CN106825068B - 一种轧制过程带钢表面粗糙度的预测方法 - Google Patents

一种轧制过程带钢表面粗糙度的预测方法 Download PDF

Info

Publication number
CN106825068B
CN106825068B CN201710023590.3A CN201710023590A CN106825068B CN 106825068 B CN106825068 B CN 106825068B CN 201710023590 A CN201710023590 A CN 201710023590A CN 106825068 B CN106825068 B CN 106825068B
Authority
CN
China
Prior art keywords
strip
surface roughness
surface topography
rack
unit
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
Application number
CN201710023590.3A
Other languages
English (en)
Other versions
CN106825068A (zh
Inventor
李洪波
张�杰
张鑫
尤媛
孔宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201710023590.3A priority Critical patent/CN106825068B/zh
Publication of CN106825068A publication Critical patent/CN106825068A/zh
Application granted granted Critical
Publication of CN106825068B publication Critical patent/CN106825068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Metal Rolling (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供一种轧制过程带钢表面粗糙度的预测方法，属于板带轧制技术领域。本方法在批量采集工业生产现场数据的基础上，获得了工作辊的初始表面粗糙度、带钢的表面粗糙度以及带钢的生产工艺参数等数据，采用回归分析的方法，利用最小二乘法计算回归系数，并通过F检验逐一剔除掉对因变量影响不显著的自变量，进而得到带钢表面粗糙度的预测模型。该方法考虑的工艺因素更全面，且原理简单，计算过程方便，能够充分利用现场实际工艺参数。

