CN102277477A - 一种冷轧钢带抗拉强度预测模型的建立方法 - Google Patents
一种冷轧钢带抗拉强度预测模型的建立方法 Download PDFInfo
- Publication number
- CN102277477A CN102277477A CN2010101952155A CN201010195215A CN102277477A CN 102277477 A CN102277477 A CN 102277477A CN 2010101952155 A CN2010101952155 A CN 2010101952155A CN 201010195215 A CN201010195215 A CN 201010195215A CN 102277477 A CN102277477 A CN 102277477A
- Authority
- CN
- China
- Prior art keywords
- cold
- tensile strength
- cold rolled
- rolled steel
- steel strip
- 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.)
- Pending
Links
Images
Landscapes
- Heat Treatment Of Sheet Steel (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明涉及一种冷轧钢带抗拉强度预测模型的建立方法,其特征在于,将生产过程中的化学成分、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率相关参数引入回归型神经元网络,进行分析建立预测模型,步骤如下:1)将冷轧钢带生产过程中各工艺参数存储在数据库中;2)利用拉伸机对生产的冷轧钢带样品进行抗拉强度测量,并将测量结果存储数据库中;3)建立预测模型。所述的化学成分为碳、硅、锰、磷、硫、铝、氮、钛、铌。本发明的有益效果是:利用回归型神经元网络分析方法,引入冷轧钢带全程生产的数据建立预测模型,全面反映炼钢、热轧和冷轧全流程的影响,将某批次冷轧钢带的生产相关数据输入模型,即可得该批次冷轧钢带的抗拉强度预测值。
Description
技术领域
本发明涉及冷轧钢板技术领域,尤其涉及一种冷轧钢带抗拉强度预测模型的建立方法。
背景技术
随着汽车、家电、建筑等行业的不断发展,对钢板性能的要求越来越严格,所以需要对冷轧钢板的抗拉强度进行更为精确的控制。对于冷轧钢带抗拉强度预测,科研机构已可以给出一些预测公式,但是这些公式往往局限于某一部分参数对抗拉强度的影响,考虑到冷轧钢带从炼钢、热轧到冷轧的全流程生产过程,各生产工序参数对抗拉强度都会产生影响,仅仅使用理论公式并不能满足产品质量设计要求。
回归型神经元网络,是一种计算模型,系统通过采集数据并进行学习的方法来建立数据模型,即我们为系统提供样本,系统靠样本不断学习,在此基础上建立计算模型,从而建立网络结构,其输入和输出可以是时变过程或时变函数、多元函数乃至是抽象距离空间中的“点”,对输入的加工包括多元聚合和累积,特别是空间聚合和时间累积,相关理论包括泛函逼近定理、网络性质和计算能力等,应用领域包括过程建模、系统辨识、过程控制、聚类分类、过程优化、预测预报、评估决策以及宏观控制等。
发明内容
本发明的目的是提供一种冷轧钢带抗拉强度预测模型的建立方法,通过对冷轧钢带抗拉强度随炼钢、热轧和冷轧重要工艺参数变化规律进行分析,建立预测模型,为冷轧钢带的质量设计提供技术支持。
为实现上述目的,本发明通过以下技术方案实现:
一种冷轧钢带抗拉强度预测模型的建立方法,其特征在于,将冷轧钢带在炼钢、热轧和冷轧生产过程中的化学成分、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率相关参数引入回归型神经元网络,进行分析建立预测模型,建模步骤如下:
1)在计算机数据库中建立冷轧钢带生产工艺流程如下:
冶炼→精炼→连铸→热轧→冷轧→退火→平整→重卷取样,并将化学成分重量百分比、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率等相关生产工艺参数存储在计算机数据库中;
2)利用拉伸机对生产的冷轧钢带样品进行抗拉强度测量,并将测量结果存储到计算机数据库中;
3)对存储在数据库中的工艺参数和抗拉强度进行回归型神经元网络分析,建立冷轧钢带抗拉强度的预测模型。
所述的化学成分为碳、硅、锰、磷、硫、铝、氮、钛、铌。
与现有技术相比,本发明的有益效果是:通过引入冷轧钢带全程生产的数据,利用回归型神经元网络分析方法,建立预测模型,这样建立的模型能够全面反映炼钢、热轧和冷轧全流程的影响,预测结果准确,而且模型使用简便,只需将某批次冷轧钢带的生产相关数据输入模型,即可得到该批次冷轧钢带的抗拉强度预测值。
附图说明
图1是本发明的残差分布图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
一种冷轧钢带抗拉强度预测模型的建立方法,将冷轧钢带在炼钢、热轧和冷轧生产过程中的化学成分、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率相关参数引入回归型神经元网络,进行分析建立预测模型,建模步骤如下:
1)在计算机数据库中建立冷轧钢带生产工艺流程如下:
冶炼→精炼→连铸→热轧→冷轧→退火→平整→重卷取样,并将化学成分重量百分比、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率等相关生产工艺参数存储在计算机数据库中;
2)利用Zwick公司Z-100型号万能拉伸机对生产的冷轧钢带样品进行抗拉强度测量,并将测量结果存储到计算机数据库中;
3)对存储在数据库中的工艺参数和抗拉强度进行回归型神经元网络分析,建立冷轧钢带抗拉强度的预测模型。
上述的化学成分指的是碳、硅、锰、磷、硫、铝、氮、钛、铌,其变化范围见表1。
表1工艺参数的变化范围
工艺参数 | 最小值 | 最大值 |
碳/% | 0.0005 | 0.2 |
硅/% | 0.01 | 0.4 |
锰/% | 0.06 | 1.2 |
磷/% | 0.00 | 0.1 |
硫/% | 0.0006 | 0.02 |
氮/% | 0 | 0.005 |
铝/% | 0.001 | 0.06 |
钛/% | 0 | 0.08 |
铌/% | 0 | 0.055 |
终轧温度/℃ | 840 | 960 |
卷取温度/℃ | 500 | 765 |
冷轧轧机压下比/% | 0.45 | 0.86 |
平整延伸率/% | 0.4 | 1.992 |
退火时间 | 1,440.0 | 7,200.0 |
本发明通过引入冷轧钢带全程生产的数据,利用回归型神经元网络分析方法,建立预测模型,这样建立的模型能够全面反映炼钢、热轧和冷轧全流程的影响,预测结果准确,而且模型使用简便,只需将某批次冷轧钢带的生产相关数据输入模型,即可得到该批次冷轧钢带的抗拉强度预测值。用预测模型的预测误差与模型误差R2进行评估,残差的分布是正态的,如图1所示,证明模型是合理的,具有非常好的可推广性。
线性回归相关性分析中,炼钢、热轧和冷轧重要生产工艺参数的平方和、F统计量和P值如表2所示:
表2重要工艺参数的线性回归相关性分析中的平方和、F统计量和P值
工艺参数 | 平方和 | F统计量 | P值 |
碳/% | 561,965.90796 | 5,131.34478 | 0.00 |
磷/% | 378,515.98507 | 3,456.25241 | 0.00 |
铌/% | 191,972.10126 | 1,752.90890 | 0.00 |
冷轧轧机压下比/% | 128,841.42572 | 1,176.45887 | 0.00 |
锰/% | 40,521.82213 | 370.00722 | 0.00 |
硅/% | 15,486.83436 | 141.41122 | 0.00 |
平整延伸率/% | 13,458.81581 | 122.89326 | 0.00 |
精轧出口温度/℃ | 4,604.83561 | 42.04703 | 9.44853E-11 |
钛/% | 4,467.19276 | 40.79021 | 1.79110E-10 |
卷取温度/℃ | 2,479.55262 | 22.64095 | 1.98761E-6 |
铝∶氮 | 2,123.26039 | 19.38762 | 1.08107E-5 |
氮/% | 489.02073 | 4.46528 | 0.03462 |
铝/% | 83.29075 | 0.76053 | 0.38319 |
通过比较表中工艺参数的平方和、F统计量和P值即可确定该工艺参数对于抗拉强度的相对重要性,也就是说碳是抗拉强度的最重要影响因素。
回归型神经元网络模型和预测的均方误差(MSE)、绝对平均误差(MAE)及剩余误差(R2误差)如下表3、4所示
表3回归型神经元网络模型的误差值:
均方误差 | 89.01734 |
绝对平均误差 | 6.84184 |
剩余误差 | 0.14798 |
表4回归型神经元网络模型预测的误差值:
均方误差 | 89.01734 |
绝对平均误差 | 6.84184 |
剩余误差 | 0.14798 |
比较表3和表4,模型和预测的均方误差、绝对平均误差和剩余误差相同,说明模型是准确的,没有过度训练。
Claims (2)
1.一种冷轧钢带抗拉强度预测模型的建立方法,其特征在于,将冷轧钢带在炼钢、热轧和冷轧生产过程中的化学成分、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率相关参数引入回归型神经元网络,进行分析建立预测模型,建模步骤如下:
1)在计算机数据库中建立冷轧钢带生产工艺流程如下:
冶炼→精炼→连铸→热轧→冷轧→退火→平整→重卷取样,并将化学成分重量百分比、终轧温度、卷曲温度、冷轧压下比、退火时间、平整延伸率等相关生产工艺参数存储在计算机数据库中;
2)利用拉伸机对生产的冷轧钢带样品进行抗拉强度测量,并将测量结果存储到计算机数据库中;
3)对存储在数据库中的工艺参数和抗拉强度进行回归型神经元网络分析,建立冷轧钢带抗拉强度的预测模型。
2.根据权利要求1所述的一种冷轧钢带抗拉强度预测模型的建立方法,其特征在于,所述的化学成分为碳、硅、锰、磷、硫、铝、氮、钛、铌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101952155A CN102277477A (zh) | 2010-06-09 | 2010-06-09 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101952155A CN102277477A (zh) | 2010-06-09 | 2010-06-09 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102277477A true CN102277477A (zh) | 2011-12-14 |
Family
ID=45103204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101952155A Pending CN102277477A (zh) | 2010-06-09 | 2010-06-09 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102277477A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104438350A (zh) * | 2013-09-24 | 2015-03-25 | 宝山钢铁股份有限公司 | 平整过程带钢机械性能在线检测控制方法 |
CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
CN106769439A (zh) * | 2015-11-19 | 2017-05-31 | 鞍钢股份有限公司 | 一种管线钢热轧卷板屈服强度的测试方法 |
CN109444114A (zh) * | 2018-12-10 | 2019-03-08 | 中国科学院新疆理化技术研究所 | 一种根据原料成分预测连续玄武岩纤维拉伸强度的方法 |
CN115386720A (zh) * | 2021-05-24 | 2022-11-25 | 上海梅山钢铁股份有限公司 | 一种冷轧连续退火钢板力学性能在线控制方法 |
CN115628981A (zh) * | 2022-11-30 | 2023-01-20 | 江苏九天光电科技有限公司 | 一种冷轧钢带检测机及其检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
CN1875329A (zh) * | 2003-08-27 | 2006-12-06 | 西门子公司 | 用于控制生产钢的设备的方法和装置 |
-
2010
- 2010-06-09 CN CN2010101952155A patent/CN102277477A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
CN1875329A (zh) * | 2003-08-27 | 2006-12-06 | 西门子公司 | 用于控制生产钢的设备的方法和装置 |
Non-Patent Citations (1)
Title |
---|
殷峻等: "提高冷轧高强度钢板屈服强度控制水平的研究", 《宝钢技术》, no. 1, 31 December 2006 (2006-12-31) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104438350A (zh) * | 2013-09-24 | 2015-03-25 | 宝山钢铁股份有限公司 | 平整过程带钢机械性能在线检测控制方法 |
CN104438350B (zh) * | 2013-09-24 | 2017-01-18 | 宝山钢铁股份有限公司 | 平整过程带钢机械性能在线检测控制方法 |
CN106769439A (zh) * | 2015-11-19 | 2017-05-31 | 鞍钢股份有限公司 | 一种管线钢热轧卷板屈服强度的测试方法 |
CN106769439B (zh) * | 2015-11-19 | 2019-02-26 | 鞍钢股份有限公司 | 一种管线钢热轧卷板屈服强度的测试方法 |
CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
CN106345823B (zh) * | 2016-08-31 | 2018-02-27 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
CN109444114A (zh) * | 2018-12-10 | 2019-03-08 | 中国科学院新疆理化技术研究所 | 一种根据原料成分预测连续玄武岩纤维拉伸强度的方法 |
CN109444114B (zh) * | 2018-12-10 | 2021-04-20 | 中国科学院新疆理化技术研究所 | 一种根据原料成分预测连续玄武岩纤维拉伸强度的方法 |
CN115386720A (zh) * | 2021-05-24 | 2022-11-25 | 上海梅山钢铁股份有限公司 | 一种冷轧连续退火钢板力学性能在线控制方法 |
CN115386720B (zh) * | 2021-05-24 | 2024-01-05 | 上海梅山钢铁股份有限公司 | 一种冷轧连续退火钢板力学性能在线控制方法 |
CN115628981A (zh) * | 2022-11-30 | 2023-01-20 | 江苏九天光电科技有限公司 | 一种冷轧钢带检测机及其检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
Feng et al. | Journey for green development transformation of China’s metal industry: A spatial econometric analysis | |
CN102277477A (zh) | 一种冷轧钢带抗拉强度预测模型的建立方法 | |
Wang et al. | Research and development trend of shape control for cold rolling strip | |
CN110458474A (zh) | 一种卷烟卷制物理质量综合评价方法 | |
CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
CN106802977A (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
US20150094843A1 (en) | Performance feed-forward thickness control method in tandem cold mill | |
CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
CN106540968B (zh) | 冷轧板形测量值的补偿方法及装置 | |
WO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
An et al. | A multi-time-scale fusion prediction model for the gas utilization rate in a blast furnace | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
Zhao et al. | Prediction of mechanical properties of cold rolled strip based on improved extreme random tree | |
CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
CN112036081A (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
Li | Path-breaking industrial development reduces carbon emissions: Evidence from Chinese Provinces, 1999–2011 | |
CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
CN107679659A (zh) | 新型工业用电量预测方法 | |
CN107832880B (zh) | 基于布料参数的高炉状态变量预测方法 | |
CN107292438B (zh) | 一种钢铁工业负荷功率特性建模方法 | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
Zhang et al. | Deep learning-based prediction framework of temperature control time for wide-thick slab hot rolling production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111214 |