CN108480405B - 一种基于数据驱动的冷轧板形调控功效系数获取方法 - Google Patents

一种基于数据驱动的冷轧板形调控功效系数获取方法 Download PDF

Info

Publication number
CN108480405B
CN108480405B CN201810338087.1A CN201810338087A CN108480405B CN 108480405 B CN108480405 B CN 108480405B CN 201810338087 A CN201810338087 A CN 201810338087A CN 108480405 B CN108480405 B CN 108480405B
Authority
CN
China
Prior art keywords
matrix
plate shape
following
obtaining
data
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
CN201810338087.1A
Other languages
English (en)
Other versions
CN108480405A (zh
Inventor
孙杰
胡耀辉
邓继飞
彭文
丁敬国
李旭
张殿华
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810338087.1A priority Critical patent/CN108480405B/zh
Publication of CN108480405A publication Critical patent/CN108480405A/zh
Application granted granted Critical
Publication of CN108480405B publication Critical patent/CN108480405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供一种基于数据驱动的冷轧板形调控功效系数获取方法，涉及轧制过程的自动控制技术领域。一种基于数据驱动的冷轧板形调控功效系数获取方法，首先在轧制过程中，以相同的时间间隔连续记录工艺参数及板形值，获取生产数据；再将现场生产数据进行时间同步处理，得到数据的变化量，并进行标准化；最后采用处理后的数据结合偏最小二乘算法建立偏最小二乘模型，根据偏最小二乘模型的性质利用模型系数矩阵求得板形调控功效系数。本发明提供的基于数据驱动的冷轧板形调控功效系数获取方法，运算速度快、计算精度高，可应用于在线情况。同时，本发明方法可直接在计算机上通过编程实现，且不需要成本上的投入，可以广泛推广到冷轧生产中。

Description

一种基于数据驱动的冷轧板形调控功效系数获取方法
技术领域
本发明涉及轧制过程的自动控制技术领域，尤其涉及一种基于数据驱动的冷轧板形调控功效系数获取方法。
背景技术
板形闭环控制是在稳定轧制时，以板形检测装置实测的板形信息为反馈，根据实际板形与目标板形的偏差，计算出消除板形偏差所需的调节量，从而对带钢板形进行不断的调节，使板形达到良好。板形闭环控制系统的核心是板形调控功效系数，功效系数的精度将直接影响到板形控制精度。因此，获得精确有效的板形调控功效系数是板形控制的基础。
板形调控功效系数定义为板形调节手段单位调节量对于板形偏差的调节效果，可以表示为：
Eij＝ΔYi/ΔXj
其中，Eij为板形调控功效系数，它是功效系数矩阵i行j列的元素，ΔXj为第j个调控机构的调控参数变化量，ΔYi为由调控机构引起的第i个测量点的板形值变化量。
现代带钢冷轧机通常具有多种板形调节手段，包括压下倾斜、弯辊、中间辊横移等，在生产过程中，由于多种板形调节手段共同作用且互相影响，很难通过传统的辊系弹性变形理论以及轧件三维变形理论来精确的求解各调控机构的板形调控功效系数。目前计算板形调控功效系数的方法主要包括利用有限元模拟计算和轧制实验。其中有限元模拟的过程复杂、计算时间过长，不利于进行实时分析和计算，轧制实验只能对少量轧制条件进行实验，实验成本高，所得到的结果有着局限性。在实际轧制过程中，调控功效系数还受许多轧制参数的影响，如带钢宽度、轧制力以及中间辊横移位置，因而通过轧机实验和离线模型计算的板形调控功效并不能满足实际生产中板形控制的要求。
发明内容
针对现有技术的缺陷，本发明提供一种基于数据驱动的冷轧板形调控功效系数获取方法，在轧制过程中，根据实测的轧制数据，实现在线获取板形调控功效系数。
一种基于数据驱动的冷轧板形调控功效系数获取方法，包括以下步骤：
步骤1：在轧制生产线上，选取某一带钢轧制数据，以相同的时间间隔连续记录轧制速度及轧制力稳定时的轧制速度、轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜量这些工艺参数和各数据点的板形值，由n个连续数据点的工艺参数值得到工艺参数矩阵X，由n个连续数据点的板形值得到板形值矩阵Y；
步骤2：对现场生产数据进行预处理，包括对生产数据进行时间同步处理，计算单位时间间隔内板形变化量和工艺参数变化量以及对生产数据进行标准化处理，具体方法为：
步骤2.1：由于板形值与工艺参数的测量位置不同，因此需进行时间同步处理，使第i个数据点的工艺参数与第i+j个数据点的板形值对应起来，其中，j＝d/vt为由于测量位置不同引起的板形值测量延迟，d为板形值与工艺参数的测量位置间距，v为第i个数据点对应的轧制速度，t为数据点的取样间隔；
步骤2.2：计算第i′个时间间隔内轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜这些工艺参数的变化量及板形值的变化量，从而得到工艺参数变化量矩阵X0和板形值变化量矩阵Y0；
步骤2.3：将工艺参数变化量矩阵X0及板形值变化量矩阵Y0进行标准化处理，如下两个公式所示：
Figure GDA0002415510920000021
Figure GDA0002415510920000022
其中，矩阵Ax、Ay的每一列的元素相同，不同列的元素依次对应矩阵X0、Y0中各变量的平均值，矩阵Dx、Dy为矩阵X0、Y0中每个变量的标准差组成的对角矩阵；
步骤3：对工艺参数变化量矩阵X0和板形值变化量矩阵Y0利用偏最小二乘算法建立偏最小二乘模型，具体方法为：
步骤3.1：根据矩阵X0、Y0，按以下两个公式分别计算出特征向量l0、c0：
X0 TY0Y0 TX0l0＝λl0
Y0 TX0X0 TY0c0＝λc0
并对l0、c0进行归一化得：
l＝l0/||l0||
c＝c0/||c0||
步骤3.2：根据特征向量l0、c0求得矩阵X0和Y0主成分t和u，如下两个公式所示：
t＝X0l0
u＝Y0c0
步骤3.3：根据主成分得到X0、Y0关于t的回归方程，并得到残差X1、Y1，如下两个公式所示：
X0＝tp+X1
Y0＝tr+Y1
其中，p＝X0t/tTt，r＝Y0t/tTt；
步骤3.4：令X1替换X0、Y1替换Y0，再重复执行步骤3.1-步骤3.3，直到主成分数达到最优主成分数h，其中h是由k折交叉验证法确定的最优主成分数；
所述由k折交叉验证法确定的最优主成分数h的具体方法为：
步骤3.4.1：将数据点分为k类，其中，k-1类数据点为训练集Xa、Ya，1类数据点为预测集Xc、Yc；
步骤3.4.2：利用训练集中的数据点建立偏最小二乘模型，如下式所示：
Ya＝XaBa
其中，Ba＝Xa TUa(Ta TXaXa TUa)-1Ta TYa，Ta为由训练集求得的m个主成分t组成矩阵，Ua为由训练集求得的m个主成分u组成的矩阵，将m从1取到足够大的数并得到多个偏最小二乘模型；
步骤3.4.3：求出不同主成分数对应的预测集Yc的预测值，如下式所示：
Figure GDA0002415510920000031
步骤3.4.4：将步骤3.4.2至步骤3.4.3重复k次，使k类点中的每一类都作为测试集运算一次，并计算不同主成分数对应的k次预测的预测残差平方和PRESS：
Figure GDA0002415510920000032
当预测残差平方和PRESS最小时对应的主成分数h为最优主成分数h；
步骤3.5：步骤3.4提取多个主成分t和u之后，通过建立主成分t和u之间的线性模型间接建立自变量X0和因变量Y0的线性模型，由此获得偏最小二乘模型，如下式所示：
Y0＝X0B
其中，B＝X0 TU(TTX0X0 TU)-1TTY0，T为h个主成分t组成的n×h矩阵，U为h个主成分u组成的n×h矩阵；
步骤4：根据偏最小二乘模型的系数矩阵得到板形调控功效系数矩阵E，具体方法为：
步骤4.1：根据板形调控功效系数的定义，对步骤3所得的偏最小二乘模型中的系数矩阵B进行分块，找出系数矩阵B的一个子矩阵，其为与X0中包含的工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵，如下式所示：
Figure GDA0002415510920000041
其中，E0为与工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵；
步骤4.2：将板形调控功效系数矩阵E0进行逆标准化处理，得到板形调控功效系数矩阵E，如下式所示：
Figure GDA0002415510920000042
其中，Dx为由各个调控参数变化量方差组成的对角矩阵，Dy为由各个板形值变化量方差组成的对角矩阵。
由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于数据驱动的冷轧板形调控功效系数获取方法，利用偏最小二乘方法，在线获取板形调控功效系数，克服板形调控过程中板形调控功效系数获取困难、精度有限的问题。且运算速度快、计算精度高，可应用于在线情况。同时，本发明方法可直接在计算机上通过编程实现，且不需要成本上的投入，可以广泛推广到冷轧生产中。
附图说明
图1为本发明实施例提供的一种基于数据驱动的冷轧板形调控功效系数获取方法的流程图；
图2为本发明实施例提供的轧辊倾斜调控功效系数曲线示意图；
图3为本发明实施例提供的工作辊弯辊调控功效系数曲线示意图；
图4为本发明实施例提供的中间辊弯辊调控功效系数曲线示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中采用某1450mm五机架冷连轧生产线数据，轧制速度为294m/min，带钢宽度为820mm，厚度为0.2mm。
一种基于数据驱动的冷轧板形调控功效系数获取方法，如图1所示，包括以下步骤：
步骤1：在轧制生产线上，选取某一带钢轧制数据，以相同的时间间隔连续记录轧制速度及轧制力稳定时的轧制速度、轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜量这些工艺参数和各数据点的板形值，由n个连续数据点的工艺参数值得到工艺参数矩阵X，由n个连续数据点的板形值得到板形值矩阵Y；
本实施例中，使用16个测量点的板形值，记录1247个连续数据点的工艺参数值得到1247×5的工艺参数矩阵X，记录1247个连续数据点的板形值得到1247×16的板形值矩阵Y。
步骤2：对现场生产数据进行预处理，包括对生产数据进行时间同步处理，计算单位时间间隔内板形变化量和工艺参数变化量以及对生产数据进行标准化处理，具体方法为：
步骤2.1：由于板形值与工艺参数的测量位置不同，因此需进行时间同步处理，使第i个数据点的工艺参数与第i+j个数据点的板形值对应起来，其中，j＝d/vt为由于测量位置不同引起的板形值测量延迟，d为板形值与工艺参数的测量位置间距，v为第i个数据点对应的轧制速度，t为数据点的取样间隔；
本实施例中，板形值与工艺参数的测量位置间距d为3.6m，轧制速度v为4.9m/s，数据点的取样间隔t为0.2s，因此由测量位置不同引起的板形值测量延迟为j＝d/vt＝3.67个取样时间间隔，为使第i个数据点的工艺参数与第i+j个数据点的板形值对应起来，对数据点进行线性插值，即可求得yi＝0.33yi+3+0.67yi+4。
步骤2.2：计算第i′个时间间隔内轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜这些工艺参数的变化量及板形值的变化量，从而得到工艺参数变化量矩阵X0和板形值变化量矩阵Y0；
本实施例中，由于步骤2.1和步骤2.2需舍去开头和结尾的部分数据点，因此X0为1237×5矩阵，Y0为1237×16矩阵。
步骤2.3：将工艺参数变化量矩阵X0和板形值变化量矩阵Y0进行标准化处理，如下两个公式所示：
Figure GDA0002415510920000051
Figure GDA0002415510920000052
其中，矩阵Ax、Ay的每一列的元素相同，不同列的元素依次对应矩阵X0、Y0中各变量的平均值，矩阵Dx、Dy为矩阵X0、Y0中每个变量的标准差组成的对角矩阵；
步骤3：对工艺参数变化量矩阵X0和板形值变化量矩阵Y0利用偏最小二乘算法建立偏最小二乘模型，具体方法为：
步骤3.1：根据矩阵X0、Y0，按以下两个公式分别计算出特征向量l0、c0：
X0 TY0Y0 TX0l0＝λl0
Y0 TX0X0 TY0c0＝λc0
并对l0、c0进行归一化得：
l＝l0/||l0||
c＝c0/||c0||
步骤3.2：根据特征向量l0、c0求得矩阵X0和Y0主成分t和u，如下两个公式所示：
t＝X0l0
u＝Y0c0
步骤3.3：根据主成分得到X0、Y0关于t的回归方程，并得到残差X1、Y1，如下两个公式所示：
X0＝tp+X1
Y0＝tr+Y1
其中，p＝X0t/tTt，r＝Y0t/tTt；
步骤3.4：令X1替换X0、Y1替换Y0，再重复执行步骤3.1-步骤3.3，直到主成分数达到最优主成分数h，其中h是由k折交叉验证法确定的最优主成分数；
本实施例中，由5折交叉验证法确定最优主成分数h，的具体方法为：
步骤3.4.1：将数据点分为5类，其中，4类数据点为训练集Xa、Ya，1类数据点为预测集Xc、Yc；
步骤3.4.2：利用训练集中的数据点建立偏最小二乘模型，如下式所示：
Ya＝XaBa
其中，Ba＝Xa TUa(Ta TXaXa TUa)-1Ta TYa，Ta为由训练集求得的m个主成分t组成矩阵，Ua为由训练集求得的m个主成分u组成的矩阵，将m从1取到6并得到多个偏最小二乘模型；
步骤3.4.3：求出不同主成分数对应的预测集Yc的预测值，如下式所示：
Figure GDA0002415510920000061
步骤3.4.4：将步骤3.4.2至步骤3.4.3重复5次，使5类点中的每一类都作为测试集运算一次，并计算不同主成分数对应的5次预测的预测残差平方和PRESS：
Figure GDA0002415510920000062
当预测残差平方和PRESS最小时对应的主成分数h为最优主成分数h；
经计算，主成分数从1到6分别对应的预测残差平方和PRESS值为13280、12578、12549、12441、12450、13397，当预测残差平方和最小时对应的主成分数为4，因此，本实施例中，由5折交叉验证法确定的最优主成分数h＝4。
步骤3.5：步骤3.4提取多个主成分t和u之后，通过建立主成分t和u之间的线性模型间接建立自变量X0和因变量Y0的线性模型，由此获得偏最小二乘模型，如下式所示：
Y0＝X0B
其中，B＝X0 TU(TTX0X0 TU)-1TTY0，T为h个主成分t组成的n×h矩阵，U为h个主成分u组成的n×h矩阵；
本实施例中，T为4个主成分t组成的1237×4矩阵，U为4个主成分u组成的1237×4矩阵。
步骤4：根据偏最小二乘模型的系数矩阵得到板形调控功效系数矩阵E，具体方法为：
步骤4.1：根据板形调控功效系数的定义，对步骤3所得的偏最小二乘模型中的系数矩阵B进行分块，找出系数矩阵B的一个子矩阵，其为与X0中包含的工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵，如下式所示：
Figure GDA0002415510920000071
其中，E0为与工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵；
本实施例中，偏最小二乘模型的系数矩阵B是一个5×16矩阵，其中3、4、5行分别对应轧辊倾斜、工作辊弯辊力、中间辊弯辊力三个调控参数的系数。
步骤4.2：将板形调控功效系数矩阵E0进行逆标准化处理，得到板形调控功效系数矩阵E，如下式所示：
Figure GDA0002415510920000072
其中，Dx为由各个调控参数变化量方差组成的对角矩阵，Dy为由各个板形值变化量方差组成的对角矩阵。
本实施例中，Dx为三个调控参数变化量标准差组成的3×3对角矩阵，Dy为各个板形值变化量标准差组成的16×16对角矩阵。轧辊倾斜、工作辊弯辊力、中间辊弯辊力三个调控参数对应的调控功效系数分别如图2、图3和图4所示，其中轧辊倾斜调控功效系数的范围为-53.88I/mm至53.97I/mm，工作辊弯辊调控功效系数的范围为-0.025I/kN至0.054I/kN，中间辊弯辊调控功效系数的范围为-0.007I/kN至0.013I/kN。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种基于数据驱动的冷轧板形调控功效系数获取方法，其特征在于：包括以下步骤：
步骤1：在轧制生产线上，选取某一带钢轧制数据，以相同的时间间隔连续记录轧制速度及轧制力稳定时的轧制速度、轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜量这些工艺参数和各数据点的板形值，由n个连续数据点的工艺参数值得到工艺参数矩阵X，由n个连续数据点的板形值得到板形值矩阵Y；
步骤2：对现场生产数据进行预处理，包括对生产数据进行时间同步处理，计算单位时间间隔内板形变化量和工艺参数变化量，得到工艺参数变化量矩阵X0和板形值变化量矩阵Y0，并对矩阵X0和Y0进行标准化处理；
步骤2.1：由于板形值与工艺参数的测量位置不同，因此需进行时间同步处理，使第i个数据点的工艺参数与第i+j个数据点的板形值对应起来，其中，j＝d/vt为由于测量位置不同引起的板形值测量延迟，d为板形值与工艺参数的测量位置间距，v为第i个数据点对应的轧制速度，t为数据点的取样间隔；
步骤2.2：计算第i′个时间间隔内轧制力、工作辊弯辊力、中间辊弯辊力和轧辊倾斜这些工艺参数的变化量及板形值的变化量，从而得到工艺参数变化量矩阵X0和板形值变化量矩阵Y0；
步骤2.3：将工艺参数变化量矩阵X0及板形值变化量矩阵Y0进行标准化处理，如下两个公式所示：
Figure FDA0002415510910000011
Figure FDA0002415510910000012
其中，矩阵Ax、Ay的每一列的元素相同，不同列的元素依次对应矩阵X0、Y0中各变量的平均值，矩阵Dx、Dy为矩阵X0、Y0中每个变量的标准差组成的对角矩阵；
步骤3：对工艺参数变化量矩阵X0及板形值变化量矩阵Y0利用偏最小二乘算法建立偏最小二乘模型；
步骤4：根据偏最小二乘模型的系数矩阵得到板形调控功效系数矩阵E。
2.根据权利要求1所述的一种基于数据驱动的冷轧板形调控功效系数获取方法，其特征在于：所述步骤3的具体方法为：
步骤3.1：根据矩阵X0、Y0，按以下两个公式分别计算出特征向量l0、c0：
X0 TY0Y0 TX0l0＝λl0
Y0 TX0X0 TY0c0＝λc0
并对l0、c0进行归一化得：
l＝l0/||l0||
c＝c0/||c0||
步骤3.2：根据特征向量l0、c0求得矩阵X0和Y0主成分t和u，如下两个公式所示：
t＝X0l0
u＝Y0c0
步骤3.3：根据主成分得到X0、Y0关于t的回归方程，并得到残差X1、Y1，如下两个公式所示：
X0＝tp+X1
Y0＝tr+Y1
其中，p＝X0t/tTt，r＝Y0t/tTt；
步骤3.4：令X1替换X0、Y1替换Y0，再重复执行步骤3.1-步骤3.3，直到主成分数达到最优主成分数h，其中h是由k折交叉验证法确定的最优主成分数；
步骤3.5：步骤3.4提取多个主成分t和u之后，通过建立主成分t和u之间的线性模型间接建立自变量X0和因变量Y0的线性模型，由此获得偏最小二乘模型，如下式所示：
Y0＝X0B
其中，B＝X0 TU(TTX0X0 TU)-1TTY0，T为h个主成分t组成的n×h矩阵，U为h个主成分u组成的n×h矩阵。
3.根据权利要求2所述的一种基于数据驱动的冷轧板形调控功效系数获取方法，其特征在于：所述步骤4的具体方法为：
步骤4.1：根据板形调控功效系数的定义，对步骤3所得的偏最小二乘模型中的系数矩阵B进行分块，找出系数矩阵B的一个子矩阵，其为与X0中包含的工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵，如下式所示：
Figure FDA0002415510910000021
其中，E0为与工作辊弯辊力变化、中间辊弯辊力变化、轧辊倾斜变化量三个调控参数对应的板形调控功效系数矩阵；
步骤4.2：将板形调控功效系数矩阵E0进行逆标准化处理，得到板形调控功效系数矩阵E，如下式所示：
Figure FDA0002415510910000031
其中，Dx为由各个调控参数变化量方差组成的对角矩阵，Dy为由各个板形值变化量方差组成的对角矩阵。
CN201810338087.1A 2018-04-16 2018-04-16 一种基于数据驱动的冷轧板形调控功效系数获取方法 Active CN108480405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810338087.1A CN108480405B (zh) 2018-04-16 2018-04-16 一种基于数据驱动的冷轧板形调控功效系数获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810338087.1A CN108480405B (zh) 2018-04-16 2018-04-16 一种基于数据驱动的冷轧板形调控功效系数获取方法

Publications (2)

Publication Number Publication Date
CN108480405A CN108480405A (zh) 2018-09-04
CN108480405B true CN108480405B (zh) 2020-05-05

Family

ID=63314557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810338087.1A Active CN108480405B (zh) 2018-04-16 2018-04-16 一种基于数据驱动的冷轧板形调控功效系数获取方法

Country Status (1)

Country Link
CN (1) CN108480405B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109675931B (zh) * 2019-01-25 2020-04-07 燕山大学 一种板形调控功效系数自学习方法及系统
CN110779875B (zh) * 2019-11-01 2022-03-01 北华航天工业学院 一种基于高光谱技术检测冬小麦麦穗水分含量的方法
CN111856932B (zh) * 2020-07-02 2022-05-27 唐山钢铁集团有限责任公司 一种基于影响矩阵递推辨识的冷带轧机板形闭环控制方法
CN111861236B (zh) * 2020-07-27 2023-10-27 东北大学 一种棒材精整工艺数据同步方法
CN112859595B (zh) * 2020-12-31 2021-12-17 东北大学 基于变调控功效的冷轧带钢边部减薄最优控制量的确定方法
CN112916624B (zh) * 2021-01-29 2022-09-16 华北电力大学（保定） 一种ucm轧机板形执行机构调控功效系数获取方法
CN114798755B (zh) * 2022-04-26 2023-02-17 东北大学 一种分析冷连轧过程中热凸度对板形影响的方法
CN114653761B (zh) * 2022-05-23 2022-09-02 东北大学 一种基于板形闭环调节量的轧辊倾斜输出控制方法
CN116174497A (zh) * 2023-01-06 2023-05-30 北京科技大学 一种基于数据驱动的冷连轧弯辊力在线预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6356309A (ja) * 1986-08-25 1988-03-10 Hitachi Ltd 圧延材の形状制御装置
JPH08190401A (ja) * 1995-01-09 1996-07-23 Nippon Steel Corp 複数制御要素の制御方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102172639B (zh) * 2010-12-30 2013-01-30 东北大学 一种冷轧机工作辊弯辊超限的动态替代调节方法
CN102366760B (zh) * 2011-09-13 2014-04-09 中冶南方工程技术有限公司 冷轧带钢板形控制执行器调控功效系数在线解耦方法
CN102527737B (zh) * 2012-01-16 2014-06-25 中冶南方工程技术有限公司 冷轧机板形调控功效系数离线自学习系统
CN102553941B (zh) * 2012-01-16 2014-03-12 中冶南方工程技术有限公司 冷轧机板形调控功效系数离线自学习方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6356309A (ja) * 1986-08-25 1988-03-10 Hitachi Ltd 圧延材の形状制御装置
JPH08190401A (ja) * 1995-01-09 1996-07-23 Nippon Steel Corp 複数制御要素の制御方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《冷轧带钢板形控制的研究》;闫注文;《中国学术文献网络出版总库》;20130601;全文 *
《冷轧带钢板形控制系统的研究与开发》;刘佳伟;《中国学术文献网络出版总库》;20101118;全文 *
《带钢冷连轧板形功效系数自学习计算模型》;张殿华等;《钢铁》;20100315;第45卷(第3期);全文 *

Also Published As

Publication number Publication date
CN108480405A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN108480405B (zh) 一种基于数据驱动的冷轧板形调控功效系数获取方法
JP5265355B2 (ja) ストリップの圧延工程における平坦度制御を最適化するための方法と装置
CN1311922C (zh) 确定额定值和中间量的计算机辅助方法及轧机机列
CN101920269B (zh) 冷轧机板形控制执行器调控功效系数优化方法
US20240184956A1 (en) Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion
CN104324948B (zh) 一种热连轧粗轧过程轧件宽度控制方法
CN104785543B (zh) 一种基于滑动平均滤波的热轧带钢凸度反馈控制方法
DE112004002759T5 (de) Verfahren und Vorrichtung zum Steuern der Materialqualität in einem Walz-, Schmiede- oder Nivellierungsverfahren
CN109433830B (zh) 一种冷轧板形闭环控制方法及系统
CN103128107B (zh) 一种热连轧粗轧短行程曲线参数的在线计算方法
Prinz et al. Automatic gauge control under laterally asymmetric rolling conditions combined with feedforward
CN115608793B (zh) 一种机理融合数据的精轧温度调控方法
CN104190720B (zh) 一种自适应自动厚度控制方法及装置
CN105045949A (zh) 一种步进式加热炉钢坯温度建模及在线校正方法
CN106475421B (zh) 一种中间坯来料凸度的控制方法及装置
WO2012034884A1 (de) Echtzeit-ermittlungsverfahren für temperatur und geometrie eines metall-warmbandes in einer fertigstrasse
US20070006625A1 (en) Method and control device for operating a mill train for metal strip
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
US6807449B1 (en) Method for controlling and pre-setting a steelworks or parts of a steelworks
CN109675931B (zh) 一种板形调控功效系数自学习方法及系统
CN116441324A (zh) 一种板形控制系统
CN102500624B (zh) 一种冷轧带钢平直度的鲁棒优化控制系统及方法
CN202290767U (zh) 一种冷轧带钢平直度的鲁棒优化控制系统
CN106984650B (zh) 轧制铝及铝合金中厚板的厚度控制方法
CN102814341A (zh) 一种新型的板带厚度、板型解耦控制方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180904

Assignee: INSTITUTE OF RESEARCH OF IRON & STEEL,SHAGANG,JIANGSU PROVINCE

Assignor: Northeastern University

Contract record no.: X2020210000011

Denomination of invention: Cold-rolled sheet shape regulating and controlling efficiency coefficient acquiring method based on data driving

Granted publication date: 20200505

License type: Common License

Record date: 20200623

EE01 Entry into force of recordation of patent licensing contract