CN110193523B - 一种二次冷轧过程轧辊表面油膜厚度预测方法 - Google Patents

Abstract

本发明提供一种二次冷轧过程轧辊表面油膜厚度预测方法，其包括以下步骤：S1、构造二次冷轧过程轧辊表面油膜厚度预测模型；S2、采用Powell优化算法，计算轧辊表面油膜厚度各影响系数的最优值；S3、将λ_ay、λ_by、λ_cy、λ_dy、λ_ey代入步骤S1所构造的预测模型，得到最优的二次冷轧过程轧辊表面油膜厚度预测模型；S4、收集二次冷轧机组轧辊预设定润滑工艺参数；S5、根据步骤S3中的模型预测二次冷轧工作辊入出口表面油膜厚度ξ_w0、ξ_w1，中间辊入出口表面油膜厚度ξ_m0、ξ_m1，支撑辊入出口表面油膜厚度ξ_b0、ξ_b1。本申请能够预测出对应的二次冷轧机组轧制变形区轧辊表面油膜厚度，控制和提高二次冷轧机组轧制过程润滑性能，降低生产成本，提高企业效益。

Description

一种二次冷轧过程轧辊表面油膜厚度预测方法

技术领域

本发明属于冷轧技术领域，特别涉及一种二次冷轧过程轧辊表面油膜厚度预测方法。

背景技术

近年来，随着钢铁行业市场竞争的日益激烈，镀锡及镀铬板带产品向着高强、减薄的方向发展。二次冷轧工艺是将冷轧退火后的带钢再次进行冷轧，实现带钢强度提高、厚度减薄、较好地适应了镀锡板带产品的发展方向，因而获得了迅猛的发展。与此同时，在二次冷轧生产过程中，为了降低轧制压力与轧制功率、提高带钢表面质量，一般需要采用直喷系统对带钢进行润滑。与普通一次冷轧的循环润滑系统不一样，二次冷轧直喷润滑系统乳化液的浓度较高、流量较小。与之对应，在二次冷轧过程中轧辊表面润滑油膜厚度的分布对轧制变形区中油膜厚度的影响就不可忽略。而以往现场对二次冷轧变形区润滑油膜厚度的研究主要偏重于带钢表面油膜厚度的研究，而对轧辊表面润滑油膜厚度模型的研究则较少，缺少定量模型分析。如何在结合二次冷轧机组设备与工艺特点的基础上，建立适合于二次冷轧机组的轧辊表面油膜厚度分布模型就成为现场技术攻关的焦点。

发明内容

本发明的目的在于提供一种二次冷轧过程轧辊表面油膜厚度预测方法，可以预测出在一定的轧制变形区出口油膜厚度ξ₁、工作辊与中间辊的接触咬入角α_mw、中间辊与支撑辊的接触咬入角α_mb、工作辊与中间辊的辊间最大接触应力p_mw0、中间辊与支撑辊的辊间最大接触应力p_mb0和轧辊线速度v_r下的轧辊表面的油膜厚度。

具体地，本发明提供一种二次冷轧过程轧辊表面油膜厚度预测方法，其包括以下步骤：

S1、构造初始二次冷轧过程轧辊表面油膜厚度预测模型：

式中，ξ_w0为轧机入口侧工作辊表面油膜厚度，ξ_w1为轧机出口侧工作辊表面油膜厚度，ξ_m0为轧机入口侧中间辊表面油膜厚度，ξ_m1为轧机出口侧中间辊表面油膜厚度，ξ_b0为轧机入口侧支撑辊表面油膜厚度，ξ_b1为轧机出口侧支撑辊表面油膜厚度，ξ_mw1为轧机出口侧工作辊与中间辊的辊间油膜厚度，ξ_mb0为轧机入口侧中间辊与支撑辊的辊间油膜厚度，ξ₁为轧制变形区出口油膜厚度，α_mw为工作辊与中间辊的接触咬入角，α_mb为中间辊与支撑辊的接触咬入角，θ为压力粘度系数，η₀为初始动力粘度，p_mw0为工作辊与中间辊的辊间最大接触应力，p_mb0为中间辊与支撑辊的辊间最大接触应力，v_r为轧辊线速度，λ_a为工作辊入口油膜分配系数，λ_b为工作辊出口油膜分配系数，λ_c为中间辊入口油膜分配系数，λ_d为中间辊出口油膜分配系数，λ_e为支撑辊油膜分配系数；

S2、采用Powell优化算法，分别计算工作辊入口油膜分配系数λ_a的最优值λ_ay、工作辊出口油膜分配系数λ_b的最优值λ_by、中间辊入口油膜分配系数λ_c的最优值λ_cy、中间辊出口油膜分配系数λ_d的最优值λ_dy和支撑辊油膜分配系数λ_e的最优值λ_ey；

S3、将轧辊表面油膜厚度影响系数的最优值λ_ay、λ_by、λ_cy、λ_dy、λ_ey代入步骤S1构造预测模型中，得到最优的二次冷轧轧辊表面油膜厚度预测模型：

S4、采集二次冷轧机组待生产带钢的预设定润滑工艺参数，所述工艺参数包括：轧制变形区出口油膜厚度ξ₁、工作辊与中间辊的接触咬入角α_mw、中间辊与支撑辊的接触咬入角α_mb、工作辊与中间辊的辊间最大接触应力p_mw0、中间辊与支撑辊的辊间最大接触应力p_mb0和轧辊线速度v_r；

S5、根据步骤S3中的预测模型预测二次冷轧的轧机入口侧工作辊表面油膜厚度ξ_w0、轧机出口侧工作辊表面油膜厚度ξ_w1、轧机入口侧中间辊表面油膜厚度ξ_m0、轧机出口侧中间辊表面油膜厚度ξ_m1、轧机入口侧支撑辊表面油膜厚度ξ_b0以及轧机出口侧支撑辊表面油膜厚度ξ_b1。

优选地，步骤S2具体包括以下步骤：

S21、采集二次冷轧机组现场已生产的N组带钢的轧辊油膜厚度数据，包括：轧机入口侧工作辊表面油膜厚度实测值ξ_w0mi、轧机出口侧工作辊表面油膜厚度实测值ξ_w1mi、轧机入口侧中间辊表面油膜厚度实测值ξ_m0mi、轧机出口侧中间辊表面油膜厚度实测值ξ_m1mi、轧机入口侧支撑辊表面油膜厚度实测值ξ_b0mi以及轧机出口侧支撑辊表面油膜厚度实测值ξ_b1mi；其中，i为带钢组数编号，i＝1,2,L,N；

S22、定义轧辊表面油膜厚度影响系数数组X＝{λ_a,λ_b,λ_c,λ_d,λ_e}、给定轧辊表面油膜厚度影响系数数组初始值X₀＝{λ_a0,λ_b0,λ_c0,λ_d0,λ_e0}、搜索步长初始值ΔX＝{Δλ_a,Δλ_b,Δλ_c,Δλ_d,Δλ_e}以及收敛精度ε；

S23、按照步骤S1构造的模型计算已生产的N组带钢的工作辊入口油膜厚度ξ_w0i、工作辊出口油膜厚度ξ_w1i、中间辊入口油膜厚度ξ_m0i、中间辊出口油膜厚度ξ_m1i、支撑辊出口油膜厚度ξ_b0i以及支撑辊出口油膜厚度ξ_b1i；

S24、计算轧辊表面油膜厚度影响系数优化目标函数G(X)；

S25、判断Powell条件是否成立，若成立，则转入步骤S26；若不成立，则更新数组X及其搜索步长ΔX，转入步骤S23；

S26、输出优化目标函数最小值对应的轧辊表面油膜厚度影响系数数组的最优值X_y＝{λ_ay,λ_by,λ_cy,λ_dy,λ_ey}。

优选地，步骤S23中的计算公式如下：

轧辊表面油膜厚度影响系数优化目标函数G(X)的计算公式如下：

优选地，

式中，G_w(X)工作辊表面油膜厚度影响系数优化函数；G_m(X)中间辊表面油膜厚度影响系数优化函数；G_b(X)支撑辊表面油膜厚度影响系数优化函数；α、β、α_w、α_m、α_b加权系数,0＜α、β、α_w、α_m、α_b＜1；

工作辊入口油膜表面厚度权重系数，

工作辊出口油膜表面厚度权重系数，

中间辊入口油膜表面厚度权重系数，

中间辊出口油膜表面厚度权重系数，

支撑辊入口油膜表面厚度权重系数，

支撑辊出口油膜表面厚度权重系数，

优选地，Powell优化算法是指当目标函数为多维变量时，以变量数组初始值为起点沿一定的搜索方向进行搜索，直到找出在当前搜索方向下的目标函数最小值或者在此搜索方向下两次目标函数值之差小于收敛精度时停止。

与现有技术相比，本发明具有以下有益效果：

本发明可以预测出在一定的轧制变形区出口油膜厚度ξ₁、工作辊与中间辊的接触咬入角α_mw、中间辊与支撑辊的接触咬入角α_mb、工作辊与中间辊的辊间最大接触应力p_mw0、中间辊与支撑辊的辊间最大接触应力p_mb0和轧辊线速度v_r下的轧辊表面的油膜厚度。

本发明能够预测出对应的二次冷轧机组轧制变形区轧辊表面油膜厚度，控制和提高二次冷轧机组轧制过程润滑性能，降低生产成本，提高企业效益。

附图说明

图1是本发明的总计算流程示意图；以及

图2是本发明步骤S2的流程示意图。

具体实施方式

实施例1

以某二次冷轧机组为例，选择典型规格DR8M钢种产品,乳化液流量密度为10L/min,乳化液浓度为7.5％，按照图1所示的二次冷轧过程轧辊表面油膜厚度预测方法的总计算流程图进行油墨厚度预测，具体包括以下步骤：

首先，在步骤S1中，构造二次冷轧过程轧辊表面油膜厚度预测模型：

随后，如图2所示，在步骤S2中，采用Powell优化算法，计算工作辊入口油膜分配系数λ_a、工作辊出口油膜分配系数λ_b、中间辊入口油膜分配系数λ_c、中间辊出口油膜分配系数λ_d和支撑辊油膜分配系数λ_e的最优值，具体包括以下步骤：

首先，在步骤S21中，收集二次冷轧机组现场已生产的N组轧辊的现场数据，包括：轧机入口侧工作辊表面油膜厚度实测值

ξ_w0mi＝{0.051,0.049,0.052,0.047,0.049,0.054,0.052,0.046,0.053,0.051}，单位为μm；

轧机出口侧工作辊表面油膜厚度实测值

ξ_w1mi＝{0.088,0.091,0.095,0.92,0.087,0.086,0.093,0.088,0.084,0.91}，单位为μm；

轧机入口侧中间辊表面油膜厚度实测值

ξ_m0mi＝{0.033,0.036,0.027,0.029,0.031,0,029,0,026,0.032,0.034,0.028}，单位为μm；

轧机出口侧中间辊表面油膜厚度实测值

ξ_m1mi＝{0.042,0.045,0.039,0.036,0.041,0.043,0.037,0,041,0.039,0.042}，单位为μm；

轧机入口侧支撑辊表面油膜厚度实测值

ξ_b0mi＝{0.058,0.056,0.061,0.063,0.059,0.062,0.056,0.064,0.063,0.059}，单位为μm；

轧机出口侧支撑辊表面油膜厚度实测值

ξ_b1mi＝{0.058,0.056,0.061,0.063,0.059,0.062,0.056,0.064,0.063,0.059}，单位为μm；

其中，i为带钢组数编号，i＝1,2,L,10；

随后，在步骤S22中，定义轧辊表面油膜厚度影响系数数组X＝{λ_a,λ_b,λ_c,λ_d,λ_e}、给定轧辊表面油膜厚度影响系数数组初始值X₀＝{0.1,0.1,0.1,0.1,0.1}、搜索步长初始值ΔX＝{0.1,0.1,0.1,0.1,0.1}和收敛精度ε＝0.001；

随后，在步骤S23中，按照步骤(A)构造的模型计算已生产的10组工作辊入出口油膜厚度ξ_w0i、ξ_w1i，中间辊入出口油膜厚度ξ_m0i、ξ_m1i，支撑辊入出口油膜厚度ξ_b0i、ξ_b1i：

随后，在步骤S24中，选取工作辊入口油膜表面厚度权重系数

工作辊出口油膜表面厚度权重系数

中间辊入口油膜表面厚度权重系数

中间辊出口油膜表面厚度权重系数

支撑辊入口油膜表面厚度权重系数

和支撑辊出口油膜表面厚度权重系数

计算轧辊表面油膜厚度影响系数优化目标函数G(X)：

随后，在步骤S25中，判断Powell条件成立，则转入步骤B6)；

随后，在步骤S26中，输出优化目标函数最小值对应的二次冷轧轧辊表面油膜厚度影响系数数组的最优值X_y＝{0.286,0.400,0.714,0.357,0.643}。

Powell优化算法(鲍威尔优化算法)是指当目标函数为多维变量时，以变量数组初始值为起点沿一定的搜索方向进行搜索，直到找出在当前搜索方向下的目标函数最小值或者在此搜索方向下两次目标函数值之差小于收敛精度便可停止；Powell法更新数组及搜索步长的条件是当出现目标函数值在此搜索方向下没有减小反而增大情况，为了转变搜索方向，需要对数组及步长进行更新。更新方式为随机，例如数组初始值为(0，0，1，0)更新时可能变为(0，1，0，0)此步骤由计算机自动执行。

随后，在步骤S3中，将轧辊表面油膜厚度影响系数的最优值λ_ay、λ_by、λ_cy、λ_dy、λ_ey代入步骤S1所构造的预测模型，得到最优的二次冷轧轧辊表面油膜厚度预测模型：

随后，在步骤S4中，收集二次冷轧机组待生产带钢的预设定润滑工艺参数，包括：工作辊与中间辊的辊间最大接触应力p_mw0＝888.179Mpa、中间辊与支撑辊的辊间最大接触应力p_mb0＝731.305Mpa、轧制变形区出口油膜厚度ξ₁＝0.2μm、工作辊与中间辊的接触咬入角α_mw＝0.015rad、中间辊与支撑辊的接触咬入角α_mb＝0.127rad、压力粘度系数θ＝0.012Mpa^-1、初始动力粘度η₀＝0.023Pa.s和轧辊线速度v_r＝386m/min。

随后，在步骤S5中，根据步骤S3中的模型预测二次冷轧轧机入口侧工作辊表面油膜厚度ξ_w0＝0.048μm，轧机出口侧工作辊表面油膜厚度ξ_w1＝0.080μm，轧机入口侧中间辊表面油膜厚度ξ_m0＝0.029μm，轧机出口侧中间辊表面油膜厚度ξ_m1＝0.038μm，轧机入口侧支撑辊表面油膜厚度ξ_b0＝0.056μm和轧机出口侧支撑辊表面油膜厚度ξ_b1＝0.056μm。

如表1所示，采用本发明二次冷轧过程轧辊表面油膜厚度预测方法的预测精度达到90％以上，能够满足二次冷轧过程轧辊表面油膜厚度预测的要求。

表1实施例1中轧辊表面油膜厚度预测与值实测值对比

实施例2

以某二次冷轧机组为例(选择典型规格DR8M钢种产品,乳化液流量密度为12.5L/min,乳化液浓度为10.0％)，按照图1所示的二次冷轧过程轧辊表面油膜厚度预测方法的总计算流程图：

首先，在步骤S1中，构造二次冷轧过程轧辊表面油膜厚度预测模型：

随后，如图2所示，在步骤S2中，采用Powell优化算法，计算工作辊入口油膜分配系数λ_a、工作辊出口油膜分配系数λ_b、中间辊入口油膜分配系数λ_c、中间辊出口油膜分配系数λ_d和支撑辊油膜分配系数λ_e的最优值，具体包括以下步骤：

首先，在步骤S21中，收集二次冷轧机组现场已生产的N组轧辊的现场数值，包括：轧机入口侧工作辊表面油膜厚度实测值

ξ_w0mi＝{0.047,0.049,0.052,0.056,0.048,0.053,0.049,0.045,0.055,0.057}，单位为μm；

轧机出口侧工作辊表面油膜厚度实测值

ξ_w1mi＝{0.088,0.091,0.085,0.094,0.095,0.086,0.091,0.092,0.087,0.089}，单位为μm；

轧机入口侧中间辊表面油膜厚度实测值

ξ_m0mi＝{0.028,0.031,0,034,0,033,0.，035,0.029,0.027,0.032,0.033,0.026}，单位为μm；

轧机出口侧中间辊表面油膜厚度实测值

ξ_m1mi＝{0.039,0.042,0.043,0.038,0.045,0.037,0.041,0.044,0.038,0.041}，单位为μm；

轧机入口侧支撑辊表面油膜厚度实测值

ξ_b0mi＝{0.057,0.058,0.059,0.061,0.058,0.062,0.059,0.054,0.062，0.058}，单位为μm；

轧机出口侧支撑辊表面油膜厚度实测值

ξ_b1mi＝{0.057,0.058,0.059,0.061,0.058,0.062,0.059,0.054,0.062，0.058}，单位为μm；

其中，i为带钢组数编号，i＝1,2,L,10；

随后，在步骤S22中，定义轧辊表面油膜厚度影响系数数组X＝{λ_a,λ_b,λ_c,λ_d,λ_e}、给定轧辊表面油膜厚度影响系数数组初始值X₀＝{0.1,0,1,0.1,0.1,0.1}、搜索步长初始值ΔX＝{0.1,0,1,0.1,0.1,0.1}和收敛精度ε＝0.001；

随后，在步骤S23中，按照步骤(A)构造的模型计算已生产的10组工作辊入出口油膜厚度ξ_w0i、ξ_w1i，中间辊入出口油膜厚度ξ_m0i、ξ_m1i，支撑辊入出口油膜厚度ξ_b0i、ξ_b1i：

随后，在步骤S24中，选取工作辊入口油膜表面厚度权重系数

工作辊出口油膜表面厚度权重系数

中间辊入口油膜表面厚度权重系数

中间辊出口油膜表面厚度权重系数

支撑辊入口油膜表面厚度权重系数

和支撑辊出口油膜表面厚度权重系数

计算轧辊表面油膜厚度影响系数优化目标函数G(X)：

随后，在步骤S25中，判断Powell条件成立，则转入步骤B6)；

随后，在步骤S26中，输出优化目标函数最小值对应的二次冷轧轧辊表面油膜厚度影响系数数组的最优值X_y＝{0.279,0.388,0.721,0.353,0.639}。

随后，在步骤S3中，将轧辊表面油膜厚度影响系数的最优值λ_ay、λ_by、λ_cy、λ_dy、λ_ey代入步骤S1所构造的预测模型，得到最优的二次冷轧轧辊表面油膜厚度预测模型：

随后，在步骤S4中，收集二次冷轧机组待生产带钢的预设定润滑工艺参数，包括：工作辊与中间辊的辊间最大接触应力p_mw0＝859.610Mpa、中间辊与支撑辊的辊间最大接触应力p_mb0＝711.565Mpa、轧制变形区出口油膜厚度ξ₁＝0.23μm、工作辊与中间辊的接触咬入角α_mw＝0.149rad、中间辊与支撑辊的接触咬入角α_mb＝0.123rad、压力粘度系数θ＝0.012Mpa^-1、初始动力粘度η₀＝0.023Pa.s和轧辊线速度v_r＝386m/min。

随后，在步骤S5中，根据步骤S3中的模型预测二次冷轧轧机入口侧工作辊表面油膜厚度ξ_w0＝0.052μm，轧机出口侧工作辊表面油膜厚度ξ_w1＝0.090μm，轧机入口侧中间辊表面油膜厚度ξ_m0＝0.031μm，轧机出口侧中间辊表面油膜厚度ξ_m1＝0.043μm，轧机入口侧支撑辊表面油膜厚度ξ_b0＝0.059μm和轧机出口侧支撑辊表面油膜厚度ξ_b1＝0.059μm。

如表2所示，采用本发明二次冷轧过程轧辊表面油膜厚度预测方法的预测精度达到90％以上，能够满足二次冷轧过程轧辊表面油膜厚度预测的要求。

表2实施例2中轧辊表面油膜厚度预测与值实测值对比

与现有技术相比，本发明具有以下有益效果：

本发明可以预测出在一定的轧制变形区出口油膜厚度ξ₁、工作辊与中间辊的接触咬入角α_mw、中间辊与支撑辊的接触咬入角α_mb、工作辊与中间辊的辊间最大接触应力p_mw0、中间辊与支撑辊的辊间最大接触应力p_mb0和轧辊线速度v_r下的轧辊表面的油膜厚度。

本发明能够预测出对应的二次冷轧机组轧制变形区轧辊表面油膜厚度，控制和提高二次冷轧机组轧制过程润滑性能，降低生产成本，提高企业效益。

最后应说明的是：以上所述的各实施例仅用于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，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种二次冷轧过程轧辊表面油膜厚度预测方法，其特征在于：其包括以下步骤：

S1、构造初始二次冷轧过程轧辊表面油膜厚度预测模型：

式中，ξ_w0为轧机入口侧工作辊表面油膜厚度，ξ_w1为轧机出口侧工作辊表面油膜厚度，ξ_m0为轧机入口侧中间辊表面油膜厚度，ξ_m1为轧机出口侧中间辊表面油膜厚度，ξ_b0为轧机入口侧支撑辊表面油膜厚度，ξ_b1为轧机出口侧支撑辊表面油膜厚度，ξ_mw1为轧机出口侧工作辊与中间辊的辊间油膜厚度，ξ_mb0为轧机入口侧中间辊与支撑辊的辊间油膜厚度，ξ₁为轧制变形区出口油膜厚度，α_mw为工作辊与中间辊的接触咬入角，α_mb为中间辊与支撑辊的接触咬入角，θ为压力粘度系数，η₀为初始动力粘度，p_mw0为工作辊与中间辊的辊间最大接触应力，p_mb0为中间辊与支撑辊的辊间最大接触应力，v_r为轧辊线速度，λ_a为工作辊入口油膜分配系数，λ_b为工作辊出口油膜分配系数，λ_c为中间辊入口油膜分配系数，λ_d为中间辊出口油膜分配系数，λ_e为支撑辊油膜分配系数；

S2、采用Powell优化算法，分别计算工作辊入口油膜分配系数λ_a的最优值λ_ay、工作辊出口油膜分配系数λ_b的最优值λ_by、中间辊入口油膜分配系数λ_c的最优值λ_cy、中间辊出口油膜分配系数λ_d的最优值λ_dy和支撑辊油膜分配系数λ_e的最优值λ_ey；

S3、将步骤S2得到的轧辊表面油膜厚度影响系数的最优值λ_ay、λ_by、λ_cy、λ_dy、λ_ey代入步骤S1构造预测模型中，得到最优的二次冷轧轧辊表面油膜厚度预测模型：

S4、采集二次冷轧机组待生产带钢的预设定润滑工艺参数，所述工艺参数包括：轧制变形区出口油膜厚度ξ₁、工作辊与中间辊的接触咬入角α_mw、中间辊与支撑辊的接触咬入角α_mb、工作辊与中间辊的辊间最大接触应力p_mw0、中间辊与支撑辊的辊间最大接触应力p_mb0和轧辊线速度v_r；

S5、根据步骤S3中的预测模型预测二次冷轧的轧机入口侧工作辊表面油膜厚度ξ_w0、轧机出口侧工作辊表面油膜厚度ξ_w1、轧机入口侧中间辊表面油膜厚度ξ_m0、轧机出口侧中间辊表面油膜厚度ξ_m1、轧机入口侧支撑辊表面油膜厚度ξ_b0以及轧机出口侧支撑辊表面油膜厚度ξ_b1；

步骤S2具体包括以下步骤：

S21、采集二次冷轧机组现场已生产的N组带钢的轧辊油膜厚度数据，包括：轧机入口侧工作辊表面油膜厚度实测值ξ_w0mi、轧机出口侧工作辊表面油膜厚度实测值ξ_w1mi、轧机入口侧中间辊表面油膜厚度实测值ξ_m0mi、轧机出口侧中间辊表面油膜厚度实测值ξ_m1mi、轧机入口侧支撑辊表面油膜厚度实测值ξ_b0mi以及轧机出口侧支撑辊表面油膜厚度实测值ξ_b1mi；其中，i为带钢组数编号，i＝1,2,L,N；

S22、定义轧辊表面油膜厚度影响系数数组X＝{λ_a,λ_b,λ_c,λ_d,λ_e}、给定轧辊表面油膜厚度影响系数数组初始值X₀＝{λ_a0,λ_b0,λ_c0,λ_d0,λ_e0}、搜索步长初始值ΔX＝{Δλ_a,Δλ_b,Δλ_c,Δλ_d,Δλ_e}以及收敛精度ε；

S23、按照步骤S1构造的模型计算已生产的N组带钢的轧机入口侧工作辊油膜厚度ξ_w0i、工作辊出口油膜厚度ξ_w1i、中间辊入口油膜厚度ξ_m0i、中间辊出口油膜厚度ξ_m1i、支撑辊出口油膜厚度ξ_b0i以及支撑辊出口油膜厚度ξ_b1i；

S24、计算轧辊表面油膜厚度影响系数优化目标函数G(X)；

S25、判断Powell条件是否成立，若成立，则转入步骤S26；若不成立，则更新数组X及其搜索步长ΔX，转入步骤S23；

S26、输出优化目标函数最小值对应的轧辊表面油膜厚度影响系数数组的最优值X_y＝{λ_ay,λ_by,λ_cy,λ_dy,λ_ey}；

轧辊表面油膜厚度影响系数优化目标函数G(X)的计算公式如下：

式中，G_w(X)工作辊表面油膜厚度影响系数优化函数；G_m(X)中间辊表面油膜厚度影响系数优化函数；G_b(X)支撑辊表面油膜厚度影响系数优化函数；α、β、α_w、α_m、α_b加权系数,0＜α、β、α_w、α_m、α_b＜1；

工作辊入口油膜表面厚度权重系数，

工作辊出口油膜表面厚度权重系数，

中间辊入口油膜表面厚度权重系数，

中间辊出口油膜表面厚度权重系数，

支撑辊入口油膜表面厚度权重系数，

支撑辊出口油膜表面厚度权重系数，

2.根据权利要求1所述的二次冷轧过程轧辊表面油膜厚度预测方法，其特征在于：步骤S23中的计算公式如下：

3.根据权利要求1所述的二次冷轧过程轧辊表面油膜厚度预测方法，其特征在于：Powell优化算法是指当目标函数为多维变量时，以变量数组初始值为起点沿一定的搜索方向进行搜索，直到找出在当前搜索方向下的目标函数最小值或者在此搜索方向下两次目标函数值之差小于收敛精度时停止。

Images