CN105750336B - 一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 - Google Patents
一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 Download PDFInfo
- Publication number
- CN105750336B CN105750336B CN201610189059.9A CN201610189059A CN105750336B CN 105750336 B CN105750336 B CN 105750336B CN 201610189059 A CN201610189059 A CN 201610189059A CN 105750336 B CN105750336 B CN 105750336B
- Authority
- CN
- China
- Prior art keywords
- rolling
- force
- model
- friction coefficient
- roll
- 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
- B21B37/58—Roll-force control; Roll-gap control
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法，其特征在于：先编写计算轧制力的轧制模型，然后采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，利用实测数据迭代计算出上一道次非稳态阶段的摩擦系数，作为下一道次非稳态阶段的摩擦系数，用于计算下一道次轧制力预设定值。本发明在提高摩擦系数模型的基础上大大提高了轧制力预设定计算精度，采用本发明的方法设定的非稳态预设定轧制力和实测轧制力平均相对偏差为4.63％，相对偏差在10％以内的概率为96.94％，从而有效提高了带钢的厚度控制精度，提高了产品质量，对森吉米尔轧机生产实际中提高非稳态轧制阶段轧制力预设定精度具有重要的应用价值。
Description
技术领域
本发明属于不锈钢生产制造技术领域，涉及一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法。
背景技术
经过数十年来的不懈发展，目前冷轧带钢的厚度精度达到了一个相当高的水平，高速稳态轧制阶段带钢的厚度偏差普遍能够控制在3％以内，部分新建或改建的机组厚度精度甚至能够达到1％以内。为了追求更高的产品质量，人们关注的重心逐渐向非稳态轧制阶段转移。在森吉米尔轧机升降速轧制的非稳态轧制阶段，由于轧制速度较小而且是不断变化的，轧制区不能形成稳定的润滑油膜，另外由于带钢头尾部温度波动和硬度波动较大，这些都造成了非稳态轧制阶段的摩擦系数、变形抗力和稳态轧制阶段是不同的，因而用传统的轧制力模型计算求得的摩擦系数和变形抗力与实际情况相差较大，进而计算得到的轧制力预设定值偏差也较大，轧制力预设定不准确直接导致了带钢厚度控制精度较低。因此，需要研发出一种提高非稳态轧制阶段轧制力预设定精度的方法。
传统的Bland-Ford-Hill轧制(力)模型基本算法如下：
式中，B为带钢宽度；H为轧机入口带钢厚度；h为轧机出口带钢厚度；KP为变形抗力；R'为工作辊压扁半径，由Hitchcock模型求得；QP为轧制力影响函数，与带钢和轧辊接触面的几何学条件及摩擦条件有关；KT为张力因子，与轧制过程中的前后张力有关，也与带钢的变形抗力有关。
发明内容
本发明所要解决的技术问题是针对上述的技术现状而提供一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法，使轧制力预设定值和轧制规定厚度带钢所需的实际轧制力尽可能接近，使轧出的带钢厚度尽量接近目标厚度，提高厚度精度。
本发明解决上述技术问题所采用的技术方案为：一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法，其特征在于：先编写计算轧制力的轧制模型，然后采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，利用实测数据迭代计算出上一道次非稳态阶段的摩擦系数，作为下一道次非稳态阶段的摩擦系数，用于计算下一道次轧制力预设定值；其中轧制模型包括以下计算步骤：
1)读入输入数据，计算轧制入口温度tin、轧制弹性区入口厚度hin1和出口厚度hin2；
2)设定轧制力迭代的初始值为p0；
3)设定轧制区出入口温差迭代的初始值为t0；
4.1)计算摩擦系数u、动态变形抗力k；
4.2)计算轧制塑性区入口和出口厚度hinm、houtm；
4.3)计算压扁半径R’；
4.4)计算轧制弹性区入口和出口的轧制力pa1、pa2；
4.5)计算轧制塑性前滑区和后滑区的轧制力p1、p2；
4.6)计算轧制温度变化量tx；
5)若|tx-t0|>0.1，则计算t0＝tx-(tx-t0)/10，将得到的t0值输入步骤3)中按接下来的步骤依次进行计算；
6)若|tx-t0|≦0.1，则计算总轧制力px；
7)若|px-p0|>0.1，则计算p0＝px-(px-p0)/10，将得到的p0值输入步骤2)中按接下来的步骤依次进行计算；
8)若|px-p0|≦0.1，则得到总轧制力p，得到带钢出口温度tout。
作为改进，所述采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，具体步骤为：
a、第n道次轧制准备状态时，先从内存数据区读取第n-1道次带钢头部和尾部工艺参数；
b、通过轧制模型迭代求得第n-1道次带钢头部和尾部的摩擦系数u1(n-1)和u2(n-1)；
c、进行第n道次头部的摩擦系数自学习计算u1(n)＝(u1(n-1)+u2(n-1))/2；
d、将第n道次头部的摩擦系数自学习计算u1(n)带人轧制模型计算轧制力P(n)；
e、将计算得到的轧制力P(n)作为轧制力预设定值；
f、第n道次轧制开始。
最后，所述非稳态轧制阶段是指每一道次轧制的初始升速阶段，是指每一道次刚开始轧制时厚度自动控制AGC系统未能投入工作的阶段。
与现有技术相比，本发明的优点在于：设定过程控制的轧制模型，用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，在提高摩擦系数模型的基础上大大提高了轧制力预设定计算精度，采用本发明的方法设定的非稳态预设定轧制力和实测轧制力平均相对偏差为4.63％，相对偏差在10％以内的概率为96.94％，从而使轧出的带钢厚度接近目标厚度，有效提高了带钢的厚度控制精度，提高了产品质量，对森吉米尔轧机生产实际中提高非稳态轧制阶段轧制力预设定精度具有重要的应用价值。
附图说明
图1为本发明轧制模型的计算流程图；
图2为本发明的摩擦系数的自学习修正流程图；
图3为本发明实施例中随机选取的一卷带钢全部道次带头带尾段摩擦系数预测值和实际迭代值的对比图；
图4为本发明实施例中二级机模型求得的轧制力预设定值、修正模型求得的轧制力预设定值与实测值轧制力的对比图；
图5为本发明实施例中轧制力相对偏差正态分布图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1、2所示，一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法，先编写计算轧制力的轧制模型，然后采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，利用实测数据迭代计算出上一道次非稳态阶段的摩擦系数，作为下一道次非稳态阶段的摩擦系数，用于计算下一道次轧制力预设定值；其中轧制模型包括以下计算步骤：
1)读入输入数据，计算轧制入口温度tin、计算轧制弹性区入口厚度hin1和出口厚度hin2；
2)设定轧制力迭代的初始值为p0；
3)设定轧制区出入口温差迭代的初始值为t0；
4.1)计算摩擦系数u、动态变形抗力k；
4.2)计算轧制塑性区入口和出口厚度hinm、houtm；
4.3)计算压扁半径R’；
4.4)计算轧制弹性区入口和出口的轧制力pa1、pa2；
4.5)计算轧制塑性前滑区和后滑区的轧制力p1、p2；
4.6)计算轧制温度变化量tx；
5)若|tx-t0|>0.1，则计算t0＝tx-(tx-t0)/10，将得到的t0值输入步骤3)中按接下来的步骤依次进行计算；
6)若|tx-t0|≦0.1，则计算总轧制力px，
7)若|px-p0|>0.1，则计算p0＝px-(px-p0)/10，将得到的p0值输入步骤2)中按接下来的步骤依次进行计算；
8)若|px-p0|≦0.1，则得到总轧制力p，得到带钢出口温度tout。
轧制(力)模型可以采用背景技术介绍的Bland-Ford-Hill轧制(力)模型。
所述采用模型自学习的方法对轧制力模型中的摩擦系数模型进行了修正和优化，具体步骤为：
a、第n道次轧制准备状态时，先从内存数据区读取第n-1道次带钢头部和尾部工艺参数；
b、通过轧制模型迭代求得第n-1道次带钢头部和尾部的摩擦系数u1(n-1)和u2(n-1)；
c、进行第n道次头部的摩擦系数自学习计算u1(n)＝(u1(n-1)+u2(n-1))/2；
d、将第n道次头部的摩擦系数自学习计算u1(n)带人轧制模型计算轧制力P(n)；
e、将计算得到的轧制力P(n)作为轧制力预设定值；
f、第n道次轧制开始。
轧制(力)模型可以采用背景技术介绍的Bland-Ford-Hill轧制(力)模型进行迭代反推摩擦系数。
本发明所采用的技术方案包括：
一、数学模型是过程控制的核心，而轧制模型又是过程控制数学模型的核心。高精度的轧制模型对于提高带钢厚度精度有着事半功倍的效果和重要的意义。本发明首先针对森吉米尔轧机单机架往复轧制工艺的特点，对轧制力模型、变形抗力模型、摩擦系数模型等进行了针对性的研究，编写了轧制力计算的轧制模型，轧制模型的计算程序如图1所示；
二、非稳态轧制阶段由于轧制速度不稳定，轧制区难以形成稳定的润滑油膜，所以用传统的数学模型很难准确描述并计算此阶段的摩擦系数大小，从而导致轧制力预设定精度较低。本发明针对非稳态轧制阶段的摩擦系数模型进行了自学习法优化。
通过现场调研发现森吉米尔轧机往复轧制相邻道次之间存在一定的遗传性，结合自学习理论的方法，本发明基于上一道次非稳态阶段的摩擦系数预测下一道次非稳态阶段的摩擦系数，从而在线计算出下一道次非稳态阶段的摩擦系数，用于轧制力设定值的计算。
其中摩擦系数用摩擦系数迭代程序计算求得，摩擦系数迭代程序在轧制力计算程序的基础之上改动得到，自学习法修正流程图如图2所示。
图3、图4分别为随机选取的一卷带钢全部道次带头带尾段摩擦系数预测值和实际迭代值的对比图及二级机模型求得的轧制力预设定值、修正模型求得的轧制力预设定值与实测值轧制力的对比图。
将修正后的轧制力模型编程离线运行，经过一段时间的现场跟踪，收集到五十卷该牌号不锈钢轧制实测数据，分析作出轧制力相对偏差正态分布图，如图5所示。
统计计算发现修正模型得到的非稳态预设定轧制力和实测轧制力平均相对偏差为4.63％，相对偏差在10％以内的概率为96.94％，说明采用本发明的方法能大大提高非稳态轧制阶段轧制力的预设定精度，从而控制带钢的厚度偏差，提高了产品质量。
Claims (3)
1.一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法，其特征在于：先编写计算轧制力的轧制模型，然后采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，利用实测数据迭代计算出上一道次非稳态阶段的摩擦系数，作为下一道次非稳态阶段的摩擦系数，用于计算下一道次轧制力预设定值；其中轧制模型包括以下计算步骤：
1)读入输入数据，计算轧制入口温度tin、轧制弹性区入口厚度hin1和出口厚度hin2；
2)设定轧制力迭代的初始值为p0；
3)设定轧制区出入口温差迭代的初始值为t0；
4.1)计算摩擦系数u、动态变形抗力k；
4.2)计算轧制塑性区入口和出口厚度hinm、houtm；
4.3)计算压扁半径R’；
4.4)计算轧制弹性区入口和出口的轧制力pa1、pa2；
4.5)计算轧制塑性前滑区和后滑区的轧制力p1、p2；
4.6)计算轧制温度变化量tx；
5)若|tx-t0|＞0.1，则计算t0＝tx-(tx-t0)/10，将得到的t0值输入步骤3)中按接下来的步骤依次进行计算；
6)若|tx-t0|≦0.1，则计算总轧制力px；
7)若|px-p0|＞0.1，则计算p0＝px-(px-p0)/10，将得到的p0值输入步骤2)中按接下来的步骤依次进行计算；
8)若|px-p0|≦0.1，则得到总轧制力p，得到带钢出口温度tout。
2.根据权利要求1所述的方法，其特征在于：所述采用模型自学习的方法对轧制模型中的摩擦系数模型进行了修正和优化，具体步骤为：
a、第n道次轧制准备状态时，先从内存数据区读取第n-1道次带钢头部和尾部工艺参数；
b、通过轧制模型迭代求得第n-1道次带钢头部和尾部的摩擦系数u1(n-1)和u2(n-1)；
c、进行第n道次头部的摩擦系数自学习计算u1(n)＝(u1(n-1)+u2(n-1))/2；
d、将第n道次头部的摩擦系数自学习计算u1(n)带人轧制模型计算轧制力P(n)；
e、将计算得到的轧制力P(n)作为轧制力预设定值；
f、第n道次轧制开始。
3.根据权利要求1所述的方法，其特征在于：所述非稳态轧制阶段是指每一道次轧制的初始升速阶段，是指每一道次刚开始轧制时厚度自动控制AGC系统未能投入工作的阶段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610189059.9A CN105750336B (zh) | 2016-03-29 | 2016-03-29 | 一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610189059.9A CN105750336B (zh) | 2016-03-29 | 2016-03-29 | 一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105750336A CN105750336A (zh) | 2016-07-13 |
| CN105750336B true CN105750336B (zh) | 2018-11-09 |
Family
ID=56345828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610189059.9A Active CN105750336B (zh) | 2016-03-29 | 2016-03-29 | 一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105750336B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107908836B (zh) * | 2017-10-31 | 2021-11-19 | 首钢京唐钢铁联合有限责任公司 | 一种轧制参数优化方法及装置 |
| CN108326049B (zh) * | 2017-12-22 | 2019-06-07 | 中冶南方工程技术有限公司 | 一种冷连轧轧制力的自学习方法 |
| CN108655186B (zh) * | 2018-04-19 | 2019-08-06 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
