CN106660090B - 轧制模拟装置 - Google Patents
轧制模拟装置 Download PDFInfo
- Publication number
- CN106660090B CN106660090B CN201480081164.XA CN201480081164A CN106660090B CN 106660090 B CN106660090 B CN 106660090B CN 201480081164 A CN201480081164 A CN 201480081164A CN 106660090 B CN106660090 B CN 106660090B
- Authority
- CN
- China
- Prior art keywords
- mentioned
- rolling
- modular form
- parameter
- actual achievement
- 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)
- Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Control Of Metal Rolling (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明以提供一种能够实现精度较高的轧制模拟的轧制模拟装置为目的。具备与具备轧制生产线和设定计算机的轧制系统连接的轧制模拟装置。轧制模拟装置具有用于设定在轧制生产线中将虚拟金属材料加热、轧制、冷却、输送的虚拟作业中的与制品品质及作业条件有关的模拟条件的模拟条件设定部。此外,具有使用与设定计算机具有的第1模型式同样的第2模型式,以达到模拟条件的方式计算轧制生产线中的致动器群的控制目标值和虚拟金属材料的状态预测值的虚拟轧制生产线设定计算部。还具备在第1模型式的模型参数群被更新的情况下、基于第1模型式的模型参数群将第2模型式的模型参数群更新的参数更新部。
Description
技术领域
本发明涉及模拟制造金属制品的轧制生产线及轧制作业、并预测变更了金属材料的尺寸或合金组成、加热、轧制、冷却的目标值及工艺的情况下的作业稳定性、工艺中间材质、制品品质的轧制模拟装置。
背景技术
在以钢为首的金属材料中,机械特性(强度、成形性、韧性等)、电磁的特性(导磁率等)等的材质根据其合金组成、加热条件、加工条件及冷却条件而变化。合金组成通过控制成分元素的添加量来调整,但在成分调整时使用例如能够保持100吨左右的熔钢的成分调整炉等,1个批次单位较大。因此,不能按照15吨左右的各个制品来变更添加量。因而,为了制造希望的材质的制品,使加热条件、加工条件及冷却条件成为适当、来精细制造材质是重要的。进而,这些工艺条件不仅对于材质而言、对于制品尺寸及形状等的制品品质和稳定的作业的实现也是重要的。
在热轧工艺中,通过将作为关于制品品质及作业条件的工艺条件的各种各样的工艺参数的目标值变更,来分别制作制品。在工艺参数中,例如有以精加工入侧温度、精加工出侧温度、卷绕温度等为代表的轧制生产线上的各点的目标温度、和各路径的板厚计划表、和轧机中具备的除鳞机的各路径的使用与否、和配置在连续轧制机的机架间的机架间冷却的使用与否及使用初始流量、和在精轧机中使用的润滑油量、和在输出辊道中使用的冷却模式等。
执行基于设定计算机的工艺控制,以达到目标的制品品质、即达到上述各种工艺参数的目标值。
设定计算机使用表现了加热、轧制、冷却、输送等的各工艺的物理现象的模型式,进行设定计算,以达到上述各种工艺参数的目标值。在设定计算中,反复进行各种致动器的控制目标值的计算、和工艺的各阶段中的轧材(金属材料)的状态的预测计算。
计算在设定计算中使用的轧制载荷、变形阻抗、辊间隙、温度、粒径等的物理量的模型式用以输入变量、机械常数、调整项、学习项为输入的函数表示。
在专利文献1及专利文献2中,公开了设定计算机将模型预测值与从设在轧制生产线上的传感器得到的温度、形状、板厚、板宽、轧制载荷等的实绩值比较、预先自动地学习模型式的学习项、使模型式的精度及使用它的控制精度提高的方法。
此外,在专利文献3中,提出了关于预测轧材的微观组织的变化及最终制品的机械性质的材质预测模型、使用由对一部分的制品卷材实施的拉伸试验及组织观察等机械性质的测量试验结果得到的机械性质的实绩值进行模型学习的方法。通常,模型参数(机械常数、调整项、学习项)使用以容易发生模型误差的因子例如钢种、目标板厚、目标板宽、目标温度等区分的分层表,在属于设定计算机的数据库内管理。
另外,申请人作为与本发明关联的技术,包括上述文献而识别出以下记载的文献。
现有技术文献
专利文献
专利文献1:日本特许第4119684号公报
专利文献2:日本特许第4402502号公报
专利文献3:日本特开2010-172962号公报
专利文献4:日本特开2001-25805号公报
非专利文献
非专利文献1:塑性加工技术系列7板轧制(コロナ社)198~229页
非专利文献2:第173、174次西山记念技术讲座“热轧钢材的组织变化及材质的预测”((社)日本钢铁协会刊)125页
发明内容
发明要解决的课题
以往,轧制作业的工艺参数按照每个制品规格基于长年的经验决定,通常是进行温度控制及尺寸控制来实现的方法。但是,近年来,对制品规格的要求的高度化、多样化显著,通过基于经验的方法不一定能够适当地决定这些目标值,有不能实现希望的尺寸或机械性质等的目标的最终品质的情况。此外,有难以进行用已有的设备是否能够实现工艺参数的目标值的判断的情况。
因此,为了事前研究在某个合金组成及工艺参数下制造的制品是否得到希望的制品品质,提出了使用将加热、加工及冷却的各制造工序模型化的工艺模型而将制造工序以线下的方式模拟的装置(例如专利文献4)。模拟装置预测时时刻刻的金属材料的尺寸、温度、生产线上的位置等的状态,以金属材料的合金组成的信息及根据制造工序的模拟得到的加工履历及温度履历的信息为输入值,通过微观组织预测模型预测时时刻刻的轧材的微观组织的变化及最终制品的机械性质。此外,模拟装置也为了找到可得到希望的品质那样的合金组成及工艺参数的目标值而使用。
在模拟中,使用与在实绩作业的设定计算中使用的模型相同的模型、简易化的模型、或将一部分更忠实地模型化为物理现象的高精度的模型等。在模拟中,不使用在实绩作业中使用的设定计算机、及管理上述工艺参数及模型参数的数据库,而另外准备模拟专用的计算机及数据库。在以模拟实绩的轧制作业的用途进行模拟、并使用与在实绩作业的设定计算中使用的模型式相同的函数的情况下也是同样的。这是因为,不能使得用于模拟的计算及向数据库的读写的负荷给实绩作业带来影响。
