CN102266865B - 热冷轧负荷分配方法 - Google Patents
热冷轧负荷分配方法 Download PDFInfo
- Publication number
- CN102266865B CN102266865B CN 201110142718 CN201110142718A CN102266865B CN 102266865 B CN102266865 B CN 102266865B CN 201110142718 CN201110142718 CN 201110142718 CN 201110142718 A CN201110142718 A CN 201110142718A CN 102266865 B CN102266865 B CN 102266865B
- Authority
- CN
- China
- Prior art keywords
- rolling
- particle
- hot
- cold rolling
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及一种热冷轧负荷分配方法,它在满足轧钢工艺约束和设备约束的前提下,综合考虑热轧和冷轧的负荷分配问题,达到既提高产品质量和生产效率,又节约生产能耗的目的。它采用先进行至少一次热轧粗轧,然后进行多次热轧精轧,最后进行多次冷轧的方式,在满足轧钢工艺因素约束和设备因素约束的前提下,在对热轧粗轧、精轧和冷轧的负荷进行分配的多种方案中,采用粒子群算法得到最佳的负荷分配方案。
Description
技术领域
本发明涉及一种热冷轧负荷分配方法。
背景技术
轧钢生产过程分为热连轧和冷轧,分别由热轧厂和冷轧厂负责生产,各自核算生产成本。考虑到热轧厂生产的带钢产品大部分将作为冷轧厂的原料,如果热轧厂生产的精轧带钢厚度较小,则将增加热轧厂的生产成本;反之,带钢厚度较大,则会增加冷轧厂的生产成本。从节能的角度看,冷轧和热轧生产过程的分离造成了整个轧钢负荷分配不均衡,增加了生产能耗,影响了产品的质量。所以有必要综合考虑热轧和冷轧的生产过程,进行全过程轧钢负荷分配。
发明内容
本发明的目的就是为解决上述问题,提供一种热冷轧负荷分配方法,它在满足轧钢工艺约束和设备约束的前提下,综合考虑热轧和冷轧的负荷分配问题,达到既提高产品质量和生产效率,又节约生产能耗的目的。
为实现上述目的,本发明采用如下技术方案:
一种热冷轧负荷分配方法,它采用先进行至少一次热轧粗轧,然后进行多次热轧精轧,最后进行多次冷轧的方式,在满足轧钢工艺因素约束和设备因素约束的前提下,在对热轧粗轧、精轧和冷轧的负荷进行分配的多种方案中,采用粒子群算法得到最佳的负荷分配方案,其具体步骤为:
步骤1:读入原始数据,包括原料的钢号和规格,成品的规格,热轧和冷轧总的轧制道次,各机架的轧制温度,工作辊半径,末机架的轧制速度,力臂系数,初始变形阻力,各参数变量规定的上下限;
步骤2:初始化一群规模为n的m维粒子群,包括随机位置和速度;该粒子群中的每个粒子i代表一种负荷分配方案,即各机架的压下率,共n个初始方案,n的取值为30-100,m是所有的轧制道次数目;
步骤3:计算每个粒子的适应值,即求解每一种负荷分配方案的目标函数
式中,Wi为冷热轧过程中第i机架的轧制功率,将满足工艺因素约束条件按和设备因素约束条件要求的解作为每个粒子当前的适应值pbestd,该粒子记为当前个体经历的最优负荷分配方案;约束条件中各变量规定的上下限为已知,各机架的参数量根据参数模型求得;
步骤4:对每个粒子i,将其适应值与个体所经历过最好位置pbestx时的适应值pbestd做比较,如果该粒子适应值较小,则将其作为当前轧制方案的最好位值,即个体极值pbestx;
步骤5:对每个粒子i,将其适应值pbestd与全局经历最好位置时的适应值gbest作比较,得出当前全局最好值gbest,全局经历的最好位置即为能耗最小的最优负荷分配方案gbestx;
步骤6:更新每一个粒子的速度和位置;在迭代计算时,需要设定搜索速度的上下限,如果搜索速度超出范围,则按照上限或下限的速度进行求解;
步骤7:判断是否满足结束条件,如果未满足结束条件,则返回Step3,继续计算,否则输出最优负荷分配方案,计算结束。
所述步骤2中,第i个粒子的位置和速度表示为Xi=(xi1,xi2,…,xin)和Vi=(vi1,vi2,…,viN),其中i=1,2,3,…,m,m为群体规模;相应地,第i个粒子迄今为止搜索到的最优位置为pbesti=(xi1best,xi2best,…,xinbest),整个粒子群迄今为止搜索到的最优位置为gbest=(x1best,x2best,…,xnbest)。
所述步骤3中,所述设备因素的约束条件有:
Pimin≤Pi≤Pimax (2)
Mimin≤Mi≤Mimax (3)
Wimin≤Wi≤Wimax (4)
式中,Pi、Pimax和Pimin分别为冷轧或热轧第i道次的轧制压力及其上下限;Mi、Mimax和Mimin分别为冷轧或热轧第i道次的轧制力矩及其上下限和轧制功率;Wi、Wimax和Wimin为分别为冷轧或热轧第i道次的轧制功率及其上下限,由设备的强度条件确定;
所述工艺因素的约束条件有:
hi0,min≤hi0≤hi0,max (5)
hj0,min≤hj0≤hj0,max (6)
εimin≤εi≤εimax (7)
nimin≤ni≤nimax (8)
simm≤si≤simax (9)
式中,hi0、hi0,max和hi0,min分别为热轧精轧的入口厚度及其上下限;hj0、hj0,max和hj0,min分别为冷轧的入口厚度hj0及其上下限;εi、εimax和εimin分别为冷轧或热轧各道次压下率及其上下限;ni、nimax和nimin分别为冷轧或热轧各道次压下率及其上下限;si、simax和simin分别为冷轧或热轧各道次压下率及其上下限,这些数据由现场工艺条件确定。
所述步骤6中,采用下面的公式对粒子算法中第i个粒子的速度和位置更新:
所述步骤7中,结束条件为设定的最大迭代次数,利用粒子算法调整ω的策略,设ωmax为最大惯性权重,取0.9,ωmin为最小惯性权重,取0.4,k为当前迭代次数,K为算法的总迭代次数,则惯性权重ω由下式迭代求解;
得到全局最优解。
在本发明中,根据已知的原料的厚度为h0,冷轧成品的厚度为hn,以热轧机和冷轧机各机架的总轧制功率最小为目标函数,即
式中,Wi为冷热轧过程中第i机架的轧制功率。
约束条件分为设备因素约束条件(如各道次轧制压力、轧制力矩与轧制功率)和工艺因素约束条件(各道次压下率、轧辊转速和张力)两大类。且热轧粗轧、热轧精轧和冷轧过程约束条件都分为设备因素约束和工艺因素约束,但是各机架约束条件的取值范围不同,可以根据实际生产情况取值。
设备因素的约束条件有:
Pimin≤Pi≤Pimax (2)
Mimin≤Mi≤Mimax (3)
Wimin≤Wi≤Wimax (4)
式中,Pi、Pimax和Pimin分别为冷轧或热轧第i道次的轧制压力及其上下限;Mi、Mimax和Mimin分别为冷轧或热轧第i道次的轧制力矩及其上下限和轧制功率;Wi、Wimax和Wimin为分别为冷轧或热轧第i道次的轧制功率及其上下限。由设备的强度条件确定。
工艺因素的约束条件有:
hi0,min≤hi0≤hi0,max (5)
hj0,min≤hj0≤hj0,max (6)
εimin≤εi≤εimax (7)
nimin≤ni≤nimax (8)
simin≤si≤simax (9)
式中,hi0、hi0,max和hi0,min分别为热轧精轧的入口厚度及其上下限;hj0、hj0,max和hj0,min分别为冷轧的入口厚度hj0及其上下限;εi、εimax和εimin分别为冷轧或热轧各道次压下率及其上下限;ni、nimax和nimin分别为冷轧或热轧各道次压下率及其上下限;si、simax和simin分别为冷轧或热轧各道次压下率及其上下限。这些数据由现场工艺条件确定。
热轧和冷轧中的参数模型为:
1、热轧粗轧和热轧精轧参数模型
1.1各机架功率模型
式中:Wi为第i机架的输出功率;Vi为第i机架的轧制速度;Ri为第i机架工作辊半径;Ti为各个机架输出的转矩。
1.2轧制速度模型
秒流量方程:Bihivi=Bnhnvn (11)
式中,Bi,Bn为i机架和末机架轧件宽度,实际生产中可以近似认为Bi=Bn,mm;hi、hn为第i机架和末机架轧件厚度,单位为mm;vi、vn为i机架和末机架轧件速度,m/s。
1.3轧制转矩模型
各个机架的实际输出转矩由式(10)构成:
Ti=Tri+TTi+TLi (12)
式中Ti为各个机架输出的转矩。
纯轧制转矩按下面公式计算:
式中,xi为第i机架的力臂系数;Ri为第i机架工作辊半径;R′i为第i机架工作辊压扁半径;Xoi为第i机架的初始力臂系数(通过查表获得0.33-0.44);Hi为第i机架带钢的入口厚度;hi为第i机架带钢的出口厚度;Pi为第i机架的轧制压力:Tri为第i机架的纯轧制转矩。
则各个机架的张力产生的转矩可以按照下式进行计算:
TTi=Tri·Bi(tbi·Hi-tfihi)(15)
式中,TTi为第i机架的张力转矩;tbi为第i机架的带钢前单位张力:tfi为第i机架的带钢后单位张力;Bi为第i机架的带钢宽度。
由于机械损耗,轧制力矩会有所损失。所损失的轧制转矩由式(14)计算:
式中,TLi为第i机架的损耗转矩;Vi第i机架的轧制速度;Pi第i机架的轧制压力;TL0i TL1i TL2i TL3i TL4i都是常数。
1.4轧制压力
Pi=Bil′ciQpK (17)
式中,Bi为第i机架的带钢宽度,单位m,由于带钢轧制前后带宽变形不大,可以认为带宽是一个常数;P为轧制力kN;
(1)l′ci为考虑轧扁后的接触弧长,单位mm;
(2)轧扁后的轧辊半径:
(3)Qp为外摩擦(应力)影响系数,利用孙一康计算,即
(4)平面变形下的变形阻力:
K=1.15σ (21)
σ为金属塑性变形阻力,σ=f(T,um,ε,C%),即为变形温度T,变形速度及变形程度εi的函数,C%表示化学成分。
热连轧过程
式中,Ri为第i个工作辊的半径,单位mm;R′i为考虑轧扁后的工作辊半径,单位mm;Δhi为第i机架的压下量,Δhi=hi-hi-1,单位mm。
1.5轧制力矩
2、冷轧参数模型
2.1轧制能耗模型
由于存在前后张力,各道次轧制能耗为
Wi=1.03Mini+(Si-Si+1)Aivi (23)
式中,Mi、ni分别为第i机架轧制力矩和轧辊转速;Si Si+1分别为第i机架前后张应力;Ai、vi分别为第i道次轧件截面面积和速度。
2.2轧制压力模型
2.3轧制力矩
2.4前滑模型
根据秒流量方程,必须考虑各机架的前滑因素,任一架轧机的轧辊速度为
本发明采用了粒子群算法(PSO)进行迭代优化。
粒子群算法(PSO)是基于群体智能的全局随机优化算法起源于对鸟类捕食行为的模拟,算法采用速度-位置模型,即PSO算法在允许范围内初始化为一群随机粒子(潜在解),每个粒子都有一个速度决定它们的飞行方向和距离,在每一次迭代中通过跟踪两个极值来更新自己:粒子本身迄今为止所找到的个体极值pbesti和整个种群迄今为止所找到的全局极值gbest。所有的粒子的优劣由被优化函数所决定的适应值来衡量。设在一个N维的搜索空间,在PSO优化算法中第i个粒子的位置和速度可表示为Xi=(xi1,xi2,…,xin)和Vi=(vi1,vi2,…,viN),其中i=1,2,3,…,m,m为群体规模;相应地,第i个粒子迄今为止搜索到的最优位置为pbesti=(xi1best,xi2best,…,xinbest),整个粒子群迄今为止搜索到的最优位置为gbest=(x1best,x2best,…,xnbest)。利用这些信息,采用下面的公式对PSO算法中第i个粒子的速度和位置更新:
式中:为粒子i在迭代第k次的速度,ω为权重因子;cj为加速常数;rand(),Rand()是两个0到1之间的随机数;为个体i在第k次迭代的当前位置;pbesti为第i个粒子的个体极值;gbest为全局极值
惯性权重ω对优化性能有很大的影响,ω较大算法具有较强的全局搜索能力,ω较小则算法有利于局部搜索。本文利用自适应PSO算法调整ω的策略,如果让ω随算法迭代的进行而线性的减少,将显著改善算法的收敛性能,设ωmax为最大惯性权重,一般取为0.9,ωmin为最小惯性权重,一般取0.4,k为当前迭代次数,K为算法的总迭代次数,则ω由下式迭代求解。
采用该算法基本上克服了遗传算法易于陷入局部极值和计算复杂度高等不足,能够得到全局最优解。
本发明的有益效果是:它是一种从轧钢生产过程中各机架负荷分配的方法,得到综合效果较好的分配方案。通过建立整个轧钢生产过程的负荷分配数学模型,利用粒子算法优化求解最优方案,保证了轧钢负荷分配均衡性,在保证产品质量和产量前提下,降低了生产能耗。
附图说明
图1热冷轧轧钢负荷分配原理图。
图2是热轧机粗轧轧制生产过程示意图,为单机架往返轧制,一般轧制三道次。
图3是热轧机精轧连续轧制生产过程示意图,由6架4辊式轧机组成。
图4是冷轧机轧钢生产过程示意图,为双机架往返轧制,一般轧制三道次。
图5是粒子算法计算流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
图1-图4中,本发明的方法为:
一种热冷轧负荷工艺分配方法,它采用先进行一次单道次往返热轧粗轧,然后进行六道次热轧精轧,最后进行两道次往返冷轧的方式,在满足轧钢工艺因素约束和设备因素约束的前提下,在对热轧粗轧、精轧和冷轧的负荷进行分配的多种方案中,采用粒子群算法得到最佳的负荷分配方案,其具体步骤为:
步骤1:读入原始数据,包括原料的钢号和规格,成品的规格,热轧和冷轧总的轧制道次,各机架的轧制温度,工作辊半径,末机架的轧制速度,力臂系数,初始变形阻力,各参数变量规定的上下限;
步骤2:初始化一群规模为n的m维粒子群,包括随机位置和速度;该粒子群中的每个粒子i代表一种负荷分配方案,即各机架的压下率,共n个初始方案,n的取值为30-100,m是所有的轧制道次数目;
步骤3:计算每个粒子的适应值,即求解每一种负荷分配方案的目标函数
式中,Wi为冷热轧过程中第i机架的轧制功率,将满足工艺因素约束条件按和设备因素约束条件要求的解作为每个粒子当前的适应值pbestd,该粒子记为当前个体经历的最优负荷分配方案;约束条件中各变量规定的上下限为已知,各机架的参数量根据参数模型求得;
步骤4:对每个粒子i,将其适应值与个体所经历过最好位置pbestx时的适应值pbestd做比较,如果该粒子适应值较小,则将其作为当前轧制方案的最好位值,即个体极值pbestx;
步骤5:对每个粒子i,将其适应值pbestd与全局经历最好位置时的适应值gbest作比较,得出当前全局最好值gbest,全局经历的最好位置即为能耗最小的最优负荷分配方案gbestx;
步骤6:更新每一个粒子的速度和位置;在迭代计算时,需要设定搜索速度的上下限,如果搜索速度超出范围,则按照上限或下限的速度进行求解;
步骤7:判断是否满足结束条件,如果未满足结束条件,则返回Step3,继续计算,否则输出最优负荷分配方案,计算结束。
所述步骤2中,第i个粒子的位置和速度表示为Xi=(xi1,xi2,…,xin)和Vi=(vi1,vi2,…,viN),其中i=1,2,3,…,m,m为群体规模;相应地,第i个粒子迄今为止搜索到的最优位置为pbesti=(xi1best,xi2best,…,xinbest),整个粒子群迄今为止搜索到的最优位置为gbest=(x1best,x2best,…,xnbest)。
所述步骤3中,所述设备因素的约束条件有:
Pimin≤Pi≤Pimax (2)
Mimin≤Mi≤Mimax (3)
Wimin≤Wi≤Wimax (4)
式中,Pi、Pimax和Pimin分别为冷轧或热轧第i道次的轧制压力及其上下限;Mi、Mimax和Mimin分别为冷轧或热轧第i道次的轧制力矩及其上下限和轧制功率;Wi、Wimax和Wimin为分别为冷轧或热轧第i道次的轧制功率及其上下限,由设备的强度条件确定;
所述工艺因素的约束条件有:
hi0,min≤hi0≤hi0,max (5)
hj0,min≤hj0≤hj0,max (6)
εimin≤εi≤εimax (7)
nimin≤ni≤nimax (8)
simin≤si≤simax (9)
式中,hi0、hi0,max和hi0,min分别为热轧精轧的入口厚度及其上下限;hj0、hj0,max和hj0,min分别为冷轧的入口厚度hj0及其上下限;εi、εimax和εimin分别为冷轧或热轧各道次压下率及其上下限;ni、nimax和nimin分别为冷轧或热轧各道次压下率及其上下限;si、simax和simin分别为冷轧或热轧各道次压下率及其上下限,这些数据由现场工艺条件确定。
所述步骤6中,采用下面的公式对粒子算法中第i个粒子的速度和位置更新:
所述步骤7中,结束条件为设定的最大迭代次数,利用粒子算法调整ω的策略,设ωmax为最大惯性权重,取0.9,ωmin为最小惯性权重,取0.4,k为当前迭代次数,K为算法的总迭代次数,则惯性权重ω由下式迭代求解;
得到全局最优解。
Claims (4)
1.一种热冷轧负荷分配方法,其特征是,它采用先进行至少一次热轧粗轧,然后进行多次热轧精轧,最后进行多次冷轧的方式,在满足轧钢工艺因素约束和设备因素约束的前提下,在对热轧粗轧、精轧和冷轧的负荷进行分配的多种方案中,采用粒子群算法得到最佳的负荷分配方案,其具体步骤为:
步骤1:读入原始数据,包括原料的钢号和规格,成品的规格,热轧和冷轧总的轧制道次,各机架的轧制温度,工作辊半径,末机架的轧制速度,力臂系数,初始变形阻力,各参数变量规定的上下限;
步骤2:初始化一群规模为n的m维粒子群,包括随机位置和速度;该粒子群中的每个粒子i代表一种负荷分配方案,即各机架的压下率,共n个初始方案,n的取值为30-100,m是所有的轧制道次数目;
步骤3:计算每个粒子的适应值,即求解每一种负荷分配方案的目标函数
式中,Wi为冷热轧过程中第i机架的轧制功率,将满足工艺因素约束条件按和设备因素约束条件要求的解作为每个粒子当前的适应值pbestd,该粒子记为当前个体经历的最优负荷分配方案;约束条件中各变量规定的上下限为已知,各机架的参数量根据参数模型求得;
步骤4:对每个粒子i,将其适应值与个体所经历过最好位置pbestx时的适应值pbestd做比较,如果该粒子适应值较小,则将其作为当前轧制方案的最好位值,即个体极值pbestx;
步骤5:对每个粒子i,将其适应值pbestd与全局经历最好位置时的适应值gbest作比较,得出当前全局最好值,全局经历的最好位置即为能耗最小的最优负荷分配方案gbestx;
步骤6:更新每一个粒子的速度和位置;在迭代计算时,需要设定搜索速度的上下限,如果搜索速度超出范围,则按照上限或下限的速度进行求解;
步骤7:判断是否满足结束条件,如果未满足结束条件,则返回步骤3,继续计算,否则输出最优负荷分配方案,计算结束。
2.如权利要求1所述的热冷轧负荷分配方法,其特征是,所述步骤2中,第i个粒子的位置和速度表示为Xi=(xi1,xi2,…,xin)和Vi=(vi1,vi2,…,viN),其中i=1,2,3,……n,n为群体规模;相应地,第i个粒子迄今为止搜索到的最优位置为pbesti=(xi1best,xi2best,…,xinbest),整个粒子群迄今为止搜索到的最优位置为gbest=(x1best,x2best,…,xnbest)。
4.如权利要求1所述的热冷轧负荷分配方法,其特征是,所述步骤7中,结束条件为设定的最大迭代次数,利用粒子算法调整ω的策略,设ωmax为最大惯性权重,取0.9,ωmin为最小惯性权重,取0.4,k为当前迭代次数,K为算法的总迭代次数,则惯性权重ω由下式迭代求解;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110142718 CN102266865B (zh) | 2011-05-30 | 2011-05-30 | 热冷轧负荷分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110142718 CN102266865B (zh) | 2011-05-30 | 2011-05-30 | 热冷轧负荷分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102266865A CN102266865A (zh) | 2011-12-07 |
CN102266865B true CN102266865B (zh) | 2013-04-17 |
Family
ID=45049431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110142718 Expired - Fee Related CN102266865B (zh) | 2011-05-30 | 2011-05-30 | 热冷轧负荷分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102266865B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102896148B (zh) * | 2012-10-17 | 2015-04-22 | 首钢总公司 | 一种中厚板双机架轧制负荷分配方法 |
CN103394521B (zh) * | 2013-08-02 | 2015-04-01 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形控制方法 |
CN105013832A (zh) * | 2014-04-28 | 2015-11-04 | 宝山钢铁股份有限公司 | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 |
CN104107833B (zh) * | 2014-06-06 | 2016-05-11 | 浙江九龙厨具集团有限公司 | 一种冷轧薄带钢的轧制方法 |
CN104633321A (zh) * | 2015-02-16 | 2015-05-20 | 马鑫 | 带金属骨架的高刚度有机软管及金属骨架制造方法 |
CN106155011B (zh) * | 2015-04-27 | 2018-08-31 | 鞍钢股份有限公司 | 一种冷轧钢卷数据能源分析方法 |
CN107442577A (zh) * | 2016-05-30 | 2017-12-08 | 上海梅山钢铁股份有限公司 | 一种精轧带钢负荷分配设定方法 |
CN106126941B (zh) * | 2016-06-28 | 2018-06-26 | 中国地质大学(武汉) | 一种冷轧机组功率建模方法 |
CN106292277B (zh) * | 2016-08-15 | 2020-01-07 | 上海交通大学 | 基于全局滑模控制的亚临界火电机组协调控制方法 |
CN109702021B (zh) * | 2017-10-25 | 2020-04-24 | 上海宝信软件股份有限公司 | 单机架可逆冷轧机组道次负荷分配方法 |
CN111046508B (zh) * | 2019-12-18 | 2023-06-16 | 常州机电职业技术学院 | 一种基于最短路径的板形负荷分配权值计算方法 |
CN111832155B (zh) * | 2020-06-18 | 2022-04-19 | 北京科技大学 | 一种考虑中间坯凸度的热轧粗轧负荷分配方法 |
CN113290061B (zh) * | 2021-04-01 | 2023-01-24 | 国核宝钛锆业股份公司 | 一种基于锆合金的多轧程多道次变形制度设计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4818890B2 (ja) * | 2006-11-24 | 2011-11-16 | 新日本製鐵株式会社 | 冷間タンデム圧延における板厚制御方法 |
CN101934290B (zh) * | 2009-06-30 | 2014-04-16 | 上海宝信软件股份有限公司 | 不锈钢冷连轧负荷分配调整方法 |
CN102029293B (zh) * | 2010-10-20 | 2012-12-19 | 浙江工业大学 | 多电机负荷优化的冷连轧控制方法 |
-
2011
- 2011-05-30 CN CN 201110142718 patent/CN102266865B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102266865A (zh) | 2011-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102266865B (zh) | 热冷轧负荷分配方法 | |
CN102513351B (zh) | 一种带钢冷连轧轧制方法及装置 | |
CN101648216B (zh) | 一种pc轧机板形板凸度离线预报设定方法 | |
CN102179406B (zh) | 单机架炉卷轧机薄规格高强度钢板轧制工艺 | |
CN104338748B (zh) | 一种用于变厚度带材轧制的两道次轧制方法 | |
CN102744268B (zh) | 一种确定单机架可逆冷轧机压下分配的方法 | |
CN103586286B (zh) | 冷连轧机组以拉毛防治为目标的轧制规程综合优化方法 | |
CN101934290B (zh) | 不锈钢冷连轧负荷分配调整方法 | |
CN102189119B (zh) | 单机架炉卷轧机热轧平轧高钢级管线钢板形控制工艺 | |
CN102921743B (zh) | 一种确定五机架冷连轧机压下分配的方法 | |
CN103302108A (zh) | 一种六辊平整机组轧制力优化设定方法 | |
CN103191919B (zh) | 一种带钢轧制在线控制摩擦系数模型优化方法 | |
CN103962391B (zh) | 一种热连轧机精轧机组的轧制负荷优化方法 | |
CN101670371B (zh) | 中间板坯边部质量的控制方法 | |
CN105013832A (zh) | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 | |
CN107321799A (zh) | 一种新型二十辊轧机控制工艺的参数制定集成系统 | |
CN103949481A (zh) | 兼顾热轧带钢轧制稳定性和质量的平坦度分段控制方法 | |
CN1091008C (zh) | 基于板形板厚协调规律的板带轧制过程互联控制方法 | |
CN102489524B (zh) | 一种降低热轧带钢轧制过程能耗的机架负荷分配方法 | |
CN105234188B (zh) | 冷连轧过程中以效益控制为目标的轧制速度优化方法 | |
CN104785540B (zh) | 一种适合于五机架冷连轧机组的轧制效率提升方法 | |
Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
Bu et al. | Rolling schedule multi-objective optimizationbased on influence function for thin gauge steel strip in tandem cold rolling | |
CN103406368B (zh) | 优化热轧钢板表面质量的轧制方法 | |
CN115351096A (zh) | 一种弯辊优化设定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130417 Termination date: 20160530 |