CN1058204C - 轧机中控制形状的方法 - Google Patents
轧机中控制形状的方法 Download PDFInfo
- Publication number
- CN1058204C CN1058204C CN95104066A CN95104066A CN1058204C CN 1058204 C CN1058204 C CN 1058204C CN 95104066 A CN95104066 A CN 95104066A CN 95104066 A CN95104066 A CN 95104066A CN 1058204 C CN1058204 C CN 1058204C
- Authority
- CN
- China
- Prior art keywords
- shape
- mrow
- typical
- data
- regulator
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000463 material Substances 0.000 claims description 59
- 230000008859 change Effects 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 24
- 230000009469 supplementation Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 24
- 210000004027 cell Anatomy 0.000 description 32
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000013000 roll bending Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 101100084409 Caenorhabditis elegans pfn-1 gene Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102100031102 C-C motif chemokine 4 Human genes 0.000 description 1
- 101100353414 Caenorhabditis elegans pfn-2 gene Proteins 0.000 description 1
- 102100026620 E3 ubiquitin ligase TRAF3IP2 Human genes 0.000 description 1
- 101710140859 E3 ubiquitin ligase TRAF3IP2 Proteins 0.000 description 1
- 101000777470 Mus musculus C-C motif chemokine 4 Proteins 0.000 description 1
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B13/00—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories
- B21B13/14—Metal-rolling stands, i.e. an assembly composed of a stand frame, rolls, and accessories having counter-pressure devices acting on rolls to inhibit deflection of same under load; Back-up rolls
- B21B13/147—Cluster mills, e.g. Sendzimir mills, Rohn mills, i.e. each work roll being supported by two rolls only arranged symmetrically with respect to the plane passing through the working rolls
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
Abstract
准备好多个形状修正用调节器操作量与对应于该操作量的轧制材形状变化量的数据组作为典型操作例,算出作为轧制材实际形状与目标形状之差的实际形状偏差和典型操作例的形状变化量的相似度,按照该相似度给典型操作例的调节器操作量加权,并根据该调节器的操作量操纵调节器。
从过去的轧制实践产生的形状控制实际数据群中采样典型数据并加以保存,与待轧制材的轧制条件和目标形状相关地求出与典型数据的相似度,根据该相似度算出典型数据的形状操作端设定量,这样就能容易地实现高精度的形状控制初期设定。
Description
本发明是关于在轧机中控制被轧材料形状的方法,特别是为了在多级轧机中控制被轧材料形状而使用设有多个形状修正调节器的轧机,在这些调节器对形状变化的影响又难于定量化的情况下,能进行良好形状控制的被轧材料形状控制方法。
近年来,在轧制薄钢板等时,提高了对尺寸形状精度的要求,不仅对于板厚而且对形状与凸厚度的控制也成为重要的课题。
迄今,虽然在被轧材料的形状控制方面提出了各种方法,一般地是使用设置有检出被轧材料形状的形状检出器和形状修正用调节器的轧机,用包含上述形状检出器的输出值的适当算法来算出上述形状修正用调节器操作量,根据其操作量操纵该调节器,从而实现形状控制。
例如,把从形状检出器得到的形状数据以4次正交函数来近似,预先使各次数与使用的调节器对应,将与其操作量对应次数的成分大小变化所施的影响进行线性近似作为影响系数而求出,再用影响系数去除实际得到的形状数据的各次成分的大小而求得操作量的方法正在使用。
然而,对于以森吉米尔多辊轧机开始的多级轧机,由于被轧制材料形状复杂而难以表达,而且即使设置多个形状修正调节器,也有操作难以对形状产生定量化的影响等问题存在,故有自动控制困难的问题。
为了解决这个问题,已经提出了几种方案,例如,特开平4-111910中提出了一种形状控制法,它是用设在多级轧机出侧的板形状检测器检测轧板的形状,从所检出的现在板形状与各调节器的过去控制量算出现在轧制材的预测形状,并算出把借助于各调节器而产生的板厚变化附加在所算出的轧制材的预测形状与目标形状之差上的性能评价函数之值最小的调节器操作量,然后根据该算出的操作量操纵各调节器。
另外,特开平4-127908提出的控制方法是检测出轧制材的形状进行形状图形识别,相对于多个形状图形而事先准备好轧制操作方法,根据与所识别的上述形状图案相对应的操作方法而控制轧机的形状控制方法。其提出的具体的方法是用分级数值网络进行形状图形识别,用模糊推理来求出根据该图形识别结果的轧机操作量。
而特开平4-238614则提出一种形状控制方法,它是把用形状检出器检出的形状在典型形状图形中选出与其最相似者,在对应所选择的典型形状图形而决定操作调节器的同时,对应于操作调节器定出形状参数并算出其值,根据所算出的形状参数算出各调节器的操作量的形状控制方法。
然而,如前所述,以森氏多辊轧机开始的多级轧机存在着轧制材形状复杂难以表达,而且即使设置多个形状修正调节器也难使其操作对于形状的影响定量化等问题。从能否解决这些问题的观点来考察上述各形状控制方法时发现,首先特开平4-111910中由于它把各调节器操作量的影响追溯到过去并直接与形状检出器的各传感要素相对应,就难于高精度地求得各个影响系数,在某一影响系数有误差时就会有得不到最适宜的形状评价函数的问题。
而在特开平4-127908中,由于是由识别图形的结果而求出调节器操作量,以模糊推理等推理方式硬性规定地给出影响系数的,故其精度也有问题。虽然提出了用分级型数值网络作为识别形状图形的具体手段,由于在进行学习时识别结果变化大,将其输出值输入到模糊推理以后的部件中时,可信程度也是其问题。
特开平4-238614中选择出与轧制材形状最相似的典型形状图形并算出与之对应的调节器操作量,对应于典型形状图形的形状参数与调节器操作量影响系数相关,也有和上述特开平4-111910等同样的精度问题。
这样,在过去虽然提出了识别轧制材形状并由该识别结果选择适宜的调节器再求出其操作量的形状控制方法,由于其中某一个形状或表示形状的参数与调节器操作量的影响系数及其等价推理式的精度存在问题,就不能得到足够的控制精度。
另外,在轧制钢板等时为了得到所希望的板的形状(平面度,陡度),虽然在轧机中设有几个形状操作端,但是一般来说理论上求出为了得到目标形状的各操作端的初设定值是非常困难的。
于是在过去多采用从预定的设定值表中检索的办法,这种图表是跟过去轧制的实际情况按轧制材料的轧制条件(钢种、压下程度、轧辊直径等)加以区分而定出其最适宜的操作端设定值的。
特开平4-167908中公开了把与轧制材的平面度(形状)有关的影响因素作为输入数据,用数值网络算出初设定值的方法。在此方法中,相对于某设定值进行轧制时的实际形状值,用最适设定值运算装置算出操作端的最适设定值,将此时的影响因子与各操作端设定值成对地进行存贮,以供数值网络学习之用。数据网络为分级式结构,是把影响因子作为输入并把各操作端设定值作为输出的借助误差逆传输学习而进行学习的网络。
然而,在上述列表方式中,区分方式是否适宜则成为极大地支配着其精度的问题所在,即,若粗分则难于求得最适值,若细分则使表内容增大,作表与维护要付出很大的努力。
此外,特开平4-167908中所公开型式的数值网络(分级型、误差逆向传输学习)存在着学习的收敛性问题,其学习是以使数值网络的输出与教授信号成为相同的状态为目的而把两者之差(误差)作为评价函数(损失函数)的进行使该评价函数成为最小的收敛计算,由此而存在学习非常费时间或在落入局部最小解时不收敛的问题。
而且,其学习用的数据不能直接使用实际轧制数据,虽使用由最适设定值运算装置算出的值也存在作成最适设定值运算装置本身也很困难的问题,同时由最适设定值运算装置所算出的值也含有必然误差,由于学习数值网络含有这种误差的教授数据就会有精度低劣的问题。
进而,在其所用型式的数值网络中,使联系输入与输出关系的内部结构处于未知框状态,故不能进行从输出反算出输入即所谓解逆问题。因此,在以影响因子(轧制条件)与所期的形状作为输入数据时输出操作端设定值的数值网络中在对某一输入数据的输出值误差大的场合就有完全不能从影响因子与操作端设定值来反算出形状而进行验证的问题。
本发明的第1目的是提供一种在轧机中使用的控制轧制材形状的方法,它对由于像以森氏多辊轧机起始的多级轧机那样因轧制材形状复杂而难于表达,而且虽设有多个形状修正调节器但其操作对形状产生的影响又难以定量化等而实现自动控制困难的轧机也能实现良好的形状控制。
本发明的第2目的是提供一种不必制表,根据轧制实况就能容易地以良好精度确定并设定形状控制操作端的最适初设定值,从而控制轧机的轧制形状的方法。
第1发明是使用设有检测轧制材形状的形状检出器与有形状修正用调节器的轧机等的轧制设备,根据上述形状检出器的输出值并借助于操纵上述形状修正用调节器而控制上述轧制材形状的轧机中所用的轧制材形状控制方法,它准备以上述形状修正调节器的操作量与对应该操作量的轧制材形状变化量的编组数据作为多个典型操作例,算出由上述形状检出器所检出的轧制材的实际形状和目标形状之差的实际形状偏移与上述典型操作例的形状变化量之间的相似度,按照算出的相似度对上述典型操作例的调节器操作量加权,再根据加权的该调节器的操作量而操纵形状修正调节器,其中使用矢径基底函数型数值网络来进行典型操作例的编制、保持与运算。
第1发明还在上述形状控制方法中,以轧制中调节器的操作与由其所造成的形状变化的数据作为实况数据而进行存储,并随时对典型操作例进行修正、追加等更新。
而第2发明则使用设有检出轧制材形状的形状检出器和带有形状修正调节器的轧机的轧制设备,根据上述形状检出器的输出值而操纵上述形状修正用调节器从而成为在控制上述轧制材形状的轧机中所用的控制轧制材形状的方法,准备好多个把轧制材形状变化及把该形状变化分解成预定的标准形状图形时的结构比例的编组数据作为典型形状例,准备多个把上述形状修正用调节器的操作量与把对应于该操作量的轧制材的形状变化分解为标准形状图形的编组数据作为典型操作例,算出其值为用上述形状检出器检出的轧制材实际形状与目标形状之差的实际形状偏差和上述典型形状例的形状变化的相似度,根据算出的相似度对上述典型形状例的结构比例加权,再算出加权后的结构比例与上述典型操作例的结构比例的相似度,按算出的该相似度对上述典型操作例的调节器操作量加权,再根据加权后的该调节器的操作量而操纵形状修正用调节器,其中使用矢径基底函数型数值网络而进行典型形状例与典型操作例的编制、保存与运算的。
第2发明还在上述轧制材形状控制方法中把轧制中调节器操作与由其引起的形状变化的数据作为实况数据进行存储,并随时地进行对典型形状例及典型操作例的修正、补充等更新。
第1发明中,由于把上述形状修正的调节器操作量与对应于该操作量的轧制材形状变化量编组的数据作为典型操作例而预备多个,而算出为由上述形状检出器检出的轧制材的实际形状与目标形状之差的实际形状偏差与上述典型操作例的形状变化量的相似度,按照算出的该相似度对上述典型操作例的调节器操作量加权,再根据加权后的该调节器操作量而操纵形状控制调节器,故能高精度地控制轧制材的形状。
在第1、2发明中,在随时对典型操作例进行修正、补充的情况下,能保持并提高控制性能。
此处所谓典型操作例是从实际轧制结果中抽样,并把调节器操作与形状变化的因果关系表达为具体例的,即,把"只要把调节器这样操作,形状就会这样变化"的状态用数值加以表示,故直观易于理解。
调节器操作与形状变化的关系可能是非线性的,但是借助于配置许多个这种典型操作例,从中选出几个与现行的相似的操作例,根据对它们对应相似度进行加权从而求出操作量,也能作到与形状变化与调节器操作的非线性对应。
在第2发明中,准备多个轧制材形状变化和把该形状变化分解为预定的标准形状图形时的结构比例的编组数据作为典型形状例,并准备多个上述形状修正用调节器操作量和把对应于该操作量的轧制材形状变化分解为标准图形时的结构比例的编组数据作为典型操作例,算出作为上述形状检出器检出的轧制材实际形状与目标形状之差的实际形状编差与上述典型形状例的形状变化之间的相似度,按照所算出的相似度给上述典型形状例的结构比例加权,再算出加权后的结构比例与上述典型操作例的结构比例的相似度,按照算出的该相似度对上述典型操作例的调节器操作量加权,再根据加权后的该调节器的操作量来操纵形状修正用调节器,同样也能高精度地造行轧制材形状的自动控制。