在实绩作业中,对于1根轧材,在其在加热炉内被加热的期间进行设定计算的试计算,在加热炉提取时进行设定计算,在提取后基于在轧制中随时收集到的实绩值,反复执行从几次到几十次的设定计算。使用的参数、收集的实绩值、设定计算的输出是庞大的,并且数据的交换频繁,所以向数据库的读写的负荷较大。进而,对于该轧材前后的几根轧材也进行同样的设定计算及向数据库的读写。如果因计算负荷的急剧的增加及对于数据库的高频度的读写而在实绩作业的设定计算中发生问题,则不得不使轧制作业停止,成为较大的损失。在实绩作业的设定计算中,基于该设备的轧制间距及收集数据点数等,周密地设计计算定时、向数据库的访问方法及定时。
顺便说一下,在模拟的情况下,由于以线下的方式计算模拟的工艺,所以与实绩的轧制作业的工艺控制不同,不能得到由设置在工艺的各处的传感器得到的载荷及温度、尺寸的实绩值及制品卷材的机械性质的实绩值。由此,在与模拟相同条件下进行实绩的轧制的情况下,根据模拟不能完全确认是否达到工艺参数的目标值、以及目标的制品品质。此外,基于实绩值的轧制中的前馈、反馈、动态等的各种控制没有被实施,所以在发生了模型预测误差的情况下它被储存,越靠工艺的后段,工艺参数的目标值与实绩值的差越大,制品品质不能被正确地预测。由此,在模拟中使用的工艺的模型式的精度(特别是模型参数的精度)本身就与模拟的精度、即能够以何种程度模拟实绩的轧制作业显著地相关。
但是,生产线及金属材料是用模拟器上的模型模拟的,此外,由于与实绩作业的设定计算不共用计算机及属于它的数据库,所以模型式内的调整项及学习项、表示各致动器的机械特性的机械常数不被更新。在专利文献4中,进行了能够容易地将有关设备的模型参数修正的精心设计,以使得即使在进行了设备更新的情况下也能够模拟实机轧制生产线(日语:実機圧延ライン)。但是,模型的学习项、调整项由于参数的种类庞大、并且如每当轧制或每当调整时那样被频繁地更新,所以难以每当变更时就将参数适当修正。在此情况下,与在实绩作业的控制及预测中使用的计算机中内置的模型不同,不能精度良好地模拟实绩轧制工艺,所以有即使将在模拟中使用的合金组成或工艺参数应用到实绩作业中也不能得到期待的制品品质的问题。
本发明是为了解决上述课题而做出的,目的是提供一种能够在与实绩作业的设定计算机不同的计算机上精度较高地对使用了实绩作业的轧制生产线的虚拟金属材料的轧制过程进行模拟的轧制模拟装置。
用于解决课题的手段
第1技术方案是一种轧制模拟装置,为了达到上述目的,与具备轧制生产线和设定计算机的轧制系统连接,所述轧制生产线具有将金属材料加热、轧制、冷却、输送的致动器群和检测上述致动器群的控制实绩值及上述金属材料的状态实绩值的传感器群,所述设定计算机计算上述致动器群的控制目标值及上述金属材料的状态预测值,其特征在于,
上述设定计算机,
具有第1模型式,上述第1模型式是表现上述轧制生产线中的加热、轧制、冷却、输送的各工艺的物理现象的模型式,上述第1模型式由以输入变量和模型参数群为输入的函数表示;
使用上述第1模型式,以达到实绩作业中的与制品品质及作业条件有关的工艺条件的方式来计算上述致动器群的控制目标值和上述金属材料的状态预测值;
基于将上述控制目标值及上述状态预测值与上述传感器群检测出的上述控制实绩值及上述状态实绩值比较后得到的比较值,将上述第1模型式的上述模型参数群随时更新;
上述轧制模拟装置具备:
模拟条件设定部,设定在上述轧制生产线中将虚拟金属材料加热、轧制、冷却、输送的虚拟作业中的与制品品质及作业条件有关的模拟条件;
虚拟轧制生产线设定计算部,具有与上述第1模型式同样的第2模型式,使用上述第2模型式,以达到上述模拟条件的方式来计算上述致动器群的控制目标值和上述虚拟金属材料的状态预测值;以及
参数更新部,在上述第1模型式的上述模型参数群被更新的情况下,基于上述第1模型式的上述模型参数群将上述第2模型式的上述模型参数群更新。
此外,第2技术方案在第1技术方案中,其特征在于,上述参数更新部具备:
更新定时指定部,指定在实绩作业中不由上述设定计算机执行计算的定时;以及
参数复制部,在上述定时,将上述第1模型式的上述模型参数群向上述第2模型式的上述模型参数群复制。
此外,第3技术方案在第1技术方案中,其特征在于,上述参数更新部具备:
更新参数选择部,在上述第2模型式的上述模型参数群中,选择上述虚拟轧制生产线设定计算部中的使用上述模拟条件的模型计算中需要的一部分的模型参数群;以及
参数复制部,从上述第1模型式的上述模型参数群中仅复制由上述更新参数选择部选择的上述一部分的模型参数群。
发明效果
根据第1技术方案,在第1模型式的模型参数群被更新的情况下,基于第1模型式的模型参数群将第2模型式的模型参数群更新。由此,能够将轧制模拟装置的模型参数更新为实绩作业的设定计算机中的最新的数据。因此,根据第1技术方案,能够在与实绩作业的设定计算机不同的计算机上、精度较高地模拟使用了实绩作业的轧制生产线的虚拟金属材料的轧制过程。
根据第2或第3技术方案,能够在抑制给实绩作业的设定计算机中的计算带来的负荷增大的同时,将轧制模拟装置的模型参数更新为实绩作业的设定计算机中的最新的数据。
附图说明
图1是表示本发明的实施方式1的热轧薄板生产线的一例的图。
图2是表示本发明的实施方式1的轧制系统的块图。
图3是表示本发明的实施方式1的轧制模拟装置24的功能的块图。
图4是输入虚拟金属材料的化学成分的输入画面。
图5是表示加热炉11内的扁坯升温模式的一例的图。
图6是用来说明输出辊道17中的冷却模式的图。
图7是用来说明输出辊道17中的冷却模式的图。
图8是表示虚拟轧制生产线设定计算部32具有的模型群和模型参数表群的图。
图9是用来对参数更新部33执行的处理进行说明的图。
图10是表示参数更新部33的结构的块图。
图11是表示适合将由轧制模拟装置24使用的模型参数更新为最新的状态的更新定时的图。
图12是表示在接受到模拟执行指令的情况下、将模拟所需要的调整项及学习项更新为最新的状态的处理的1个具体例的图。
图13是表示将内置在虚拟轧制生产线设定计算部32中的各模型的参数更新为与在实绩作业中使用的最新的参数相同的值的处理例程的流程图。
图14是表示使用轧制模拟装置24来研究合金组成及制造条的1个次序的流程图。
具体实施方式
以下,参照附图对本发明的实施方式详细地说明。另外,在各图中对于共通的要素赋予相同的标号而省略重复的说明。
实施方式1.