| CN113020286B (zh) * | 2021-02-05 | 2023-09-15 | 首钢集团有限公司 | 一种轧制过程稳定性控制方法及装置 |
| CN113649420B (zh) * | 2021-07-28 | 2023-10-24 | 首钢京唐钢铁联合有限责任公司 | 一种平整机轧制力获取方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59101212A (ja) * | 1982-11-30 | 1984-06-11 | Toshiba Corp | 圧延機の制御方法 |
| CN1887462A (zh) * | 2005-06-30 | 2007-01-03 | 宝山钢铁股份有限公司 | 一种提高热轧轧制力设定精度的方法 |
| JP2009113101A (ja) * | 2007-11-09 | 2009-05-28 | Jfe Steel Corp | 圧延荷重の学習制御方法および装置、ならびに鋼板の製造方法 |
| CN102294364A (zh) * | 2010-06-22 | 2011-12-28 | 宝山钢铁股份有限公司 | 极薄板平整机的轧制力预设定方法 |
| CN102641902B (zh) * | 2011-02-18 | 2014-03-19 | 宝山钢铁股份有限公司 | 精轧相变带钢的轧制压力设定方法 |
| CN104338757B (zh) * | 2013-07-31 | 2017-07-28 | 宝山钢铁股份有限公司 | 一种控制轧机启动轧制阶段轧制力的方法 |
| CN104841700B (zh) * | 2015-04-28 | 2016-06-01 | 武汉科技大学 | 一种热轧带钢轧制力的优化设定方法 |
| CN104898430B (zh) * | 2015-06-03 | 2017-07-18 | 北京首钢自动化信息技术有限公司 | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 |
-
2016
- 2016-03-29 CN CN201610189059.9A patent/CN105750336B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105750336A (zh) | 2016-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105750336B (zh) | 一种提高森吉米尔轧机非稳态轧制阶段轧制力预设定精度的方法 | |
| CN106475421B (zh) | 一种中间坯来料凸度的控制方法及装置 | |
| WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN102688894B (zh) | 一种热轧带钢连轧机组穿带的控制方法 | |
| CN102658297B (zh) | 一种改善换规格首块带钢板形质量的自学习方法 | |
| CN110773573B (zh) | 一种板形调控功效系数实测数据处理方法 | |
| WO2009011070A1 (ja) | 冷却制御方法、冷却制御装置及び冷却水量計算装置 | |
| CN104324948A (zh) | 一种热连轧粗轧过程轧件宽度控制方法 | |
| CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
| CN102744265B (zh) | 带钢c翘控制方法 | |
| CN105327949A (zh) | 一种热轧带钢卷取温度的流量控制方法 | |
| CN115815342A (zh) | 一种基于机理和数据融合模型的冷轧轧制力预测方法 | |
| CN102601128B (zh) | 炉卷轧机轧件温差控制方法 | |
| CN102233358B (zh) | 利用穿带自适应修正热轧精轧机组辊缝的方法 | |
| CN102248004A (zh) | 一种窄带热连轧精轧机刚度的计算方法 | |
| CN105363800A (zh) | 一种基于断面形状的精确板形值获取方法 | |
| CN109332393A (zh) | 一种板带连续轧制厚度控制方法 | |
| CN115470595A (zh) | 一种数据与机理融合的热轧带钢凸度预测方法 | |
| CN105344720A (zh) | 一种精轧带钢终轧温度的在线控制方法 | |
| CN109570242A (zh) | 一种热轧冷却辊道控制系统及方法 | |
| CN106557651A (zh) | 一种轧辊温度模型控制精度的优化方法及装置 | |
| CN101934288B (zh) | 冷连轧压下分配方法 | |
| CN103028614A (zh) | 一种带钢热连轧生产过程控制系统的优化方法 | |
| CN101927268B (zh) | 冷连轧带钢厚度控制方法 | |
| CN108655182A (zh) | 一种全长厚度连续变化的热轧带钢生产方法 |
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 |