CN111438186A - 一种五连轧机带钢的制备方法 - Google Patents
一种五连轧机带钢的制备方法 Download PDFInfo
- Publication number
- CN111438186A CN111438186A CN202010242860.1A CN202010242860A CN111438186A CN 111438186 A CN111438186 A CN 111438186A CN 202010242860 A CN202010242860 A CN 202010242860A CN 111438186 A CN111438186 A CN 111438186A
- Authority
- CN
- China
- Prior art keywords
- target
- reflectivity
- prediction model
- cold rolling
- magnetic separation
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 51
- 239000010959 steel Substances 0.000 title claims abstract description 51
- 238000002360 preparation method Methods 0.000 title claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims abstract description 142
- 238000000034 method Methods 0.000 claims abstract description 119
- 230000008569 process Effects 0.000 claims abstract description 91
- 238000005097 cold rolling Methods 0.000 claims abstract description 88
- 238000007885 magnetic separation Methods 0.000 claims abstract description 56
- 239000000839 emulsion Substances 0.000 claims abstract description 33
- 241000238634 Libellulidae Species 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 7
- 239000010960 cold rolled steel Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims 1
- 238000001994 activation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007373 indentation Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 34
- 238000010586 diagram Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000011701 zinc Substances 0.000 description 5
- 229910052725 zinc Inorganic materials 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005246 galvanizing Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- CSDREXVUYHZDNP-UHFFFAOYSA-N alumanylidynesilicon Chemical compound [Al].[Si] CSDREXVUYHZDNP-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
- B21B1/28—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by cold-rolling, e.g. Steckel cold mill
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Metal Rolling (AREA)
Abstract
本发明涉及板带压力加工技术领域，具体涉及一种五连轧机带钢的制备方法，该方法包括：获取冷轧工艺参数和对应的表面反射率，冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数和运行时间、撇油器的开启个数和运行时间；分别对每个冷轧工艺参数和对应的表面反射率进行线性拟合，以获得多个反射率预测模型；获取表面反射率的目标值，并根据反射率预测模型计算目标值对应的目标工艺参数；按照目标工艺参数进行冷轧。通过反射率预测模型求解符合用户要求的反射率对应的目标工艺参数，按照目标工艺参数进行冷轧，能够提高冷轧带钢的表面反射率，避免了在冷轧带钢表面产生压痕，进而增强了冷轧带钢的表面质量。
Description
技术领域
本发明涉及板带压力加工技术领域，具体涉及一种五连轧机带钢的制备方法。
背景技术
随着汽车和家电等先进制造业的发展，下游用户们对冷轧带钢的表面清洁度的要求是越来越高，而冷轧带钢的表面清洁度取决于带材表面残留物的多少，其中带材表面残留物的多少用表面反射率这个指标进行表征，表面残留物越少，表面反射率则越高。因此提高冷轧带钢表面反射率已成为提高产品表面质量的关键环节。
在目前的冷轧工艺下生产的带钢表面反射率只有60％-65％，表面反射率偏低容易在后期热镀锌时产生大量的锌渣，增加生产成本，还会污染退火炉和锌锅，在带钢表面产生压痕和锌粒缺陷，严重影响产品质量。
因此，现有技术中存在如何提高冷轧带钢的表面反射率的技术问题。
发明内容
本发明的目的是提供一种五连轧机带钢的制备方法，以解决现有技术中如何提高冷轧带钢的表面反射率的技术问题。
本发明实施例提供了以下方案：
依据本发明的第一个方面，本发明实施例提供一种五连轧机带钢的制备方法，所述五连轧机带钢的制备方法包括：
获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；
分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；
获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；
按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。
优选的，所述反射率预测模型包括所述表面反射率与所述轧辊个数之间的第一预测模型，所述第一预测模型为：Y＝60.6+3.897X1，其中，Y为所述表面反射率，X1为所述轧辊个数。
优选的，所述反射率预测模型还包括所述表面反射率与所述轧辊粗糙度之间的第二预测模型，所述第二预测模型为：Y＝97.74-7.62X2，其中，X2为所述轧辊粗糙度。
优选的，所述反射率预测模型还包括所述表面反射率与所述乳化液浓度之间的第三预测模型，所述第三预测模型为：Y＝83.01-40.54X3，其中，X3为末机架的乳化液浓度。
优选的，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启个数之间的第四预测模型，所述第四预测模型为：Y＝60.55+3.835X4，其中，X4为所述磁分离设备的开启个数。
优选的，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启时间之间的第五预测模型，所述第五预测模型为：Y＝56.35+0.2721X5，其中，X5为所述磁分离设备的开启时间。
优选的，所述目标工艺参数，包括：
目标轧辊个数为5个，目标轧辊粗糙度为3.0，目标乳化液浓度为0.1％-0.4％，所述磁分离设备的目标开启个数为4个，所述磁分离设备的目标运行时间为开90分钟后停10分钟，所述撇油器的目标开启个数为2个，所述撇油器的目标运行时间为开90分钟后停10分钟。
优选的，在所述按照所述目标工艺参数进行冷轧，获得目标冷轧带钢之后，所述方法还包括：
拟合所述表面反射率与多个冷轧工艺参数之间的目标关系曲线；
根据所述目标关系曲线和所述目标工艺参数计算目标表面反射率。
依据本发明的第二个方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明的第一方面中任一方法步骤。
依据本发明的第三个方面，本发明实施例提供一种工控机，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明的第一方面中任一方法步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明通过获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。由于拟合了每个冷轧工艺参数和表面反射率之间的反射率预测模型，能够根据所述反射率预测模型求解符合用户要求的目标反射率对应的目标工艺参数，按照所述目标工艺参数进行冷轧，能够提高冷轧带钢的表面反射率，避免了在冷轧带钢表面产生压痕，进而增强了冷轧带钢的表面质量。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种五连轧机带钢的制备方法的流程示意图；
图2为本发明所述表面反射率与轧辊个数之间的拟合线图；
图3为本发明所述表面反射率与轧辊粗糙度之间的拟合线图；
图4为本发明所述表面反射率与乳化液浓度之间的拟合线图；
图5为本发明所述表面反射率与磁分离设备的开启个数之间的拟合线图；
图6为本发明所述表面反射率与磁分离设备的运行时间之间的拟合线图；
图7为本发明实施例中一种计算机可读存储介质的结构示意图；
图8为本发明实施例中一种工控机的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
第一实施例
参照图1，图1为本发明实施例中一种五连轧机带钢的制备方法的流程示意图。
在本实施例中，所述五连轧机带钢的制备方法尤其涉及提高五连轧机板带表面反射率，降低表面残留物的技术，所述方法能够应用于2230酸连轧机组汽车、家电外板和热成型钢生产，产品推广到各品牌汽车外板、家电板和高强钢结构件。
所述方法包括：
步骤S10：获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间。
在使用五连轧机的冷轧生产线上，冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等一系列参数，其中，所述轧辊个数为S1-S5机架使用镀铬辊的个数，所述轧辊粗糙度为末机架镀铬辊的粗糙度，由于各个不同的冷轧工艺参数对表面反射率具有不同程度的影响，为了找出符合反射率要求的一系列目标工艺参数，需要先确定每个冷轧工艺参数与表面反射率之间一对一的函数关系。
为了确定每个冷轧工艺参数与所述表面反射率之间一对一的函数关系，将在冷轧炼钢现场采集实测数据，具体为：对于每个冷轧工艺参数，在其它冷轧工艺参数的数值固定时，采集该冷轧工艺参数在不同数值下的表面反射率，从而获得每个冷轧工艺参数和所述冷轧工艺参数对应的表面反射率。例如，对于轧辊个数，在轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集轧辊个数为1、2、3、4和5时的表面反射率，并且对轧辊个数的每个数值进行多次测试采样，以提高数据的可靠性，进而获得所述轧辊个数和所述轧辊个数对应的表面反射率。
步骤S20：分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型。
在获取所述冷轧工艺参数和所述冷轧工艺参数对应的表面反射率之后，将所述表面反射率作为因变量，将所述冷轧工艺参数作为自变量进行线性拟合，从而获得反射率预测模型，所述反射率预测模型为所述表面反射率与所述冷轧工艺参数之间的函数关系式。在具体实现中，对于多个冷轧工艺参数分别进行拟合，从而每个所述冷轧工艺参数分别对应一个反射率预测模型。
在一种可能的实施方式中，如图2所示，所述反射率预测模型包括所述表面反射率与所述轧辊个数之间的第一预测模型，所述第一预测模型为：Y＝60.6+3.897X1，其中，Y为所述表面反射率，X1为所述轧辊个数。在轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集轧辊个数为1、2、3、4和5时的表面反射率，其中，轧辊优选为镀铬辊，对所述表面反射率和所述轧辊个数进行线性拟合，获得第一预测模型。使用镀铬辊能够减少铁粉，降低带钢表面残铁进而提高反射率，根据所述第一预测模型可知：在冷轧过程中，每增加一个使用镀铬辊的机架，所述表面反射率将提高约4％，因此，能够根据所述第一预测模型指导冷轧工艺参数的选择，从而选取符合要求的轧辊个数，进而提高冷轧带钢的表面反射率。
在一种可能的实施方式中，如图3所示，所述反射率预测模型还包括所述表面反射率与所述轧辊粗糙度之间的第二预测模型，所述第二预测模型为：Y＝97.74-7.62X2，其中，X2为所述轧辊粗糙度。在轧辊个数、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集轧辊粗糙度在3.0～4.5范围内的表面反射率，对所述表面反射率和所述轧辊粗糙度进行线性拟合，获得第二预测模型。根据所述第二预测模型可知：在冷轧过程中，末机架的轧辊粗糙度每降低约0.1，则所述表面反射率增加1％，因此，能够根据所述第二预测模型指导冷轧工艺参数的选择，从而选取符合要求的轧辊粗糙度，进而提高冷轧带钢的表面反射率。
在一种可能的实施方式中，如图4所示，所述反射率预测模型还包括所述表面反射率与所述乳化液浓度之间的第三预测模型，所述第三预测模型为：Y＝83.01-40.54X3，其中，X3为末机架的乳化液浓度。在轧辊个数、轧辊粗糙度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集末机架S3箱的乳化液浓度在0～0.7范围内的表面反射率，对所述表面反射率和所述乳化液浓度进行线性拟合，获得第三预测模型。根据所述第三预测模型可知：在冷轧过程中，末机架S3箱的乳化液浓度每降低0.1％，表面反射率提高3.5％，因此，能够根据所述第三预测模型指导冷轧工艺参数的选择，从而选取符合要求的乳化液浓度，进而提高冷轧带钢的表面反射率。
在一种可能的实施方式中，如图5所示，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启个数之间的第四预测模型，所述第四预测模型为：Y＝60.55+3.835X4，其中，X4为所述磁分离设备的开启个数。在轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集所述磁分离设备的开启个数在0～4范围内的表面反射率，对所述表面反射率和所述磁分离设备的开启个数进行线性拟合，获得第四预测模型。根据所述第四预测模型可知：在冷轧过程中，每开启一个磁分离设备，表面反射率上升约3.5％，因此，能够根据所述第四预测模型指导冷轧工艺参数的选择，从而选取符合要求的磁分离设备的开启个数，进而提高冷轧带钢的表面反射率。
在一种可能的实施方式中，如图6所示，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启时间之间的第五预测模型，所述第五预测模型为：Y＝56.35+0.2721X5，其中，X5为所述磁分离设备的开启时间。在轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、撇油器的开启个数以及所述撇油器的运行时间等参数的数值固定时，分别采集磁分离设备的开启时间在0～90分钟范围内的表面反射率，对所述表面反射率和所述磁分离设备的开启时间进行线性拟合，获得第五预测模型。根据所述第五预测模型可知：在冷轧过程中，磁分离设备每增加10分钟开启时间，所述表面反射率上升约2.5％，因此，能够根据所述第五预测模型指导冷轧工艺参数的选择，从而选取符合要求的磁分离设备的开启时间，进而提高冷轧带钢的表面反射率。
步骤S30：获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数。
所述目标值为用户要求的表面反射率数值，将所述目标值代入所述反射率预测模型中，可以求解所述目标值对应的目标工艺参数，按照所述目标工艺参数进行冷轧，所制得的冷轧带钢的表面反射率将达到所述目标值。
在一种可能的实施方式中，用户要求冷轧带钢的表面反射率达到S6级别，即表面反射率达到75％-80％，为了使生产的带钢表面反射率达到S6级别，将表面反射率为75％-80％代入所述反射率预测模型中进行计算，获得对应的目标工艺参数。所述目标工艺参数包括：目标轧辊个数、目标轧辊粗糙度、目标乳化液浓度、磁分离设备的目标开启个数、所述磁分离设备的目标运行时间、撇油器的目标开启个数以及所述撇油器的目标运行时间。所述目标轧辊个数为5个；目标轧辊粗糙度为3.0，具体地，原轧辊粗糙度使用为Ra 0.9、Ra0.9、Ra 0.8、Ra 0.6和Ra 3.5，现调整为S1-S5机架粗糙度分别使用Ra 0.8、Ra 0.8、Ra0.7、Ra 0.5和Ra 3.0；目标乳化液浓度为0.1％-0.4％；所述磁分离设备的目标开启个数为4个，所述磁分离设备的目标运行时间为开90分钟后停10分钟；所述撇油器的目标开启个数为2个，该2个具体为将供给1-4#机架的S1乳化液箱体和供给5#机架的S3乳化液箱体的2个撇油器，所述撇油器的目标运行时间为开90分钟后停10分钟，供给1-4#机架的S2乳化液箱体铁粉控制小于200毫克/平方米，此时残铁约50毫克/平方米，反射率提高至80％。
步骤S40：按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。
所述目标工艺参数为所述目标值对应的冷轧工艺参数，根据所述目标工艺参数建立如表1所示的方案，包括一套轧辊使用方法，乳化液系统使用方法和乳化液参数控制方法，建立了一套匹配冷连轧汽车板产品高级别表面残留物控制的关键工艺控制技术体系。按照所述目标工艺参数进行冷轧，获得目标冷轧带钢，所述目标冷轧带钢的表面反射率将达到所述目标值，从而提高了五连轧机板带的表面反射率，带钢反射率从62％增加至81％，减少了冷轧带钢的表面残留物，于此同时降低了因带钢反射率较低在镀锌工序产生锌灰，锌渣和其他表面残留导致的带出品数量，月均带出品从308t降低至115t，避免了在冷轧带钢表面产生压痕，进而增强了冷轧带钢的表面质量，吨钢增利约200元。
在一种可能的实施方式中，在所述步骤S40之后，所述方法还包括：拟合所述表面反射率与多个冷轧工艺参数之间的目标关系曲线；根据所述目标关系曲线和所述目标工艺参数计算目标表面反射率。所述目标关系曲线为：Y＝72.9-7.01X1-13.6X2-16.2×X3+0.023X4+0.974X5+0.02X6+0.0034X7，X6为所述撇油器的开启个数，X7为所述撇油器的运行时间。通过该目标关系曲线，能够预测按照一系列目标工艺参数冷轧所制得的冷轧带钢的目标表面反射率，从而预判目标表面反射率是否达到用户要求。
表1 2230酸轧对镀铝硅的热成型钢的低残留生产试验方案
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本实施例通过获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。由于拟合了每个冷轧工艺参数和表面反射率之间的反射率预测模型，能够根据所述反射率预测模型求解符合用户要求的目标反射率对应的目标工艺参数，按照所述目标工艺参数进行冷轧，能够提高冷轧带钢的表面反射率，避免了在冷轧带钢表面产生压痕，进而增强了冷轧带钢的表面质量。
第二实施例
基于同一发明构思，如图7所示，本发明实施例还提供一种计算机可读存储介质300，其上存储有计算机程序311，该程序311被处理器执行时实现以下步骤：
获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。
在具体实施过程中，该计算机程序311被处理器执行时，可以实现上述第一实施中任一实施方式的方法步骤。
第三实施例
基于同一发明构思，如图8所示，本发明实施例还提供了一种工控机400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，所述处理器420执行所述程序411时实现以下步骤：
获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。
在具体实施过程中，处理器420执行计算机程序411时，可以实现上述第一实施中任一实施方式的方法步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种五连轧机带钢的制备方法，其特征在于，应用于工控机中，包括：
获取冷轧工艺参数和所述冷轧工艺参数对应的表面反射率，所述冷轧工艺参数包括：轧辊个数、轧辊粗糙度、乳化液浓度、磁分离设备的开启个数、所述磁分离设备的运行时间、撇油器的开启个数以及所述撇油器的运行时间；
分别对每个所述冷轧工艺参数和每个所述冷轧工艺参数对应的表面反射率进行线性拟合，以获得多个反射率预测模型；
获取所述表面反射率的目标值，并根据所述反射率预测模型计算所述目标值对应的目标工艺参数；
按照所述目标工艺参数进行冷轧，获得目标冷轧带钢。
2.根据权利要求1所述的方法，其特征在于，所述反射率预测模型包括所述表面反射率与所述轧辊个数之间的第一预测模型，所述第一预测模型为：Y＝60.6+3.897X1，其中，Y为所述表面反射率，X1为所述轧辊个数。
3.根据权利要求2所述的方法，其特征在于，所述反射率预测模型还包括所述表面反射率与所述轧辊粗糙度之间的第二预测模型，所述第二预测模型为：Y＝97.74-7.62X2，其中，X2为所述轧辊粗糙度。
4.根据权利要求3所述的方法，其特征在于，所述反射率预测模型还包括所述表面反射率与所述乳化液浓度之间的第三预测模型，所述第三预测模型为：Y＝83.01-40.54X3，其中，X3为末机架的乳化液浓度。
5.根据权利要求4所述的方法，其特征在于，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启个数之间的第四预测模型，所述第四预测模型为：Y＝60.55+3.835X4，其中，X4为所述磁分离设备的开启个数。
6.根据权利要求5所述的方法，其特征在于，所述反射率预测模型还包括所述表面反射率与所述磁分离设备的开启时间之间的第五预测模型，所述第五预测模型为：Y＝56.35+0.2721X5，其中，X5为所述磁分离设备的开启时间。
7.根据权利要求5所述的方法，其特征在于，所述目标工艺参数，包括：
目标轧辊个数为5个，目标轧辊粗糙度为3.0，目标乳化液浓度为0.1％-0.4％，所述磁分离设备的目标开启个数为4个，所述磁分离设备的目标运行时间为开90分钟后停10分钟，所述撇油器的目标开启个数为2个，所述撇油器的目标运行时间为开90分钟后停10分钟。
8.根据权利要求1-7中任一项所述的方法，其特征在于，在所述按照所述目标工艺参数进行冷轧，获得目标冷轧带钢之后，所述方法还包括：
拟合所述表面反射率与多个冷轧工艺参数之间的目标关系曲线；
根据所述目标关系曲线和所述目标工艺参数计算目标表面反射率。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一权利要求所述的方法步骤。
10.一种工控机，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一权利要求所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242860.1A CN111438186B (zh) | 2020-03-31 | 2020-03-31 | 一种五连轧机带钢的制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242860.1A CN111438186B (zh) | 2020-03-31 | 2020-03-31 | 一种五连轧机带钢的制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111438186A true CN111438186A (zh) | 2020-07-24 |
| CN111438186B CN111438186B (zh) | 2022-01-18 |
Family
ID=71649368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010242860.1A Active CN111438186B (zh) | 2020-03-31 | 2020-03-31 | 一种五连轧机带钢的制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111438186B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA1305298C (en) * | 1986-01-17 | 1992-07-21 | Kusuo Furukawa | Steel sheets for painting and a method of producing the same |
| KR970033124A (ko) * | 1995-12-29 | 1997-07-22 | 김종진 | 광택성 및 도장후 선영성이 우수한 냉간압연강판의 제조방법 |
| CN200991718Y (zh) * | 2006-12-27 | 2007-12-19 | 鞍钢股份有限公司 | 冷轧机组用多功能一体化乳液箱 |
| CN101091965A (zh) * | 2006-06-19 | 2007-12-26 | 鞍钢股份有限公司 | 双电机传动冷轧带钢轧机轧制负荷平衡的控制方法 |
| CN106825068A (zh) * | 2017-01-13 | 2017-06-13 | 北京科技大学 | 一种轧制过程带钢表面粗糙度的预测方法 |
| CN107243513A (zh) * | 2017-06-27 | 2017-10-13 | 包头钢铁（集团）有限责任公司 | 降低五机架连轧机组轧机乳化液系统的乳化浓度的方法 |
| CN109295295A (zh) * | 2018-11-27 | 2019-02-01 | 王茂庭 | 抑制连续退火炉炉辊结瘤的方法 |
| CN110743920A (zh) * | 2019-09-26 | 2020-02-04 | 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 |
-
2020
- 2020-03-31 CN CN202010242860.1A patent/CN111438186B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA1305298C (en) * | 1986-01-17 | 1992-07-21 | Kusuo Furukawa | Steel sheets for painting and a method of producing the same |
| KR970033124A (ko) * | 1995-12-29 | 1997-07-22 | 김종진 | 광택성 및 도장후 선영성이 우수한 냉간압연강판의 제조방법 |
| CN101091965A (zh) * | 2006-06-19 | 2007-12-26 | 鞍钢股份有限公司 | 双电机传动冷轧带钢轧机轧制负荷平衡的控制方法 |
| CN200991718Y (zh) * | 2006-12-27 | 2007-12-19 | 鞍钢股份有限公司 | 冷轧机组用多功能一体化乳液箱 |
| CN106825068A (zh) * | 2017-01-13 | 2017-06-13 | 北京科技大学 | 一种轧制过程带钢表面粗糙度的预测方法 |
| CN107243513A (zh) * | 2017-06-27 | 2017-10-13 | 包头钢铁（集团）有限责任公司 | 降低五机架连轧机组轧机乳化液系统的乳化浓度的方法 |
| CN109295295A (zh) * | 2018-11-27 | 2019-02-01 | 王茂庭 | 抑制连续退火炉炉辊结瘤的方法 |
| CN110743920A (zh) * | 2019-09-26 | 2020-02-04 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111438186B (zh) | 2022-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110743920B (zh) | 一种改善镀锌汽车板表面形貌的光整工艺优化方法 | |
| CN102591286B (zh) | 在线轧制计划动态预分析自调整系统及其方法 | |
| CN103752610B (zh) | 一种改善汽车外板用钢表面质量的2250热连轧生产方法 | |
| CN114329940A (zh) | 一种基于极限学习机的连铸坯质量预测方法 | |
| KR20160105464A (ko) | 미세조직 시뮬레이터, 모니터 및/또는 모델을 이용한, 열연 및 후판 공장에서 금속 강 합금 및 철 합금의 최적 제조 방법 | |
| PL1861517T3 (pl) | Kontrolowana redukcja grubości powlekanej zanurzeniowo taśmy stalowej walcowanej na gorąco i stosowane przy tym urządzenie | |
| JP6705519B1 (ja) | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 | |
| CN111438193B (zh) | 一种防止粗轧板坯轧制追尾的控制方法、控制系统 | |
| CN111438186B (zh) | 一种五连轧机带钢的制备方法 | |
| CN106269861B (zh) | 利用平整机平整冷轧镀锌带钢的工艺方法 | |
| CN112570468A (zh) | 一种热轧生产线卷取机夹送辊避免钢卷错层的控制方法 | |
| CN113351651B (zh) | 一种基于大数据分析的热轧线全自动加热炉出钢控制方法 | |
| CN110064653B (zh) | 一种应用于冷连轧机过渡段轧制的方法和装置 | |
| Radionov et al. | Controlling the electric drives of the reversing rolling stand rolls of a rolling mill to form a curvature at the workpiece front end | |
| JP6641867B2 (ja) | 消費電力量予測方法、装置及びプログラム | |
| CN111080835B (zh) | 基于灰色综合关联度的热轧带钢楔形缺陷诊断方法及系统 | |
| CA3122450C (en) | Method and electronic device for controlling a manufacturing of a group of final metal product(s) from a group of intermediate metal product(s), related computer program, manufacturing method and installation | |
| CN107292438B (zh) | 一种钢铁工业负荷功率特性建模方法 | |
| CN102234715B (zh) | 初轧炉群交叉出钢控制方法 | |
| Colla et al. | Prediction of under pickling defects on steel strip surface | |
| CN113031519B (zh) | 一种减少光整带钢头部未光整的控制方法和控制系统 | |
| JP2010207900A (ja) | 熱間圧延における変形抵抗予測方法 | |
| CN111950132A (zh) | 一种基于凝固过程数值模拟的连铸坯质量预测系统 | |
| CN114505353B (zh) | 一种同板差窜辊前馈静态控制方法 | |
| CN114397151B (zh) | 一种板材表面质量控制方法、装置、设备及存储介质 |
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 |