[实施方式1的系统结构]
(轧制生产线)
图1是表示本发明的实施方式1的热轧薄板生产线的一例的图。以后的说明的对象为模拟图1所示的热轧薄板生产线的模拟器。另外,本模拟器对于其他的轧制生产线也能够适用。
轧制生产线具备加热装置、轧机、冷却装置、卷绕装置、将它们连结的输送台。这些装置被电动机或油压装置等的致动器驱动。具体而言,图1所示的轧制生产线1从输送台10的上游侧起依次具备加热炉11、粗轧机12、条形加热器13、精轧机入侧温度计14、精轧机15、精轧机出侧温度计16、输出辊道17、卷绕机入侧温度计18、卷绕机19。
加热炉11是用来将扁坯加热的炉。加热炉11被控制为希望的扁坯升温模式,以得到加热炉提取温度。粗轧机12由单个或多个机架构成,在图1所示的例子中,是由1个机架构成的可逆式粗轧机。条形加热器13是为了控制轧制制品(也包括从扁坯起到作为制品完成的途中的状态,以下同样)的温度而通过电磁感应加热等使轧制制品升温的装置。精轧机15由单个或多个机架构成,在图1所示的例子中,是由7个机架构成的串列式精轧机。输出辊道17是为了控制轧制制品的温度而用冷却水将轧制制品冷却的冷却装置。另外,轧制生产线1作为冷却装置也可以具备冷却工作台、强制冷却装置等。卷绕机19是用来将轧制制品卷绕、使其成为容易输送的形状的装置。输送台10是用来将各工序的轧制制品向下个工序输送的装置。这些装置被电动机或油压装置等致动器驱动。
图2是表示本发明的实施方式1的轧制系统的块图。图2所示的轧制系统20具有从层级0到层级3的层级构造。层级0由控制用于驱动轧制生产线1的各装置的电动机的驱动控制装置及用于驱动轧制生产线1的各装置的油压装置构成。层级1由控制用控制器21构成。层级2由设定计算机23构成。另外,也可以做成代替设定计算机23而使用工艺控制器的结构。层级3由生产管理用的上位计算机25构成。轧制模拟装置24对于实绩作业的轧制没有影响,但为了参数更新而与设定计算机23连接。
(设定计算机)
在实绩作业的热轧工艺中,通过变更关于制品品质及作业条件的工艺条件、即上述各种工艺参数的目标值,来分别制作制品。进行基于设定计算机23的工艺控制,以达到目标的制品品质、即达到上述各种工艺参数的目标值。
工艺参数的目标值有被从处于层级2的设定计算机23的上位的层级3的上位计算机25指定的情况。除此以外,工艺参数的目标值有在属于设定计算机23的数据库中拥有表、以钢种、板厚、板宽等为键(key)而被指定的情况。此外,工艺参数的目标值有由操作者在轧制中变更的情况。
设定计算机23具有表现轧制生产线1中的加热、轧制、冷却、输送等的各工艺的物理现象的模型式(以下,将设定计算机23具有的模型式也记作“第1模型式”)。设定计算机23使用第1模型式进行设定计算,以使得在实绩作业中达到上述各种工艺参数的目标值(工艺条件)。在设定计算中,反复进行各种致动器的控制目标值的计算、和工艺的各阶段中的轧材的状态(金属材料的状态预测值)的计算。
所谓致动器的控制目标值,是轧机的辊间隙、或轧制速度、输送速度、除鳞机或各种喷淋器的流量、输出辊道的阀的ON/OFF等。工艺的各阶段中的轧材的状态(金属材料的状态预测值),是尺寸及形状、温度、微观组织等。
控制用控制器21从设定计算机23接受设定计算结果,控制各种致动器以追随于控制目标值。在实绩作业的热轧工艺中,在轧制生产线的随处设置各种传感器,对温度、形状、板厚、板宽、轧制载荷等给工艺控制带来影响的参数的实绩值进行监视、收集。
这些实绩值被用于工艺控制及模型式(第1模型式)的精度提高、品质管理。将工艺参数的目标值与由各种传感器取得的实绩值或根据实绩值和计算值再计算出的实绩计算值进行比较,在没有达到工艺参数的目标值的情况下,再次进行设定计算。基于该结果,进行前馈控制、反馈控制及动态控制等的各种控制。
计算在设定计算中使用的轧制载荷、变形阻抗、辊间隙、温度、粒径等的物理量的模型式(第1模型式)被用以输入变量、模型参数群(机械常数、调整项、学习项)为输入的函数表示。输入变量是与模型输出有相关的物理量。例如,在模型输出是轧制载荷的情况下,变形阻抗、轧材的宽度、下压量等相当于输入变量。机械常数是轧制辊的辊径、轧机曲线、喷淋器流量等表示致动器的机械特性的物理量。机械常数因为随着辊替换、设备的修缮及调整、老化而变化,所以被随时更新。调整项及学习项是用来提高模型式的预测精度的项。
工艺的模型式不论是怎样好地模拟物理现象的情况,在现实中都会发生模型预测误差。由此,工程师将模型式内的各项相关的系数及常数微调,提高模型式的预测精度。调整项是模型式内的各项的系数及常数,使用以容易发生模型误差的因子例如钢种、目标板厚、目标板宽、目标温度等区分的分层表,按照每个分层在属于设定计算机23的数据库内管理。调整项除了作业开始时以外,主要在新钢种的轧制时、或以新工艺参数的组合进行轧制的情况下调整。调整项有工程师基于经验及数值解析结果进行调整的情况、以及近年来有使用神经网络等的统计方法进行半自动调整的情况。学习项是为了将模型输出与实绩的工艺的输出之间的误差填平而对模型式进行乘法运算及加法运算的项。
(轧制模拟装置)
图3是表示本发明的实施方式1的轧制模拟装置24的功能的块图。轧制模拟装置24模拟图1所示的热轧薄板生产线中的各工艺,预测将金属材料的尺寸及合金组成、加热、轧制、冷却的目标值及工艺变更的情况下的作业稳定性、工艺中途的轧材的状态、制品品质。轧制模拟装置24具备模拟条件设定部31、虚拟轧制生产线设定计算部32和参数更新部33。此外,轧制模拟装置24是具备运算处理装置、存储装置、输入输出装置的计算机。存储装置存储着记述有上述各部的处理内容的程序。上述各部通过由运算处理装置执行从存储装置装载的程序来实现。
((模拟条件设定部))
模拟条件设定部31设定关于用轧制生产线1将虚拟金属材料加热、轧制、冷却、输送的虚拟作业中的制品品质及作业条件的模拟条件。以下,详细地说明。
模拟条件设定部31以轧制作业工艺的参数为模拟条件设定在轧制模拟装置24中。这里,轧制作业工艺的参数例如是在实绩作业中从上位计算机25给出的轧材的合金组成和尺寸、目标板厚、目标板宽、加热炉内的扁坯升温模式、加热炉出侧温度、精加工出侧目标温度、精加工入侧目标温度、冷却模式、卷绕目标温度等。此外,轧制作业工艺的参数例如是在实绩作业中对设定计算机23预先按照每个钢种或每个目标板厚区分设定的、或由操作者从HMI给出的各路径的下压量及下压率分配、攻丝速度及加速率等。
各模拟条件可以将保存在实绩作业的上位计算机25或设定计算机23等中的在实绩作业中轧制的或计划轧制的金属材料的作业条件经由通信LAN或存储介质等复制而使用。除此以外,还可以以手工输入的方式设定全部或一部分的条件。此外,能够进行过去由轧制模拟装置使用的模拟条件的再利用、或进行将一部分变更的利用。
图4是用来输入虚拟金属制品(虚拟金属材料)的化学成分的输入画面。在实绩的作业中,1个批次单位较大,为15吨左右,所以不能按照制品来变更合金成分的添加量。所以,在模拟条件设定部31中,对于虚拟金属制品一个个地例如如图4那样输入并设定各化学成分的含有量(wt%),以便能够容易地计算将合金组成变更的情况下的制品品质的变化。也可以将在实绩作业中轧制的金属制品的合金组成及在过去的模拟中使用的合金组成作为参考值调出,将其一部分变更来模拟。
图5是表示加热炉11内的扁坯升温模式的一例的图。加热炉11内的扁坯升温模式及加热炉提取温度也给制品材质及品质带来影响。例如在扁坯没有被充分加热的情况下,不能充分得到微合金化的固溶量,担心由固溶微合金化带来的Solute drag(溶质拖曳)效应减小、或在提取后、轧制中及冷却中的析出量减少而基于析出物的pinning(钉扎)效应减小。进而,由于将低温的轧材轧制成为较硬的材料,所以担心因轧机中的轧制载荷增加带来的轧制作业的不稳定化、及轧制用电动机的耗电增加。模拟条件设定部31如图5那样设定加热炉11内的扁坯升温模式。在温度模式不给品质带来影响的情况或想要进行简易的计算的情况下,仅设定加热炉提取温度的目标值。
在实绩作业中,为了管理轧制中的轧材的温度,精加工出侧目标温度、精加工入侧目标温度、卷绕目标温度等的工艺参数的目标值被从操作者经由上位计算机25或HMI提供,控制轧制速度、轧制生产线中途的加热装置的升温模式、各种喷淋器、输出辊道17中的冷却模式,以追随于该目标值。关于冷却模式,也有从上位计算机25指定的情况。在模拟条件设定部31中,作为模拟条件而设定精加工出侧目标温度、精加工入侧目标温度、卷绕目标温度、输出辊道17中的冷却模式,以便能够通过模拟来确认使轧制中的温度履历变化的情况下的对制品品质及轧制作业的影响。图6和图7是用来说明输出辊道17中的冷却模式的设定例的图。在输出辊道17中的冷却模式中,有选择优先使用图6所示的上游侧冷却设备的前段冷却、优先使用下游侧冷却设备的后段冷却、使用全部冷却设备的缓冷却这3种模式的某个,进而将水冷却的区域的冷却速度或空气冷却的时间设定为目标值的方法。此外,在输出辊道17中的冷却模式中,有选择在图7所示的冷却设备的上游侧及下游侧进行水冷冷却、在中游进行空气冷却的模式并例如将上游侧的水冷却速度、空冷时间、输出辊道中间点处的温度设定为目标值的方法。
在实绩作业中使用的设定计算机23中,为了稳定的轧制及攻丝,使各路径的下压量及下压率分配、攻丝速度及加速率等的工艺参数的目标值预先按照钢种或按照目标板厚区分而存储到数据库中。或者,操作者输入工艺参数的目标值。另一方面,在虚拟作业中使用的轧制模拟装置24中,模拟条件设定部31设定模拟条件,以便能够简单地计算使各路径的下压量或下压率分配、攻丝速度或加速率等变化的情况下的对制品品质及轧制作业的影响。
((虚拟轧制生产线设定计算部))
虚拟轧制生产线设定计算部32具有与第1模型式同样的模型式(称作第2模型式),使用第2模型式,计算致动器群的控制目标值及虚拟金属材料的状态预测值,以达到模拟条件。以下,详细地进行说明。
虚拟轧制生产线设定计算部32计算在虚拟轧制生产线中用来将虚拟金属材料轧制的各工艺的设定值、以及时时刻刻的金属材料的尺寸、位置、温度,以使其追随于由模拟条件设定部31给出的各目标值。
图8是表示虚拟轧制生产线设定计算部32具有的模型群和模型参数表群的图。虚拟轧制生产线设定计算部32作为模型群而具有工艺模型、输送模型、温度模型、材质模型。工艺模型计算加热装置、轧制装置、冷却装置等的各轧制工艺的设定值。输送模型计算各时刻的虚拟金属材料的位置。温度模型计算各场所的各时刻的虚拟金属材料的温度。材质模型基于合金组成、加工履历、温度,预测虚拟轧制生产线上的各场所的各时刻的金属材料的微观组织及最终制品材质。此外,虚拟轧制生产线设定计算部32具有存储将用于保存上述各模型的参数的模型参数表群的数据库等存储装置,组合计算各模型式。
工艺模型使用输送模型给出的各场所的各时刻的虚拟金属材料的位置、以及温度模型给出的各场所的各时刻的虚拟金属材料的温度的信息,对追随于模拟条件设定部31给出的目标值那样的、加热炉11的设定温度模式、轧制的路径计划表、辊间隙、时时刻刻的虚拟金属材料的加工履历、尺寸及形状、轧制速度、各种喷淋器的ON/Off设定及流量设定、输出辊道17的冷却设定进行计算。
输送模型使用各工艺间的距离及工艺模型给出的路径计划表,计算各场所的各时刻的虚拟金属材料的位置。此外,输送模型使用温度模型给出的虚拟金属材料的温度信息,计算追随各目标温度那样的输送速度。
温度模型根据各工艺中的虚拟金属材料的尺寸信息、机械各因素的信息、和从模拟条件设定部31或工艺模型给出的路径计划表、辊间隙、轧制速度、输送速度、对轧制生产线中途的加热装置的升温模式等的指令值的信息等,计算虚拟轧制生产线上的各场所的各时刻的虚拟金属材料的温度。
材质模型使用工艺模型给出的虚拟金属的加工履历及温度模型给出的温度履历的信息,预测轧制工艺中及卷绕后的虚拟金属材料的微观组织。预测的微观组织例如是粒径、位错密度、奥氏体、铁素体、珠光体等的各组织的分率。进而,基于微观组织预测结果,计算屈服应力及拉伸强度等的关于机械性质的参数。在将冶金现象数式化的微观组织预测模型中,提出了各种各样的模型,周知有由表示静态恢复、静态再结晶、动态恢复、动态再结晶、粒成长等的数式群构成的模型。在塑性加工技术系列7板轧制(コロナ社)198~229页中登载了一例。周知有能够根据金属组织信息及合金组成来预测由屈服应力或拉伸强度等的机械性质代表的材质的模型。在第173、174次西山记念技术讲座“热轧钢材的组织变化及材质的预测”((社)日本钢铁协会刊)125页中登载了一例。
上述工艺模型、输送模型、温度模型、材质模型用与在热轧的实绩作业中使用的设定计算机23中内置的模型式(第1模型式)相同的函数表示。例如,近年来,用虚拟计算机环境(Virtual Machine)将计算机的架构全部复制、在不同的计算机上虚拟地实现的方法被广泛地使用。由此,能够将在实绩作业中使用的设定计算机23的模型式(第1模型式)及管理该模型参数的数据库构造移植到轧制模拟装置24中。因此,轧制模拟装置24具有与第1模型式同样的模型式(第2模型式)。模型式用以输入变量、机械常数、调整项为输入的函数,由以下的式子表示。
Y=f(X1,X2,…,m1,m2,…,a1,a2) (1)
这里,
f:不包含学习项的模型式
Y:不包含学习项的模型式的输出
Xi:关于模型式f的输入变量
mi:机械常数
aj:调整项
输入变量是与模型输出相关的物理量。例如,在模型输出是轧制载荷的情况下,变形阻抗、轧材的宽度、下压量等相当于输入变量。机械常数是轧制辊的辊径、轧机曲线、喷淋器流量等表示机械特性的物理量。机械常数随着辊替换、定期修理、设备更新、老化等而变化。在实绩作业中,将机械常数用属于在实绩作业中使用的设定计算机23的数据库的表管理,随着上述变化而随时修正。调整项是用来提高模型式的预测精度的项。调整项为了模型误差缩小而设置,是被容许修正的系数及常数。调整项使用以容易发生模型误差的因子例如钢种、目标板厚、目标板宽、目标温度等区分的分层表,按照层别而在属于用于实绩作业的设定计算机23的数据库内管理。调整项在实绩作业中,除了作业开始时以外,主要在新钢种的轧制时、或以新工艺参数的组合进行轧制的情况下调整。有工程师基于经验或实绩作业的数值解析结果进行调整的情况、或近年来也有使用神经网络等的统计手法来半自动调整的情况。
在实绩作业的热轧工艺中,在轧制生产线1的随处设置各种传感器,监视、收集温度、形状、板厚、板宽、轧制载荷等给工艺控制带来影响的参数的实绩值。这些实绩值被用于工艺控制及模型式(第1模型式)的精度提高、品质管理。采用将设定计算的模型预测值与在各种传感器中取得的实绩值、或根据实绩值和计算值再计算出的实绩计算值进行比较而学习模型式、并使模型式的精度和使用了模型式的控制精度提高的方法。学习项为了将模型的输出与实绩的工艺的输出之间的误差填平而对模型式进行乘法运算或加法运算。乘法运算型和加法运算型分别如以下这样表示。
乘法运算型:
YL=Zp·Y (2)
加法运算型:
YL=Y+ZA (3)
这里,
YL:学习的模型式的预测结果
Y:不包含学习项的模型式的输出
Zp:乘法运算型学习项
ZA:加法运算型学习项
学习项由传感器等得到与模型式的输出对应的参数的实绩值并更新。例如,在乘法运算型中,如以下这样更新学习项。
这里,
ZP ACT:基于实绩值计算出的乘法运算型学习项
YACT:以模型式输出基准的参数的实绩值
Y:不包含学习项的模型式输出
ZP NEW:更新后的乘法运算型学习项
ZP OLD:更新前的乘法运算型学习项
α:平滑化增益
学习项使用以容易发生模型误差的因子例如钢种、目标板厚、目标板宽、目标温度等区分的分层表,按照层别自动地更新。关于对轧材的微观组织的变化及最终制品的机械性质进行预测的微观组织的材质预测模型,使用由对一部分的制品卷材实施的拉伸试验或组织观察等机械性质的测量试验结果得到的机械性质的实绩值,来学习模型。在实绩作业的设定计算中使用的模型式(第1模型式)的模型参数,即机械常数、调整项、学习项被由属于实绩作业的设定计算机23的数据库管理。
在图8的轧制模拟装置24的虚拟轧制生产线设定计算部32内置的工艺模型、输送模型、温度模型、材质模型的模型式(第2模型式)中,使用与在热轧的实绩作业中使用的设定计算机23中内置的模型式(第1模型式)相同定义的函数。此外,将机械常数、调整项、学习项的各参数按层别保存的模型参数表群用属于虚拟轧制生产线设定计算部32的数据库管理。属于虚拟轧制生产线设定计算部32的数据库的表具有与属于在实绩作业中使用的设定计算机23的数据库内的、保存机械常数、调整项、学习项的表相同的构造。
((参数更新部))
图9是用来对参数更新部33执行的处理进行说明的图。参数更新部33在第1模型式的模型参数群被更新的情况下,基于第1模型式的模型参数群将第2模型式的模型参数群更新。以下,详细地说明。
在参数更新部33中,如图9所示,将虚拟轧制生产线设定计算部32的模型式的模型参数、即机械常数、调整项、学习项基于在属于实绩作业的设定计算机23的数据库的参数表群中保存的参数而进行更新。在模拟中,与实绩的轧制作业的工艺控制不同,不能得到由设置在工艺的各处的传感器得到的载荷及温度、尺寸的实绩值、及制品卷材的机械性质的实绩值。需要使模拟的计算及向数据库的读写带来的负荷不给实绩作业的设定计算带来影响。因此,在模拟中,不使用在实绩作业中使用的设定计算机23及其数据库,而使用模拟专用的计算机及数据库。因此,第2模型式内的机械常数、调整项、学习项在与实绩作业中使用的设定计算机23的第1模型式相同的定时不被更新。参数更新部33以不给实绩作业的设定计算带来影响、并且确保与实绩作业的设定计算同等的模型精度的方式,将模拟的虚拟轧制生产线设定计算部32的第2模型式的模型参数、即机械常数、调整项、学习项更新。
图10是表示参数更新部33的结构的块图。参数更新部33如图10所示,具备更新定时指定部41、更新参数选择部42、参数复制部43。更新定时指定部41自动地指定将模拟器的参数更新的定时。例如,指定在实绩作业中不由设定计算机23执行计算的定时。更新参数选择部42选择更新的参数。例如,在第2模型式的模型参数群中,选择在虚拟轧制生产线设定计算部32中的使用模拟条件的模型计算所需要的一部分的模型参数群。参数复制部43在从更新定时指定部41得到的更新定时,从保存在属于实绩作业的设定计算机23的数据库中的第1模型式的模型参数群,仅对由更新参数选择部42选择的一部分的模型参数群进行复制。
顺便说一下,在实绩作业的设定计算中,在轧制作业中,对1根轧材在其在加热炉内被加热的期间执行设定计算的试计算,在加热炉提取时执行用于致动器的设置的设定计算,在提取后也一边收集实绩值一边基于该值反复进行几次到几十次的设定计算。由于使用的参数、收集的实绩值、设定计算的输出也庞大且频繁,所以向数据库的读写的负荷较大。进而,由于对该轧材前后的几根轧材也进行同样的设定计算及向数据库的读写,所以基于该设备的轧制间距、收集数据点数等,对计算定时及向数据库的访问方法及定时周密地进行设计、管理。
但是,在轧制生产线停止的时间,例如以每几个小时的频度使生产线停止几十分钟的辊替换的期间、或以每几天或几周的频度使生产线停止几小时到几十小时的定期修理的期间中,设定计算机23的计算负荷及向数据库的读写消失,或者负荷或读写的频度显著地下降。如果由在轧制模拟装置24的参数更新部33中内置的更新定时指定部41选择了上述实绩作业中的辊替换、定期修理、设备更新的期间作为轧制模拟装置24的模型参数的更新定时,则不给实绩作业的设定计算带来影响。
实绩作业的设定计算中使用的模型参数(机械常数、调整项、学习项)各自更新的定时不同。例如,在机械常数中,轧制辊的初始辊径每当隔着几个小时的辊替换时被变更。在机械常数中,作为轧机的伸长的指标的轧机曲线以几个月到几年单位的比较长期的跨度被更新。各种喷淋器的流量逐年变化,但变化量是平缓的,此外,在没有预先设置流量计的情况下难以计测流量。因此,各种喷淋器的流量只要不是发生了不良状况的情况或将设备更新的情况等特别的情况就不计测。调整项除了作业开始时以外,主要在新钢种的轧制时、或以新的工艺参数的组合轧制的情况下被调整。学习项在它们之中更新频度最高。学习项每当轧制时就在以容易发生模型误差的因子例如钢种、目标板厚、目标板宽、目标温度等区分的分层表中进行管理,每当轧制,关于该轧制的模型式的对应的层的学习项就被更新。如果以与在实绩作业中使用的模型参数的更新频度同等的频度将在轧制模拟装置24中使用的模型参数更新,则能够精度良好地模拟实绩作业的轧制。
图11是表示适合于将在轧制模拟装置24中使用的模型参数更新为最新的状态的更新定时的图。例如,以图11所示的定时,向在轧制模拟装置24中使用的各参数复制与实绩作业的参数相同的值。在实绩作业中,调整项及学习项能够分别以比定期修理时及辊替换时高的频度或不同的定时被更新。但是,由于这些参数的数量庞大,所以全部参数的自动更新应当在实绩作业的轧制停止的定时进行。另一方面,在轧制模拟装置24中,根据由模拟条件设定部31给出的包括模拟对象的轧材的尺寸及合金组成、目标制品尺寸及材质、或下压率分配及冷却模式等的轧制作业工艺的参数等在内的模拟条件,在执行的模拟中需要的模型参数是显而易见的。由此,在模拟执行时,只要将模拟所需要的调整项及学习项更新为最新的状态,就能够精度良好地模拟该条件下的实绩作业的轧制。
图12是表示在接受到模拟执行指令的情况下将模拟所需要的调整项及学习项更新为最新的状态的处理的1个具体例的图。首先,根据模拟条件中的合金组成、目标板厚等,识别在模拟中使用的虚拟轧材的钢种和板厚区分。在图12所示的例子中,模拟条件设定部31作为模拟条件而设定钢种=C,0.1≦板厚<0.3。
属于实绩作业的设定计算机23的数据库的表群和属于轧制模拟装置24的数据库的表群具有相同的表构造,能够在数据库间复制数据。数据库具有调整项的表群、学习项的表群、机械常数的表群。在图12所示的例子中,更新参数选择部42从两者的表群中,选择钢种=C且0.1≦板厚<0.3的参数作为更新参数。更新参数被向更新定时指定部41和参数复制部43通知。更新定时指定部41确认所选择的参数的更新不会影响到实绩作业的设定计算。在没有影响的情况下,指定更新定时并向参数复制部43通知。并且,参数复制部43在指定的更新定时将所选择的更新参数从属于实绩作业的设定计算机23的数据库向属于轧制模拟装置24的数据库复制。
(流程图)
图13是将在虚拟轧制生产线设定计算部32中内置的各模型的参数更新为与在实绩作业中使用的最新的参数相同的值的处理例程的流程图。该处理例程由参数更新部33反复执行。
在步骤S131中,参数更新部33判定轧制生产线1是否是在定期修理中。具体而言,更新定时指定部41向控制用控制器21或设定计算机23询问轧制生产线1是否是在定期修理中。更新定时指定部41基于询问结果,判定轧制生产线1是否是在定期修理中。在是在定期修理中的情况下,执行步骤S132的处理。在不是定期修理中的情况下,执行步骤S133的处理。
在步骤S132中,参数更新部33选择全部的模型参数作为更新参数。优选的是,在定期修理时,将在虚拟轧制生产线设定计算部32中内置的全部参数更新为与在实绩作业设定计算机23中使用的最新的参数相同的值。因此,更新参数选择部42在定期修理时选择全部参数。
在步骤S133中,参数更新部33判定是否进行了辊替换。具体而言,更新定时指定部41向控制用控制器21或设定计算机23询问轧制生产线1的运转模式是否是辊更换模式。更新定时指定部41基于询问结果,判定是否是辊更换模式。在是辊更换模式的情况下,执行步骤S134的处理。在不是辊更换模式的情况下,执行步骤S135的处理。
在步骤S134中,参数更新部33选择关于辊的机械常数及全部的学习项作为更新参数。具体而言,更新参数选择部42选择关于辊的机械常数及全部的学习项作为要更新的模型参数。
在步骤S135中,参数更新部33判定是否被给与了模拟执行指令。具体而言,参数更新部33的更新定时指令部41向模拟条件设定部31询问是否被输入模拟条件而给与了模拟执行指令。参数更新部33基于询问结果,判定是否被给与了模拟执行指令。在被给与了模拟执行指令的情况下,执行步骤S136的处理。
在步骤S136中,参数更新部33在模拟的计算执行前,选择关于模拟条件的学习项、调整项作为更新参数。具体而言,更新参数选择部42选择关于模拟条件的学习项、调整项作为要更新的模型参数。
在步骤S137中,参数更新部33的更新定时指定部41判定由更新参数选择部42选择的参数的更新是否不会给实绩作业的设定计算带来影响。具体而言,更新定时指定部41当从实绩作业的设定计算机23取得更新参数选择部42选择的参数时,计算给设定计算机23带来的负荷。此外,更新定时指定部41确认设定计算机23的负荷状况。基于这些,更新定时指定部41确认即使发生了因参数取得带来的负荷,也不会给实绩作业的设定计算带来影响。在判断为参数更新不给实绩作业的设定计算带来影响的情况下,执行步骤S139的处理。在判断为参数更新给实绩作业的设定计算带来影响的情况下,执行步骤S138的处理。
在步骤S138中,判定步骤S137的判定处理的执行次数是否比上限次数少。在判定条件成立的情况下,在指定时间经过后,再执行步骤S137的处理。在判定条件不成立的情况下,结束本例程的处理。
在步骤S139中,参数复制部43将由更新参数选择部42选择的模型参数更新为与在实绩作业的设定计算机23中使用的最新的参数相同的值。
图14是表示使用轧制模拟装置24研究合金组成及制造条件的1个次序的流程图。
首先,在步骤S141中,参数更新部33在定期修理时将全部的模型参数更新。步骤S141中的处理与上述图13的步骤S131、步骤S132的处理是同样的。
在步骤S142中,参数更新部33将关于辊的机械常数及全部的学习项更新。步骤S142中的处理与上述图13的步骤S133、步骤S134的处理是同样的。
在步骤S143中,用户使用轧制模拟装置24的输入输出装置来输入模拟条件。具体而言,用户输入在模拟中使用的虚拟金属的初始扁坯信息(尺寸、合金组成)、各种目标值(加热炉提取目标温度、精加工入侧目标温度、精加工出侧目标温度、卷绕目标温度、粗轧制出侧目标板厚、粗轧制出侧目标板宽、目标板宽、目标板厚、目标凸度(日语:クラウン)比率、目标平坦度等),除此以外还根据需要而输入更详细的条件(例如加热炉扁坯升温模式、粗出侧目标温度、各路径的下压量及下压率分配、攻丝速度及加速率、输出辊道中的冷却模式、各种喷淋器设定、精轧折弯机及工作辊变动等)。将输入的模拟条件设定在模拟条件设定部31中。
在步骤S144中,参数更新部33在模拟的计算执行前,将关于模拟条件的学习项、调整项更新。具体而言,更新参数选择部42选择关于模拟条件的学习项、调整项作为要更新的模型参数。参数复制部43将所选择的模型参数更新为与在实绩作业中使用的最新的参数相同的值。
在步骤S145中,虚拟轧制生产线设定计算部32基于设定的模拟条件,使用工艺模型、输送模型、温度模型来计算在虚拟轧制生产线中将虚拟金属材料轧制的情况下的各工艺的设定值及各时刻的金属材料的尺寸、位置、温度。进而,虚拟轧制生产线设定计算部32使用材质模型,以给出的虚拟金属的加工履历及温度履历的信息为输入值,预测最终制品材质。此外,使用金属组织预测模型,预测虚拟金属的虚拟轧制中的金属组织变化。此外,使用机械性质预测模型,以最终计算的虚拟金属制品的组织和合金组成为输入值,预测屈服应力及拉伸强度等的机械性质等的材质。
在步骤S146中,用户基于步骤S145中的计算结果而确认虚拟金属制品的品质。在步骤S147中,用户确认各工艺的设定值。此外,在步骤S148中,根据需要将模拟条件变更而重复步骤S144~步骤S147的处理。在步骤S149中,用户研究模拟结果向实绩作业的应用。
根据这样的次序,能够实现不给实绩作业轧制带来影响的、并且模拟了实绩作业轧制的精度良好的模拟。此外,通过进行模拟条件的变更而反复实施上述模拟并分析该结果,能得到改善实绩作业的加热、轧制及冷却条件及扁坯合金组成的方针。
标号说明
1 轧制生产线
10 输送台
11 加热炉
12 粗轧机
13 条形加热器
14 精轧机入侧温度计
15 精轧机
16 精轧机出侧温度计
17 输出辊道
18 卷绕机入侧温度计
19 卷绕机
20 轧制系统
21 控制用控制器
23 设定计算机
24 轧制模拟装置
25 上位计算机
31 模拟条件设定部
32 虚拟轧制生产线设定计算部
33 参数更新部
41 更新定时指定部
42 更新参数选择部
43 参数复制部
Claims (3)
1.一种轧制模拟装置,与具备轧制生产线和设定计算机的轧制系统连接,上述轧制生产线具有将金属材料加热、轧制、冷却、输送的致动器群和检测上述致动器群的控制实绩值及上述金属材料的状态实绩值的传感器群,上述设定计算机计算上述致动器群的控制目标值及上述金属材料的状态预测值,其特征在于,
上述设定计算机,
具有第1模型式,上述第1模型式是表现上述轧制生产线中的加热、轧制、冷却、输送的各工艺的物理现象的模型式,上述第1模型式由以输入变量和模型参数群为输入的函数表示;
使用上述第1模型式,以达到实绩作业中的与制品品质及作业条件有关的工艺条件的方式来计算上述致动器群的控制目标值和上述金属材料的状态预测值;
基于将上述控制目标值及上述状态预测值与上述传感器群检测出的上述控制实绩值及上述状态实绩值比较后得到的比较值,将上述第1模型式的上述模型参数群随时更新;
上述轧制模拟装置具备:
模拟条件设定部,设定在上述轧制生产线中将虚拟金属材料加热、轧制、冷却、输送的虚拟作业中的与制品品质及作业条件有关的模拟条件;
虚拟轧制生产线设定计算部,具有与上述第1模型式同样的第2模型式,使用上述第2模型式,以达到上述模拟条件的方式来计算上述致动器群的控制目标值和上述虚拟金属材料的状态预测值;以及
参数更新部,在上述第1模型式的上述模型参数群被更新的情况下,基于上述第1模型式的上述模型参数群将上述第2模型式的上述模型参数群更新。
2.如权利要求1所述的轧制模拟装置,其特征在于,
上述参数更新部具备:
更新定时指定部,指定在实绩作业中不由上述设定计算机执行计算的定时;以及
参数复制部,在上述定时,将上述第1模型式的上述模型参数群向上述第2模型式的上述模型参数群复制。
3.如权利要求1所述的轧制模拟装置,其特征在于,
上述参数更新部具备:
更新参数选择部,在上述第2模型式的上述模型参数群中,选择上述虚拟轧制生产线设定计算部中的使用上述模拟条件的模型计算中需要的一部分的模型参数群;以及
参数复制部,从上述第1模型式的上述模型参数群中仅复制由上述更新参数选择部选择的上述一部分的模型参数群。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2014/073975 WO2016038705A1 (ja) | 2014-09-10 | 2014-09-10 | 圧延シミュレーション装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106660090A CN106660090A (zh) | 2017-05-10 |
CN106660090B true CN106660090B (zh) | 2019-03-19 |
Family
ID=55458493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480081164.XA Active CN106660090B (zh) | 2014-09-10 | 2014-09-10 | 轧制模拟装置 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP6292309B2 (zh) |
KR (1) | KR101889668B1 (zh) |
CN (1) | CN106660090B (zh) |
TW (1) | TWI554340B (zh) |
WO (1) | WO2016038705A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7052250B2 (ja) * | 2017-08-10 | 2022-04-12 | オムロン株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
JP6988665B2 (ja) * | 2018-04-20 | 2022-01-05 | オムロン株式会社 | 情報処理システム、情報処理方法、および情報処理プログラム |
JP7020379B2 (ja) * | 2018-11-20 | 2022-02-16 | 東芝三菱電機産業システム株式会社 | 金属材料の材質制御支援装置 |
BR112021013249A2 (pt) * | 2019-01-15 | 2021-09-14 | Jfe Steel Corporation | Sistema de análise e método de análise |
WO2020152750A1 (ja) * | 2019-01-21 | 2020-07-30 | Jfeスチール株式会社 | 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 |
JP2020131248A (ja) * | 2019-02-21 | 2020-08-31 | Jfeスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
US20220261520A1 (en) * | 2019-07-22 | 2022-08-18 | Jfe Steel Corporation | Quality prediction model generation method, quality prediction model, quality prediction method, metal material manufacturing method, quality prediction model generation device, and quality prediction device |
EP4099012A4 (en) * | 2020-01-29 | 2023-08-23 | JFE Steel Corporation | METALLIC STRUCTURE PHASE CLASSIFYING METHOD AND DEVICE, METALLIC STRUCTURE PHASE LEARNING METHOD AND DEVICE, MATERIAL PROPERTY PREDICTION METHOD AND DEVICE FOR METALLIC MATERIAL |
CN115398228A (zh) * | 2020-03-31 | 2022-11-25 | 杰富意钢铁株式会社 | 金属组织的拍摄条件确定方法、金属组织的拍摄方法、金属组织的相分类方法、金属组织的拍摄条件确定装置、金属组织的拍摄装置、金属组织的相分类装置、金属材料的材料特性预测方法及金属材料的材料特性预测装置 |
TWI721879B (zh) * | 2020-05-04 | 2021-03-11 | 和碩聯合科技股份有限公司 | 決定產能參數的方法及產能參數產生系統 |
TWI740494B (zh) * | 2020-05-12 | 2021-09-21 | 中國鋼鐵股份有限公司 | 軋輥檢驗方法與軋輥檢驗系統 |
CN113939777A (zh) * | 2020-05-13 | 2022-01-14 | 东芝三菱电机产业系统株式会社 | 物理模型辨识系统 |
JP7230880B2 (ja) * | 2020-05-18 | 2023-03-01 | Jfeスチール株式会社 | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 |
TWI731809B (zh) * | 2020-10-21 | 2021-06-21 | 中國鋼鐵股份有限公司 | 改善鋼條捲溫震盪的控制方法 |
JP7468376B2 (ja) * | 2021-01-21 | 2024-04-19 | 株式会社Tmeic | ロール管理装置 |
WO2022172524A1 (ja) * | 2021-02-15 | 2022-08-18 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
TWI792240B (zh) * | 2021-03-24 | 2023-02-11 | 中國鋼鐵股份有限公司 | 用於軋延製程的控制參數的調整方法 |
TWI787940B (zh) * | 2021-08-04 | 2022-12-21 | 中國鋼鐵股份有限公司 | 加熱爐的爐溫設定值的優化方法 |
CN113780852B (zh) * | 2021-09-16 | 2024-03-05 | 东北大学 | 一种板带轧制过程质量缺陷的诊断方法 |
TWI798047B (zh) * | 2022-04-08 | 2023-04-01 | 中國鋼鐵股份有限公司 | 鋼板軋延力預測方法與軋延系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001025805A (ja) * | 1999-07-13 | 2001-01-30 | Kobe Steel Ltd | 圧延シミュレーション装置,及び圧延シミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体 |
KR20010060938A (ko) * | 1999-12-28 | 2001-07-07 | 이구택 | 압연기의 형상 제어 특성을 실시간으로 시뮬레이션할 수있는 장치 |
CN101253005A (zh) * | 2006-07-26 | 2008-08-27 | 东芝三菱电机产业系统株式会社 | 轧制线的材质预测及材质控制装置 |
JP4890433B2 (ja) * | 2007-12-28 | 2012-03-07 | 株式会社神戸製鋼所 | 圧延材の温度予測方法、圧延材の冷却装置の制御方法、及び連続圧延設備 |
CN103406362A (zh) * | 2013-08-08 | 2013-11-27 | 东北大学 | 一种模拟中厚板轧机轧制过程的控制系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05118979A (ja) * | 1991-10-25 | 1993-05-14 | Hitachi Metals Ltd | 転造シミユレーシヨン試験方法およびその試験装置 |
JPH06312206A (ja) * | 1993-04-28 | 1994-11-08 | Nippon Steel Corp | 熱間圧延工場の物流シミュレーション装置 |
JP4119684B2 (ja) | 2002-05-27 | 2008-07-16 | 東芝三菱電機産業システム株式会社 | 圧延機設定計算装置用学習制御装置 |
JP4402502B2 (ja) | 2004-04-13 | 2010-01-20 | 東芝三菱電機産業システム株式会社 | 巻取温度制御装置 |
KR100841888B1 (ko) * | 2007-04-12 | 2008-06-27 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 라인의 재질 예측 및 재질 제어 장치 |
JP2009208115A (ja) * | 2008-03-04 | 2009-09-17 | Kobe Steel Ltd | 圧延制御パラメータの算出方法及び算出装置、圧延シミュレーション装置 |
JP5396889B2 (ja) * | 2009-02-02 | 2014-01-22 | 東芝三菱電機産業システム株式会社 | 圧延製品の特性予測方法 |
-
2014
- 2014-09-10 JP JP2016547307A patent/JP6292309B2/ja active Active
- 2014-09-10 WO PCT/JP2014/073975 patent/WO2016038705A1/ja active Application Filing
- 2014-09-10 CN CN201480081164.XA patent/CN106660090B/zh active Active
- 2014-09-10 KR KR1020177006332A patent/KR101889668B1/ko active IP Right Grant
- 2014-12-08 TW TW103142558A patent/TWI554340B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001025805A (ja) * | 1999-07-13 | 2001-01-30 | Kobe Steel Ltd | 圧延シミュレーション装置,及び圧延シミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体 |
KR20010060938A (ko) * | 1999-12-28 | 2001-07-07 | 이구택 | 압연기의 형상 제어 특성을 실시간으로 시뮬레이션할 수있는 장치 |
CN101253005A (zh) * | 2006-07-26 | 2008-08-27 | 东芝三菱电机产业系统株式会社 | 轧制线的材质预测及材质控制装置 |
JP4890433B2 (ja) * | 2007-12-28 | 2012-03-07 | 株式会社神戸製鋼所 | 圧延材の温度予測方法、圧延材の冷却装置の制御方法、及び連続圧延設備 |
CN103406362A (zh) * | 2013-08-08 | 2013-11-27 | 东北大学 | 一种模拟中厚板轧机轧制过程的控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2016038705A1 (ja) | 2016-03-17 |
KR101889668B1 (ko) | 2018-08-17 |
KR20170039736A (ko) | 2017-04-11 |
TWI554340B (zh) | 2016-10-21 |
JPWO2016038705A1 (ja) | 2017-06-15 |
JP6292309B2 (ja) | 2018-03-14 |
CN106660090A (zh) | 2017-05-10 |
TW201609283A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106660090B (zh) | 轧制模拟装置 | |
CN104070075B (zh) | 一种热轧带钢层流冷却过程控制装置与方法 | |
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion | |
CN103732766B (zh) | 用于运行加工轧件的连续退火机组的方法 | |
CN108311544B (zh) | 一种轧制力参数自学习方法及装置 | |
JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
JPH06510495A (ja) | 製品を製造するための機械を制御する方法、特に射出成形機を制御する方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
CN1330930C (zh) | 轧制过程钢板内部组织晶粒尺寸的软测量方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
JP5803810B2 (ja) | プロセス制御システム、プロセス制御方法、及びコンピュータプログラム | |
JP2011221642A (ja) | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 | |
CN108921232B (zh) | 一种热轧带钢冷却历史数据聚类及相似性度量方法 | |
CN110520805B (zh) | 过程模型的建模优化 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
CN104714519B (zh) | 一种连续退火机组生产过程工艺参数设定与在线优化方法 | |
JP7020379B2 (ja) | 金属材料の材質制御支援装置 | |
CN104174655A (zh) | 一种热连轧板形二级工艺模拟方法 | |
Dian-yao et al. | Self-learning and its application to laminar cooling model of hot rolled strip | |
KR102448426B1 (ko) | 어닐링 로의 작동 방법 | |
US20230205185A1 (en) | System and method for controlling a production plant consisting of a plurality of plant parts, in particular a production plant for producing industrial goods such as metallic semi-finished products | |
KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
CN104537167A (zh) | 基于鲁棒区间极限学习机的区间型指标预报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |