CN110193523B - 一种二次冷轧过程轧辊表面油膜厚度预测方法 - Google Patents
一种二次冷轧过程轧辊表面油膜厚度预测方法 Download PDFInfo
- Publication number
- CN110193523B CN110193523B CN201910446259.1A CN201910446259A CN110193523B CN 110193523 B CN110193523 B CN 110193523B CN 201910446259 A CN201910446259 A CN 201910446259A CN 110193523 B CN110193523 B CN 110193523B
- Authority
- CN
- China
- Prior art keywords
- thickness
- oil film
- roll
- roller
- rolling mill
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/02—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills for lubricating, cooling, or cleaning
- B21B45/0266—Measuring or controlling thickness of liquid films
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
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λay、λby、λcy、λdy、λey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ξw0、ξw1,中间辊入出口表面油膜厚度ξm0、ξm1,支撑辊入出口表面油膜厚度ξb0、ξb1。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
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αmw、中间辊与支撑辊的接触咬入角αmb、工作辊与中间辊的辊间最大接触应力pmw0、中间辊与支撑辊的辊间最大接触应力pmb0和轧辊线速度vr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,ξw0为轧机入口侧工作辊表面油膜厚度,ξw1为轧机出口侧工作辊表面油膜厚度,ξm0为轧机入口侧中间辊表面油膜厚度,ξm1为轧机出口侧中间辊表面油膜厚度,ξb0为轧机入口侧支撑辊表面油膜厚度,ξb1为轧机出口侧支撑辊表面油膜厚度,ξmw1为轧机出口侧工作辊与中间辊的辊间油膜厚度,ξmb0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,αmw为工作辊与中间辊的接触咬入角,αmb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,pmw0为工作辊与中间辊的辊间最大接触应力,pmb0为中间辊与支撑辊的辊间最大接触应力,vr为轧辊线速度,λa为工作辊入口油膜分配系数,λb为工作辊出口油膜分配系数,λc为中间辊入口油膜分配系数,λd为中间辊出口油膜分配系数,λe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λa的最优值λay、工作辊出口油膜分配系数λb的最优值λby、中间辊入口油膜分配系数λc的最优值λcy、中间辊出口油膜分配系数λd的最优值λdy和支撑辊油膜分配系数λe的最优值λey;
S3、将轧辊表面油膜厚度影响系数的最优值λay、λby、λcy、λdy、λey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αmw、中间辊与支撑辊的接触咬入角αmb、工作辊与中间辊的辊间最大接触应力pmw0、中间辊与支撑辊的辊间最大接触应力pmb0和轧辊线速度vr;
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ξw0、轧机出口侧工作辊表面油膜厚度ξw1、轧机入口侧中间辊表面油膜厚度ξm0、轧机出口侧中间辊表面油膜厚度ξm1、轧机入口侧支撑辊表面油膜厚度ξb0以及轧机出口侧支撑辊表面油膜厚度ξb1。
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ξw0mi、轧机出口侧工作辊表面油膜厚度实测值ξw1mi、轧机入口侧中间辊表面油膜厚度实测值ξm0mi、轧机出口侧中间辊表面油膜厚度实测值ξm1mi、轧机入口侧支撑辊表面油膜厚度实测值ξb0mi以及轧机出口侧支撑辊表面油膜厚度实测值ξb1mi;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={λa,λb,λc,λd,λe}、给定轧辊表面油膜厚度影响系数数组初始值X0={λa0,λb0,λc0,λd0,λe0}、搜索步长初始值ΔX={Δλa,Δλb,Δλc,Δλd,Δλe}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ξw0i、工作辊出口油膜厚度ξw1i、中间辊入口油膜厚度ξm0i、中间辊出口油膜厚度ξm1i、支撑辊出口油膜厚度ξb0i以及支撑辊出口油膜厚度ξb1i;
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Xy={λay,λby,λcy,λdy,λey}。
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,Gw(X)工作辊表面油膜厚度影响系数优化函数;Gm(X)中间辊表面油膜厚度影响系数优化函数;Gb(X)支撑辊表面油膜厚度影响系数优化函数;α、β、αw、αm、αb加权系数,0<α、β、αw、αm、αb<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αmw、中间辊与支撑辊的接触咬入角αmb、工作辊与中间辊的辊间最大接触应力pmw0、中间辊与支撑辊的辊间最大接触应力pmb0和轧辊线速度vr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λa、工作辊出口油膜分配系数λb、中间辊入口油膜分配系数λc、中间辊出口油膜分配系数λd和支撑辊油膜分配系数λe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
ξw0mi={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
ξw1mi={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
ξm0mi={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
ξm1mi={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
ξb0mi={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
ξb1mi={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={λa,λb,λc,λd,λe}、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ξw0i、ξw1i,中间辊入出口油膜厚度ξm0i、ξm1i,支撑辊入出口油膜厚度ξb0i、ξb1i:
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Xy={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λay、λby、λcy、λdy、λey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pmw0=888.179Mpa、中间辊与支撑辊的辊间最大接触应力pmb0=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αmw=0.015rad、中间辊与支撑辊的接触咬入角αmb=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vr=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ξw0=0.048μm,轧机出口侧工作辊表面油膜厚度ξw1=0.080μm,轧机入口侧中间辊表面油膜厚度ξm0=0.029μm,轧机出口侧中间辊表面油膜厚度ξm1=0.038μm,轧机入口侧支撑辊表面油膜厚度ξb0=0.056μm和轧机出口侧支撑辊表面油膜厚度ξb1=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λa、工作辊出口油膜分配系数λb、中间辊入口油膜分配系数λc、中间辊出口油膜分配系数λd和支撑辊油膜分配系数λe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
ξw0mi={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
ξw1mi={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
ξm0mi={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
ξm1mi={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
ξb0mi={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
ξb1mi={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={λa,λb,λc,λd,λe}、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ξw0i、ξw1i,中间辊入出口油膜厚度ξm0i、ξm1i,支撑辊入出口油膜厚度ξb0i、ξb1i:
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Xy={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λay、λby、λcy、λdy、λey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pmw0=859.610Mpa、中间辊与支撑辊的辊间最大接触应力pmb0=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αmw=0.149rad、中间辊与支撑辊的接触咬入角αmb=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vr=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ξw0=0.052μm,轧机出口侧工作辊表面油膜厚度ξw1=0.090μm,轧机入口侧中间辊表面油膜厚度ξm0=0.031μm,轧机出口侧中间辊表面油膜厚度ξm1=0.043μm,轧机入口侧支撑辊表面油膜厚度ξb0=0.059μm和轧机出口侧支撑辊表面油膜厚度ξb1=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αmw、中间辊与支撑辊的接触咬入角αmb、工作辊与中间辊的辊间最大接触应力pmw0、中间辊与支撑辊的辊间最大接触应力pmb0和轧辊线速度vr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,ξw0为轧机入口侧工作辊表面油膜厚度,ξw1为轧机出口侧工作辊表面油膜厚度,ξm0为轧机入口侧中间辊表面油膜厚度,ξm1为轧机出口侧中间辊表面油膜厚度,ξb0为轧机入口侧支撑辊表面油膜厚度,ξb1为轧机出口侧支撑辊表面油膜厚度,ξmw1为轧机出口侧工作辊与中间辊的辊间油膜厚度,ξmb0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,αmw为工作辊与中间辊的接触咬入角,αmb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,pmw0为工作辊与中间辊的辊间最大接触应力,pmb0为中间辊与支撑辊的辊间最大接触应力,vr为轧辊线速度,λa为工作辊入口油膜分配系数,λb为工作辊出口油膜分配系数,λc为中间辊入口油膜分配系数,λd为中间辊出口油膜分配系数,λe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λa的最优值λay、工作辊出口油膜分配系数λb的最优值λby、中间辊入口油膜分配系数λc的最优值λcy、中间辊出口油膜分配系数λd的最优值λdy和支撑辊油膜分配系数λe的最优值λey;
S3、将步骤S2得到的轧辊表面油膜厚度影响系数的最优值λay、λby、λcy、λdy、λey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αmw、中间辊与支撑辊的接触咬入角αmb、工作辊与中间辊的辊间最大接触应力pmw0、中间辊与支撑辊的辊间最大接触应力pmb0和轧辊线速度vr;
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ξw0、轧机出口侧工作辊表面油膜厚度ξw1、轧机入口侧中间辊表面油膜厚度ξm0、轧机出口侧中间辊表面油膜厚度ξm1、轧机入口侧支撑辊表面油膜厚度ξb0以及轧机出口侧支撑辊表面油膜厚度ξb1;
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ξw0mi、轧机出口侧工作辊表面油膜厚度实测值ξw1mi、轧机入口侧中间辊表面油膜厚度实测值ξm0mi、轧机出口侧中间辊表面油膜厚度实测值ξm1mi、轧机入口侧支撑辊表面油膜厚度实测值ξb0mi以及轧机出口侧支撑辊表面油膜厚度实测值ξb1mi;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={λa,λb,λc,λd,λe}、给定轧辊表面油膜厚度影响系数数组初始值X0={λa0,λb0,λc0,λd0,λe0}、搜索步长初始值ΔX={Δλa,Δλb,Δλc,Δλd,Δλe}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ξw0i、工作辊出口油膜厚度ξw1i、中间辊入口油膜厚度ξm0i、中间辊出口油膜厚度ξm1i、支撑辊出口油膜厚度ξb0i以及支撑辊出口油膜厚度ξb1i;
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Xy={λay,λby,λcy,λdy,λey};
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446259.1A CN110193523B (zh) | 2019-05-27 | 2019-05-27 | 一种二次冷轧过程轧辊表面油膜厚度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446259.1A CN110193523B (zh) | 2019-05-27 | 2019-05-27 | 一种二次冷轧过程轧辊表面油膜厚度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110193523A CN110193523A (zh) | 2019-09-03 |
CN110193523B true CN110193523B (zh) | 2020-06-23 |
Family
ID=67753106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910446259.1A Active CN110193523B (zh) | 2019-05-27 | 2019-05-27 | 一种二次冷轧过程轧辊表面油膜厚度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110193523B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765671B (zh) * | 2019-12-05 | 2022-07-08 | 中冶南方工程技术有限公司 | 一种热轧工作辊温度分布获取方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10263668A (ja) * | 1997-03-26 | 1998-10-06 | Kawasaki Steel Corp | 熱延鋼板の仕上圧延用潤滑剤及び仕上圧延方法 |
JP2003230907A (ja) * | 2002-02-12 | 2003-08-19 | Jfe Steel Kk | 金属ストリップ用通板設備 |
DE102006028369B4 (de) * | 2006-06-19 | 2022-12-29 | Aluminium Norf Gmbh | Verfahren und Vorrichtung zur Prozesskontrolle beim Walzen von Metallen |
CN107900112B (zh) * | 2017-11-07 | 2019-02-01 | 燕山大学 | 二次冷轧机组轧制变形区带钢上下表面油膜厚度预报方法 |
CN107944600B (zh) * | 2017-11-07 | 2021-09-14 | 燕山大学 | 二次冷轧机组直喷系统轧前带钢表面油膜厚度的预报方法 |
-
2019
- 2019-05-27 CN CN201910446259.1A patent/CN110193523B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110193523A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909723B (zh) | 冷轧过程乳化液流量与轧制速度关系曲线优化设定方法 | |
CN102941232B (zh) | 一种热连轧精轧过程控制方法 | |
Paralikas et al. | Energy efficiency of cold roll forming process | |
CN110110839B (zh) | 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 | |
CN110756593B (zh) | 一种抑制冷连轧机组振动的张力制度优化方法 | |
CN108405625B (zh) | 一种实现esp精轧机组在线换辊的顺流换辊方法 | |
EP3804871B1 (en) | Emulsion flow optimization method for suppressing vibration of continuous cold rolling mill | |
CN110434172B (zh) | 一种炉卷和精轧机组连轧的负荷分配计算方法 | |
CN110193523B (zh) | 一种二次冷轧过程轧辊表面油膜厚度预测方法 | |
CN111570534A (zh) | 酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法 | |
EP2067541A1 (en) | Method for continuously manufacturing cold-rolled steel | |
CN107944600B (zh) | 二次冷轧机组直喷系统轧前带钢表面油膜厚度的预报方法 | |
CN104785540B (zh) | 一种适合于五机架冷连轧机组的轧制效率提升方法 | |
CN111842506B (zh) | 一种用于五机架六辊冷连轧机组的窜辊控制方法 | |
CN111842505A (zh) | 一种用于五机架六辊冷连轧机组的倾辊控制方法 | |
CN114632823B (zh) | 一种提高宽厚板轧制力模型预报精度的方法 | |
CA1156329A (en) | Setting of a multi-stand rolling-mill train for the cold rolling of metal strips | |
Pittner et al. | Optimal control of tandem cold rolling using a pointwise linear quadratic technique with trims | |
JP7230880B2 (ja) | 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 | |
Cheri et al. | An online intelligent control method for surface roughness of cold-rolled strip steel | |
CN111570532A (zh) | 基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
CN113319137B (zh) | 六机架冷连轧机组超高强钢工艺润滑制度综合优化方法 | |
TWI806709B (zh) | 鋼帶寬度的參數調控系統以及參數調控方法 | |
Shalaevskiy et al. | Algorithm and design methodology for energy-efficient sheet products production technology | |
JP2014180677A (ja) | 板幅方向に板厚差を有する差厚鋼板の製造装置および製造方法 |
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 |