CN104438350B - 平整过程带钢机械性能在线检测控制方法 - Google Patents
平整过程带钢机械性能在线检测控制方法 Download PDFInfo
- Publication number
- CN104438350B CN104438350B CN201310436580.4A CN201310436580A CN104438350B CN 104438350 B CN104438350 B CN 104438350B CN 201310436580 A CN201310436580 A CN 201310436580A CN 104438350 B CN104438350 B CN 104438350B
- Authority
- CN
- China
- Prior art keywords
- strip steel
- smooth
- mechanical performance
- elongation percentage
- parameter
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及板带轧制领域,尤其涉及一种板带平整质量控制方法。一种平整过程带钢机械性能在线检测控制方法,首先选用模型输入量、模型输出量,建立平整工艺相关参数与带钢机械性能之间对应关系的三层BP神经网络模型;针对某一钢种规格带钢收集记录n组平整工艺相关参数的实测值和带钢机械性能参数的实测值作为神经网络模型的训练样本,采用BP方法对神经网络进行学习训练,即得到该钢种规格带钢的机械性能预报模型;利用机械性能预报模型实现对平整过程带钢机械性能的在线控制。本发明并根据机械性能预报值的判定结果对平整工艺参数进行调整,实现对带钢机械性能参数的在线控制,以获得带钢材料较小的曲强比,从而保持带钢良好的成型性能。
Description
技术领域
本发明涉及板带轧制领域,尤其涉及一种板带平整质量控制方法。
背景技术
在目前冷轧带钢生产实践中,对带钢机械性能进行监控的通常方式是,在相关的冷轧后处理机组出口,对带钢进行抽检取样,然后在分析测试实验室对样板进行离线测试获取带钢的机械性能参数,并与下游用户的技术要求进行比较。如果带钢机械性能不满足下游用户的要求,则在后续的生产中对同类带钢的生产工艺参数或材料合金元素成份等进行必要调整。然后再抽检取样、离线分析测试、在线调整制造工艺参数或材料成份等,直到带钢的机械性能完全满足下游用户要求为止。这种离线检测所获得的机械性能参数只能够有限地用于指导生产工艺调整或材料成份调整,并且具有较长的时间滞后性。同时由于抽检取样和离线检测具有非连续性,不可能在线获取正在生产过程中的带钢性能参数,而且一般情况下只能对成卷带钢的头部或尾进行取样检测,难以保证带钢在整卷长度方向上各处的机械性能指标都是在用户要求的范围之内。
为了获得少材料缺陷的冷轧镀锌带钢,日本专利JP09118926A提出了一种热轧板卷晶粒是否粗大的检测和处理方法,即在酸洗之后采用非接触式磁头在线检测热轧板卷的巴克豪森噪声电压值,据此判断带头带尾材料晶粒是否粗大。如果带头或带尾存在晶粒粗大的部分,则在进入冷轧和退火之前将有材料缺陷的带头或带尾部分带钢切除掉。
近年来,随着检测技术的快速发展,在线检测冷轧带钢的机械性能已成为可能。各国都在致力于解决无损的在线检测技术。
发明内容
本发明所要解决的技术问题是提供一种平整过程带钢机械性能在线检测控制方法,该方法能利用平整工艺相关参数间接得到该钢种规格带钢的机械性能参数预报值,并根据预报值的判定结果对平整工艺相关参数进行调整,实现对带钢机械性能参数的在线控制,以获得带钢材料较小的曲强比,从而保持带钢良好的成型性能。
本发明是这样实现的:一种平整过程带钢机械性能在线检测控制方法,包括以下步骤:
步骤一、首先选用平整工艺相关参数作为模型输入量,以带钢机械性能参数作为模型输出量,建立平整工艺参数与带钢机械性能之间对应关系的三层BP神经网络模型;
步骤二、针对某一钢种规格带钢长度方向上的某一选定位置,收集记录该处的平整工艺相关参数的实测值,经过平整后的带钢进入机组取样段时,对该处带钢进行取样,通过离线破坏测试方法进行测试得到带钢机械性能参数的实测值;
步骤三、多次重复步骤二,得到该钢种规格带钢的n组平整工艺相关参数和带钢机械性能参数;
步骤四、将步骤三得到的n组数据作为神经网络模型的训练样本,采用BP方法对神经网络进行学习训练,即得到该钢种规格带钢的机械性能预报模型;
步骤五、将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统,输入平整工艺相关参数的实测值实现对带钢机械性能参数的预报,对所得到的带钢机械性能参数预报值进行判定,根据判定结果对平整延伸率进行相应的调整,实现对平整过程带钢机械性能的在线控制。
所述步骤一中,作为模型输入量的参数共有11个,分别为钢种炭当量Cd、退火温度Te、单位宽度平整轧制力p、平整入口张应力σ0、平整出口应张力σ1、平整速度v、工作辊直径DW、平整液浓度C、带钢厚度h、平整辊轧制公里数L、平整延伸率实际值ε;作为模型输出量的参数共有两个,分别为屈服强度σs、抗拉强度σb;建立模型输入量与模型输出量对应关系的三层BP神经网络模型时设置19个单元的中间层,即三层BP神经网络模型中输入层11个单元,中间层19个单元,输出层2个单元。
所述步骤五中对平整延伸率进行调整,当带钢为薄带钢即带钢厚度小于或等于0.3mm时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小平整入口张应力σ0、平整出口应张力σ1来减小平整延伸率,当σ0、σ1超下限时再通过减小单位宽度平整轧制力p来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限,则通过优先增大平整入口张应力σ0、平整出口应张力σ1来增大平整延伸率,当σ0、σ1超上限时再通过增大单位宽度平整轧制力p来增大平整延伸率。
所述步骤五中对平整延伸率进行调整,当带钢为厚带钢即带钢厚度为大于0.3mm时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小单位宽度平整轧制力p来减小平整延伸率,当p超下限再通过减小平整入口张应力σ0、平整出口应张力σ1来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限,则通过优先增大单位宽度平整轧制力p来增大平整延伸率,当p超上限再通过增大平整入口张应力σ0、平整出口应张力σ1来增大平整延伸率。
所述步骤四之前还包括对所得到的n组平整工艺相关参数和带钢机械性能参数进行合理性检查的步骤。
本发明平整过程带钢机械性能在线检测控制方法利用事前已知的或者通过在线实时监测得到的平整工艺相关参数作为模型输入量,通过取样离线测试得到对应的带钢机械性能参数作为模型输出量,在积累了足够数量某一钢种规格的数据后采用BP方法对神经网络进行学习训练,间接得到该钢种规格带钢的机械性能参数预报值,使平整机起到带钢机械性能传感器的作用,并根据预报值的判定结果对平整工艺相关参数进行调整,实现对带钢机械性能参数的在线控制;在一定程度上能降低带钢机械性能波动,避免出现屈服强度偏高、抗拉强度偏低等情况,以获得带钢材料较小的曲强比,从而保持带钢良好的成型性能;本方法可以广泛应用于与国内外数量众多的各冷轧板带热镀锌机组、连续退火机组以及平整机组,推广应用前景广阔。
附图说明
图1为本发明平整过程带钢机械性能在线检测控制方法中三层BP神经网络模型图;
图2为实施例中神经网络模型屈服强度训练误差散点图;
图3为实施例中神经网络模型抗拉强度训练误差散点图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明表述的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
实施例1
一种平整过程带钢机械性能在线检测控制方法,包括以下步骤:
步骤一、首先选用平整工艺相关参数作为模型输入量,以带钢机械性能参数作为模型输出量,建立平整工艺相关参数与带钢机械性能之间对应关系的三层BP神经网络模型;在本实施例中作为模型输入量的参数共有11个,分别为钢种炭当量Cd、退火温度Te、单位宽度平整轧制力p、平整入口张应力σ0、平整出口应张力σ1、平整速度v、工作辊直径Dw、平整液浓度C、带钢厚度h、平整辊轧制公里数L、平整延伸率实际值ε;作为模型输出量的参数共有两个,分别为屈服强度σs、抗拉强度σb;建立模型输入量与模型输出量对应关系的三层BP神经网络模型时设置19个单元的中间层,即三层BP神经网络模型中输入层11个单元,中间层19个单元,输出层2个单元;
步骤二、针对某一钢种规格带钢长度方向上的某一选定位置,收集记录该处的平整工艺相关参数的实测值,经过平整后的带钢进入机组取样段时,对该处带钢进行取样,通过离线破坏测试方法进行测试得到带钢机械性能参数的实测值;
步骤三、多次重复步骤二,得到该钢种规格带钢的n组平整工艺相关参数和带钢机械性能参数,
;
式中,i-参数组序号,
σsi-第i组屈服强度,
σbi-第i组抗拉强度,
εi-第i组平整延伸率实际值,
pi-单位宽度平整轧制力,
σ0i-第i组平整入口张应力,
σ1i-第i组平整出口张应力,
vi-第i组平整速度,
Dwi-第i组工作辊直径,
Cdi-第i组炭当量,
Tei-第i组退火温度,
Ci-第i组平整液浓度,
Li-第i组平整辊轧制公里数,
hi-第i组带钢厚度;
步骤四、为了避免某些突变的错误数据影响到最后的预报结果,首先对所得到的n组平整工艺相关参数和带钢机械性能参数进行合理性检查,使用“3σ原则”,即将远离参数均值超过3个标准差σ的值判别为离群点。对每组数据的每个参数作离群判别,如果一组数据的某个参数为离群值,则将这一组数据清除,然后将步骤三得到的n组数据作为神经网络模型的训练样本,采用BP方法对神经网络进行学习训练,即得到该钢种规格带钢的机械性能预报模型,
;
步骤五、将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统,平整工艺相关参数的实测值实现对带钢机械性能参数的预报,对所得到的带钢机械性能参数预报值进行判定,根据判定结果对平整延伸率进行相应的调整,实现对平整过程带钢机械性能的在线控制。
在本实施例中,对平整延伸率进行进行调整时将带钢分为薄带钢和厚带钢两类,其中薄带钢的厚度小于或等于0.3mm,厚带钢的厚度大于0.3mm。
当带钢为薄带钢时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小平整入口张应力σ0、平整出口应张力σ1来减小平整延伸率,当σ0、σ1超下限时再通过减小单位宽度平整轧制力p来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限时,则通过优先增大平整入口张应力σ0、平整出口应张力σ1来增大平整延伸率,当σ0、σ1超上限时再通过增大单位宽度平整轧制力p来增大平整延伸率。
当带钢为厚带钢时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小单位宽度平整轧制力p来减小平整延伸率,当p超下限再通过减小平整入口张应力σ0、平整出口应张力σ1来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限时,则通过优先增大单位宽度平整轧制力p来增大平整延伸率,当p超上限再通过增大平整入口张应力σ0、平整出口应张力σ1来增大平整延伸率。
以此来在一定程度上避免带钢的屈服强度偏高、抗拉强度偏低,以获得该钢种规格带钢较小的曲强比,从而保持带钢良好的成型性能。
本实施例的步骤三中共收集了某平整机组生产的06Cr19Ni10板卷实际平整工艺相关参数和对应的实测机械性能参数共289组,作为训练样本,对BP神经网络模型进行训练,模型训练误差如图2、图3所示,289组样本误差均在1%以内,说明模型训练结果是可靠的。
模型预报精度验证。收集另外10组06Cr19Ni10带钢的实际平整工艺相关参数和对应的实测机械性能参数,作为检验经过训练之后模型预报精度的测试样本,将10组实际平整工艺相关参数带入到带钢的机械性能预报模型中进行预报,得到带钢机械性能参数预报值结果如表1所示,
从表1的结果可以看出模型的相对预报精度较高,除了第7组以外都在20%以内,机械性能预报模型的精度基本满足要求。
为了检验上述带钢机械性能检测与控制模型的实际效果,在本项技术实施之前、实施之后,分别收集了某平整机组生产较多的某钢种不锈钢板实际机械性能数据各21组,两组数据中屈服强度最大值、抗拉强度最小值以及屈强比平均值如表2所示。
表2 机械性能控制试验结果
可以看出,实施本项技术后,带钢的实际曲强比有所减小,屈服强度最大值有所减小,抗拉强度有所增大。
Claims (2)
1.一种平整过程带钢机械性能在线检测控制方法,其特征是,包括以下步骤:
步骤一、首先选用平整工艺相关参数作为模型输入量,以带钢机械性能参数作为模型输出量,建立平整工艺相关参数与带钢机械性能之间对应关系的三层BP神经网络模型;
作为模型输入量的参数共有11个,分别为钢种炭当量Cd、退火温度Te、单位宽度平整轧制力p、平整入口张应力σ0、平整出口张应力σ1、平整速度v、工作辊直径DW、平整液浓度C、带钢厚度h、平整辊轧制公里数L、平整延伸率实际值ε;作为模型输出量的参数共有两个,分别为带钢屈服强度σs、抗拉强度σb;建立模型输入量与模型输出量对应关系的三层BP神经网络模型时设置19个单元的中间层,即三层BP神经网络模型中输入层11个单元,中间层19个单元,输出层2个单元;
步骤二、针对某一钢种规格带钢长度方向上的某一选定位置,收集记录该处的平整工艺相关参数的实测值,经过平整后的带钢进入机组取样段时,对该处带钢进行取样,通过离线破坏测试方法进行测试得到带钢机械性能参数的实测值;
步骤三、多次重复步骤二,得到该钢种规格带钢的n组平整工艺相关参数和带钢机械性能参数;
步骤四、将步骤三得到的n组数据作为神经网络模型的训练样本,采用BP方法对神经网络进行学习训练,即得到该钢种规格带钢的机械性能预报模型;
步骤五、将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统,输入平整工艺相关参数的实测值实现对带钢机械性能参数的预报,对所得到的带钢机械性能参数预报值进行判定,根据判定结果对平整延伸率进行相应的调整,实现对平整过程带钢机械性能的在线控制;