Description

一种轧制过程带钢表面粗糙度的预测方法
技术领域
本发明涉及板带轧制技术领域，特别是指一种轧制过程带钢表面粗糙度的预测方法。
背景技术
表面形貌是冷轧带钢最重要的表面质量指标之一，对高档汽车面板和家电面板的冲压性能、辊涂或喷涂后漆面与基体结合力有重要影响。为实现我国高档汽车面板和家电面板的全面自主化和国产化，钢铁下游行业主要钢材产品升级中，对汽车业和家电业的带钢明确提出了“提高产品表面质量和质量稳定性”的要求。
根据带钢轧制过程的生产特点，轧制工艺参数主要根据轧件的材料、力学性能和板形等的需求由计算机最佳设定并加以控制，在轧制工艺参数的设定和调整中，而尚未考虑到对带钢表面形貌的控制。目前，钢铁企业主要通过控制冷轧和平整工序中毛化工作辊的初始表面形貌来控制带钢表面形貌。然而带钢表面形貌的生成还受到轧制工艺参数和带钢来料特征等因素的影响，这些因素在轧制过程中往往会发生较大的变化，使得带钢的表面粗糙度无法满足质量要求。
文献1(白振华，王骏飞.冷连轧机成品板面粗糙度控制技术的研究[J].钢铁，2006，41(11)：46-49)和文献2(周庆田，白振华，王骏飞.冷连轧过程板面粗糙度模型及其应用的研究[J].中国机械工程，2007，18(14)：1743-1746)中，在经过大量现场试验和理论研究的基础上，各建立了一套冷连轧机成品板面粗糙度模型，将其应用到宝钢2030五机架冷连轧机板面粗糙度的控制中。但是两种模型的基本原理类似，对于冷连轧生产过程中工作辊的表面粗糙度的衰减，均认为主要与工作辊的原始粗糙度与换辊后的轧制公里数有关，忽略了轧制工艺参数、带钢材质和规格等因素的影响。
在轧制过程中，带钢表面形貌受多种因素的影响，使轧辊与钢板表面形貌之间并不具备严格传递的关系，在不同的轧制条件和轧制不同钢板的情况下，表面形貌的传递效率不同，这使钢板表面形貌的预报存在很大的困难。如果忽略某些因素对表面形貌的影响，将引起预报模型对真实值的预报失真。因此，有必要在分清这些因素对表面粗糙度影响程度的基础上，建立钢板表面形貌的回归模型，使得预测结果更为准确。
发明内容
本发明要解决的技术问题是提供一种轧制过程带钢表面粗糙度的预测方法，该方法在对相关工艺参数进行因变量和自变量构建的基础上，通过多元线性回归和显著性检验的方法，依次剔除掉对因变量影响不显著的自变量，保留对因变量影响显著的因素，最终得到带钢表面粗糙度的预测数学模型，并利用该模型对生产现场的实际生产过程进行带钢表面粗糙度的预测计算。
该方法具体步骤如下：
(1)获得生产现场轧辊服役期内的工艺参数实测数据共计n组，n≥1，每组数据包括：工作辊的初始表面粗糙度Ra0，单位μm；带钢的表面粗糙度Ra，单位μm；带钢宽度w，单位mm；带钢的厚度h，单位mm；带钢的变形抗力q，单位MPa；带钢对应的工作辊轧制里程L，单位m；带钢的表面形貌控制机架的压下量Δh，单位mm；带钢的表面形貌控制机架的入口张力F1，单位kN；带钢的表面形貌控制机架的出口张力F2，单位kN；带钢的表面形貌控制机架的轧制力F，单位kN；带钢的表面形貌控制机架的轧制速度v，单位m·s-1，然后由带钢宽度w和带钢的表面形貌控制机架的轧制力F计算得到带钢的表面形貌控制机架的单位宽度轧制力f，单位kN·mm-1，具体计算方法为：
f＝F/w；
(2)计算回归分析的因变量和自变量，因变量Y为根据步骤(1)中得到的带钢的表面粗糙度Ra与工作辊的初始表面粗糙度Ra0计算得到的比值Y＝Ra/Ra0；自变量为由步骤(1)中得到的带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f和带钢的表面形貌控制机架的轧制速度v，进行计算得到的41个自变量，依次表示为X1，X2，……，X41，且X1，X2，……，X41依次等于h、h2、h3、lnh、(ln h)2、(ln h)3、L、ln(L+1)、[ln(L+1)]2、[ln(L+1)]3、Δh、Δh2、Δh3、ln(Δh+1)、[ln(Δh+1)]2、[ln(Δh+1)]3、hΔh、(hΔh)2、(hΔh)3、f、f0.5、f2、f3、v、v2、v3、ln(v+1)、[ln(v+1)]2、[ln(v+1)]3、1000f/q、(1000f/q)2、(1000f/q)3、F2/F1、(F2/F1)2、(F2/F1)3、ln(F2/F1+1)、ln(F2/F1+1)2、ln(F2/F1+1)3、Δh·F2/F1、v·F2/F1和f·F2/F1；
(3)回归方程的数学表达形式为：
Yi＝A0+A1X1i+A2X2i+L+A41X41i，
其中，下标i代表利用步骤(1)中的第i组实测数据，1≤i≤n；Yi为第i组数据的因变量Ra/Ra0；X1i，X2i，……，X41i为第i组实测数据的41个自变量具体数值；A0，A1，A2，…Aj，…，A41是42个待定参数，0≤j≤41；
(4)将n组实测数据代入步骤(3)中的回归方程，利用最小二乘法计算得到待定参数A0，A1，A2，…Aj，…，A41的具体数值，即为回归系数；
(5)利用F检验法对回归方程的自变量进行显著性检验，从非显著的自变量中剔除Fj最小的一个自变量，然后重新建立余下自变量的回归方程并进行显著性检验和Fj最小的自变量剔除，重复构建方程、显著性检验和非显著的自变量剔除过程，直到余下的所有自变量都显著为止；
(6)得到带钢表面粗糙度的预测数学模型为：
Ra＝(a0+a1x1+a2x2+…+aβxβ)Ra0，
其中，β为41个自变量中对因变量影响显著未被剔除的自变量的个数，1≤β≤41；x1，x2，……，xβ依次等于X1，X2，……，X41中对因变量影响显著未被剔除的自变量；a0＝A0，a1，a2，……，aβ依次等于A1，A2，……，A41中对因变量影响显著未被剔除的自变量所对应的系数；
(7)利用步骤(6)得到的带钢表面粗糙度的预测数学模型，根据实际生产过程中的工作辊的初始表面粗糙度Ra0、带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f、带钢的表面形貌控制机架的轧制速度v，计算带钢的粗糙度Ra。
其中，步骤(4)中利用最小二乘法计算得到A0，A1，A2，……，A41和步骤(5)中利用F检验法对回归方程的自变量进行显著性检验，是利用EXCEL中的回归分析模块，或者利用SPSS中的逐步回归分析模块，或者利用Matlab编程进行实现。
步骤(1)中带钢的表面粗糙度Ra的测量，是沿着带钢宽度方向，在上表面和下表面等间距各测k个点，1≤k≤10，Ra取所有测量结果的平均值。
步骤(1)中获得生产现场轧辊服役期内的工艺参数实测数据共计n组中的n≥20，以保证预测结果的可靠性。
本发明的上述技术方案的有益效果如下：
(1)考虑的工艺因素更全面；
(2)原理简单，利用EXCEL中的回归分析模块，或者利用SPSS中的逐步回归分析模块，或者利用Matlab编程使得计算过程方便；
(3)充分利用了现场实际工艺参数。
附图说明
图1为本发明的轧制过程带钢表面粗糙度的预测方法流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供一种轧制过程带钢表面粗糙度的预测方法，具体流程如图1所示。
(1)获得生产现场轧辊服役期内的工艺参数实测数据共计57组，每组数据包括：工作辊的初始表面粗糙度Ra0，单位μm；带钢的表面粗糙度Ra，单位μm；带钢宽度w，单位mm；带钢的厚度h，单位mm；带钢的变形抗力q，单位MPa；带钢对应的工作辊轧制里程L，单位m；带钢的表面形貌控制机架的压下量Δh，单位mm；带钢的表面形貌控制机架的入口张力F1，单位kN；带钢的表面形貌控制机架的出口张力F2，单位kN；带钢的表面形貌控制机架的轧制力F，单位kN；带钢的表面形貌控制机架的轧制速度v，单位m·s-1，部分数据如表1所示。
表1平整带钢的部分轧制工艺参数实测数据
然后由带钢宽度w和带钢的表面形貌控制机架的轧制力F计算得到带钢的表面形貌控制机架的单位宽度轧制力f，单位kN·mm-1，具体计算方法为：
f＝F/w，
计算得到的f值如表1所示。
(2)计算回归分析的因变量和自变量，因变量Y为根据步骤(1)中得到的带钢的表面粗糙度Ra与工作辊的初始表面粗糙度Ra0计算得到的比值Ra/Ra0；自变量为由步骤(1)中得到的带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f和带钢的表面形貌控制机架的轧制速度v，进行计算得到的41个自变量，依次表示为X1，X2，……，X41，并依次等于h、h2、h3、lnh、(ln h)2、(ln h)3、L、ln(L+1)、[ln(L+1)]2、[ln(L+1)]3、Δh、Δh2、Δh3、ln(Δh+1)、[ln(Δh+1)]2、[ln(Δh+1)]3、hΔh、(hΔh)2、(hΔh)3、f、f0.5、f2、f3、v、v2、v3、ln(v+1)、[ln(v+1)]2、[ln(v+1)]3、1000f/q、(1000f/q)2、(1000f/q)3、F2/F1、(F2/F1)2、(F2/F1)3、ln(F2/F1+1)、ln(F2/F1+1)2、ln(F2/F1+1)3、Δh·F2/F1、v·F2/F1和f·F2/F1。
(3)回归方程的数学表达形式为：
Yi＝A0+A1X1i+A2X2i+L+A41X41i
其中，下标i代表利用步骤(1)中的第i组实测数据，1≤i≤n；Yi为第i组数据的因变量Ra/Ra0；X1i，X2i，……，X41i为第i组实测数据的41个自变量具体数值；A0，A1，A2，…Aj，…，A41是42个待定参数，0≤j≤41。
(4)将n组实测数据代入步骤(3)中的回归方程，利用EXCEL中的数据分析模块，采用最小二乘法计算得到A0，A1，A2，…Aj，…，A41共42个回归系数。
(5)利用EXCEL中的数据分析模块，采用F检验法对回归方程的自变量进行显著性检验，从非显著的自变量中剔除Fj最小的一个自变量，然后重新建立余下自变量的回归方程并进行显著性检验和Fj最小的自变量剔除，重复构建方程、显著性检验和非显著的自变量剔除过程，共剔除27个自变量，余下14个都为显著的自变量。
(6)得到带钢表面粗糙度的预测数学模型为：
Ra＝[a0+a1(ln h)2+a2(ln h)3+a3L+a4ln(L+1)+a5(Δh)3
+a6[ln(Δh+1)]3+a7(hΔh)3+a8f0.5+a9f3+a10ln(v+1)
+a11(1000f/q)2+a12(1000f/q)3+a13(F2/F1)3+a14Δh·(F2/F1)]Ra0
其中，Ra为带钢的表面粗糙度，单位μm；Ra0为工作辊的初始表面粗糙度，单位μm；h为带钢的厚度，单位mm；L为带钢对应的工作辊轧制里程，单位m；Δh为带钢的表面形貌控制机架的压下量，单位μm；f为带钢的表面形貌控制机架的单位宽度轧制力，单位kN·mm-1；F1为带钢的表面形貌控制机架的入口张力，单位kN；F2为带钢的表面形貌控制机架的出口张力。
a0，a1，a2，……，a14的具体数值如表2所示。
表2模型中各系数的值
(7)利用步骤(6)得到的带钢表面粗糙度的预测数学模型，根据实际生产过程中的工作辊的初始表面粗糙度Ra0、带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、、带钢的表面形貌控制机架的轧制速度v，来计算带钢的粗糙度Ra。预测结果如表3所示，误差在2％以内，可较准确地预测带钢表面粗糙度。
表3平整带钢表面粗糙度预测结果
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种轧制过程带钢表面粗糙度的预测方法，其特征在于：该方法具体步骤如下：
(1)获得生产现场轧辊服役期内的工艺参数实测数据共计n组，n≥20，每组数据包括：工作辊的初始表面粗糙度Ra0，单位μm；带钢的表面粗糙度Ra，单位μm；带钢宽度w，单位mm；带钢的厚度h，单位mm；带钢的变形抗力q，单位MPa；带钢对应的工作辊轧制里程L，单位m；带钢的表面形貌控制机架的压下量Δh，单位mm；带钢的表面形貌控制机架的入口张力F1，单位kN；带钢的表面形貌控制机架的出口张力F2，单位kN；带钢的表面形貌控制机架的轧制力F，单位kN；带钢的表面形貌控制机架的轧制速度v，单位m·s-1，然后由带钢宽度w和带钢的表面形貌控制机架的轧制力F计算得到带钢的表面形貌控制机架的单位宽度轧制力f，单位kN·mm-1，具体计算方法为：
f＝F/w；
(2)计算回归分析的因变量和自变量，因变量Y为根据步骤(1)中得到的带钢的表面粗糙度Ra与工作辊的初始表面粗糙度Ra0计算得到的比值Y＝Ra/Ra0；自变量为由步骤(1)中得到的带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f和带钢的表面形貌控制机架的轧制速度v，进行计算得到的41个自变量，依次表示为X1，X2，……，X41，且X1，X2，……，X41依次等于h、h2、h3、lnh、(lnh)2、(lnh)3、L、ln(L+1)、[ln(L+1)]2、[ln(L+1)]3、Δh、Δh2、Δh3、ln(Δh+1)、[ln(Δh+1)]2、[ln(Δh+1)]3、hΔh、(hΔh)2、(hΔh)3、f、f0.5、f2、f3、v、v2、v3、ln(v+1)、[ln(v+1)]2、[ln(v+1)]3、1000f/q、(1000f/q)2、(1000f/q)3、F2/F1、(F2/F1)2、(F2/F1)3、ln(F2/F1+1)、ln(F2/F1+1)2、ln(F2/F1+1)3、Δh·F2/F1、v·F2/F1和f·F2/F1；
(3)回归方程的数学表达形式为：
Yi＝A0+A1X1i+A2X2i+L+A41X41i，
其中，下标i代表利用步骤(1)中的第i组实测数据，1≤i≤n；Yi为第i组数据的因变量Ra/Ra0；X1i，X2i，……，X41i为第i组实测数据的41个自变量具体数值；A0，A1，A2，…Aj，…，A41是42个待定参数，0≤j≤41；
(4)将n组实测数据代入步骤(3)中的回归方程，利用最小二乘法计算得到待定参数A0，A1，A2，…Aj，…，A41的具体数值，即为回归系数；
(5)利用F检验法对回归方程的自变量进行显著性检验，从非显著的自变量中剔除Fj最小的一个自变量，然后重新建立余下自变量的回归方程并进行显著性检验和Fj最小的自变量剔除，重复构建方程、显著性检验和非显著的自变量剔除过程，直到余下的所有自变量都显著为止；
(6)得到带钢表面粗糙度的预测数学模型为：
Ra＝(a0+a1x1+a2x2+…+aβxβ)Ra0，
其中，β为41个自变量中对因变量影响显著未被剔除的自变量的个数，1≤β≤41；x1，x2，……，xβ依次等于X1，X2，……，X41中对因变量影响显著未被剔除的自变量；a0＝A0，a1，a2，……，aβ依次等于A1，A2，……，A41中对因变量影响显著未被剔除的自变量所对应的系数；
(7)利用步骤(6)得到的带钢表面粗糙度的预测数学模型，根据实际生产过程中的工作辊的初始表面粗糙度Ra0、带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f、带钢的表面形貌控制机架的轧制速度v，计算带钢的粗糙度Ra；
(8)将利用步骤(7)得到的带钢的粗糙度Ra作为带钢表面粗糙度预测结果；
步骤(4)中利用最小二乘法计算得到A0，A1，A2，……，A41和步骤(5)中利用F检验法对回归方程的自变量进行显著性检验，是利用EXCEL中的回归分析模块，或者利用SPSS中的逐步回归分析模块，或者利用Matlab编程进行实现；
所述步骤(1)中带钢的表面粗糙度Ra的测量，是沿着带钢宽度方向，在上表面和下表面等间距各测k个点，1≤k≤10，Ra取所有测量结果的平均值。
CN201710023590.3A 2017-01-13 2017-01-13 一种轧制过程带钢表面粗糙度的预测方法 Active CN106825068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710023590.3A CN106825068B (zh) 2017-01-13 2017-01-13 一种轧制过程带钢表面粗糙度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710023590.3A CN106825068B (zh) 2017-01-13 2017-01-13 一种轧制过程带钢表面粗糙度的预测方法

Publications (2)

Publication Number Publication Date
CN106825068A CN106825068A (zh) 2017-06-13
CN106825068B true CN106825068B (zh) 2019-05-03

Family

ID=59123838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710023590.3A Active CN106825068B (zh) 2017-01-13 2017-01-13 一种轧制过程带钢表面粗糙度的预测方法

Country Status (1)

Country Link
CN (1) CN106825068B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280272B (zh) * 2018-01-05 2020-07-31 北京科技大学 一种冷轧过程毛化工作辊表面粗糙度的预测方法
CN110743920B (zh) * 2019-09-26 2022-03-18 首钢京唐钢铁联合有限责任公司 一种改善镀锌汽车板表面形貌的光整工艺优化方法
CN111438186B (zh) * 2020-03-31 2022-01-18 首钢京唐钢铁联合有限责任公司 一种五连轧机带钢的制备方法
CN113838055B (zh) * 2021-11-29 2022-02-22 惠民万顺节能新材料有限公司 一种冷轧板表面粗糙度的均匀性检测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1804739A (zh) * 2005-12-12 2006-07-19 燕山大学 平整机成品板面粗糙度预报与控制技术
CN101537431A (zh) * 2008-03-21 2009-09-23 宝山钢铁股份有限公司 冷轧薄带钢表面粗糙度在线预测和控制方法
CN101696918A (zh) * 2009-11-12 2010-04-21 福建出入境检验检疫局检验检疫技术中心 鳗鲡肌肉原酱中氟甲喹残留自然基体标准样品的制备方法
CN103116673A (zh) * 2013-02-04 2013-05-22 陈慧群 一种铣削加工表面形貌预测方法
CN103722022A (zh) * 2013-12-29 2014-04-16 北京首钢自动化信息技术有限公司 一种轧制过程中摩擦系数模型优化系统及方法
CN104624669A (zh) * 2015-02-10 2015-05-20 北京科技大学 一种电火花毛化工作辊生产带钢的粗糙度预测和控制方法
CN106960066A (zh) * 2016-01-11 2017-07-18 上海梅山钢铁股份有限公司 一种热连轧机组成品机架工作辊表面粗糙度预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005042020A1 (de) * 2005-09-02 2007-03-08 Sms Demag Ag Verfahren zum Schmieren und Kühlen von Walzen und Metallband beim Walzen, insbesondere beim Kaltwalzen, von Metallbändern

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1804739A (zh) * 2005-12-12 2006-07-19 燕山大学 平整机成品板面粗糙度预报与控制技术
CN101537431A (zh) * 2008-03-21 2009-09-23 宝山钢铁股份有限公司 冷轧薄带钢表面粗糙度在线预测和控制方法
CN101696918A (zh) * 2009-11-12 2010-04-21 福建出入境检验检疫局检验检疫技术中心 鳗鲡肌肉原酱中氟甲喹残留自然基体标准样品的制备方法
CN103116673A (zh) * 2013-02-04 2013-05-22 陈慧群 一种铣削加工表面形貌预测方法
CN103722022A (zh) * 2013-12-29 2014-04-16 北京首钢自动化信息技术有限公司 一种轧制过程中摩擦系数模型优化系统及方法
CN104624669A (zh) * 2015-02-10 2015-05-20 北京科技大学 一种电火花毛化工作辊生产带钢的粗糙度预测和控制方法
CN106960066A (zh) * 2016-01-11 2017-07-18 上海梅山钢铁股份有限公司 一种热连轧机组成品机架工作辊表面粗糙度预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冷轧带钢表面粗糙度实测研究;吴越等;《中国金属学会2003中国钢铁年会论文集4》;20031030;63-67
冷轧薄板板形与表面粗糙度控制研究;何亮;《中国优秀硕士学位论文全文数据库》;20070430;41-47
带钢冷轧机工作辊表面粗糙度实测研究;吴越等;《机械工程学报》;20031130;第39卷(第11期);90-94

Also Published As

Publication number Publication date
CN106825068A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN106825068B (zh) 一种轧制过程带钢表面粗糙度的预测方法
CN102672003B (zh) 不锈钢带钢拉矫机机组的工艺参数设定方法
CN107377634B (zh) 一种热轧带钢出口凸度预报方法
CN106540968B (zh) 冷轧板形测量值的补偿方法及装置
CN108655186B (zh) 基于人工神经网络与数学模型的轧制力预设定方法
CN102601127A (zh) Cvc四辊冷轧机高精度板形控制预报方法
CN103084408A (zh) 一种适用于双机架平整机组的带钢表面粗糙度控制方法
CN101513647A (zh) 二次冷轧机组生产带材的平整方法
CN103978043A (zh) 适于双机架四辊平整机组轧制力与张力协调控制技术
CN107442575A (zh) 一种带钢湿平整表面粗糙度的预测方法
CN106126941A (zh) 一种冷轧机组功率建模方法
CN107716560B (zh) 一种板带热连轧负荷分配方法
CN114091352B (zh) 基于Elman神经网络的热连轧出口板凸度动态预测方法
CN102161054A (zh) 基于影响矩阵自学习的板形闭环控制方法
CN107537866B (zh) 一种双机架湿平整机组工作辊表面粗糙度的预报方法
Du et al. Optimization of short stroke control preset for automatic width control of hot rolling mill
CN113290061B (zh) 一种基于锆合金的多轧程多道次变形制度设计方法
CN102886384A (zh) 基于支持向量机的森吉米尔20辊轧机板形缺陷识别方法
CN109127740B (zh) 一种冷轧带钢表面粗糙度的预报方法
CN105013835A (zh) 冷连轧机组极薄带轧制中基于热凸度的原始辊缝设定方法
CN105855297A (zh) 一种提高热轧首块无取向硅钢头部厚度精度的控制方法
CN109719138A (zh) 一种基于数据挖掘的变形抗力唯象模型计算方法
CN107234135B (zh) 一种适用于热连轧机组出口带钢表面粗糙度控制方法
CN113275387A (zh) 一种ucm轧机辊系横纵刚度特性曲线的获取方法
CN104338755A (zh) 一种冷轧轧机刚度的动态计算方法

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