于是,若使用第1、第2发明,对专用多级轧机进行轧制时由于轧制材形状复杂而难于表达而即便设置多个形状修正调节器但其操作对形状的影响也难以定量化等原因而难以实现形状的自动控制的对象也能进行良好的控制。
第1、第2发明中,在把轧制时调节器操作与由该操作而产生的形状变化数据作为实况数据来存储,并随时对典型形状例及典型操作例进行修正、补充等更新时,能维持与提高控制性能。
特别是,由于用矢径基底函数型数值网络而进行典型操作例或典型形状例及典型操作例的编制、保持与运算,就能容易地实现典型操作例或典型形状例及典型操作例的编制、保持与运算。
此外,通过使用轧制中调节器操作与由该操作而产生的形状变换数据而进行典型形状例或典型操作例(数值网络的中间单元)的修正与补充,就能维持与提高控制性能。
为了借助轧机上所设的形状操作端而对轧制材形状进行控制,可以根据轧制中所检出的实际形状值,利用反馈控制很好地对操作端进行操纵。
下面,参照附图详细地说明本发明的最佳实施例,各图中相似的元件则冠以相同的序号,其中:
图1是表示使用本发明的实施例的由12级组成的多级轧机的概略结构侧视图。
图2是表示上述多级轧机的形状控制调节器与轧制机构的概略结构的正视图。
图3是为第1发明的第1实施例中所用的控制机构与数据处理的方框流程图。
图4是表示第1实施例的延伸率数据的一个例子的线图。
图5是表示第1实施例的目标形状例的线图。
图6A是第1实施例中在轧道上表示的形状偏差一个例子的线图。
图6B是使用图6A的数据,以延伸差的最小值为基准的变换例的线图。
图7是第1实施例的典型操作例1、2的说明图。
图8是第1实施例的典型操作例3、4的说明图。
图9是第1实施例的典型操作例5、6的说明图。
图10是第1实施例中所用的数值网络的概略结构说明图。
图11是表示在第二发明的第二实施例中适用的控制机构与数据处理的流程框图。
图12是用于第2实施例中的20个标准形状图形的线图。
图13是表示第2实施例的一个形状偏差例的线图。
图14是第2实施例中表示分类成为标准形状图形时的结构比例的说明图。
图15是表示第2实施例中分类为标准形状图形时的结构比例的另一说明图。
图16是表示第3发明的第3实施例的形状控制控制初期设定处理数据的流程框图。
图17是表示从第3实施例的轧制条件数据与形状控制操作端设定值求得形状预测值时的数据的流程框图。
图18是表示第3实施例中"学习"例的网络图。
图19是表示第3实施例中"运算"例的网络图。
图20是表示第3实施例中"逆算"例的网络图。
下面,参照附图来详细地说明本发明的实施例。
本实施例是轧制带钢时的形状控制例,图1是本实施例适用的有12级多辊多级轧机的轧制设备的侧视略图。
图1中,12级轧辊是由1组上下工作辊10,两组上下中间辊12、1组上下小型支撑辊14、上侧两对上支撑辊16及下侧两对下支撑辊18构成的。
在此多级轧机中,轧制材(带材)20是从右张力卷筒24或左张力卷筒26供给,用工作辊10进行轧制,而由对侧的张力卷筒卷绕起来(轧制材20也可以由供料卷22供给),此时,用形状检出器28检测出由工作辊10轧制的带材20宽度方向的形状。
图2是表示设在上述多级轧机中的形状控制调节器及轧制机构的概略结构的正视图,如图所示,带材20由于工作辊10的上下压下而轧薄。
本实施例中,上支撑辊16分成7部分,即从中心起:中心辊16A,1/4输入部16B、1/4输出部16C以及边辊16D,各一面保持着对称一面压下,以借此进行轧辊的凸度调整。同样,下支撑辊18分为6部分,中心起为中心辊18A,1/4辊18B,及边辊18C分别一面保持着对称一面压下由此而能调整轧辊的凸度。这样,在此多级轧机中,作为形状控制调节器而设有上下支撑辊16、18的轧辊凸度调整装置(图中未示出)、中间辊弯曲机(箭头所示)30及调整操作侧与驱动侧的压下位置差的压下矫正装置(图中未示出)。
但是在本实施例中,下支撑辊18是固定在轧制前的初期设定值上的,轧制中可操纵的调节器为驱动上支撑辊16的各分辊的轧辊凸度调整装置,中间辊弯曲机30及压下矫正装置。
图3是表示第1实施例的形状控制机能与数据处理流程一例的框图,在图3中,把由形状检出器28的张力检出结果输入到形状数据处理机构32中,用该形状数据处理机构32把该结果转换为板幅方向的延伸差率。图4示出了根据实际张力检出结果求得的延伸差率数据的一例,所谓延伸差率是在纵长方向(轧制方向)上板的延伸差在板宽方向上的分布,以最小延伸处为基准,延伸差率及其测定方法在昭和59年9月1日社团法人日本钢铁协会发行的"板材轧制理论与实践"的第265页后面有详细的说明。
在图4中,横轴相当于板幅方向,表示出形状检出器28检测的每个轧道,纵轴表示延伸差率,以"I-unit"为单位,1"I-unit"相当于每1m的轧制材有10μm的延伸差率。
在目标形状发生机构34中,设定轧制材的目标形状(相当于目标延伸差率在宽度方向上的分布),并输入到形状偏差计算机构36中,图5示出目标形状之一例,在此形状偏差计算机构36中,计算出从形状数据处理机构32输入的实际形状数据(相当于图1中的延伸差率数据)与自目标形状发生机构34输入的目标形状数据的偏差的形状偏差(=目标形状数据-实际形状数据)。
图6A与图6B表示每个检出轧道的用形状检出器28所测定出的图4中的实际形状数据与图5中的目标形状的形状偏差(延伸差率分布偏差),图6A是只把从目标形状数据中扣除实际形状数据的结果变换的、图6B是把图6A中延伸差的最小值(此例中为第9轧道)为基准即作为0变换成的形状偏差。
把预定形状修正用调节器的操作量与对应于该操作量的轧制材的形状变化量的编组数据作为典型操作例而存储于典型操作例存储机构38中,图7-9示出了一个典型操作例,此典型操作例是由形状偏差图形和与之对应的调节器操作的组合构成的,在此例中有6个这种组合。
在图形识别机构40中,就由形状偏差计算机构36计算出的实际形状与目标形状的形状偏差算出与典型操作例的形状变化量的相似度。即:对于图6B中的形状偏差,用R(1)-R(6)分别表示与图7-9中所示的典型操作例1-6的各形状偏差图形的相似度,用下面公式(1)、(2)定义(x=1-6),使相似度高者有较大的数值。
R(x)=1/R′(x) ...(1)
式中:Tn:典型操作例的形状偏差图形的第n轧道值(n=1,...,m)
Fn:实际形状变化图形第n轧道值(n=1,...,m).
x:第x号典型操作例。
m:形状检出器的有效轧道数·
在第1实施例中,如上所述,虽然是用形状偏差的各轧道的平方误差的倒数作为相似度的,但第1发明并不局限于此,例如也可以使用相关系数等尺度。
在调节器操作量运算机构42中,对应于由图形识别机构40算出的相似度而给典型操作例的调节器操作量加权,并算出调节器的操作量,按下述方式就能算出各作动器的操作量。 式中:UEG:上支撑辊的边部操作量;
UQO:上支撑辊的1/4输出部操作量;
UQI:上支撑辊的1/4输入部操作量;
BD:中间辊弯曲操作量;
L:压下矫正操作量;
UEG(x):典型操作例x的上支撑辊的边部操作量(x=1,...,k)
UQO(x):典型操作例x的上支撑辊的1/4输出部操作量(x=1,
...,k)
UQI(x):典型操作例x的上支撑辊的1/4输入部操作量(x=
1,...,K)
BD(x):典型操作例x的中间辊弯曲操作量(x=1,...,K).
L(x):典型操作例x的压下矫正操作量(x=1,...,K).
按照以上算出的操作量来实施调节器44的操作。
在第1实施例中,用矢径基底函数型数值网络来进行如上述图12-14中所示的典型操作例的编制、保存与运算,下面,对此进行说明。
图10示出了第1实施例中所用的数值网络的结构,此数值网络有由m个单元构成的输入层,Y个单元构成的中间层,t个单元构成的输出层等3层结构,当把实际形状偏差输入到输入层时,从输出层就可输出各调节器的操作量,而在中间层上,则如后面所详述地达到典型操作例进入状态。
下面,就上述数值网络的编制与演算方法加以详细说明。
在编制(学习)数值网络时是把操作中的调节器操作量与当时的形状变化量作为形状控制实际数据使用的,当全部形状控制实际数据共有j个时,第j号形状控制实际数据Dj定义如下(j=1,...,J)
Dj={ACTj(s),Fjn} ...(8)
其中,ACTj(s):调节器s的操作量;
s:调节器(1<s≤t);
t:调节器个数;
Fjn:板幅方向的n轧道的形状变化量(1<n≤m).
m:形状检出器的有效轧道数。
Dj的各要素{ACTj(s),Fjn}中,Fjn输入时输入层单元与中间层单元(相当于典型操作例)之间,以及ACTj(s)输出的输出层单元与中间层单元之间进行加权结合,以PFnx作为输入单元n与中间单元x之间的结合权,以PAxs为输出单元s与中间单元x之间的结合权,结合权系数与典型操作例的各属性值(形状偏差图形、调节器操作量的值)相当,确定了典型操作例x的结合权,则成为PTx={PFnx,PAxs}。在输入单元中,相对于输入数据进行适当的标准化变换。
典型操作例的编制按以下顺序进行:
1)设置带输入量纲的输入单元及有输出量纲的输出单元,
此例中为输入单元数为形状变化数据的轧道数m个,输出单元数为调节器数t个。
最初,尚未设置中间单元,要确定常数TH。若此TH值小,则多作中间单元,反之若TH值大则使作成的中间单元数减少,在此同时考虑运算时间,控制性能等,用尝试法定出常数TH。
2)把1号形状控制实际数据D1作为1号典型操作例的结合系数P1.
P1=D1 ....(9)
(PFn1=F1n,PA1s=ACT1(s))
而且使典型操作例单元P1的计数器C1为1:
C1=1.
3)对于第2形状控制实际数据D2,要求出它与典型操作例(中间单元)1的距离d(D2,PT1),距离d用下面公式(23)给出:
d(Dj,PTx)
=‖Dt-PTx‖
3-a)当d(D2,PT1)>TH时,把第2形状控制实际数据D2作为第2典型操作例(中间单元)的结合系数PT2:
PT2=D2
(PFn2=F2n,PA2s=ACT2(s))
再使典型操作例2的计数器C2为1:
C2=1.
3-b)当d(D2,PT1)≤TH时,修正第1典型操作例的结合系数PT1,修正后的典型操作例PT 1 new成为下式"
PT1 new=(C1·PT1+D2)/(C1+1)
(PFn 1new=(C1·PFn1+D2)/(C1+1).
PA1s new=(C1·PA1s+D2)/(Ck+1)) ...(12)
再使典型操作例单元P1的计数器C1加1。
C1 new=C1+1
4)同样地,对于第j号形状控制实际数据Dj来说,则要求出与至此所作成的全部中间单元的距离,并选择距离为最小的典型操作例PTk。
4-a)当d(Dj,PTk)>TH时,把第j号形状控制实际数据Dj作为第(k+1)号典型操作例的结合系数Pk+1.
PTk+1=Dj.
(PFn k+1=Fkn,PA k+1s=ACTk(s))
也使典型操作例单元PTk+1的计数器Ck+1为1:Ck+1=1
4-b)当d(Dj,PTk)≤TH时,修正典型操作例单元PTk的结合系数,以下式作为修正后典型操作例Pk new.
PTk new=(Ck·PTk+Dj)/(Ck+1)
(PF nknew=(Ck·PFnk+D2)/(Ck+1).
PAksnew=(Ck·PAks+D2)/(Ck+1))。 ...(14)
再把典型操作例单元Pk的计数器Ck加1。
Ck new=Ck+1
5)通过对所有形状控制实际数据(Dj,kj≤J)进行上述处理而产生y个典型操作例(中间单元)由于此种典型操作例单元的结合系数是与典型操作例的属性值(形状偏差图形,调节器操作量的值)相当的,y个典型操作例就被采样出来了,此时,若以PTx代表y个典型操作例中第x号数据,则可用下式(15)表示:
PTx={PFnx,PAxs)} ...(15)
式中PAxs:中间单元x与输出单元s间的结合权。(典型操作侧x
的调节器s的操作量)。
PFnx:输入单元n与中间单元x间的结合权(典型操作侧x的
板幅方向的m轧道的形状变化量)。
即:仅调节器s操作为PAxs时,把第m轧道的形状变化量表示为仅变化为PFnx的关系。
下面,说明从轧制中得到的实际形状偏差来求调节器操作量的运算方法,在运算中,先求实际形状偏差与各典型操作例的形状偏差数据间的相似度,相应于其相似度算出调节器的操作量。
以实际形状偏差Fn代表在轧制中由形状检出器28所测出的实际形状与预先设定目标形状之间的偏差,如图10所示,把此实际形状偏差Fn输入到数值网络的各输入单元中,而与各中间单元PTx之间的结合权用下式(16)计算,以IPx作为中间单元X的输入:
式中:PFnx:输入单元n与中间单元x间的结合权(典型操作侧x
的板幅方向的m轧道的形状变化量)。
Fn:实际形状偏差图形的第n轧道值。
x:第x号典型操作例(中间单元)。
m:形状检出器的有效轧道数。
用由下式(17)给出的高斯函数作为中间单元的输入输出函数,式中σ为常数:
f(x)=exp(-x2/2σ2) ....(17)
于是,从中间单元x的输出值OPx就可用下式(18)表示,OPx相当于中间单元(典型操作例)与所输入的实际形状偏差之间的相似度。
OPx=f(IPx) ....(18)
另外,输出单元s的输出值ACT(s)可用下式(19)求出:
式中:PAxs:中间单元x与输出单元s之间的结合权(典型操作
侧x的调节器s的操作量)。
通过以上运算,就能算出调节器s的操作量ACT(s)。
另外,利用轧制时调节器的操作及由该操作而造成的形状变化数据,通过对典型操作例(数值网络的中间单元)的修正与补充,就能保持与提高控制性能。
若使用上面详述的第1实施例,由于能用数值网络从轧制形状实际数据中采样出典型操作例,并对于轧制中的形状变化通过对典型操作例用内插法而实现形状控制,即使是对于难于使形状变化与调节器操作时刻对应的多级轧机来说,也能进行良好地的形状控制。
下面说明与第2发明相关的第2实施例:
图11是表示适用于第2实施例的控制机构与数据处理流程的框图,下面则以与上述第1实施例情况的不同点为重点加以详述。
图12示出了第2实施例中使用的20个标准形状图形,以STD(z)(z=1,2,...,20)代表各标准形状图形的结构比例。
在典型形状例存储机构46中,作为典型形状例而存储多个轧制材形状与把其形状划分到标准形状图形类别时的结构比例的编组数据,作为一个例子,是把图13所示的形状分类到标准形状图形时的结构比例用图14、15表示。
用下式(20)把典型形状例V定义如下:
V={Pvn,STDv(z)}, ....(20)
Pvn:形状图形(n:轧道数)。
STDv(z):典型形状例v的各标准形状图形的结构比例。
v:典型形状例序号(v=1,...,G)
G:典型形状例个数。
z:标准形状图形序号(z=1,...,20)
在典型操作例存储机构38中,作为典型操作例而存储多个轧制时调节器的操作量及那时的形状变化量按图12中所示的标准形状图形公开时的结构比例编组数据。
把调节器s尽可能按操作量ACT(s)进行操作时的形状变化分到标准形状图形中时的各图形的结构比例用如上所述的STD(s)代表,则典型操作例w可用下式(21)定义:
w={ACTw(s),STDw(z)} ...(21),
ACTw(s):典型操作例w的调节器操作量,
STDw(z)典型操作例w的各标准形状图形的结构比例,
w:典型操作例序号(w=1,...,H),
H:典型操作例的个数,
z:标准形状图形序号(z=1,...,20)。
在图形识别机构40中,和第1实施例中一样,算出用形状偏差计算机构36所算出的实际形状与从目标形状发生机构34输入的目标形状之间的偏差,就此实际形状偏差算出与典型操作例的形状变化量的相似度,用R1(V)表示上述实际形状偏差与典型形状例v的形状偏差图形之间的相似度,此相似度是以相似性越高其值越大来定义的。然后,相应于所算出的相似度而对典型形状例的结构比例加权,加权后的标准形状图形z的结构比例WSTDv(z)由下式(22)给出:
然后算出加权后的上述结构比例WSTDv(z)与典型操作例的结构比例之间的相似度,以R2(w)表示加权后的典型形状例的结构比例WSTDv(z)与典型操作例w的结构比例STDw(z)之间的相似度,此相似度是相似度越高则其值越大地定义的,然后对应所算出的相似度对典型操作例的调节器操作量ACTw(s)加权,用下式(23)算出调节器操作量ACT(s):
根据上面算出的操作量,和上述第1实施例的情况相同地进行调节器操作,以控制轧制材的形状。
此外还同样地用矢径基底函数型数值网络实现典型形状例及典型操作例的编制、保存与运算,更而还使用在轧制中调节器操作与根据该操作的形状变换数据而进行对典型操作例(数值网络的中间单元)的修正与补充。
下面,说明根据第3发明的第3实施例。
图16是表示根据第3发明的第3实施例的形状控制初期设定处理的数据流程的一个例子的框图,形状检出器28的输出,借助形状数据处理机构32进行数据处理使之成为形状数据(形状指标值),并随时地存储在形状数据存储机构134中。在此,利用板幅方向的延伸率分布(在板幅方向上分割成M个轧道,M>1)作为形状数据。
同样地,轧制条件数据存储在轧制条件数据存储机构136中,形状操作端数据存储在形状操作端数据存储机构138中,此处在本实施例中,轧制条件虽然是板宽度、预测的轧制负荷、工作辊直径等,但作为轧制条件当然也还可以再加上钢种、以前的工艺、制品的目标厚度、入侧温度、出侧目标温度等。在本实施例中,作为形状操作端是上支撑辊边部位置,1/4输出位置、上支撑辊1/4输入位置、下支撑辊边部位置,下支撑辊1/4位置、中间辊弯曲值,而且,各个分割支撑辊的位置都是以中间为基准的。
形状控制实际数据存储机构140中,是把轧制条件数据存储机构136、形状操作端数据存储机构138、形状存储机构134中所存储的轧制条件数据、形状操作端数据及此时的形状数据组合作为形状控制实际数据而存储的,在典型数据采样机构142中,以该形状控制实际数据为基础而采样出代表这些数据分布的典型数据(原型)的。所得到的典型数据存储于典型数据群存储机构144中。从各数据的存储开始到典型数据的采样存储,称为"学习",在已汇集了充足的数据后,则可以随时进行这种学习。
轧制条件输入机构146与目标形状输入机构148把有关待轧制材的轧制条件数据及目标形状数据(所希望的形状)分别输入到初期设定值运算机构150中,初期设定值运算机构150按轧制条件数据与目标形状数据求出典型数据群存储机构144中的所有典型数据的相似度,相应于其相似度合成典型数据的形状控制操作端设定值,算出对应于输入的轧制条件数据与目标形状数据即相对于待轧制材的初期设定值,初期设定值输出机构152输出算出的形状控制操作端初期设定值,这部分机构合起来,称为"演算"。
此后,根据初期设定值输出机构152输出值进行形状控制操作端的初期设定,开始对待轧材进行轧制。
此外,图17是表示从轧制条件数据与形状控制操作端设定值求形状预测值时的数据流程框图。形状数据逆算机构154相对于轧制条件数据与形状控制操作端设定值求出通过"学习"而定出的与典型数据群存储机构144中的典型数据轧制条件数据及形状控制操作端设定值相关的相似度,并对应于该相似度算出形状数据,此形状数据与根据该轧制条件数据及该形状控制操作端设定值进行轧制时所得到的预测形状相当。
下面,就"学习"与"演算"加以详细说明;
形状控制实际数据总数为j个时,第j号形状控制实际数据Dj用下式(24)来定义:
Dj={Smj、A1j、A2j、A3j、
B1j、B2j、B3j、B4j、B5j、B6j} ...(24)
式中各变量含义如下:
(形状数据)
Smj:板幅方向的m轧道的延伸率(1<m≤M)
M:有效轨道数。
(轧制条件数据)
A1j:板幅宽度。
A2j:预测轧制负荷。
A3j:工作辊直径。
(形状操作端设定值)
B1j:上支撑辊-边部位置。
B2j:上支撑辊1/4输出位置。
B3j:上支撑辊-1/4输入位置。
B4j:下支撑辊-边部位置。
B5j:下支撑辊-1/4位置。
B6j:中间辊弯曲值。
在典型数据采样机构142中,依据其形状控制实际数据(Dj;1<j≤J),对代表此数据分布的典型数据(原型)进行抽样,这种"学习"的一实施例,可以用图18所示的网络结构表示,即存在有输入Dj的各要素{Smj、A1j、A2j、A3j、B1j、B2j、B3j、B4j、B5j、B6j}的输入单元和与典型数据相当的原型单元,各原型单元进行与各输入单元的加权结合,某个原型单元Pk与各输入单元(Sm、A1、A2、A3、B1、B2、B3、B4、B5、B6}之间的结合系数(权值)为{Psmk、PA1k、PA2k、PA3k、PB1k、PB2k、PB3k、PB4k、PB5k、PB6kp},该结合系数与典型数据的各属性值相当。于是典型数据采样可以该原型单元的编制来解释,输入单元是相对于输入数据进行适宜的标准化变换的机构。
编制原型单元按下述顺序进行:
(1)设置具有输入量纲的输入单元。
在本例中,输入单元数,因有3个轧制条件,M个形状数据、6个形状控制操作端而成为(9+M)个。最初,不设置原型单元,而定出系数TH。
(2)第1号形状控制实际数据D1用第1原型单元的结合系数P1表示,再使原型单元P1的计数器C1为1。
P1=D1.
即:{Psm1、PA11、PA21、PA31、PB11、PB21、PB31、PB41、
PB51、PB61}={Sm1、A11、A21、A31、B11、B21、
B31、B41、B51、B61}
C1=1
(3)就第2形状控制实际数据D2,求出与原型单元P1的距离d(D2、
P1).
在此,该距离由下式(25)定义:
d(Dt,Pu)=‖Dt-Pu‖
+(A2t-PA2u)2+(A3t-PA3u)2
+(B1t-PB1u)2+(B2t-PB2u)2
+(B3t-PB3u)2+(B4t-PB4u)2
+(B5t-PB5u)2+(B6t-PB6u)2}1/2 ...(25)
(3-a,当d(D2、P1)>TH时,以第2原型单元的结合系数P2代表第2形状控制实际数据D2,并把原型单元P2的计数器置1:
P2=D2
C2=1.
(3-b)当d(D2、P1)≤TH时,修正第1原型单元P1的结合系数。
在此,修正后的原型P1 new为:
P1 new=(C1、P1+D2)/(C1+1).
而且,把原型单元P1的计数器C1加1:
C1 new=C1+1
(4)同样地,就第j个形状控制实际数据Dj而求得与至此已编成的原型单元的所有距离,并选出有着最小距离的原型单元Pk。
(4-a).当d(Dj、Pk)>TH时,用第(k+1)号原型单元的结合系数Pk+1代表第j个形状控制实际数据,并使原型单元Pk+1的计数器Ck+1为1:
Pk+1=Dj
Ck+1=1
(4-b).当d(Dj、Pk)≤TH时,修正原型单元Pk的结合系数,在此修正后的原型Pk new为:
Pk new=(Ck、Pk+Dj)/(Ck+1),
并把原型单元Pk的计数器Ck加1:
Ck new=Ck+1.
(5)由于对于全体形状控制实际数据{Dj|1<j≤J}进行上述步骤,就编成了K个原型单元。
由于此原型单元的结合系数与典型数据的属性值相当,就能够抽样出k个典型数据,此时,若以Pk代表k个典型数据中第k个数据,则Pk可用下式(26)表示:
Pk={PSmk、PA1k、PA2k、PA3k、PB1k、PB2k、PB3k、
PB4k、PB5k、PB6k} ....(26)
式中,各变量的含义如下:
(形状数据)
PSmk:板幅方向的m轧道的延伸率
(轧制条件数据)
PA1k:板幅
PA2k:预测轧制负荷
PA3k:工作辊直径。
(形状操作端设定值)
PB1k:上支撑辊-边部位置。
PB2k:上支撑辊-1/4输出位置。
PB3k:上支撑辊-1/4输入位置。
PB4k:下支撑辊-边部位置。
PB5k:下支撑辊-1/4位置。
PB6k:中间辊弯曲值。
在此,设置Psk={PSmk}
PAk={PA1k,PA2k,PA3k}
PBk={PB1k,PB2k,PB3k,PB4k,PB5k,PB6k}
下面,根据表示图19中的演算例的网络图对"演算"加以说明:
在"演算"中,就待轧制材的轧制条件、目标形状来求出与典型数据的相似度,并算出相对于此相似度的形状操作端设定量。在图19中,输入轧制条件数据与目标形状数据,经过原型单元而将形状控制操作端设定值输出。
待轧制材的轧制条件、目标形状:其中:
轧制条件:XA={XA1,XA2,XA3}
式中XA1:板幅,XA2:预测轧制负荷,
XA3:工作辊直径。
目标形状:Xs={XSma}
式中:Xsm:板幅方向的m轧道的延伸率,分别求得的形状操
作端设定量用下式(27)给出:
形状操作端设定量:
XB={XB1k、XB2k、XB3k、XB4k、XB5k、XB6k} ...(27)
XB1:上支撑辊-边部位置。
XB2:上支撑辊-1/4输出位置。
XB3:上支撑辊-1/4输入位置。
XB4:下支撑辊-边部位置。
XB5:下支撑辊1/4位置。
XB6:中间辊弯曲量。
首先,按照待轧制材的轧制条件XA与目标形状XS,在所有原型单元(典型数据)用下面公式(28)中所表示的距离d1(X.Pk)定义轧制条件PAk与形状条件PSk的相似度。
d1(X,Pk)=‖XA-PAk‖+‖XS-PSk‖
+{(XA1-PA1k)2+(XA2-PA2k)2
此距离d1(X,Pk)就是原型单元Pk的输入。此时,原型单元Pk的输出PY1k则用下式(29)定义:
PY1k=f(d1(X,Pk)) ...(29)
式中,f(·)为原型单元的输入输出函数,在距离越小(相似度越大)其值越大的状态下为例如f(x)=exp(-X3/2σ2)(式中σ为常数)形式的高斯型函数。
对应于与典型图形的相似度算出形状操作端设定量XB,即对应于原型单元的输出PY1k合成原型单元的结合系数PBk作为形状操作端设定量XB,故下式(30)成立:
其中,
XB={XB1、XB2、XB3、XB4、XB5、XB6}
PBk={PB1k、PB2k、PB3k、PB4k、BP5k、PB6k}
这样,就能算出形状操作端的最适设定量,但是在"学习"时要对输入数据进行标准化等变换的场合,则要对输出值进行逆变换。
下面,依据表示图20的逆运算的网络图说明从轧制条件与形状操作端设定量求预测形状的"逆运算"。"逆运算"时,要根据待轧制材的轧制条件、形状操作端的设定量求出与典型数据之间的相似度,再相应于其相似度算出形状值。因此,在图7的网络中,输入轧制条件数据与形状控制操作端数据经过原型单元而输出形状数据。
待轧制材的轧制条件、形状控制操作端及所要求的预测形状分别由下面公式(31)、(32)、(33)决定:
轧制条件:XA={XA1、XA2、XA3} ....(31)
式中:XA1:板幅
XA2:预测轧制负荷
XA3:工作辊直径
形状操作端设定量:XB={XB1k、XB2k、XB3k、XB4k、XB5k、
XB6k} ....(32)
式中:XB1:上支撑辊-边部位置。
XB2:上支撑辊-1/4输出位置
XB3:上支撑辊-1/4输入位置
XB4:下支撑辊-边部位置
XB5:下支撑辊-1/4位置
XB6:中间辊弯曲值。
形状:Xs={XSm} ...(33)
式中,XSm:板幅方向的m轧道的延伸率
至于轧制条件XA与形状控制操作端XB与全部原型单元(典型数据),可用由下式(34)所表示的距离d2(X,Pk)来定义轧制条件PAk与形状控制操作端XBk的相似度。
d1(X,Pk)=‖XA-PAk‖+‖XB-PBk‖
+{(XA1-PA1k)2+(XA2-PA2k)2
+(XA3-PA3k)2+(XB1-PB1k)2
+(XB2-PB2k)2+(XB3-PB3k)2
+(XB4-PB4k)2+(XB5-PB5k)2
+(XB6-PB6k)2}1/2 ....(34)
把此距离d2(X,Pk)输入原型单元Pk中,此时的原型单元Pk的输出PY2k则用下面公式(35)确定:
PY2k=f(d2(X,Pk)) ...(35)
式中,f(·)是原型单元的输入输出函数,是距离越小(相似度大)其值越大状态的例如为f(x)=exp(-X2/2σ2)(式中σ为常数)的高斯型函数。
相应于与典型数据之间的相似度算出形状Xs,即以相应于原型单元的输出PY2k合成原型单元的结合系数PSk作为形状操作端设定量XS的输出,因而下式(3b)成立:
XS=∑(PSk,PY2k)/∑PY2k …(36)
其中,XS={XSm}
XSm:板幅方向的m轧道的延伸率
PSk={PSmk}
PSmk:第k个典型数据的板幅方向的m轧道的延伸率。
这样就能反算出预测形状,但是在"学习"时要进行对输入数据标准化等变换的场合是对输出值进行反变换。
在第3实施例中虽然是用欧几里德氏距离作为相似度的,但本发明并不局限于此。
另外,第3实施例中是用板幅方向的延伸率分布作为形状数据(形状指标值)的,但也可以使用在板幅方向将其标准化而使轨道数一定的结构。
而且在初期设定用的形状操作端限于相对板幅对称动作的场合,作为形状数据可以去掉非对称成分而只使用对称成分。作为除去非对称成分的方法,可以是例如用m次函数去近似形状数据,再除去作为非对称成分的奇次(1次、3次等)项的方法。
作为"学习"用的数据,也不限于实际数据,还可以增加把轧制的物理现象模型化的从轧制条件与形状控制设定量来设定地算出形状数据等数据这样即使在实际数据汇集不充分的场合下也能精度良好地利用本发明。
另外,在"逆运算"中,要审查求得的预测形状与在实际轧制时测定的实际形状数据的误差。误差大时要进行再学习,这就能保持其精度。
上面以具体方式说明了本发明,但本发明并不局限于上述实施例,在不脱离其精神要点的范围内仍可能作出各种变更。
Claims (4)
1.一种轧机用的形状控制方法,它是使用带有检出轧制材形状的形状检出器及修正形状用调节器的轧机的轧制设备,并根据上述形状检出器的输出值通过操纵上述形状修正用调节器而控制上述轧制材的形状的轧机用的形状控制方法,其特征在于:
准备多个由上述形状修正用调节器的操作量及对应于该操作量的轧制材的形状变化量组成的数据组作为典型操作例,
算出由上述形状检出器检出的轧制材实际形状与目标形状之差的实际形状偏差相对于上述典型操作例的形状变化量的相似度,
根据所算出的相似度给上述典型操作例的调节器操作量加权,
再按照加权后的该调节器的操作量操纵形状修正用调节器,
其中是用矢径基底函数型数值网络来编制、保存、运算典型操作例的。
2.如权利要求1中所述的轧机用形状控制方法,其特征在于:把轧制中的调节器操作及由于该操作而引起的形状变化数据作为实际数据存储起来,并随时地进行典型操作例的修正、补充等更新程序。
3.一种轧机用的形状控制方法,是使用带有能检出被轧制材形状的形状检出器与形状修正用调节器的轧机的轧制设备,根据上述形状检出器的输出值借助于操纵上述形状修正用调节器而控制上述轧制材形状的方法,
准备多个轧制材形状变化以及把该形状变化分解为预定的标准形状图形时的结构比例数据编组作为典型形状例,
准备多个上述形状修正用调节器操作量及把对应于该操作量的轧制材形状分解为标准形状图形时的结构比例编组数据作为典型操作例,
算出作为由上述形状检出器检出的轧制材实际形状与目标形状差值的实际形状偏差对于上述典型形状例的形状变化的相似度,
根据算出的相似度给上述典型形状例的结构比例加权,
算出加权后的结构比例与上述典型操作例的结构比例的相似度,
根据算出的相似度给上述典型操作例的调节器操作量加权,
按照加权的该调节器的操作量来操纵形状修正用调节器,
其中使用矢径基底函数型数值网络来进行典型形状例与典型操作例的编制、保存与运算。
4.如权利要求3中所述的轧机用形状控制方法,其特征在于,把轧制中调节器操作与由该操作引起的形状变化数值作为实际数据加以存储,并随时进行对典型形状例与典型操作例的修正、补充等更新。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP40869/1994 | 1994-03-11 | ||
JP6040869A JP2677964B2 (ja) | 1994-03-11 | 1994-03-11 | 圧延機の形状制御初期設定方法 |
JP40869/94 | 1994-03-11 | ||
JP61022/94 | 1994-03-30 | ||
JP61022/1994 | 1994-03-30 | ||
JP6061022A JP2677965B2 (ja) | 1994-03-30 | 1994-03-30 | 圧延機における被圧延材の形状制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1121447A CN1121447A (zh) | 1996-05-01 |
CN1058204C true CN1058204C (zh) | 2000-11-08 |
Family
ID=26380391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN95104066A Expired - Fee Related CN1058204C (zh) | 1994-03-11 | 1995-03-11 | 轧机中控制形状的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5680784A (zh) |
KR (1) | KR100186903B1 (zh) |
CN (1) | CN1058204C (zh) |
TW (1) | TW266168B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102716915A (zh) * | 2011-03-28 | 2012-10-10 | Abb研究有限公司 | 用于条带的平整度控制的方法以及控制系统 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19622825B4 (de) * | 1996-06-07 | 2005-03-31 | Betriebsforschungsinstitut VDEh - Institut für angewandte Forschung GmbH | Voreinstellung für Kaltwalzreversiergerüst |
DE19642918C2 (de) * | 1996-10-17 | 2003-04-24 | Siemens Ag | System zur Berechnung des Enddickenprofils eines Walzbandes |
US6208982B1 (en) * | 1996-11-18 | 2001-03-27 | Lockheed Martin Energy Research Corporation | Method and apparatus for solving complex and computationally intensive inverse problems in real-time |
KR100530466B1 (ko) * | 2001-12-26 | 2005-11-23 | 주식회사 포스코 | 형상 제어부 목표형상 보정을 위한 목표 형상 추론 시스템 |
KR100966545B1 (ko) * | 2002-12-27 | 2010-06-29 | 주식회사 포스코 | 냉연 평탄도 품질 향상을 위한 최적 목표 형상 설정 장치 및 그 방법 |
DE102004032634A1 (de) * | 2004-07-06 | 2006-02-16 | Sms Demag Ag | Verfahren und Einrichtung zum Messen und Regeln der Planheit und/oder der Bandspannungen eines Edelstahlbandes oder einer Edelstahlfolie beim Kaltwalzen in einem Vielwalzengerüst, insbesondere in einem 20-Walzen-Sendizimir-Walzwerk |
SE529074C2 (sv) * | 2005-06-08 | 2007-04-24 | Abb Ab | Förfarande och anordning för optimering av planhetsstyrning vid valsning av ett band |
KR100769253B1 (ko) * | 2006-07-20 | 2007-10-23 | 한국기계연구원 | 링 압연공정의 형상 설계 방법 |
KR100851199B1 (ko) * | 2006-12-22 | 2008-08-08 | 주식회사 포스코 | 조질압연기에서 강판의 형상 제어 방법 및 장치 |
CN101623707B (zh) * | 2009-08-05 | 2011-05-25 | 燕山大学 | 连轧机板形标准曲线设计方法 |
CN102189118B (zh) * | 2011-04-02 | 2013-05-08 | 上海大学 | 基于定长采样的板形模型在线修正方法 |
DE102012218353A1 (de) * | 2012-10-09 | 2014-04-10 | Siemens Ag | Breitenbeeinflussung eines bandförmigen Walzguts |
JP5828833B2 (ja) * | 2012-12-25 | 2015-12-09 | 株式会社神戸製鋼所 | クラスタ型多段圧延機 |
EP2783765B1 (en) | 2013-03-25 | 2016-12-14 | ABB Schweiz AG | Method and control system for tuning flatness control in a mill |
CN111983983B (zh) * | 2020-08-07 | 2023-10-10 | 东北大学 | 一种热轧钢板热处理板形智能控制方法及系统 |
TWI763572B (zh) * | 2021-08-02 | 2022-05-01 | 中國鋼鐵股份有限公司 | 楔形鋼胚之軋延方法與軋延系統 |
CN114653760B (zh) * | 2022-03-08 | 2024-07-02 | 宁波宝新不锈钢有限公司 | 一种冷轧带钢板形的边部延伸控制方法 |
TWI824834B (zh) * | 2022-11-22 | 2023-12-01 | 國立高雄科技大學 | 連續輥軋製程檢測方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5193066A (en) * | 1989-03-14 | 1993-03-09 | Kabushiki Kaisha Kobe Seiko Sho | Equipment for adjusting the shape of a running band-like or plate-like metal material in the width direction |
US5111531A (en) * | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
JP2804161B2 (ja) * | 1990-06-04 | 1998-09-24 | 株式会社日立製作所 | センジマーミルの形状制御方法および装置 |
DE69121789T2 (de) * | 1990-06-04 | 1997-04-03 | Hitachi Ltd | Steuerungsvorrichtung für die Steuerung einer gesteuerten Anlage und Steuerungsverfahren dafür |
JPH07102380B2 (ja) * | 1990-08-30 | 1995-11-08 | 株式会社神戸製鋼所 | 多段圧延機における圧延材の形状制御方法 |
JPH04167908A (ja) * | 1990-11-01 | 1992-06-16 | Toshiba Corp | 圧延機の設定装置 |
JPH07115056B2 (ja) * | 1991-01-09 | 1995-12-13 | 株式会社神戸製鋼所 | ストリップ圧延における形状制御方法 |
JP3136183B2 (ja) * | 1992-01-20 | 2001-02-19 | 株式会社日立製作所 | 制御方法 |
JPH06198319A (ja) * | 1993-01-08 | 1994-07-19 | Mitsubishi Heavy Ind Ltd | 神経回路網モデルによる圧延機の形状制御法 |
-
1995
- 1995-03-09 US US08/401,446 patent/US5680784A/en not_active Expired - Fee Related
- 1995-03-11 KR KR1019950005227A patent/KR100186903B1/ko not_active IP Right Cessation
- 1995-03-11 CN CN95104066A patent/CN1058204C/zh not_active Expired - Fee Related
- 1995-03-20 TW TW084102665A patent/TW266168B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102716915A (zh) * | 2011-03-28 | 2012-10-10 | Abb研究有限公司 | 用于条带的平整度控制的方法以及控制系统 |
CN102716915B (zh) * | 2011-03-28 | 2016-01-20 | Abb研究有限公司 | 用于条带的平整度控制的方法以及控制系统 |
Also Published As
Publication number | Publication date |
---|---|
TW266168B (zh) | 1995-12-21 |
CN1121447A (zh) | 1996-05-01 |
KR950031269A (ko) | 1995-12-18 |
KR100186903B1 (ko) | 1999-04-01 |
US5680784A (en) | 1997-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1058204C (zh) | 轧机中控制形状的方法 | |
CN1232392C (zh) | 薄片的制造方法 | |
CN1323789C (zh) | 焊接评估 | |
CN1242307C (zh) | 工业过程的无模型自适应控制器及控制系统 | |
CN1292081C (zh) | 热处理装置、热处理方法及记录热处理程序的记录介质 | |
CN1164446A (zh) | 钢带的中心凸厚测量方法及控制轧机的方法 | |
CN1267215C (zh) | 带钢热精轧中的故障诊断设备和方法 | |
CN1057852C (zh) | 过程控制装置及调整过程控制装置中控制器的工作参数的方法 | |
CN1954931A (zh) | 卷绕温度控制装置和控制方法 | |
CN1309563C (zh) | 印刷方法、印刷物及印刷控制装置 | |
CN1066831C (zh) | 控制器和自适应修改参数的方法 | |
CN1169031C (zh) | 使用非线性预测控制来控制化学反应器的方法 | |
CN1131740C (zh) | 使边缘变薄情况得以减少的板材轧制方法与轧机 | |
CN1010433B (zh) | 具有两个自由度的调节系统的过程控制装置 | |
CN1449511A (zh) | 多变量矩阵处理控制 | |
CN101046682A (zh) | 一种预测热轧含Nb带钢组织及力学性能的方法 | |
CN1695138A (zh) | 从mpc(模型预测控制器)的模型中移除pid动态值的方法 | |
CN1892524A (zh) | 控制方法、温度控制方法、调整装置、温度调节器、程序、记录媒体和热处理装置 | |
CN1429355A (zh) | 定位伺服控制器 | |
CN1007273B (zh) | 自适应恒定匀浆机强度控制系统 | |
CN1549069A (zh) | 统计公差确定方法 | |
CN1471078A (zh) | 字识别设备、字识别方法和字识别程序 | |
CN1092829A (zh) | 纤维加工机械优化控制的方法 | |
CN1864898A (zh) | 齿形静叶叶根槽加工工艺 | |
CN1441944A (zh) | 图象处理方法及图象处理装置 |
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 | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |