CN100577315C - 轧制线的材质预测及材质控制装置 - Google Patents

Abstract

本发明的目的在于，得到一种通过模拟过程的变化情况且具有补充信息的功能、从而提高材质模型的预测精度、高精度地控制材质的轧制线的材质预测及材质控制装置。具有：采集从测定热轧线及轧制材的状态的传感器、和控制热轧线的控制装置得到的轧制实际信息的轧制实际信息采集功能；根据轧制实际信息、各机械单元等的固有信息、轧制材的厚度及宽度等目标信息来预测作为轧制实际信息无法采集的表示轧制线中间状态的过程中间信息的过程信息补充功能；根据轧制实际信息及过程中间信息、与进行轧制实际信息及过程中间信息同步预测轧制材的材质的材质预测功能；以及进行控制使得预测的材质与作为目标的材质相一致的材质控制功能。

Description

轧制线的材质预测及材质控制装置

技术领域

本发明涉及一种用于得到所希望材质的轧制线的材质预测及材质控制装置，它能够在轧制金属原料的线上制造所希望尺寸形状的产品。

背景技术

在以钢为主的金属材料中，机械特性(强度、成形性、韧性等)、电磁特性(磁导率)等材质不仅根据它的合金组成而产生变化，也会根据加热条件、加工条件以及冷却条件而产生变化。虽然通过控制成分元素的添加量来进行合金组成的调整，但是成分调整时使用能够保持100吨左右的钢液的调整成分炉等，会使1个批量单位变大，不可能对15吨左右的每个产品改变添加量。因此，为了制造所希望材质的产品，就必须在正确的加热条件、加工条件以及冷却条件下制造材质。

过去，对于加热、加工及冷却的各项条件，每样产品规格根据长年累积的经验来决定加热温度目标值、加工后的尺寸目标值、冷却速度目标值等，为了实现该目标，一般采取进行温度控制及尺寸控制的方法。但是，近些年，对于产品规格的要求明显地越来越高，而且多样化，根据经验的决定方法未必能够适当地决定目标值，从而会出现不能够得到所希望材质的情况。

因此，我们知道一种方法是，在轧制中采取板厚、材料温度的实际值，通过将这些作为材质预测模型的输入数据，从而试图提高精度。该方法根据轧制开始前钢材的成分值、轧制后的钢材尺寸、钢材材质保证值，采用材质模型，来决定加热条件、轧制条件及冷却条件，再如果在加热工序、粗轧制工序以及精轧制工序后得到板厚、材料温度、通过时间、辊径、辊转速的实际值，则根据这些实测值，并采用材质模型，来重新确定下一工序以后的预定的轧制条件、或冷却条件，从而抑制产品材质的偏差(例如，参照专利文献1)。

另外，我们知道一种改变材质模型并采用神经网络的控制方法。该方法是通过检测加工后或热处理后的金属材料具有的特性，并作为示教数据给予神经网络，从而试图提高利用神经网络的预测精度(例如，参照专利文献2)。

专利文献1：日本专利第2509481号

专利文献2：日本特开2001-349883号

但是，在采用材质预测模型的方法中，作为在材质预测中使用的实际值，是在钢材加热后、粗轧制后、精轧制后、冷却后得到的各个过程的前后的实际值，并没有利用过程中间的信息。这时，例如即使轧制材料的温度在过程前高，在过程后变低，但也会出现在过程中间比过程前温度上升的情况，仅仅根据前后关系未必能够得到高精度的预测结果。

另一方面，在改变材质模型并采用神经网络的控制方法中，虽然检测加工后或热处理后的金属材料具有的特性，并作为示教数据给予神经网络，从而试图提高利用神经网络的预测精度，但是存在的问题是，上述这样的加热条件、加工条件以及冷却条件与产品的材质的关系极其复杂，为了更高精度地对其进行模拟，必须要涉及多层的大规模的神经网络，为了它的学习，则必须提供庞大的示教数据，为了改善精度，需要花费时间。当然，如果使用小规模的神经网络，则少量的示教数据即可，但是这时存在限定了能够适用的操作范围的问题。

本发明正是为了解决上述问题而提出的，提供一种高精度地控制材质的轧制线的材质预测以及材质控制装置，它通过模拟过程的变化过程，且具有补充信息的功能，从而提高材质模型的预测精度。

发明内容

与本发明相关的轧制线的材质预测及材质控制装置，是对利用以规定温度加热并轧制金属原料的热轧线制造的轧制材的厚度和宽度等尺寸形状及轧制材的温度进行控制的装置，其具有：采集从测定热轧线及轧制材的状态的传感器、和控制热轧线的控制装置得到的轧制实际信息的轧制实际信息采集功能；根据轧制实际信息、各机械单元等的固有信息、轧制材的厚度及宽度等目标信息来预测作为轧制实际信息无法采集的表示轧制线中间状态的过程中间信息的过程信息补充功能；根据轧制实际信息及过程中间信息、与进行轧制实际信息及过程中间信息同步预测轧制材的材质的材质预测功能；以及进行控制使得预测的材质与作为目标的材质相一致的材质控制功能。

另外，轧制实际信息采集功能和过程信息补充功能是由其它的计算机实现的。

另外，过程信息补充功能是由基于轧制模型的模拟器构成的，并通过进行轧制来实行，为了提高轧制模型的精度，具有采用轧制实际信息来进行轧制模型的学习的轧制模型学习功能。

另外，材质预测功能是根据表示材质状态变化的材质模型，并通过进行轧制而能够实行的，为了提高材质模型的精度，具有采用轧制后测定的材质信息来进行材质模型的学习的材质模型学习功能。

如果采用本发明，能够实现一种热轧线的材质预测及材质控制装置，它容易实现所希望的材质。另外，补充了来自传感器等的实际值中无法测定的信息，能够得到精度更高的材质预测及材质控制。另外，由于轧制实际信息采集功能和过程信息补充功能是用其它计算机实现的，所以能够不对操作及现存的功能产生干扰并附加全新的功能。

附图说明

图1是表示本发明实施例1中轧制线的材质预测及材质控制装置的整体结构的框图。

图2是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图3是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图4是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图5是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图6是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图7是表示本发明实施例1中轧制线的材质预测及材质控制装置的详细结构的框图。

图8是表示本发明实施例2中轧制线的材质预测及材质控制装置的整体结构的框图。

标号说明

1轧制线

2上位计算机

3设定控制用计算机

4材质检查系统

5轧制实际信息采集功能

6过程信息补充功能

7材质预测功能

8材质控制功能

9轧制材

10轧制机架

11水冷装置

12入口侧温度计

13出口侧温度计

14轧辊

15轧制模型

16模拟器

17轧制模型学习功能

18材质模型学习功能

19材质模型

20加热炉

21氧化皮清除器

22、23粗轧机

24出口侧温度计

25剪料头机

26氧化皮清除器

27精轧机

28输出辊道

29卷绕机

30出口侧温度计、板压计等

31现有计算机

32其它计算机

具体实施方式

为了更详细地说明本发明，根据附图来说明实施例。

实施例1

图1是表示本发明实施例1中轧制线的材质预测及材质控制装置的结构框图。在轧制线1上，经过在规定的温度下对由金属原料形成的轧制材进行加热、轧制、冷却等的过程，再制成产品。在轧制线1上具有：加热装置、驱动辊的电动机驱动装置、改变辊的开度的压下装置以及冷却装置等，控制所制造的轧制材的厚度和宽度等尺寸形状、以及轧制材的温度，但省略图示。

关于轧制线1上的设定控制，首先由上位计算机2决定制造怎样的产品，然后将包含该产品规格例如厚度、宽度、截面形状等信息的轧制命令发送给设定控制用计算机3。在设定控制用计算机3中，为了实现所希望的产品质量，而进行必需的设定计算、控制计算，并控制轧制线1。这时在设定控制用计算机3中，一般因为必须根据轧制模型等进行预测计算，所以一般要将轧制模型设置在内部，且为了对该模型进行自适应修正，而将预测值与轧制实际值进行比较。

因此，必须有采集或管理轧制实际值的功能，实现轧制实际信息采集功能5。该轧制实际信息采集功能5采集轧制材的位置信息，或随着轧制材的前进，用设定在轧制线上的温度计、测力传感器、板厚计、板宽计、板凸度计传感器采集测定的值。采集的数据作为遍及轧制材全长的数据保管起来，或用作为时时刻刻的信息进行显示。该轧制实际信息采集功能5有的情况下在设定控制用计算机3中实现，也有的情况下在其它计算机中实现。例如，在现有的轧制线1上如果已经具有了与轧制实际信息采集功能5等效的功能，则也可以利用。

本发明的轧制实际信息采集功能5的必要条件是希望能够实时地将用各个传感器测定的数据、以及轧制材的位置信息发送给过程信息补充功能6。但是，也可以不是实时，而是有少许的延迟。

过程信息补充功能6是模拟比只用轧制实际信息采集功能5不能够测定的数据、信息或从传感器得到的数据、信息更详细的轧制过程、冷却过程等的在轧制线1上发生的现象的功能。过程信息补充功能6能够通过模拟器来实现，采用能够表现动态轧制现象的轧制模型，从而用数值再现轧制和冷却的过程。

材质预测功能7是将用轧制实际信息采集功能5采集到的数据及信息、用过程信息补充功能6计算得到的关于详细的轧制与冷却等的中间信息、以及轧制材经过轧制及冷却等过程而制成的轧制材(产品)的数据和信息由材质检查系统4输入，并根据这些信息来预测材质。预测材质的模型不是过去那样根据轧制线1的传感器信息等表示的输出信息来预测材质的模型，而必须使用能够以微小的时间变化来表现材质的变化的模型。在材质预测功能7中，如果轧制材是在经过轧制、冷却等过程后制成产品，则用材质检测系统4来检查轧制材(产品)，并输入材质检查结果。

材质控制功能8使用在材质预测功能7中预测的材质，计算出实现所希望材质的轧制条件，再将该压制条件发送给设定控制用计算机3。

下面来详细地说明过程信息补充功能6的实现方法、材质预测功能7内的材质预测模型、以及材质控制功能8的实现方法。

首先来叙述过程信息补充功能6的实现方法。

图2表示实际轧制中温度变化样子的一个例子。用No.i轧制机架10i来轧制轧制材9，在运送到No.i+1轧制机架10i+1的期间，设置水冷装置11。在图2中表示从位置1到位置4中的轧制材9的板厚方向的温度分布。在用No.i轧制机架10i轧制前的位置1上的温度分布中，利用No.i轧制机架10i的入口侧温度计12得到的测定值是轧制材9上侧的表面温度为945℃，但是因为一般内部温度高，所以此例图示的是设定内部中心温度要高出+20℃。由于轧辊14的表面得到轧制材9的热量，因此在位置2处的轧制材9的整体温度降低，同时扩大表面温度与内部温度之差，所以利用No.i轧制机架10i轧制后的出口侧温度计13得到的测定值表示的就是如例子中所述的上表面温度925℃、而中心温度要高出30℃的情况。在位置3，因为将轧制材9的内部温度传导到表面上，即回热，因此使得表面与内部的温度差变小。在位置4处，由于利用水冷装置11冷却表面，所以再次降低轧制材9的整体温度，同时表面温度与内部温度差扩大到+30℃。

为了捕捉到轧制材9的这些温度变化，很难在轧制线1的所有地方设置温度计，另外轧制材9内部的温度只能靠推定。这样，只根据用温度计测定的信息，很难确实地掌握轧制材9温度变化的情况。因此在过程信息补充功能6中，计算关于轧制及冷却等的详细的信息。

图3表示用于计算轧制材板厚方向的温度分布的一个例子。图3中，在板厚方向上分成4份，分别用所谓的节点来代表，再计算节点间的热传导。在图3中，用从所谓的节点i到节点i+1的一般描述方法来表示。

图3中的关系式如下所示。如果表示为连续系统，则为式(1)。

$Q=-\mathrm{kA}\frac{\∂T}{\∂x}---\left(1\right)$

这里，符号的意思表示如下。还表示单位的例子。

Q：每单位时间的热流量[J/s]

k：热传导率[J/(ms K)]

A：面积[m²]

T：轧制材的温度[degC]

d：节点间的距离[m]

x：轧制材板厚方向的位置

如果用差分方程式来表示的话，则为式(2)。

$Q_{i\→i+1}=\frac{{\mathrm{kA}}_{i\→i+1}(T_i-T_{i+1})}{d}---\left(2\right)$

这里，符号的意思表示如下。还表示单位的例子。

Q_i→i+1：从节点i到节点i+1的每单位时间的热流量[J/s]

k：热传导率[J/(ms K)]

A_i→i+1：从节点i到节点i+1之间的截面积[m²]

T_i：节点i上的温度[degC]

差分方程式的解法只要使用一般的方法就可以了。

另一方面，轧制材与外部的热传递为边界条件，例如用式(3)来表示。

$-k\frac{\∂T}{\∂x}{|}_{x@\mathrm{surface}}=r_R{\mathrm{\α}}_R({T|}_{x@\mathrm{surface}}-T_S)+r_W{\mathrm{\α}}_W({T|}_{x@\mathrm{surface}}-T_W)+r_A{\mathrm{\α}}_A({T|}_{x@\mathrm{surface}}-T_A)$

这里，符号的意义如下所述。

α：热传导系数[W·m^-2·℃^-1]

r：接触比率[-]

另外，下标R、W、A分别表示与轧辊、冷却水、空气的接触，例如α_R表示与轧辊的热传导系数，r_R表示与轧辊的接触比率。

式(3)也能够转换成差分方程式，并用计算机求解。

图2中设轧制材的板厚方向上有5个节点，图3中设轧制材的板厚方向上有4个节点，但是这是一个例子，一般如果板厚相同，则节点数越多，越能得到精度高的计算结果。但是如果太多，则由于也会使计算量变大，而使得精度的提高不快，所以必须事先探讨节点数的选择。

像上述这样，轧制材随着轧制，其位置向前进，从上游向下游进行轧制材的温度计算。通过像这样进行温度计算，能够详细地知道对轧制材的材质有很大影响的温度信息。另外，在图2中虽然作为例子只描述了从位置1到位置4的位置，当然必须进行更详细位置的温度计算。

而且，在轧制机架上的轧制材的塑性变形中，辊缝内的变形因宽度方向而异。例如，如果在轧制机架入口侧轧制平坦的板，则因为轧辊由于轧制载重而弯曲，所以在轧制机架的出口侧形成所谓板具有凸度的状态。即在板宽度方向的中央部和板端部上所受到的塑性变形的量是不同的。因为塑性变形量之差对于轧制材的材质是有影响的，所以必须要考虑。

图4表示过程信息补充功能6的具体的结构。在上述这样的过程信息补充功能6中，因为具有轧制模型15，且给予适当的输入，所以能够得到轧制及冷却的详细现象。因为必须随着轧制材的前进而输出轧制材的温度和加工量等，所以例如将轧制模型15作为计算机上的模拟器16来实现，进行高速运算，通过计算求出轧制及冷却的详细状态。这时例如如果是温度模型，则从式(1)到式(3)所示的微分方程式、差分方程式相当于轧制模型15。

但是，为了表现实际的轧制及冷却，必须正确地学习轧制模型15，且必须使轧制模型15与实际的轧制及冷却相适应。因此，如图4所示，具有轧制模型学习功能17。例如式(2)(3)所示的温度模型的学习，如果计算得到的温度与用传感器测定得到的温度的比相差20％，则将式(2)中的热传导率或式(3)中的热传导率系数修正20％。轧制模型学习功能17也可以利用一般公布的方法来实现。

接着来详细地说明材质预测功能7。

图5表示材质预测功能7的材质模型学习功能18。目前，对于轧制材材质的测定，制铁所具有的实验室中的手动作业的实验是最正确的，这里将测定的材质作为标准，来学习材质模型19。在材质预测模型中，由于进行最终产品的材质预测，还计算实验室试验中进行定量评价的拉伸强度及延展性等数值，因此将计算值与实际测定的值进行比较，并修正材质模型19的参数。

在预测材质的模型中，提出了各种各样的模型，我们所知道的是由表示静态再结晶、静态恢复、动态再结晶、动态恢复、晶粒生长等的公式组组成的模型。作为一个例子，是在塑性加工技术系列7的板轧制P198～229(コロナ社)中揭示的模型。在该教科书中记载着理论式与其原著。

另外，也有的情况下，使用根据实际操作数据、由统计处理导出的简易模型来代替使用，作为这样的简易模型，例如有刊登在材料和过程Vol.17(2004)、227((財)日本鋼鉄協会)上的模型。

但是如上所述，不是使用刊登在上述2份文献上的、过去所使用的根据轧制线1的传感器信息等表示的输入输出信息来预测材质的模型，而是必须使用以微小的时间变化能够表示材质变化的模型。

例如在下面的文献中，表示根据计算量少的增量解法的预测计算。

Incremental Formulation for the Prediction of Micro-structural Change inMulti-pass Hot Forming

ISIJ International Vol.39(1999)、No.2、pp.171-175

Jun YANAGIMOTO and Jinshan Liu

在材质预测模型中，能够求解各工序中的金属原料的各相颗粒直径及体积分率等。各相是指钢铁中的奥氏体、铁素体、珠光体、马氏体等的状态。制成产品之后，根据这些颗粒直径、体积分率等，转换为作为材质指标的拉伸强度、延展性等数值，能够与实际的实验室试验中的这些数值进行比较。

接着来详细地说明材质控制功能8。

图6和图7表示材质控制的两种状态。图6、图7中的轧制线表示加热炉20、氧化皮清除器21、2台粗轧机(R1)(R2)22、23、出口侧温度计24、剪料头机25、氧化皮清除器26、7台精轧机27、输出辊道28、1台卷绕机29的例子。

图6是在1条轧制材中，在上游工序、例如粗轧制工序中，用轧制实际信息采集功能5来采集传感器信息等，在过程信息补充功能6中，通过计算求出轧制的详细中间信息，在材质预测功能7中，计算颗粒直径、体积分率等，并将其作为输入信息，求解精轧机27中所希望的颗粒直径、体积分率等那样的目标轧制材温度、目标加工量等。使用这些量，再次计算或者修正用设定控制用计算机3已经计算的设定·控制的各量。

图7与图6稍有不同，是用出口侧温度计、板厚计等30，得到轧制结束后的信息，对接下来轧制的轧制材的设定控制进行修正。在图6和图7中，至少进行某一种功能。

上面所示为本发明的实施例1的结构，通过这样的结构，能够根据仅用在轧制及冷却等中从传感器等得到的信息无法知道的信息详细地计算轧制材的材质，能够高精度地预测且控制材质。而且，因为材质预测功能根据表示材质状态变化的材质模型而且能够通过进行轧制来执行，所以为了提高轧制模型的精度，具有采用轧制后测定得到的材质信息来进行材质模型学习的材质模型学习功能。而且在对于材质预测有重要作用的过程信息补充功能的实现中，采用轧制实际信息，进行过程信息补充功能中包含的轧制模型的学习，以提高轧制模型的精度。通过这样，能够消除根据轧制模型的过程中间信息的误差，能够提高过程中间信息的精度，能够提高材质预测及材质控制的精度。

实施例2

图8是表示本发明实施例2中的轧制线的材质预测及材质控制装置的方框结构图。

无论是国内外，已经建设了很多炼铁厂，有许多热轧线正在运转。在图1所示的实施例1中，设定控制用计算机3、上位计算机2、轧制实际信息采集功能5的一部分、材质检查系统4在几乎所有的热轧线1上实现。而且，有的情况下，材质预测功能7的一部分、材质控制功能8的一部分也能够实现。因此，当附加过程信息补充功能6、利用它的材质预测功能7、以及材质控制功能8来作为新的热轧线的控制装置时，向现有的计算机设备附加时会出现困难。另外，因为过程信息补充功能6必须要进行很多计算，所以也有时无法在现有的计算机设备上实现。

因此，在本实施例2中，如图8所示，在与现有计算机31不同的其它的计算机系统32上，实现过程信息补充功能6、利用它的材质预测功能7、以及材质控制功能8，并实现与现有计算机31的接口，从而附加新功能，而不会对操作及现有功能产生干扰，或者能够容易地扩大设备及功能。

通过这样，通过用其它的计算机来实现轧制实际信息采集功能及过程信息补充功能，能够在不对操作及现有功能产生干扰的情况下附加新的功能。

工业上的实用性

本发明的轧制线的材质预测及材质控制装置通过模拟过程的变化情况，且具有补充信息的功能，能够提高材质模型的预测精度，且能够高精度地控制材质。

Claims (4)

1.一种轧制线的材质预测及材质控制装置，其特征在于，

是对利用以规定的温度加热并轧制金属原料的热轧线制造的轧制材的厚度和宽度的尺寸形状及轧制材的温度进行控制的装置，

具有：

采集从测定热轧线及轧制材的状态的传感器、和控制热轧线的控制装置得到的轧制实际信息的轧制实际信息采集功能；

根据所述轧制实际信息、各机械单元的固有信息、轧制材的厚度及宽度的目标信息来预测作为轧制实际信息无法采集的表示轧制线中间状态的过程中间信息的过程信息补充功能；

根据所述轧制实际信息及所述过程中间信息、且与所述轧制实际信息及所述过程中间信息同步地预测轧制材的材质的材质预测功能；

以及进行控制、从而使得预测的材质与作为目标的材质相一致的材质控制功能。

2.一种轧制线的材质预测及材质控制装置，其特征在于，

是对利用以规定的温度加热并轧制金属原料的热轧线制造的轧制材的厚度和宽度的尺寸形状及轧制材的温度进行控制的装置，

具有：

采集从测定热轧线及轧制材的状态的传感器、和控制热轧线的控制装置得到的轧制实际信息的轧制实际信息采集功能；

根据所述轧制实际信息、各机械单元的固有信息、轧制材的厚度及宽度的目标信息来预测作为轧制实际信息无法采集的表示轧制线中间状态的过程中间信息的过程信息补充功能；

根据所述轧制实际信息及所述过程中间信息、且与所述轧制实际信息及所述过程中间信息同步地预测轧制材的材质的材质预测功能；

以及进行控制、从而使得预测的材质与作为目标的材质相一致的材质控制功能，

所述轧制实际信息采集功能和所述过程信息补充功能是由与实现所述材质预测功能和所述材质控制功能的计算机不同的其它计算机来实现的。

3.如权利要求1或2中所述的轧制线的材质预测及材质控制装置，其特征在于，

过程信息补充功能是由基于轧制模型的模拟器构成的，而且通过进行轧制来实行，为了提高所述轧制模型的精度，而具有采用轧制实际信息来进行轧制模型学习的轧制模型学习功能。

4.如权利要求1或2中所述的轧制线的材质预测及材质控制装置，其特征在于，

材质预测功能是根据表示材质状态变化的材质模型，另外能够通过进行轧制来实行的，为了提高所述材质模型的精度，具有采用轧制后测定的材质信息来进行材质模型学习的材质模型学习功能。

Images