所述步骤五中对平整延伸率进行调整,当带钢为薄带钢即带钢厚度小于或等于0.3mm时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小平整入口张应力σ0、平整出口张应力σ1来减小平整延伸率,当σ0、σ1超下限时再通过减小单位宽度平整轧制力p来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限,则通过优先增大平整入口张应力σ0、平整出口张应力σ1来增大平整延伸率,当σ0、σ1超上限时再通过增大单位宽度平整轧制力p来增大平整延伸率;
所述步骤五中对平整延伸率进行调整,当带钢为厚带钢即带钢厚度大于0.3mm时,如果屈服强度预报值超过屈服强度目标值上限,则通过优先减小单位宽度平整轧制力p来减小平整延伸率,当p超下限再通过减小平整入口张应力σ0、平整出口应张力σ1来减小平整延伸率;如果抗拉强度预报值低于抗拉强度目标值下限,则通过优先增大单位宽度平整轧制力p来增大平整延伸率,当p超上限再通过增大平整入口张应力σ0、平整出口应张力σ1来增大平整延伸率。
2.如权利要求1所述的平整过程带钢机械性能在线检测控制方法,其特征是:所述步骤四之前还包括对所得到的n组平整工艺相关参数和带钢机械性能参数进行合理性检查的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310436580.4A CN104438350B (zh) | 2013-09-24 | 2013-09-24 | 平整过程带钢机械性能在线检测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310436580.4A CN104438350B (zh) | 2013-09-24 | 2013-09-24 | 平整过程带钢机械性能在线检测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104438350A CN104438350A (zh) | 2015-03-25 |
CN104438350B true CN104438350B (zh) | 2017-01-18 |
Family
ID=52885543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310436580.4A Active CN104438350B (zh) | 2013-09-24 | 2013-09-24 | 平整过程带钢机械性能在线检测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104438350B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106269861B (zh) * | 2016-08-26 | 2019-02-01 | 首钢京唐钢铁联合有限责任公司 | 利用平整机平整冷轧镀锌带钢的工艺方法 |
CN106825069B (zh) * | 2017-03-22 | 2018-07-17 | 宁波宝新不锈钢有限公司 | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 |
CN108760873A (zh) * | 2018-04-23 | 2018-11-06 | 南京航空航天大学 | 基于增量磁导率的金属材料抗拉强度定量检测装置及方法 |
CN109248924A (zh) * | 2018-10-26 | 2019-01-22 | 山东钢铁集团日照有限公司 | 一种冷轧带钢机械性能在线闭环控制方法 |
CN111378829A (zh) * | 2018-12-31 | 2020-07-07 | 瑨祥(宜昌)机电设备有限公司 | 通过拉矫机延伸率的测定在线调节退火炉的工艺方法 |
CN110773580B (zh) * | 2019-09-19 | 2021-02-02 | 北京冶自欧博科技发展有限公司 | 一种基于XGBoost算法计算轧制力的方法及系统 |
CN110814050B (zh) * | 2019-10-24 | 2021-07-09 | 唐山钢铁集团有限责任公司 | 一种基于bp神经网络的轧机模型控制方法 |
CN114113294B (zh) * | 2020-08-28 | 2023-12-12 | 宝山钢铁股份有限公司 | 用于确定带钢屈服强度和抗拉强度的在线测量装置及方法 |
CN112676376B (zh) * | 2020-12-30 | 2021-12-14 | 南通铭泰机床有限公司 | 一种提高数字控制的卷板机的控制精度的方法及系统 |
CN114798764A (zh) * | 2022-03-01 | 2022-07-29 | 南京航空航天大学 | 基于多磁融合在线测量冷轧带钢屈服强度方法 |
CN114713640A (zh) * | 2022-04-12 | 2022-07-08 | 南京钢铁股份有限公司 | 一种含Nb成分热轧直条HRB400钢筋的生产控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
-
2013
- 2013-09-24 CN CN201310436580.4A patent/CN104438350B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
Non-Patent Citations (4)
Title |
---|
双机架平整机延伸率控制系统技术研究;孙明军;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20121015(第10期);第I140-1203页 * |
基于BP神经网络的冷轧带钢的力学性能预测;侍红岩,等.;《重型机械科技》;CNKI;20060925(第3期);第38-40页 * |
杨喆.平整机延伸率自动控制系统的研究.《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》.2007,(第01期),第I140-74 页. * |
郑晖.利用人工神经网络预测板带力学性能的软件开发.《塑性工程学报》.CNKI,2003,第10卷(第5期),第71-75页. * |
Also Published As
Publication number | Publication date |
---|---|
CN104438350A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104438350B (zh) | 平整过程带钢机械性能在线检测控制方法 | |
CN103459646B (zh) | 局部变形能力优异的高强度冷轧钢板及其制造方法 | |
CN102688897B (zh) | 冷轧带钢边部板形控制方法 | |
CN102886383B (zh) | 一种冷轧带钢机械性能在线控制方法 | |
CN110110839B (zh) | 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 | |
CN104942019B (zh) | 一种带钢冷轧过程宽度自动控制方法 | |
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
CN102294364A (zh) | 极薄板平整机的轧制力预设定方法 | |
CN103191919B (zh) | 一种带钢轧制在线控制摩擦系数模型优化方法 | |
CN104942017B (zh) | 冷轧带钢横向厚差的确定方法 | |
CN108202085B (zh) | 冷连轧机的板厚控制装置 | |
CN104923568B (zh) | 一种防止薄带钢冷轧过程断带的控制方法 | |
CN107008758A (zh) | 冷轧带钢高精度板形表面粗糙度在线控制方法及系统 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
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 | |
CN106825068A (zh) | 一种轧制过程带钢表面粗糙度的预测方法 | |
Yang et al. | EM sensor array system and performance evaluation for in-line measurement of phase transformation in steel | |
CN108763637B (zh) | 一种热轧线材抗拉强度的计算与预判方法 | |
CN101748269A (zh) | 连退生产线中央工艺段全流程数据的关联和整合方法 | |
CN107486587B (zh) | 一种提高剪切设定模型控制精度的减薄量补偿方法 | |
CN105598186B (zh) | 一种基于带钢横向平坦度分布的平坦度评价系统及其方法 | |
CN105160127B (zh) | 基于csp流程热连轧生产线q235b钢种的性能预测方法 | |
KR20210092783A (ko) | 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비 | |
CN114331195A (zh) | 一种影响热轧带钢全长质量的过程曲线风险评价方法 | |
KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |