CN110851994A - 一种冷轧带材在线板形目标曲线调整方法 - Google Patents
一种冷轧带材在线板形目标曲线调整方法 Download PDFInfo
- Publication number
- CN110851994A CN110851994A CN201911147773.1A CN201911147773A CN110851994A CN 110851994 A CN110851994 A CN 110851994A CN 201911147773 A CN201911147773 A CN 201911147773A CN 110851994 A CN110851994 A CN 110851994A
- Authority
- CN
- China
- Prior art keywords
- plate
- target curve
- plate shape
- defect
- adjustment
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明涉及一种冷轧带材在线板形目标曲线调整方法,属于轧钢技术领域。通过将板形仪数据进行滤波处理,提取对应的板形缺陷,然后根据已经建立的知识库和自学习数据库,确定控制策略,修改板形目标曲线,然后根据反馈结果进行自学习和再次调整,形成闭环控制模型,完成板形目标曲线的调整。
Description
技术领域
本发明涉及一种冷轧带材在线板形目标曲线调整方法,属于轧钢技术领域。
背景技术
在冷轧板带的生产中,生产者一般通过设定目标曲线,进而通过控制系统的前馈和反馈系统,获得期望的板形。其中板形目标曲线是指板形控制系统调节带钢板形(由板形仪测得的前张应力)应达到的目标。它代表了生产者所期望的轧制结束时的带钢前张应力分布,反映了部分事物质量。目标曲线有时也称为标准曲线。目标曲线的设定直接决定了下游带材的板形质量,故研究板形目标曲线的设定对提高成品带材的质量有着重要的研究意义。
针对板形目标曲线的设定,许多学者通过辊系变形模型和带钢三维变形模型结合,在此基础上增加包括带钢横向温度补偿、边部减薄补偿、卷取补偿在内的补偿。有学者通过分析带钢的板形以及实际生产经验,将板形目标曲线通过拟合的方式提取出三个系数,包括一次项系数、二次项系数和边部项系数,量化了板形,进一步提高了板形的控制效率。但是这种经验模型结合的方式,是通过离线的方式计算得出,模型毕竟无法和实际完全相符,生产者需要根据现场的效果进行目标曲线。本发明提出一种板形目标曲线的在线调整方法,配合板形仪形成闭环,可通过知识推理的方法,自主完成板形目标曲线的调整,通过自学习的方式优化板形目标曲线预设定系统,配合板形控制系统,可提高板形成品质量。
发明内容
本发明的目的是提供一种冷轧带材在线板形目标曲线调整方法,通过将板形仪数据进行滤波处理,提取对应的板形缺陷,然后根据已经建立的知识库和自学习数据库,确定控制策略,修改板形目标曲线,然后根据反馈结果进行自学习和再次调整,形成闭环控制模型,完成板形目标曲线的调整。
为了实现上述目的,本发明采用的技术方案是:
一种冷轧带材在线板形目标曲线调整方法,包括以下步骤,
步骤一:数据滤波处理
通过以下方法对数据进行滤波处理,
其中,V轧制速度;
L设定的统计步长;
T单个数据统计时间;
n计算出的以轧制速度V通过L步长时间内传送的数据个数;
t传感器传送数据的时间间隔;
yi传感器传来的数据;
步骤二:板形缺陷模式识别
通过最小二乘法对板形数据进行板形缺陷识别,考虑到板形出现的板形缺陷以及设备的控制性能的实际状况,将板形数据进行最小二乘法的拟合之后只保留一次项、二次项、四次项;拟合之后的公式如下:
Y=AX1+BX2+CX4+R(X) (4)
其中,X为带材沿宽度方向的坐标,原点为操作侧;
A为倾斜项,一般当板型辊发生倾斜之后,此项不为零;
B为板形的二次项缺陷;
C为板形的四次项缺陷;
R(X)为高次缺陷项;
步骤三:去除影响的因素
将步骤二提取的板形补偿减去影响因素,得到真正的板形缺陷,
Areal=Adetective-Aeffect (5)
Areal真正的板形缺陷对应的一次项;
Adetective步骤二通过最小二乘法拟合之后的对应的一次项系数;
Aeffect各种影响因素通过最小二乘法拟合之后的对应的一次项系数;
步骤四:确定控制策略
将提取的项数绝对值的最大值确定为当前板形缺陷的调整目标,其中正负号为板形缺陷对应的调整方向;
步骤五:变增益系统以及单次最大调整量
根据步骤四确定的主要板形缺陷,计算出调整量,并设定单次最大调整量;
增加变增益系统,其中包括静态偏差增益和速度增益;静态偏差增益是根据当前的偏差进行增益,如果当前的板形缺陷比较明显,则采用较大的增益系数,如果当前的板形缺陷比较小,则采取较小的静态偏差增益系数;
速度偏差增益;根据当前的轧制速度,确定增益系数;如果轧制速度较大,增加速度偏差增益系数;如果轧制速度较低,采取负增益系数,降低调节量;
Sset=Scal×α×β (6)
Sset设定的调整量;
Scal通过计算出的调整量,没有增益之前的调整量;
α静态偏差调整增益系数;
β速度偏差增益系数;
步骤六:反馈系统
步骤五计算出调整量之后,然后根据调整之后的板形再次进行判断,形成闭环网络,随着闭环控制系统介入的时间,最终在闭环控制系统的作用下,完成对板形目标曲线的调整;
步骤七:预设定自学习模块
板形目标曲线的预设定是通过辊系变形理论和带材三维塑性变形理论耦合迭代计算出符合目标要求的板形目标曲线,经过板形目标曲线调整系统调整之后,通过自学习将板形目标曲线预设定进行调整。
Lnew,i=Lsave,i+Ladjust,i (7)
其中,Lnew,i为当前更新之后的板形目标曲线第i次项的值;
Lsave,i为没有更新之前的板形目标曲线第i次项的值;
Ladjust,i为当前的板形目标曲线第i次项本次自学习的调整值;
其中,Ladjust_old,i为上一次板形目标曲线第i次项自学习的调整值;
α自学习系数,可以根据实际状况设置;
Ladjust_old,i上一次板形目标曲线第i次项自学习的调整值;
Lnow,i当前板形目标曲线第i次项自学习的调整值;
Lsave,i保存在板形目标曲线预设定库中的第i次项的值。
本发明技术方案的进一步改进在于:步骤四的板形缺陷对应的调整方式如下,
由于采用了上述技术方案,本发明取得的技术效果有:
本发明的自适应算法采用加法自适用,通过对不同种类的带材的预设定进行自学习,保存到数据库中,不断更新数据库,不断提高板形目标曲线预设定系统的准确度。
本发明通过知识推理的方法,以及监控板形仪数据,加入静态增益和速度增益,系统自主调整板形目标曲线,首次将知识推理应用于板型目标曲线的调整,同时加入预设定板形目标曲线的自学习模块,在以往的科学研究中,大多数学者注重于板形目标曲线的离线计算,本发明首次提出了一种可以在线调整板形目标曲线的方法,在计算机的辅助计算下,故可以大幅度提高成品带材质量。
附图说明
图1是板形目标曲线在线调整系统的程序框图;
图2是板形拟合实际效果图;
图3是静态偏差增益系数;
图4是速度偏差增益系数。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明:
如图1所示,一种基于知识推理和自适应冷轧带材在线板形目标曲线调整方法,按如下步骤进行:
步骤一:数据滤波处理
考虑到数据的震荡问题,为最大程度上增加数据的可信度,防止个别的错误数据影响决策,需要对数据进行滤波处理,考虑到板形的数据是连续的,同时考虑轧制速度V,故通过以下方法对数据进行滤波处理。
其中,V为轧制速度,此处主要指第五机架的速度;
L设定的统计步长;
T单个数据统计时间;
n计算出的以轧制速度V通过L步长时间内传送的数据个数;
t传感器传送数据的时间间隔;
yi传感器传来的数据;
步骤二:板形缺陷模式识别
通过最小二乘法对板形数据进行板形缺陷识别,考虑到板形出现的板形缺陷以及设备的控制性能的实际状况,将板形数据进行最小二乘法的拟合之后只保留一次项、二次项、四次项。拟合之后的公式如下:
Y=AX1+BX2+CX4+R(X) (4)
其中,X为带材沿宽度方向的坐标,原点为操作侧;
A为倾斜项,一般当板型辊发生倾斜之后,此项不为零;
B为板形的二次项缺陷,比如对称性缺陷,中浪、边浪;
C为板形的四次项缺陷,比如边部减薄;
R(X)为高次缺陷项,此处不需要处理的数据;
经过翻阅文献和现场经验得出,在实际的板形缺陷中三次型较少,以及考虑到机器对三次型缺陷的调整能力不足,故在板形拟合的时候不再考虑三次型缺陷。
步骤三:去除影响的因素
在进行板形缺陷识别之后,需要判断板形真实的缺陷,考虑到板形仪传来的数据并不是“真正的板形”,需要对板形数据处理,去掉其中由于板形仪设备的原因、以及温度的影响因素,进而获得“真正的板形”。其中包括,带钢横向温度分布不均、带钢的卷形补偿、卷取机安装几何误差补偿、边部减薄补偿。考虑到这几个模型在设定板形目标曲线时已经建立了相应的补偿,具体的模型参数可以在文献[1]中找到,故在此不再进行详述,直接将步骤二提取的板形补偿减去对应的影响因素,就可以得到“真正的板形缺陷”。例如:
Areal=Adetective-Aeffect (5)
Areal真正的板形缺陷对应的一次项;
Adetective步骤二通过最小二乘法拟合之后的对应的一次项系数;
Aeffect各种影响因素通过最小二乘法拟合之后的对应的一次项系数;
步骤四:确定控制策略
目前已经获取到板形缺陷对应的相关系数,再不考虑特殊的工艺要求或者下游用户的需求时,将之前提取的项数绝对值的最大值确定为当前板形缺陷的调整目标,其中正负号为板形缺陷对应的调整方向。
根据资料查取以及现场调研,以及考虑到设备性能,确定了五种主要缺陷以及缺陷对应的调整方向;
表1主要板形缺陷
步骤五:变增益系统以及单次最大调整量
根据步骤四确定的主要板形缺陷,计算出调整量,但是考虑的实际生产安全考虑,单次调整过大的补偿会导致未知的设备故障或者生产故障,故设定单次最大调整量。
增加变增益系统,其中包括静态偏差增益和速度增益。
静态偏差增益,根据当前的偏差进行增益,如果当前的板形缺陷比较明显,则采用较大的增益系数,从而达到快速消除板形缺陷的目的,如果当前的板形缺陷比较小,则采取较小的静态偏差增益系数,从而达到目的,而减少震荡。
速度偏差增益;根据当前的轧制速度,确定增益系数。如果轧制速度较大,可以增加速度偏差增益系数,因为速度较大,反馈较灵敏,可以尽快实现目标。如果轧制速度较低,可以采取负增益系数,降低调节量,防止因为反馈较慢造成的板形目标缺陷的震荡。
Sset=Scal×α×β (6)
Sset设定的调整量;
Scal通过计算出的调整量,没有增益之前的调整量;
α静态偏差调整增益系数;
β速度偏差增益系数;
步骤六:反馈系统
步骤五计算出调整量之后,然后根据调整之后的板形再次进行判断,形成闭环网络,随着闭环控制系统介入的时间,最终在闭环控制系统的作用下,完成对板形目标曲线的调整。
步骤七:预设定自学习模块
板形目标曲线的预设定是通过辊系变形理论和带材三维塑性变形理论耦合迭代计算出符合目标要求的板形目标曲线,经过板形目标曲线调整系统调整之后,通过自学习将板形目标曲线预设定进行调整。
Lnew,i=Lsave,i+Ladjust,i (7)
其中,Lnew,i为当前更新之后的板形目标曲线第i次项的值;
Lsave,i为没有更新之前的板形目标曲线第i次项的值;
Ladjust,i为当前的板形目标曲线第i次项本次自学习的调整值;
其中,Ladjust_old,i为上一次板形目标曲线第i次项自学习的调整值;
α自学习系数,可以根据实际状况设置;
Ladjust_old,i上一次板形目标曲线第i次项自学习的调整值;
Lnow,i当前板形目标曲线第i次项自学习的调整值;
Lsave,i保存在板形目标曲线预设定库中的第i次项的值。
下面是具体的实施例。
本实施例公开的是某1450mm五机架冷连轧机组一种冷轧在线板形目标曲线的调整方法的操作步骤。板形调节机构有轧辊倾斜、工作辊正/负弯辊、中间辊正弯辊和中间辊横移,主要控制参数及轧制参数如下表所示。
表2轧制过程主要参数
结合图1~图4,冷轧带材在线板形目标曲线调整方法,按如下步骤进行:
步骤一:数据滤波处理
考虑到数据的震荡问题,最大程度上增加数据的可信度,防止个别的错误数据影响决策,需要对数据进行滤波处理,考虑到板形的数据是连续的,同时考虑轧制速度V,故通过以下方法对数据进行滤波处理
其中,V轧制速度,此处主要指第五机架的速度;
L设定的统计步长;
T单个数据统计时间;
n计算出的以轧制速度V通过L步长时间内传送的数据个数;
t传感器传送数据的时间间隔;
yi传感器传来的数据;
表3轧制过程主要参数
参数 | L | t | V |
设定值 | 100mm | 0.05 | 第五机架速度 |
步骤二:板形缺陷模式识别
通过最小二乘法对板形数据进行板形缺陷识别,考虑到板形出现的板形缺陷以及设备的控制性能的实际状况,将板形数据进行最小二乘法的拟合之后只保留一次项、二次项、四次项。拟合之后的公式如下:
Y=AX1+BX2+CX4+R(X) (4)
其中X为带材沿宽度方向的坐标,原点为操作侧;
A为倾斜项,一般当板型辊发生倾斜之后,此项不为零;
B为板形的二次项缺陷,比如对称性缺陷,例如中浪、边浪;
C为板形的四次项缺陷,比如边部减薄;
R(X)为高次缺陷项,此处不需要处理的数据。
步骤三:去除影响的因素
在进行板形缺陷识别之后,需要判断板形真实的缺陷,考虑到板形仪传来的数据并不是“真正的板形”,需要对板形数据处理,去掉其中由于板形仪设备的原因、以及温度的影响因素,进而获得“真正的板形”。其中包括,带钢横向温度分布不均、带钢的卷形补偿、卷取机安装几何误差补偿、边部减薄补偿。考虑到这几个模型在设定板形目标曲线时已经建立了相应的补偿,具体的模型参数可以在文献[1]中找到,故在此不再进行详述,直接将步骤二提取的板形补偿减去对应的影响因素,就可以得到“真正的板形缺陷”。例如:
Areal=Adetective-Aeffect (5)
其中,Areal真正的板形缺陷对应的一次项;
Adetective步骤二通过最小二乘法拟合之后的对应的一次项系数;
Aeffect各种影响因素通过最小二乘法拟合之后的对应的一次项系数;
本次发明主要是发明一种板形目标曲线的调整,相关因素的影响模型不属于本次发明的内容,以及已经在文献[1]中详细说明,故本次实验中将相关影响因素设置为0。
步骤四:确定控制策略
目前已经获取到板形缺陷对应的相关系数,再不考虑特殊的工艺要求或者下游用户的需求时,将之前提取的项数绝对值的最大值确定为当前板形缺陷的调整目标,其中正负号为板形缺陷对应的调整方向。
根据资料查取以及现场调研,以及考虑到设备性能,确定了五种主要缺陷以及缺陷对应的调整方向,如表1所示。
步骤五:变增益系统以及单次最大调整量
根据步骤四确定的主要板形缺陷,计算出调整量,但是考虑的实际生产安全考虑,单次调整过大的补偿会导致未知的设备故障或者生产故障,故设定单次最大调整量。
增加变增益系统,其中包括静态偏差增益和速度增益。
静态偏差增益,根据当前的偏差进行增益,如果当前的板形缺陷比较明显,则采用较大的增益系数,从而达到快速消除板形缺陷的目的,如果当前的板形缺陷比较小,则采取较小的静态偏差增益系数,从而达到目的,而减少震荡。
静态偏差增益通过现场经验以及实验数据回归,将静态偏差设置如图所示
速度偏差增益;根据当前的轧制速度,确定增益系数。如果轧制速度较大,可以增加速度偏差增益系数,因为速度较大,反馈较灵敏,可以尽快实现目标。如果轧制速度较低,可以采取负增益系数,降低调节量,防止因为反馈较慢造成的板形目标缺陷的震荡。
本发明的触发条件之一是轧制速度在5m/s~25m/s,故本次增益的有效范围为5~25,具体数据如图4所示。
Sset=Scal×α×β (6)
Sset设定的调整量;
Scal通过计算出的调整量,没有增益之前的调整量;
α静态偏差调整增益系数;
β速度偏差增益系数;
步骤六:反馈系统
步骤五计算出调整量之后,然后根据调整之后的板形再次进行判断,形成闭环网络,随着闭环控制系统介入的时间,最终在闭环控制系统的作用下,完成对板形目标曲线的调整。
步骤七:预设定自学习模块
板形目标曲线的预设定是通过辊系变形理论和带材三维塑性变形理论耦合迭代计算出符合目标要求的板形目标曲线,经过板形目标曲线调整系统调整之后,通过自学习将板形目标曲线预设定进行调整。
Lnew,i=Lsave,i+Ladjust,i (7)
其中,Lnew,i为当前更新之后的板形目标曲线第i次项的值;
Lsave,i为没有更新之前的板形目标曲线第i次项的值;
Ladjust,i为当前的板形目标曲线第i次项本次自学习的调整值;
其中,Ladjust_old,i为上一次板形目标曲线第i次项自学习的调整值;
α自学习系数,可以根据实际状况设置;
Ladjust_old,i上一次板形目标曲线第i次项自学习的调整值;
Lnow,i当前板形目标曲线第i次项自学习的调整值;
Lsave,i保存在板形目标曲线预设定库中的第i次项的值。
本发明的自适应算法采用加法自适用,通过对不同种类的带材的预设定进行自学习,保存到数据库中,不断更新数据库,不断提高板形目标曲线预设定系统的准确度。
在实际的生产中,已经通过模型计算将板形目标曲线的预设定值集成中数据中,本次只是在板形目标曲线预设定值的基础上进行自学习。
Claims (2)
1.一种冷轧带材在线板形目标曲线调整方法,其特征在于:包括以下步骤,
步骤一:数据滤波处理
通过以下方法对数据进行滤波处理,
其中,V轧制速度;
L设定的统计步长;
T单个数据统计时间;
n计算出的以轧制速度V通过L步长时间内传送的数据个数;
t传感器传送数据的时间间隔;
yi传感器传来的数据;
步骤二:板形缺陷模式识别
通过最小二乘法对板形数据进行板形缺陷识别,考虑到板形出现的板形缺陷以及设备的控制性能的实际状况,将板形数据进行最小二乘法的拟合之后只保留一次项、二次项、四次项;拟合之后的公式如下:
Y=AX1+BX2+CX4+R(X) (4)
其中,X为带材沿宽度方向的坐标,原点为操作侧;
A为倾斜项,一般当板型辊发生倾斜之后,此项不为零;
B为板形的二次项缺陷;
C为板形的四次项缺陷;
R(X)为高次缺陷项;
步骤三:去除影响的因素
将步骤二提取的板形补偿减去影响因素,得到真正的板形缺陷,
Areal=Adetective-Aeffect (5)
Areal真正的板形缺陷对应的一次项;
Adetective步骤二通过最小二乘法拟合之后的对应的一次项系数;
Aeffect各种影响因素通过最小二乘法拟合之后的对应的一次项系数;
步骤四:确定控制策略
将提取的项数绝对值的最大值确定为当前板形缺陷的调整目标,其中正负号为板形缺陷对应的调整方向;
步骤五:变增益系统以及单次最大调整量
根据步骤四确定的主要板形缺陷,计算出调整量,并设定单次最大调整量;
增加变增益系统,其中包括静态偏差增益和速度增益;静态偏差增益是根据当前的偏差进行增益,如果当前的板形缺陷比较明显,则采用较大的增益系数,如果当前的板形缺陷比较小,则采取较小的静态偏差增益系数;
速度偏差增益;根据当前的轧制速度,确定增益系数;如果轧制速度较大,增加速度偏差增益系数;如果轧制速度较低,采取负增益系数,降低调节量;
Sset=Scal×α×β (6)
Sset设定的调整量;
Scal通过计算出的调整量,没有增益之前的调整量;
α静态偏差调整增益系数;
β速度偏差增益系数;
步骤六:反馈系统
步骤五计算出调整量之后,然后根据调整之后的板形再次进行判断,形成闭环网络,随着闭环控制系统介入的时间,最终在闭环控制系统的作用下,完成对板形目标曲线的调整;
步骤七:预设定自学习模块
板形目标曲线的预设定是通过辊系变形理论和带材三维塑性变形理论耦合迭代计算出符合目标要求的板形目标曲线,经过板形目标曲线调整系统调整之后,通过自学习将板形目标曲线预设定进行调整;
Lnew,i=Lsave,i+Ladjust,i (7)
其中,Lnew,i为当前更新之后的板形目标曲线第i次项的值;
Lsave,i为没有更新之前的板形目标曲线第i次项的值;
Ladjust,i为当前的板形目标曲线第i次项本次自学习的调整值;
其中,Ladjust_old,i为上一次板形目标曲线第i次项自学习的调整值;
α自学习系数,可以根据实际状况设置;
Ladjust_old,i上一次板形目标曲线第i次项自学习的调整值;
Lnow,i当前板形目标曲线第i次项自学习的调整值;
Lsave,i保存在板形目标曲线预设定库中的第i次项的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147773.1A CN110851994B (zh) | 2019-11-21 | 2019-11-21 | 一种冷轧带材在线板形目标曲线调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147773.1A CN110851994B (zh) | 2019-11-21 | 2019-11-21 | 一种冷轧带材在线板形目标曲线调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851994A true CN110851994A (zh) | 2020-02-28 |
CN110851994B CN110851994B (zh) | 2022-06-07 |
Family
ID=69603131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911147773.1A Active CN110851994B (zh) | 2019-11-21 | 2019-11-21 | 一种冷轧带材在线板形目标曲线调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110851994B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861236A (zh) * | 2020-07-27 | 2020-10-30 | 东北大学 | 一种棒材精整工艺数据同步方法 |
CN112122358A (zh) * | 2020-09-11 | 2020-12-25 | 燕山大学 | 一种考虑后续工艺板形要求的板形目标曲线设定方法 |
CN116881613A (zh) * | 2023-09-05 | 2023-10-13 | 东北大学 | 一种基于扁平度的高次项板形目标曲线的设置方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010066029A (ja) * | 2008-09-09 | 2010-03-25 | Jfe Steel Corp | 平坦度計測方法および装置、並びに平坦度制御方法および装置 |
CN101920269A (zh) * | 2009-06-11 | 2010-12-22 | 鞍钢股份有限公司 | 冷轧机板形控制执行器调控功效系数优化方法 |
WO2010146615A1 (en) * | 2009-06-17 | 2010-12-23 | Thyssenkrupp Acciai Speciali Terni S.P.A. | Method for dynamically controlling flatness in steel strip rolling |
CN104001730A (zh) * | 2013-02-22 | 2014-08-27 | 宝山钢铁股份有限公司 | 目标板形设定方法 |
CN105689405A (zh) * | 2016-01-28 | 2016-06-22 | 燕山大学 | 一种冷轧带材在线目标板形的智能设定方法 |
CN106475420A (zh) * | 2015-08-28 | 2017-03-08 | 宝山钢铁股份有限公司 | 一种基于冷轧带钢目标板形设定的板形控制方法 |
CN109433830A (zh) * | 2018-11-06 | 2019-03-08 | 燕山大学 | 一种冷轧板形闭环控制方法及系统 |
-
2019
- 2019-11-21 CN CN201911147773.1A patent/CN110851994B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010066029A (ja) * | 2008-09-09 | 2010-03-25 | Jfe Steel Corp | 平坦度計測方法および装置、並びに平坦度制御方法および装置 |
CN101920269A (zh) * | 2009-06-11 | 2010-12-22 | 鞍钢股份有限公司 | 冷轧机板形控制执行器调控功效系数优化方法 |
WO2010146615A1 (en) * | 2009-06-17 | 2010-12-23 | Thyssenkrupp Acciai Speciali Terni S.P.A. | Method for dynamically controlling flatness in steel strip rolling |
CN104001730A (zh) * | 2013-02-22 | 2014-08-27 | 宝山钢铁股份有限公司 | 目标板形设定方法 |
CN106475420A (zh) * | 2015-08-28 | 2017-03-08 | 宝山钢铁股份有限公司 | 一种基于冷轧带钢目标板形设定的板形控制方法 |
CN105689405A (zh) * | 2016-01-28 | 2016-06-22 | 燕山大学 | 一种冷轧带材在线目标板形的智能设定方法 |
CN109433830A (zh) * | 2018-11-06 | 2019-03-08 | 燕山大学 | 一种冷轧板形闭环控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
QING-LONG WANG 等: ""Numerical and experimental analysis of strip cross-directional control and flatness prediction for UCM cold rolling mill"", 《JOURNAL OF MANUFACTURING PROCESSES》 * |
王鹏飞 等: ""冷轧板形目标曲线设定模型的研究与应用"", 《钢铁》 * |
马磊 等: ""板形闭环控制系统的最优化算法"", 《钢铁研究学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861236A (zh) * | 2020-07-27 | 2020-10-30 | 东北大学 | 一种棒材精整工艺数据同步方法 |
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 |
CN112122358A (zh) * | 2020-09-11 | 2020-12-25 | 燕山大学 | 一种考虑后续工艺板形要求的板形目标曲线设定方法 |
CN112122358B (zh) * | 2020-09-11 | 2021-05-28 | 燕山大学 | 一种考虑后续工艺板形要求的板形目标曲线设定方法 |
CN116881613A (zh) * | 2023-09-05 | 2023-10-13 | 东北大学 | 一种基于扁平度的高次项板形目标曲线的设置方法 |
CN116881613B (zh) * | 2023-09-05 | 2023-12-01 | 东北大学 | 一种基于扁平度的高次项板形目标曲线的设置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110851994B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851994B (zh) | 一种冷轧带材在线板形目标曲线调整方法 | |
CN101683659B (zh) | 冷轧带钢平直度和横向厚差综合控制方法 | |
CN101780480B (zh) | 一种焊缝过机架时带钢头部厚度控制补偿方法 | |
CN103357669B (zh) | 一种板形模型预测控制方法 | |
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
CN104511484B (zh) | 一种热轧带钢微中浪板形控制方法 | |
CN102921740B (zh) | 热轧带钢头部和尾部宽度失宽控制方法 | |
CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
CN101758084A (zh) | 模型自适应的板形预测控制方法 | |
CN103128107B (zh) | 一种热连轧粗轧短行程曲线参数的在线计算方法 | |
CN103949481B (zh) | 兼顾热轧带钢轧制稳定性和质量的平坦度分段控制方法 | |
CN102728624A (zh) | 一种精轧带钢负荷分配设定方法 | |
CN104874613B (zh) | 通过轧机速度补偿实现热连轧机架间秒流量平衡的方法 | |
CN104148404A (zh) | 一种热轧带钢平直度自动控制方法 | |
CN107442577A (zh) | 一种精轧带钢负荷分配设定方法 | |
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 | |
CN109759452B (zh) | 构建钢轨规格调整量模型的方法 | |
CN104668294A (zh) | 一种动态等厚度比楔形控制法 | |
KR100643373B1 (ko) | 열간압연 후물재 길이방향 온도 제어방법 | |
KR20190078334A (ko) | 연속 압연 패스 스케쥴 설정 장치 | |
CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
CN104338753A (zh) | 一种冷连轧机的动态变规格控制方法 | |
Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
CN115218603A (zh) | 冷却流量控制方法及装置 | |
CN107520255B (zh) | 一种自学习式轧机入口厚度优化方法 |
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 |