчикова2
1,2Магнитогорский государственный технический университет им. Г. И. Носова, Магнитогорск, Россия
1mr_mgn@mail.ru, 2e.ryabchikova@magtu.ru
Аннотация. Актуальность и цели. Объектом исследования являются режимы термической обработки стальной полосы на агрегатах непрерывного горячего оцинкования. Сложности управления термической обработкой стали являются одной из основных причин того, что на предприятиях получили распространение режимы гарантированной термической обработки. При таких режимах минимизируется вмешательство в работу печей и системы охлаждения металла. Это приводит к ряду негативных последствий, таких как снижение производительности, ограничение номенклатуры продукции для отдельного агрегата, сложности определения рациональных режимов для новых видов продукции. В условиях нестабильной рыночной ситуации предприятия могут упустить выгоду вследствие недостаточной производственной гибкости, когда вместо перехода на эффективное производство новых видов продукции агрегаты временно выводятся из эксплуатации. Целью данной работы является систематизация причин распространения режимов гарантированной термической обработки и определение мероприятий, направленных на обеспечение производственной гибкости. Под гибкостью производства понимается возможность производства на отдельном агрегате широкой номенклатуры продукции при различной производительности. Материалы и методы. Проведенные исследования основаны на обзоре известных предложений в области совершенствования управления термической обработкой стальной полосы. Результаты. Сформулированы задачи управления термической обработкой стали при гибком производстве оцинкованного листового проката с варьированием производительности. Выполнен обзор предложений в области совершенствования управления термической обработкой стальной полосы и дана оценка предложениям с позиции обеспечения производственной гибкости. Сформулированы проблемы, требующие дальнейшего решения. Выводы. Продемонстрировано, что основные затруднения при гибком производстве оцинкованной полосы с варьированием производительности связаны с созданием моделей, адекватных задачам упреждающего управления термической обработкой стали.
Ключевые слова: оцинкование, стальная полоса, управление термической обработкой, гибкое производство, производительность
Для цитирования: Рябчиков М. Ю., Рябчикова Е. С. Обзор проблем управления термической обработкой стали при гибком производстве оцинкованного листового проката // Известия высших учебных заведений. Поволжский регион. Технические науки. 2022. № 4. С. 122-133. doi:10.21685/2072-3059-2022-4-10
Overview of steel heat treatment control problems in the flexible production of galvanized sheet metal
M.Yu. Ryabchikov1, E.S. Ryabchikova2
1,2Nosov Magnitogorsk State Technical University, Magnitogorsk, Russia 1mr_mgn@mail.ru, 2e.ryabchikova@magtu.ru
© Рябчиков М. Ю., Рябчикова Е. С., 2022. Контент доступен по лицензии Creative Commons Attribution 4.0 License / This work is licensed under a Creative Commons Attribution 4.0 License.
Abstract. Background. The object of the research is the modes of heat treatment of steel strip on continuous hot-dip galvanizing units. The complexity of controlling the heat treatment of steel is one of the main reasons why guaranteed heat treatment modes have become widespread in enterprises. In such modes, interference in the operation of furnaces and the metal cooling system is minimized. This leads to a number of negative consequences, such as: reduced productivity; limited range of products for a particular unit; difficulties in determining rational modes for new types of products. In an unstable market situation, enterprises can miss out on benefits due to insufficient production flexibility, when, instead of switching to the efficient production of new types of products, units are temporarily decommissioned. The purpose of this work is to systematize the reasons for the spread of guaranteed heat treatment modes and to identify measures aimed at ensuring production flexibility. Production flexibility is understood as the possibility of producing a wide range of products at different capacities on a separate unit. Materials and methods. The conducted studies are based on a review of known proposals in the field of improving the heat treatment control of steel strip. Results. The problems of controlling the heat treatment of steel in the flexible production of galvanized sheet metal with varying productivity were formulated. The authors reviewed the proposals in the field of improving the heat treatment control of steel strip and assessed them from the standpoint of ensuring production flexibility. Problems requiring further solution were formulated. Conclusions. The paper shows that the main difficulties in the flexible production of galvanized strip with varying productivity are associated with the creation of models adequate to the tasks of predictive control of the steel heat treatment.
Keywords: galvanizing; steel strip; heat treatment management; flexible production; performance/productivity
For citation: Ryabchikov M.Yu., Ryabchikova E.S. Overview of steel heat treatment control problems in the flexible production of galvanized sheet metal. Izvestiya vysshikh
uchebnykh zavedeniy. Povolzhskiy region. Tekhnicheskie nauki = University proceedings. Volga region. Engineering sciences. 2022;(4):122-133. (In Russ.). doi:10.21685/2072-3059-2022-4-10
Введение
Продукция агрегатов непрерывного горячего оцинкования (АНГЦ) в последние годы пользовалась высоким спросом. В течение последних десятилетий спрос строительной и автомобильной промышленности на оцинкованную стальную полосу значительно вырос. Так, в 2018 г. Магнитогорский металлургический комбинат («ММК») реализовал рекордный объем оцинкованного проката - 1,269 млн т. В течение последнего десятилетия такие крупные металлургические предприятия, как ММК и НЛМК, инвестируют значительные средства в строительство новых агрегатов АНГЦ. Однако рост происходит в условиях неопределенности и высокой скорости изменений требований рынка. Непостоянство спроса на металлургическую продукцию приводит к мелкосерийному производству полосы разного сортамента. Это может послужить причиной снижения производительности и роста тепловых потерь, что делает производство оцинкованного листового проката менее гибким, затрудняя его адаптацию под текущие требования рынка. Стратегия ориентации отдельных агрегатов под узкоспециализированный сортамент и их временный вывод из эксплуатации в таких условиях может быть неэффективна. Это делает актуальной разработку новой концепции управления термической обработкой стали, направленной на достижение целей предприятия.
Режимы гарантированной термической обработки стали
Производительность АНГЦ в высокой степени зависит от режимов работы отделения термической обработки стальной полосы. С учетом этого современные агрегаты оснащают печами прямого и косвенного нагрева с достаточно высокой производительностью по металлу. Однако существующие режимы работы печей свидетельствуют о том, что горелки эксплуатируют при мощности существенно ниже предельной. При этом поддерживаемый уровень температуры рабочего пространства в печах, как правило, также значительно ниже максимально допустимого по проекту. В отделениях термической обработки стали на АНГЦ используют печи прямого и косвенного нагрева. Получили распространение конструкции, в которых используют либо косвенный нагрев, либо комбинируют прямой и косвенный нагрев. Во втором случае окислительный нагрев способствует очистке полосы. Далее происходит восстановление окисной пленки в защитной атмосфере печи косвенного нагрева. Применительно к печам косвенного нагрева широкое распространение получили режимы, при которых температура рабочего пространства в печи лишь незначительно превышает температуру стали после нагрева, уровень которой регламентирован. В печах прямого нагрева стремятся поддерживать стабильную температуру рабочего пространства. Подобные режимы становятся возможными за счет выбора соответствующей скорости движения полосы, индивидуальной для разного сортамента.
Можно указать сразу ряд причин, обусловливающих широкое распространение таких режимов гарантированной термической обработки:
1. Близость температуры рабочего пространства в печи косвенного нагрева к желаемой температуре стали на выходе из печи позволяет минимизировать тепловые потери.
2. Нет необходимости часто корректировать температуру рабочего пространства в печах, которые являются инерционным объектом управления.
3. Не требуются модели процесса. Достаточно подобрать скорость движения полосы для каждого сортамента.
4. Гарантировано отсутствие дефектов продукции из-за нарушений условий термической обработки стали.
5. Динамические характеристики печи как объекта управления стабильны. Высокое качество регулирования можно обеспечить на основе типовых средств.
6. Средства контроля технологического процесса изначально ориентированы на гарантированные режимы термической обработки. Например, нет контроля температуры рабочего пространства в секциях охлаждения полосы.
7. Минимизируется вмешательство человека в решение задач управления. Поскольку эффект от этого вмешательства может существенно зависеть от квалификации, то снижаются требования к подготовке сотрудника.
В то же время режимы гарантированной термической обработки стальной полосы обладают недостатками. Производительность АНГЦ снижена, что особенно проявляется с ростом толщины полосы. Так, например, на АНГЦ № 1 Магнитогорского металлургического комбината («ММК»), где используют косвенный нагрев, скорость корректируют в диапазоне от 20 до 180 м/мин. Настройки системы управления термической обработкой могут быть ориентированы на режимы, которые эффективны в плане производи-
тельности только при определенном сортаменте. Как следствие, предприятия ищут иные пути обеспечения производственной гибкости, например основанные на ориентации отдельных агрегатов под узкоспециализированный сортамент. Однако такой подход потенциально менее эффективен по сравнению с управлением режимами на основе моделей. Это подтверждается значительным числом предложений исследователей в данной сфере начиная с периода широкого распространения подобных агрегатов в XXI в. Несмотря на это, в настоящее время предприятия по-прежнему избегают широкого применения систем управления термической обработкой стали, основанных на использовании моделей. Примечательным является то, что это сопровождается накоплением значительных объемов информации по динамике развития во времени процессов на АНГЦ. Но несмотря на такой мощный ресурс создания моделей, ситуация коренным образом не меняется. Необходима разработка новой концепции системы управления термической обработкой стали, ориентированной на гибкое производство оцинкованного листового проката с использованием работоспособных моделей процесса. Это требует более глубокого изучения причин распространения гарантированных режимов термической обработки стали и поиска решений проблемы создания и применения моделей при управлении.
Задачи управления термической обработкой стали при гибком производстве
Выделим ряд принципиально разных задач при управлении термической обработкой стали, решение которых необходимо для обеспечения гибкости производства.
К первой задаче отнесем стабилизацию температуры полосы на выходе каждой из секций отделения термической обработки полосы (нагрев, выдержка, закрытое охлаждение, глубокое охлаждение) при отсутствии возмущений по скорости движения полосы и по ее сортаменту. Для обеспечения гибкости производства необходимо, чтобы система управления сохраняла высокую эффективность для условий различной производительности по металлу при разной скорости движения полосы. Исследование эффективности систем управления температурой без проверки на реальном объекте требует разработки модели, учитывающей влияние температурного режима секций, характеристик полосы и скорости ее движения на динамику объекта управления.
Вторая задача следует из цели - возможность варьирования производительности, что допускает увеличение скорости движения полосы по сравнению с типовыми режимами. Это требует наличия информации о допустимых пределах по скорости движения полосы для текущего сортамента. Непостоянство уровня тепловых потерь и изменение характеристик оборудования со временем требуют использования моделей для решения этой задачи. Следует отметить, что зависимости уровня тепловых потерь в секциях от используемых режимов оказывают непосредственное влияние на динамику объекта управления. Таким образом, решение первой и второй задач связано. Для решения первой задачи следует выявить пределы вариации динамических свойств объекта. Второй задачей является разработка методики использования технологических данных (накопленных и текущих) для прогноза текущего вида зависимостей уровня тепловых потерь в секциях от режимов их работы для оценки допустимой производительности.
Третья задача обусловлена возможностью экономии энергии путем уменьшения тепловых потерь за счет перераспределения мощности между зонами в отдельных секциях. В состав секции нагрева АНГЦ входят многозонные печи. Как правило, в них предусмотрена возможность управления температурным режимом в отдельных зонах. Потенциально это позволяет решать задачу экономии энергетических ресурсов за счет перераспределения мощности, подводимой к зонам секций. Однако это требует получения зависимостей, характеризующих связь между тепловыми потерями и режимами работы отдельных зон секций. Таким образом, третьей задачей является разработка методики использования технологических данных для прогноза текущего вида зависимости уровня тепловых потерь в секции нагрева от режимов в отдельных зонах печей с целью определения энергосберегающих режимов при выбранной производительности.
К четвертой задаче отнесем упреждающее управление работой каждой из секций отделения термической обработки при изменении сортамента или скорости движения полосы с целью реализации режимов, отличных от гарантированного нагрева и охлаждения. В периоды изменения сортамента через отделение проходит сварной шов, что приводит к скачкообразному изменению температуры стали на выходе каждой секции. Причиной является одновременное изменение множества различных свойств полосы, таких как теплоемкость, загрязненность, затраты тепла на рекристаллизацию, толщина, ширина и др. Быстрое изменение температуры стали может привести к нарушению требований к отжигу и получению дефектов покрытия. Система регулирования по отклонению в такие периоды оказывается неэффективной, что требует упреждающего управления с применением моделей.
Пятая задача связана с учетом действий персонала при оценке технико-экономических показателей различных режимов с использованием моделей. Действия человека достаточно сложно предсказать. Вмешательство человека в управление при реализации режимов, которые ранее не опробовались на практике, может привести к существенному отклонению технико-экономических показателей (расход энергии и производительность) от прогноза по моделям. Оператор может внести корректировки в управление некоторыми технологическими параметрами и предложенные с использованием моделей режимы уже не будут оптимальными. Одним из путей учета влияния человека является разработка новой культуры (Data-Driven Culture) для персонала, решающего задачи управления термической обработкой полосы. Подобная культура должна быть направлена на аккумуляцию опыта сотрудников в форме, которая может впоследствии использоваться при прогнозе.
Обзор предложений в области совершенствования управления термической обработкой стальной полосы
Известно множество предложений, связанных с совершенствованием управления термической обработкой стали. При этом многие предложения не учитывают в полной мере сложности применения разработанных решений на практике. Только в небольшом числе работ предлагаются комплексные решения, в которых дается оценка взаимосвязи между режимами термической обработки стали и оценками технико-экономической эффективности. Авторы указывают такие цели, как снижение доли дефектной продукции [1];
уменьшение затрат топлива на нагрев [2-4]; точность обеспечения требуемой температуры полосы на выходе из печи [2, 5-7]; качество управления температурой рабочего пространства в печи [5, 8, 9]; коэффициент полезного действия печи [10, 11]; многокритериальная оптимизация [12-15].
Существующий опыт в решении задачи управления температурой полосы на выходе секций при типовой производительности и неизменном сортаменте полосы свидетельствует о высокой эффективности разработанных решений. Так, в [12, 16, 17] для управления температурой полосы предлагается использование наблюдателя степени черноты полосы на основе фильтра Калмана. Схожее решение предложено в [15]. Результаты указанных работ могут быть применены к задаче управления секциями нагрева и выдержки при отсутствии возмущений по сортаменту и скорости движения полосы. Однако авторы не дают оценку эффективности предложенных решений для условия различной производительности при разной скорости движения полосы. При этом необходимо отметить, что для типовой производительности по металлу достаточно высокое качество демонстрируют и типовые системы на основе пропорционально-интегрально-дифференцирующего закона управления. В работе [18] продемонстрировано, что вариация динамических характеристик объекта при управлении охлаждением полосы может быть определена по результатам настройки модели, оперирующей приращениями сигналов. Подобная информация позволяет заблаговременно выбрать по модели рациональные настройки типовых регуляторов для различных режимов. Это дает возможность обеспечить качественное регулирование на основе существующих типовых решений с коррекцией настроек регуляторов при изменении режима.
В статье [12] отмечается, что печи для отжига потребляют значительное количество энергии. При этом согласно [19] менее 50 % тепла, подаваемого в печь, используется на нагрев стали. Остальная часть утрачивается как тепловые потери. Несмотря на это, решению задачи по определению вида зависимости тепловых потерь от режимов работы секций в настоящее время уделяется недостаточно внимания. Решение этой задачи исследуется в группе работ [12, 20], связанных с комплексным моделированием процессов при термообработке стали. Авторы предлагают использовать сложные интерпретируемые модели процессов. Однако настройка таких моделей затруднительна из-за большого числа параметров настройки и высокой вероятности неоднозначности оптимальных настроек. Как следствие, изучение неопробованных на практике режимов приводит к неоднозначности результатов. Также неясно, как применить модели для оперативной оценки возмущений по виду зависимостей тепловых потерь от режимов по данным о работе в обычных условиях. Другой альтернативой является использование дополнительных средств контроля процессов. Примером использования активного эксперимента с дополнительными средствами контроля является работа [11], где была проведена корректировка температурных режимов башенной печи АНГЦ японской фирмы Nippon Kokan на предприятии «НЛМК» в России. Для контроля температуры металла в печи при экспериментах использовали скользящие контактные термометры [21]. В результате перераспределения тепловой нагрузки по зонам секции нагрева удельный расход природного газа снизился на 11,5 %. Однако неизвестно, потребуются ли повторные эксперимен-
ты в ходе эксплуатации агрегата, например при изменении сортамента или производительности. Учитывая, что активный эксперимент и дополнительные средства контроля требуют, как правило, затрат и привлечения специализированного персонала, целесообразно использование данных об обычных режимах работы агрегата, накопленных с применением штатных средств контроля. Другой альтернативой является использование для оперативной оценки тепловых потерь упрощенных моделей, оперирующих сигналами в виде приращений. В работе [18] продемонстрирована возможность настройки таких моделей на примере секции закрытого охлаждения.
Высокая сложность определения вида зависимости тепловых потерь от режимов приводит к тому, что многие авторы необоснованно упрощают эти зависимости, например принимая тепловые потери на постоянном уровне. Проблемы привлечения данных к оптимизации, включая настройку моделей, затрагиваются в незначительной доле работ. Большинство авторов либо не уделяют внимания особенностям настройки моделей и обработки данных, либо вовсе не настраивают модели, рассматривая решение оптимизационных задач при принятой априори гипотезе о наличии настроенных моделей. Так, например, в работах [3, 13, 22] предложено применение метода Particle Swarm Optimization (PSO) для решения задач оптимизации с учетом доли дефектной продукции, расхода энергии и производительности. Однако неясно, какие модели должны быть разработаны, как выполнить их настройку и как использовать их при управлении.
Как следует из результатов работ [10-12], снижение расхода топлива возможно за счет перераспределения топлива или тепловой нагрузки как между зонами одной печи, так и между печами отделений косвенного и прямого нагрева. Однако может быть затруднительно достоверно определить эффект от перераспределения тепловой нагрузки с помощью моделей [12, 20], поскольку температура металла в отдельных зонах печи не измеряется. Решение задачи требует определения связи между комбинацией температурных режимов зон печей и тепловыми потерями с отходящими газами и через стены печи. При этом следует учитывать, что температура металла контролируется только на выходе из печей. Поэтому нет средств контроля соотношения затрат тепла на нагрев металла и на компенсацию тепловых потерь в каждой отдельной зоне. Вследствие этого могут быть предложены различные варианты модели нагрева полосы, обеспечивающие схожие значения температуры металла на выходе из печи при разной динамике нагрева металла в печи. В то же время прогнозируемая по модели вариация оценок технико-экономической эффективности вследствие изменений в управлении (с целью оптимизации или обеспечения производственной гибкости) должна существенно превышать вариацию оценок, связанную с неопределенностью структуры или значений параметров настройки модели. Однако авторы не дают каких-либо оценок неопределенности прогнозируемого эффекта от оптимизации режимов работы зон.
В работе [23] была продемонстрирована возможность определения зависимости уровня тепловых потерь от режимов отдельных зон по данным о работе печи без металла. Также была продемонстрирована возможность оценки особенностей межзонного теплообмена на основе относительно простых моделей. Следующим шагом является разработка методики определения текущего вида зависимостей по данным о работе печи в обычных режимах,
а также оценки уровня неопределенности прогноза на основе компьютерного имитационного моделирования. Методики такой оценки существуют [24].
В настоящее время известно достаточно много предложений по регулированию температуры стали при стабильном сортаменте. Решения [12, 16, 17] предполагают использование наблюдателя степени черноты полосы на основе фильтра Калмана. Но их применение в периоды смены сортамента при резком скачкообразном изменении совокупности свойств полосы затруднено. При изменении сортамента полосы через агрегат проходит сварной шов, соединяющий сталь с разными свойствами. Поскольку температура металла непосредственно в печи не контролируется, то при выходе сварного шва из печи происходит резкое скачкообразное изменение температуры стали. Это может послужить причиной нарушений режимов отжига.
Выбор вида модели нагрева стальной полосы может быть основан на различных предпосылках. Авторы [12, 20, 25] обосновывают выбор вида модели такими преимуществами, как соответствие законам радиационного и конвективного теплообмена, упрощение решения оптимизационных задач, точность прогнозирования температуры полосы на выходе из печи. В работах [12, 20], делающих акцент на использовании при управлении комплексных моделей процессов термической обработки полосы, выбор вида модели основан на законах теплообмена. Можно предположить, что подобные модели наиболее точно воспроизводят динамику нагрева полосы при ее движении по зонам печи. Однако в отделении термической обработки АНГЦ температура металла контролируется только между технологическими секциями. Внутри протяжной печи температура металла не измеряется. Вследствие этого модель, как правило, настраивают по температуре металла на выходе из печи. Непонятно, насколько точно отражает динамику нагрева полосы модель, настроенная таким образом. В работе [25] сделан вывод о том, что структура моделей не обязательно должна полностью отражать механизм теплообмена. Ее выбор может быть ориентирован на упрощение решения задач управления.
Заключение
Из выполненного обзора следует, что существующие решения могут быть достаточно эффективны только при решении первой из задач, связанной со стабилизацией температуры полосы при отсутствии возмущений по скорости движения полосы и по ее сортаменту.
Решение второй и третьей задач, связанных с варьированием производительности и оптимизацией затрат топлива, существенно осложнено проблемами синтеза моделей, которые могли бы снизить до требуемого уровня неопределенность прогноза. Более того, выполненный обзор показал, что авторы часто игнорируют проблему неопределенности, делая акцент на алгоритме управления, который использует модель. Необходима разработка новых методик обработки накопленных технологических данных и поиск новых структур моделей процессов в отделении термообработки стали. Для гибкого варьирования производительности и оптимизации затрат топлива модели должны обеспечить достоверный оперативный мониторинг параметров тепловых потерь.
Изучение предложений по управлению температурой полосы в периоды интенсивных технологических возмущений по скорости движения полосы
и сортаменту (четвертая задача) стали показало преобладание решений, основанных на использовании управления с обратной связью. Однако при скачкообразных возмущениях такие решения не эффективны, поскольку секция термической обработки - инерционный объект управления. При выходе сварного шва происходит резкое скачкообразное изменение состояния процесса, а коррекция температуры рабочего пространства секций нагрева и охлаждений требует времени. Сложность точного прогноза температуры полосы связана с большим числом влияющих факторов и проблемами выборки ретроспективных данных, которые могут использоваться для настройки модели. Упрощенные интерпретируемые модели адекватны в статистическом плане, но дают неточный прогноз. Точность прогноза сложных неинтерпре-тируемых моделей может сильно варьировать в разных режимах. Поэтому для решения этой задачи является перспективным использование гибридных моделей.
Относительно пятой задачи, связанной с учетом влияния человека, следует отметить, что в настоящее время сотрудники получают все более широкий доступ к аккумулируемой на предприятии информации, что потенциально дает возможности ее вовлечения в управление. Однако высокий уровень неопределенности выводов, которые могут быть получены на ее основе, сильно затрудняет вовлечение персонала в решение задач гибкого производства. Новая культура обращения с технологическими данными развивается. Однако развитие сосредоточено в сферах аккумуляции и безопасности данных. В то же время действия самих сотрудников могут быть эффективным инструментом снижения уровня неопределенности накопленных данных. Проблема учета деятельности человека при гибком производстве оцинкованного листового проката с использованием моделей еще требует своего решения.
Список литературы
1. Martínez-de-Pisón F. J., Sanz A., Martínez-de-Pisón E., Jiménez E., Conti D. Mining association rules from time series to explain failuresin a hot-dip galvanizing steel line // Computers & Industrial Engineering. 2012. Vol. 63. P. 22-36. doi:10.1016/j.cie.2012.01.013
2. Ming Z., Datai Y., Jiangang Z. A New Strip Temperature Control Method for the Heating Section of Continuous Annealing Line // IEEE Conference on Cybernetics and Intelligent Systems. 2008. P. 861-864. doi:10.1109/ICCIS.2008.4670926
3. Guo Ch., Zhang Y., You X., Chen X., Zhang Y. Optimal Control of Continuous Annealing Process Using PSO // Proceedings of the IEEE International Conference on Automation and Logistics. 2009. P. 602-606. doi:10.1109/ICAL.2009.5262851
4. Yoshitani N., Hasegawa A. Model-Based Control of Strip Temperature for the Heating Furnace in Continuous Annealing // IEEE transactions on control systems technology. 1998. Vol. 6. P. 146-156.
5. Martínez-de-Pisón F. J., Celorrio L., Pérez-de-la-Parte M., Castejón M. Optimising annealing process on hot dip galvanising line based on robust predictive models adjusted with genetic algorithms // Ironmaking and Steelmaking. 2011. Vol. 38, № 3. P. 218-228. doi:10.1179/1743281210Y.0000000001
6. Bitschnau L., Jakubek S., Kozek M. Constrained model predictive control of a continuous annealing furnace // Proceedings of the ASME 2010 Dynamic Systems and Control Conference, 2010. P. 1-8.
7. Tian Y.-C., Hou C.-H., Gao F. Mathematical Model of a Continuous Galvanizing Annealing Furnace // Developments in Chemical Engineering and Mineral Processing. 2000. Vol. 8, № 3-4. P. 359-374
8. Zhang Y., Jin Y., Cao W., Li Z., Yuan Y. A Dynamic Data-driven Model for Predicting Strip Temperature in Continuous Annealing Line Heating Process // Proceedings of the 37th Chinese Control Conference, 2018. P. 1887-1891.
9. Li X.-B., Liu D., Jiao Sh.-B., Guo J.-X. Intelligent PID control system for vacuum annealing furnace work pieces temperature // Proceedings of the Third International Conference on Machine Learning and Cybernetics, 2004. P. 934-940.
10. Hajaliakbari N., Hassanpour S. Analysis of thermal energy performance in continuous annealing furnace // Applied Energy. 2017. Vol. 206. P. 829-842. doi:10.1016/ j.apenergy.2017.08.246
11. Sobolev V. M., Belen'kij A. M., Berdyshev V. F. Studying and improving the thermal performance of the continuous annealing unit // Proceedings of Higher Educational Institutions. Ferrous Metallurgy. 1999. Vol. 5. P. 32-34.
12. Strommer S., Niederer M., Steinboeck A., Kugi A. Hierarchical nonlinear optimization-based controller of a continuous strip annealing furnace // Control Engineering Practice.
2018. Vol. 73. P. 40-55. doi:10.1016/j.conengprac.2017.12.005
13. Wang Z., Wang X. Multiobjective Multifactorial Operation Optimization for Continuous Annealing Production Process // Industrial & Engineering Chemistry Research.
2019. Vol. 58. P. 19166-19178. doi:10.1021/acs.iecr.9b03399
14. Bitschnau L., Kozek M. Modeling and Control of an Industrial Continuous Furnace // International Conference on Computational Intelligence, Modelling and Simulation. 2009. P. 231-236. doi:10.1109/CSSim.2009.26
15. Wu H., Speets R., Ozcan G., Ekhart R., Heijke R., Nederlof C., Boeder C. J. Non-linear model predictive control to improve transient production of a hot dip galvanising line // Ironmaking & Steelmaking. 2016. Vol. 43, № 7. P. 160129041402004. doi:10.1080/03019233.2015.1126687
16. Niederer M., Strommer S., Steinboeck A., Kugi A. Nonlinear model predictive control of the strip temperature in anannealing furnace // Journal of Process Control. 2016. Vol. 48. P. 1-13. doi:http://dx.doi.org/10.1016/jjprocont.2016.09.012
17. Strommer S., Niederer M., Steinboeck A., Jadachowskit L., Kugit A. Nonlinear observer for temperatures and emissivities in a strip annealing furnace // IEEE Industry Applications Society Annual Meeting. Portland, 2016. doi:10.1109/IAS.2016.7731914
18. Ryabchikov M. Y., Ryabchikova E. S., Shmanev D. E., Kokorin I. D. Strip Cooling Control for Flexible Production of Galvanized Flat Steel // Steel in Translation. 2021. Vol. 51, № 7. P. 446-455.
19. Sundaramoorthy S., Phuong Q., Gopalakrishnan B., Latif H. H. Heat Balance Analysis of Annealing Furnaces and Zinc Pot in Continuous Hot Dip Galvanizing Lines // Energy Engineering. 2016. Vol. 113, № 2. P. 12-47.
20. Wu H., Speets R., Heeremans F., Ben Driss O., Van Buren R. Nonlinear model predictive control of throughput and strip temperature for continuous annealing line // Iron-making & Steelmaking. 2015. Vol. 42, № 8. P. 570-578.
21. Krivandin V. A., Apterman V. N., Belen'kij A. M. Research of temperature conditions of continuous annealing furnace // Steel. 1999. Vol. 3. P. 54-56.
22. Shi H., Guo L., Wang Y., Li F., Shi Q. Optimization of Temperature Setting in Heating Section by Multi-objective Particle Swarm // Journal of Shenyang Jianzhu University (Natural Science). 2018. Vol. 34, № 4. 733-740.
23. Ryabchikov M. Y. Selection of steel strip annealing energy-saving conditions in view of the substandard products share // Journal of Chemical Technology and Metallurgy.
2020. Vol. 55, № 1. P. 182-191.
24. Ryabchikov M. Y., Ryabchikova E. S. Big Data-Driven Assessment of Proposals to Improve Enterprise Flexibility Through Control Options Untested in Practice // Global Journal of Flexible Systems Management. 2022. Vol. 23. P. 43-74.
25. Panferov V. I. Adaptive quality control systems for metal heating in furnaces // Proceedings of Higher Educational Institutions. Ferrous Metallurgy. 1990. Vol. 7. P. 110.
References
1. Martínez-de-Pisón F.J., Sanz A., Martínez-de-Pisón E., Jiménez E., Conti D. Mining association rules from time series to explain failuresin a hot-dip galvanizing steel line. Computers & Industrial Engineering. 2012;63:22-36. doi:10.1016/j.cie.2012.01.013
2. Ming Z., Datai Y., Jiangang Z. A New Strip Temperature Control Method for the Heating Section of Continuous Annealing Line. IEEE Conference on Cybernetics and Intelligent Systems. 2008:861-864. doi:10.1109/ICCIS.2008.4670926
3. Guo Ch., Zhang Y., You X., Chen X., Zhang Y. Optimal Control of Continuous An-neal-ing Process Using PSO. Proceedings of the IEEE International Conference on Automation and Logistics. 2009:602-606. doi:10.1109/ICAL.2009.5262851
4. Yoshitani N., Hasegawa A. Model-Based Control of Strip Temperature for the Heating Furnace in Continuous Annealing. IEEE transactions on control systems technology. 1998;6:146-156.
5. Martínez-de-Pisón F.J., Celorrio L., Pérez-de-la-Parte M., Castejón M. Optimising annealing process on hot dip galvanising line based on robust predictive models adjusted with genetic algorithms. Ironmaking and Steelmaking. 2011;38(3):218-228. doi:10.1179/1743281210Y.0000000001
6. Bitschnau L., Jakubek S., Kozek M. Constrained model predictive control of a continuous annealing furnace. Proceedings of the ASME 2010 Dynamic Systems and Control Conference, 2010:1-8.
7. Tian Y.-C., Hou C.-H., Gao F. Mathematical Model of a Continuous Galvanizing Annealing Furnace. Developments in Chemical Engineering and Mineral Processing. 2000;8(3-4):359-374
8. Zhang Y., Jin Y., Cao W., Li Z., Yuan Y. A Dynamic Data-driven Model for Predicting Strip Temperature in Continuous Annealing Line Heating Process. Proceedings of the 37th Chinese Control Conference, 2018:1887-1891.
9. Li X.-B., Liu D., Jiao Sh.-B., Guo J.-X. Intelligent PID control system for vacuum annealing furnace work pieces temperature. Proceedings of the Third International Conference on Machine Learning and Cybernetics, 2004:934-940.
10. Hajaliakbari N., Hassanpour S. Analysis of thermal energy performance in continuous annealing furnace. Applied Energy. 2017;206:829-842. doi:10.1016/j.apenergy.2017.08.246
11. Sobolev V.M., Belen'kij A.M., Berdyshev V.F. Studying and improving the thermal performance of the continuous annealing unit. Proceedings of Higher Educational Institutions. Ferrous Metallurgy. 1999;5:32-34.
12. Strommer S., Niederer M., Steinboeck A., Kugi A. Hierarchical nonlinear optimization-based controller of a continuous strip annealing furnace. Control Engineering Practice. 2018;73:40-55. doi:10.1016/j.conengprac.2017.12.005
13. Wang Z., Wang X. Multiobjective Multifactorial Operation Optimization for Continuous Annealing Production Process. Industrial & Engineering Chemistry Research. 2019;58:19166-19178. doi:10.1021/acs.iecr.9b03399
14. Bitschnau L., Kozek M. Modeling and Control of an Industrial Continuous Furnace. International Conference on Computational Intelligence, Modelling and Simulation. 2009:231-236. doi:10.1109/CSSim.2009.26
15. Wu H., Speets R., Ozcan G., Ekhart R., Heijke R., Nederlof C., Boeder C. J. Non-linear model predictive control to improve transient production of a hot dip galvanising line. Ironmaking & Steelmaking. 2016;43(7):160129041402004. doi:10.1080/ 03019233.2015.1126687
16. Niederer M., Strommer S., Steinboeck A., Kugi A. Nonlinear model predictive control of the strip temperature in anannealing furnace. Journal of Process Control. 2016; 48:1-13. doi:http://dx.doi.org/10.1016/jjprocont.2016.09.012
17. Strommer S., Niederer M., Steinboeck A., Jadachowskit L., Kugit A. Nonlinear observer for temperatures and emissivities in a strip annealing furnace. IEEE Industry Applications Society Annual Meeting. Portland, 2016. doi:10.1109/IAS.2016.7731914
18. Ryabchikov M.Y., Ryabchikova E.S., Shmanev D.E., Kokorin I.D. Strip Cooling Control for Flexible Production of Galvanized Flat Steel. Steel in Translation. 2021;51(7):446-455.
19. Sundaramoorthy S., Phuong Q., Gopalakrishnan B., Latif H.H. Heat Balance Analysis of Annealing Furnaces and Zinc Pot in Continuous Hot Dip Galvanizing Lines. Energy Engineering. 2016;113(2):12-47.
20. Wu H., Speets R., Heeremans F., Ben Driss O., Van Buren R. Nonlinear model predictive control of throughput and strip temperature for continuous annealing line. Iron-making & Steelmaking. 2015;42(8):570-578.
21. Krivandin V.A., Apterman V.N., Belen'kij A.M. Research of temperature conditions of continuous annealing furnace. Steel. 1999;3:54-56.
22. Shi H., Guo L., Wang Y., Li F., Shi Q. Optimization of Temperature Setting in Heating Section by Multi-objective Particle Swarm. Journal of Shenyang Jianzhu University (Natural Science). 2018;34(4):733-740.
23. Ryabchikov M.Y. Selection of steel strip annealing energy-saving conditions in view of the substandard products share. Journal of Chemical Technology and Metallurgy. 2020;55(1): 182-191.
24. Ryabchikov M.Y., Ryabchikova E.S. Big Data-Driven Assessment of Proposals to Improve Enterprise Flexibility Through Control Options Untested in Practice. Global Journal of Flexible Systems Management. 2022;23:43-74.
25. Panferov V.I. Adaptive quality control systems for meta heating in furnaces. Proceedings of Higher Educational Institutions. Ferrous Metallurgy. 1990;7:110.
Информация об авторах / Information about the authors
Михаил Юрьевич Рябчиков
кандидат технических наук, доцент, доцент кафедры автоматизированных систем управления Института энергетики и автоматизированных систем, Магнитогорский государственный технический университет имени Г. И. Носова (Россия, г. Магнитогорск, пр. Ленина, 38)
E-mail: mr_mgn@mail.ru
Елена Сергеевна Рябчикова кандидат технических наук, доцент кафедры автоматизированных систем управления Института энергетики и автоматизированных систем, Магнитогорский государственный технический университет имени Г. И. Носова (Россия, г. Магнитогорск, пр. Ленина, 38)
E-mail: e.ryabchikova@magtu.ru
Mikhail Yu. Ryabchikov Candidate of engineering sciences, associate professor, associate professor of the sub-department of automated control systems, Institute of Energy and Automated Systems, Nosov Magnitogorsk State Technical University (38 Lenina avenue, Magnitogorsk, Russia)
Elena S. Ryabchikova Candidate of engineering sciences, associate professor of the sub-department of automated control systems, Institute of Energy and Automated Systems, Nosov Magnitogorsk State Technical University (38 Lenina avenue, Magnitogorsk, Russia)
Поступила в редакцию / Received 21.07.2022
Поступила после рецензирования и доработки / Revised 05.11.2022 Принята к публикации / Accepted 30.11.2022
