CN105251786B - 一种轧钢过程中轧制钢种智能分组的方法 - Google Patents
一种轧钢过程中轧制钢种智能分组的方法 Download PDFInfo
- Publication number
- CN105251786B CN105251786B CN201510705180.8A CN201510705180A CN105251786B CN 105251786 B CN105251786 B CN 105251786B CN 201510705180 A CN201510705180 A CN 201510705180A CN 105251786 B CN105251786 B CN 105251786B
- Authority
- CN
- China
- Prior art keywords
- deformation
- steel grade
- resistance
- mrow
- msub
- 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
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/08—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring roll-force
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/12—Rolling load or rolling pressure; roll force
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种轧钢过程中轧制钢种智能分组的方法,该分组方法包括以下步骤,(1)获取轧制钢种的成分;(2)计算出该钢种的变形抗力基本值;(3)根据钢种的BTF的级别,自动到相应分组中搜索该级别钢种的自学习系数;(4)进行规程计算,计算出不同温度的变形抗力参数;(5)轧制生产;(6)生产完成后,该块钢板的自学习系数以轧制钢种的BFT级别自动搜索相应的自学习分组文件中进行保存;(7)结束;该方法简单易行,降低劳动强度,可以实现任意钢种任意温度下的变形抗力的预测,提高了预测的精度,提高了轧制过程中首发命中率,减少废品率及非计划率,降低了成本,提高了生产效率。
Description
技术领域
本发明涉及一种中厚板轧制过程中,为了提高轧制力预测精度进行的一种轧制钢种智能分组的方法。
背景技术
在中厚板生产中,由于轧制条件的复杂性,任何物理模型都很难完美精准的进行各种钢种的轧制力预测;基于此,一般企业均采用自学习的方式进行处理,其基本原理如下:在这里设某个钢种为A的钢坯某个道次的预测轧制力是Fset,实际轧制力为Fact,则一般通过设置一个比值Rat,轧制完成后,令,
Rat反应的是实际轧制力与预测轧制力比例,容易理解,该数与1偏差越大,表明轧制力偏差越大,越接近于1,表明偏差越小,计算出Rat后,则当下次再次轧制该钢种的该道次时,只需要在预测轧制力的基础上,乘以该Rat,当做预测轧制力即可;如下所示,Fset'为自学习后的预测轧制力;
Fset'=Rat*Fset
通过上述方法,一般可以提高轧制力的预测精度。
接下来的问题是,Rat的保存以什么为主线?很多过程控制系统一般以钢种为主线,比如A钢种,一般会建立一个以A命名的文件,文件里会保存有该钢种的各种厚度对应的自学习系数Rat的值,同样的做法会用于钢种B、钢种C、钢种D······。
但是,上述保存Rat的方法有两个弊端:(1)假设一个钢种X从未轧过,则意味着该钢种首次轧制时,没有自学习系数Rat可以使用,也就意味着,其第一块轧制难以轧成,降低了命中率,增大了开发成本;(2)不同的钢种,比如钢种B和钢种D,有可能他们根本就是成分相似、硬度相似、变形抗力相似,它们之所以钢种名称不同,只是因为用途不同而已。
由轧钢工艺学可知,影响钢板轧制力的主要因素就是变形抗力,而影响变形抗力最主要的就是钢种成分;由上述分析可知,以变形抗力的大小为标识,进行轧制力自学习系数Rat的保存,更符合实际情况;这样做,除了可以压缩上百个以钢种名称命名的自学习文件外,还可以使得某些新钢种首次轧制时,可以直接使用其相应变形抗力大小文件里的自学习数据,避免首次轧制偏差过大。
这里我们可以将变形抗力分为若干个层别,比如分为十个层别,分别为<150MPa,150-165MPa,165-180MPa,180-195MPa,195-210MPa,210-225MPa,225-240MPa,240-255MPa,255-270MPa,>270MPa,接下来的问题是,我们如何预测一个钢种的变形抗力,从而将其自动划分到相应的层别里,这一问题成为本领域技术人员亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是,克服现有技术的缺点,提供一种轧钢过程中轧制钢种智能分组的方法,该方法简单易行,降低劳动强度,可以实现任意钢种任意温度下的变形抗力的预测,提高了预测的精度,提高了轧制过程中首发命中率,减少废品率及非计划率,降低了成本,提高了生产效率。
为了解决以上技术问题,本发明提供一种轧钢过程中轧制钢种智能分组的方法,该分组方法包括以下步骤:
步骤(1):获取轧制钢种的成分;
步骤(2):以钢种基本元素为基础,根据三级系统的实际轧制力数据及相应的数学模型,回归出各种钢种成分的变形抗力参数,得出变形抗力参数与各个钢种成分间的定量函数关系式,从而得出变形抗力与钢种成分的关系模型,计算出该钢种的变形抗力基本值;
步骤(3):根据钢种的BTF的级别,自动到相应分组中搜索该级别钢种的自学习系数;
步骤(4):通过对众多各种规格的轧制规程的实际轧制参数进行分析,回归得到不同温度下的变形抗力与基本变形抗力的关系,计算出不同温度的变形抗力参数;
步骤(5):轧制生产;
步骤(6):生产完成后,该块钢板的自学习系数以轧制钢种的BFT级别自动搜索相应的自学习分组文件中进行保存;
步骤(7):轧钢过程中轧制钢种智能分组结束。
本发明进一步限定的技术方案中:
前述轧钢过程中轧制钢种智能分组的方法中,步骤(2)中所述该钢种的变形抗力基本值的具体计算如下:
以钢种基本元素为基础,先根据三级系统的实际轧制力数据及相应的数学模型,回归出1000±30℃的各种钢种成分的变形抗力参数,然后根据回归的各个钢种的变形抗力参数,结合相应钢种成分的质量分数,采用循环迭代搜索的方法,搜索出变形抗力参数与各个钢种成分间的定量函数关系式,从而得出变形抗力与钢种成分的关系模型,即各个钢种在1000℃的变形抗力值为该钢种的变形抗力基本值,具体为:
BFT=4.1*10-3*e10.45+0.81*Al+7.02*B+0.014*C+0.0072*Cr+0.043*Mn+0.14*Mo-1.13*Nb+0.0069*Ni+1.255*Ti (1),
根据该关系式计算出BFT,
式中,BTF为Base flowstress即变形抗力基本值,各个元素符号与化学元素周期表相同,学元素符号代表该元素的质量分数。
前述轧钢过程中轧制钢种智能分组的方法中,步骤(4)中所述不同温度的变形抗力参数具体计算如下:
通过对众多各种规格的轧制规程的实际轧制参数进行分析,回归得到不同温度下的变形抗力与基本变形抗力的关系,所计算任意温度落在回归的温度区间内,采用线性插值从而计算出不同温度的变形抗力参数FT,具体为:
设任意温度落在根据轧制规程的实际轧制参数进行分析回归得到的不同温度区间内,式中:T0为所需计算的任意温度,FT0为T0下对应的变形抗力,T1为T0对应的左侧温度,FT1为T1下对应变形抗力,T2为T0对应的右侧温度,FT2为T2下对应变形抗力。
前述轧钢过程中轧制钢种智能分组的方法中,步骤(3)中的自学习系数按照钢种的基本变形抗力分为10组,即<150MPa,150-165MPa,165-180MPa,180-195MPa,195-210MPa,210-225MPa,225-240MPa,240-255MPa,255-270MPa,>270MPa。
本发明的有益效果是:
本发明作为一种自学习意义上的轧制钢种的智能分组,通过该方法,可以实现任意钢种任意温度下的变形抗力的预测,从而改变了传统轧制力自学习的存储必须以钢种为主进行存储的模式,使之可以直接根据变形抗力级别进行存储,可以压缩上百个以钢种名称命名的自学习文件,大大减少了自学习存储文件的数量,而且对于大量未曾轧制过的钢种,只要其类似变形抗力级别的钢种生产过,就可以直接使用其相应变形抗力大小文件里的自学习数据,大大提高了首发命中率,减少废品率及非计划率,避免首次轧制偏差过大,特别对于新钢种开发较多的企业,具有很好的实用价值。
附图说明
图1为本发明工程实用轧钢过程中轧制钢种智能分组的方法的总流程图。
具体实施方式
实施例1
本实施例提供的一种轧钢过程中轧制钢种智能分组的方法,该分组方法包括以下步骤,流程如图1所示:
步骤(1):获取轧制钢种的成分;
步骤(2):以钢种基本元素为基础,先根据三级系统的实际轧制力数据及相应的数学模型,回归出1000±30℃的各种钢种成分的变形抗力参数,然后根据回归的各个钢种的变形抗力参数,结合相应钢种成分的质量分数,采用循环迭代搜索的方法,搜索出变形抗力参数与各个钢种成分间的定量函数关系式,从而得出变形抗力与钢种成分的关系模型,即各个钢种在1000℃的变形抗力值为该钢种的变形抗力基本值,具体为:
BFT=4.1*10-3*e10.45+0.81*Al+7.02*B+0.014*C+0.0072*Cr+0.043*Mn+0.14*Mo-1.13*Nb+0.0069*Ni+1.255*Ti (1),
根据该关系式计算出BFT;
式中,BTF为Base flowstress即变形抗力基本值,各个元素符号与化学元素周期表相同,学元素符号代表该元素的质量分数;
步骤(3):根据钢种的BTF的级别,自动到相应分组中搜索该级别钢种的自学习系数,自学习系数按照钢种的基本变形抗力分为10组,即<150MPa,150-165MPa,165-180MPa,180-195MPa,195-210MPa,210-225MPa,225-240MPa,240-255MPa,255-270MPa,>270MPa;
步骤(4):通过对众多各种规格的轧制规程的实际轧制参数进行分析,回归得到不同温度下的变形抗力与基本变形抗力的关系,具体如表1所示:
表1不同温度下变形抗力FT与基本变形抗力BFT的比值关系表
温度值 | 500 | 600 | 700 | 730 | 800 | 850 | 900 | 1000 | 1150 | 1350 |
FT/BFT | 8.846 | 4.548 | 2.771 | 2.435 | 1.852 | 1.520 | 1.280 | 1.0 | 0.680 | 0.490 |
设所计算的任意温度落在根据轧制规程的实际轧制参数进行分析回归得到的不同温度区间内,采用线性插值结合表1和公式1从而计算出不同温度的变形抗力参数FT,具体为:
式中:T0为所需计算的任意温度,FT0为T0下对应的变形抗力,T1为T0对应的左侧温度,FT1为T1下对应变形抗力,T2为T0对应的右侧温度,FT2为T2下对应变形抗力;
步骤(5):轧制生产;
步骤(6):生产完成后,该块钢板的自学习系数以轧制钢种的BFT级别自动搜索相应的自学习分组文件中进行保存;
步骤(7):轧钢过程中轧制钢种智能分组结束。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (2)
1.一种轧钢过程中轧制钢种智能分组的方法,其特征在于,该分组方法包括以下步骤:
步骤(1):获取轧制钢种的成分;
步骤(2):以钢种基本元素为基础,根据三级系统的实际轧制力数据及相应的数学模型,回归出各种钢种成分的变形抗力参数,得出变形抗力参数与各个钢种成分间的定量函数关系式,从而得出变形抗力与钢种成分的关系模型,计算出该钢种的变形抗力基本值;
所述该钢种的变形抗力基本值的具体计算如下:
以钢种基本元素为基础,先根据三级系统的实际轧制力数据及相应的数学模型,回归出1000±30℃的各种钢种成分的变形抗力参数,然后根据回归的各个钢种的变形抗力参数,结合相应钢种成分的质量分数,采用循环迭代搜索的方法,搜索出变形抗力参数与各个钢种成分间的定量函数关系式,从而得出变形抗力与钢种成分的关系模型,即各个钢种在1000℃的变形抗力值为该钢种的变形抗力基本值,具体为:
BFT=4.1*10-3*e10.45+0.81*Al+7.02*B+0.014*C+0.0072*Cr+0.043*Mn+0.14*Mo-1.13*Nb+0.0069*Ni+1.255*Ti (1),
根据该关系式计算出BFT,
式中,BFT为Base flowstress即变形抗力基本值,各个元素符号与化学元素周期表相同,元素符号代表该元素的质量分数;
步骤(3):根据钢种的BFT的级别,自动到相应分组中搜索该级别钢种的自学习系数;
步骤(4):通过对众多各种规格的轧制规程的实际轧制参数进行分析,回归得到不同温度下的变形抗力与基本变形抗力的关系,计算出不同温度的变形抗力参数;
所述不同温度的变形抗力参数具体计算如下:
通过对众多各种规格的轧制规程的实际轧制参数进行分析,回归得到不同温度下的变形抗力与基本变形抗力的关系,所计算任意温度落在回归的温度区间内,采用线性插值从而计算出不同温度的变形抗力参数FT,具体为:
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>T</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>T</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>T</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>T</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
设任意温度落在根据轧制规程的实际轧制参数进行分析回归得到的不同温度区间内,式中:T0为所需计算的任意温度,FT0为T0下对应的变形抗力,T1为T0对应的左侧温度,FT1为T1下对应变形抗力,T2为T0对应的右侧温度,FT2为T2下对应变形抗力;
步骤(5):轧制生产;
步骤(6):生产完成后,该块钢板的自学习系数以轧制钢种的BFT级别自动搜索相应的自学习分组文件中进行保存;
步骤(7):轧钢过程中轧制钢种智能分组结束。
2.根据权利要求1所述的轧钢过程中轧制钢种智能分组的方法,其特征在于:步骤(3)中的自学习系数按照钢种的基本变形抗力分为10组,即<150MPa,150-165MPa,165-180MPa,180-195MPa,195-210MPa,210-225MPa,225-240MPa,240-255MPa,255-270MPa,>270MPa。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510705180.8A CN105251786B (zh) | 2015-10-27 | 2015-10-27 | 一种轧钢过程中轧制钢种智能分组的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510705180.8A CN105251786B (zh) | 2015-10-27 | 2015-10-27 | 一种轧钢过程中轧制钢种智能分组的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105251786A CN105251786A (zh) | 2016-01-20 |
CN105251786B true CN105251786B (zh) | 2017-08-22 |
Family
ID=55091882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510705180.8A Active CN105251786B (zh) | 2015-10-27 | 2015-10-27 | 一种轧钢过程中轧制钢种智能分组的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105251786B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032097B (zh) * | 2018-08-28 | 2021-09-07 | 唐山钢铁集团有限责任公司 | 一种冷轧带钢镀锌线过程控制方法 |
CN113427204A (zh) * | 2021-08-30 | 2021-09-24 | 南京钢铁股份有限公司 | 一种中厚板精整离线工序智能化生产方案 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0716631A (ja) * | 1993-07-02 | 1995-01-20 | Shinko Electric Co Ltd | 被圧延材のル−プ最適制御自己学習方法およびその装置 |
CN102513372A (zh) * | 2011-12-29 | 2012-06-27 | 中冶南方(武汉)自动化有限公司 | 基于最优化算法的冷轧板形控制自学习方法 |
CN102794315A (zh) * | 2012-08-22 | 2012-11-28 | 北京科技大学 | 一种提高带钢全长卷取温度预报精度的自学习方法 |
CN103611730A (zh) * | 2013-11-19 | 2014-03-05 | 北京首钢自动化信息技术有限公司 | 用于提高热连轧新品种首卷钢尺寸控制精度的方法 |
CN104028859A (zh) * | 2014-05-23 | 2014-09-10 | 广东豪美铝业股份有限公司 | 一种放电治具的电极定位方法 |
-
2015
- 2015-10-27 CN CN201510705180.8A patent/CN105251786B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0716631A (ja) * | 1993-07-02 | 1995-01-20 | Shinko Electric Co Ltd | 被圧延材のル−プ最適制御自己学習方法およびその装置 |
CN102513372A (zh) * | 2011-12-29 | 2012-06-27 | 中冶南方(武汉)自动化有限公司 | 基于最优化算法的冷轧板形控制自学习方法 |
CN102794315A (zh) * | 2012-08-22 | 2012-11-28 | 北京科技大学 | 一种提高带钢全长卷取温度预报精度的自学习方法 |
CN103611730A (zh) * | 2013-11-19 | 2014-03-05 | 北京首钢自动化信息技术有限公司 | 用于提高热连轧新品种首卷钢尺寸控制精度的方法 |
CN104028859A (zh) * | 2014-05-23 | 2014-09-10 | 广东豪美铝业股份有限公司 | 一种放电治具的电极定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105251786A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104679956B (zh) | 考虑动态特性的高速压力机底座可靠性稳健设计方法 | |
CN103761423B (zh) | 一种基于pso-elm的热轧板材组织-性能预测方法 | |
CN104699894A (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
CN103985000B (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN104616059B (zh) | 一种基于量子粒子群的波达方向估计方法 | |
CN102509240A (zh) | 一种基于多指标多层次的电网投资效益评估方法 | |
CN101825622A (zh) | 一种水质预测方法和装置 | |
CN105251786B (zh) | 一种轧钢过程中轧制钢种智能分组的方法 | |
CN101320031B (zh) | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 | |
CN103336771B (zh) | 基于滑动窗口的数据相似检测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN105956768A (zh) | 一种基于组合赋权和改进topsis的发电企业竞争力评估方法 | |
JP6569497B2 (ja) | 予測装置、方法及びプログラム | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
Shoesmith | Space–time autoregressive models and forecasting national, regional and state crime rates | |
CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
CN104536294A (zh) | 基于连续搅拌反应釜的多目标分层预测控制方法 | |
CN107545378A (zh) | 一种技术价值的评估方法、装置、设备及可读存储介质 | |
CN107038502A (zh) | 考虑季节特性的改进小波包用电量预测方法 | |
CN105844334A (zh) | 一种基于径向基神经网络的温度插值算法 | |
CN101807271A (zh) | 基于广义邻近替代的产品需求预测方法 | |
CN106294447A (zh) | 一种基于双聚类填充的协同过滤方法 | |
CN102930166B (zh) | 基于混沌多项式的行星大气进入状态不确定度获取方法 | |
CN104991447B (zh) | 一种基于小波神经网络的火电机组变负荷速率预测方法 | |
CN102868653B (zh) | 一种基于双谱和稀疏矩阵的数字调制信号分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180209 Address after: 223801 Suyu Economic Development Zone, Suqian, Jiangsu Patentee after: Suqian Nangang Jinxin Steel Rolling Co.,Ltd. Address before: Liuhe District of Nanjing City, Jiangsu province 210035 xiejiadian Patentee before: Nanjing Iron and Steel Co., Ltd. |