CN111570533A - 基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法 - Google Patents
基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法 Download PDFInfo
- Publication number
- CN111570533A CN111570533A CN202010427080.4A CN202010427080A CN111570533A CN 111570533 A CN111570533 A CN 111570533A CN 202010427080 A CN202010427080 A CN 202010427080A CN 111570533 A CN111570533 A CN 111570533A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- deformation resistance
- rolling
- temperature
- hot rolling
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/02—Transverse dimensions
- B21B2261/04—Thickness, gauge
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/02—Transverse dimensions
- B21B2261/06—Width
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2261/00—Product parameters
- B21B2261/20—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/02—Tension
- B21B2265/04—Front or inlet tension
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/02—Tension
- B21B2265/08—Back or outlet tension
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2267/00—Roll parameters
- B21B2267/02—Roll dimensions
- B21B2267/06—Roll diameter
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法。包括收集一定生产周期内的带钢宽度、带钢入口厚度、带钢出口厚度、带钢的实际碳当量、带钢入口变形抗力、带钢的弹性模量、泊松比;以及标准热轧卷取温度、实际热轧卷取温度、标准热轧终轧温度、实际热轧终轧温度、轧机的前张力、工作辊直径、轧机的后张力、摩擦系数、带钢延伸率、变形抗力影响系数、前,后张力加权系数、轧机的实际轧制力;基于上述数据计算得到带钢变形抗力预测值。本发明能够根据带钢生产现场的实际情况,充分结合热轧特性对带钢轧制时变形抗力影响的特点,通过建立数学模型,有效解决平整轧制过程中带钢变形抗力的预测问题。
Description
技术领域
本发明涉及平整轧制技术领域,尤其涉及一种基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法。
背景技术
金属材料在载荷作用下抵抗破坏的性能,称为机械性能(或称为力学性能)。金属材料使用性能的好坏,决定了它的使用范围与使用寿命,金属材料的机械性能是零件的设计和选材重要依据,机械性能是金属材料常用指标的一个集合,而对于带钢而言,变形抗力是衡量带钢产品质量的一个重要指标。
回归神经元网络是一种计算模型,系统通过采集数据并通过学习的方法建立数据模型,即人为的为系统提供大量的样本数据,系统通过样本数据不断学习,在此基础上建立相应的数学模型,从而建立网络结构。自学习的过程一般为系统采集生产过程中的实测数据,然后对这些数据进行学习,系统选取数据的方式是选取一定生产周期的生产数据进行分析学习。
在带钢的生产过程中,热轧的卷取温度和终轧温度对带钢的变形抗力影响较大,因此,为提高带钢的产品质量,必须充分结合轧制现场的实际生产情况,在充分运用现场实际生产数据的前提下,结合热轧卷取温度和终轧温度对带钢变形抗力影响的特点,摸索出一套可以充分运用的基于大数据理论的热轧特性对平整变形抗力的影响预测方法。
发明内容
根据上述提出的技术问题,而提供一种基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法。本发明主要利用带钢生产过程中的热轧特性对变形抗力影响的特点,通过一定生产周期数据的学习,实现平整轧制过程中带钢变形抗力的预测。本发明采用的技术手段如下:
一种基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法,包括如下步骤:
A)收集一定生产周期内的n组带钢规格参数、力学性能参数等生产数据并定义数据组编号i{i=1,2,3,···,i,···,n},包括带钢宽度Bi{i=1,2,3,···,i,···,n},带钢入口厚度h0i{i=1,2,3,···,i,···,n},带钢出口厚度h1i{i=1,2,3,···,i,···,n},带钢的实际碳当量Caci{i=1,2,3,···,i,···,n},带钢入口变形抗力σ0i{i=1,2,3,···,i,···,n},带钢的弹性模量E,泊松比v;
B)收集一定生产周期内的n组的平整机组工艺参数并定义数据组编号i,包括标准热轧卷取温度TCmi,实际热轧卷取温度TCaci,标准热轧终轧温度TFmi,实际热轧终轧温度TFaci,轧机的前张力F0i,工作辊直径Dzi,轧机的后张力F1i,摩擦系数μi,带钢延伸率εi,变形抗力影响系数k3;工况影响系数a1i,a2i,前,后张力加权系数k1,k2,一般来说,k1=k2=0.5,轧机的实际轧制力pi’(i=1,2,3,···,i,···,n);
C)定义实际温度影响系数数组X={α1,α2},给定温度影响系数数组初始值X0={α10,α20},给定搜索步长初始值ΔX={Δα1i,Δα2i},收敛精度η;
D)计算任意一组理论轧制力pi:
D1)令i=1;
D2)计算带钢出口变形抗力σ1i:
σ1i=σ0i+(TFmi-TFaci)*α1+(TCmi-TCaci)*α2
D3)计算带钢当量变形抗力σsi:
σsi=k3σ1i-(k1F0i+k2F1i)
D4)计算轧制变形区中轧辊与带材接触弧长度Li:
D5)计算单位宽度轧制力fi:
D6)计算理论计算的轧制力Pi:
Pi=fiBi
D7)判断i<N,如果成立则令i=i+1转入步骤D2);若不成则转入步骤E);
E)计算优化目标函数F(X):
F)判断Powell条件是否成立?若成立,则转入步骤G);若不成立,则更新数组X及其搜索步长ΔX,转入步骤D);
G)输出温度影响系数,计算带钢变形抗力预测值:
式中,b—材料参数,b≈0.005;
H)输出带钢变形抗力预测值,完成平整机组基于大数据理论的热轧特性对变形抗力优化的影响预报。
本发明具有以下优点:
本发明能够根据带钢生产现场的实际情况,充分结合热轧特性对带钢轧制时变形抗力影响的特点,通过对建立适当的数学模型,有效解决了平整轧制过程中带钢变形抗力的预测问题,为现场机组的生产控制提供了一定的理论基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法计算流程图。
图2为平整机组理论轧制力计算方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例以某平整机组为例,结合图1,对本发明所述基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法进行详细说明。
实施例1
以某平整机组为例,按照图1所示的基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法的计算流程图,首先,在步骤(A)中,收集一定生产周期内的n组带钢规格参数、力学性能参数等生产数据并定义数据组编号i{i=1,2,3,···,i,···,n},包括带钢宽度Bi{i=1,2,3,···,i,···,n},带钢入口厚度h0i{i=1,2,3,···,i,···,n},带钢出口厚度h1i{i=1,2,3,···,i,···,n},带钢的实际碳当量Caci{i=1,2,3,···,i,···,n},带钢入口变形抗力σ0i{i=1,2,3,···,i,···,n},带钢的弹性模量E,泊松比v;
随后,在步骤(B)中,收集一定生产周期内的n组的平整机组工艺参数并定义数据组编号i,包括标准热轧卷取温度TCmi,实际热轧卷取温度TCaci,标准热轧终轧温度TFmi,实际热轧终轧温度TFaci,轧机的前张力F0i,工作辊直径Dzi,轧机的后张力F1i,摩擦系数μi,带钢延伸率εi,变形抗力影响系数k3;前,后张力加权系数k1,k2,一般来说,k1=k2=0.5,轧机的实际轧制力pi’(i=1,2,3,···,i,···,n);
随后,在步骤(C)中定义实际温度影响系数数组X={α1,α2},给定温度影响系数数组初始值X0={α10,α20},给定搜索步长初始值ΔX={Δα1i,Δα2i},收敛精度η;
随后,在步骤(D)中,计算任意一组理论轧制力pi:
首先,在步骤(D1)中,令i=1;
随后,在步骤(D2)中,计算带钢出口变形抗力σ1i:
σ1i=σ0i+(TFmi-TFaci)*α1+(TCmi-TCaci)*α2
随后,在步骤(D3)中,计算带钢当量变形抗力σszi:
σsi=k3σ1i-(k1F0i+k2F1i)
随后,在步骤(D4)中,计算轧制变形区中轧辊与带材接触弧长度Lzi:
随后,在步骤(D5)中,计算单位宽度轧制力fi:
随后,在步骤(D6)中,计算理论计算的轧制力Pi:
Pi=fiBi
随后,在步骤(D7)中,判断i<N,如果成立则令i=i+1转入步骤D2);若不成则转入步骤E);
随后,在步骤(E)中,计算优化目标函数F(X):
随后,在步骤(F)中,判断Powell条件是否成立?若成立,则转入步骤G);若不成立,则更新数组X及其搜索步长ΔX,转入步骤D);
随后,在步骤(G)中,输出温度影响系数,计算带钢变形抗力预测值:
式中,b—材料参数,b≈0.005;
最后,在步骤(H)中,输出带钢变形抗力预测值,完成平整机组基于大数据理论的热轧特性对变形抗力优化的影响预报。
最后,为了方便比较,表1给出实施例1中平整机组在采用基于大数据理论的热轧特性对平整变形抗力的影响预报方法后预测结果。
表1实施例1中平整变形抗力预测结果
实施例2
实施例2的具体流程与实施例1相同,表2给出实施例2中平整机组在采用基于大数据理论的热轧特性对平整变形抗力的影响预报方法后预测结果,综合实施例1和实施例2的结果,可以看出,本发明通过对建立适当的数学模型,有效解决了平整轧制过程中带钢变形抗力的预测问题,为现场机组的生产控制提供了一定的理论基础。
表2实施例2中平整变形抗力预测结果
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (2)
1.一种基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法,其特征在于,包括如下步骤:
A)收集一定生产周期内的n组带钢生产数据,所述钢生产数据包括带钢规格参数、力学性能参数;所述带钢规格参数包括带钢宽度Bi、带钢入口厚度h0i、带钢出口厚度h1i和带钢的实际碳当量Caci;所述力学性能参数包括带钢入口变形抗力σ0i和带钢的弹性模量E、泊松比v;其中,i{i=1,2,3,···,i,···,n}为数据组编号;
B)收集一定生产周期内的n组平整机组工艺参数,包括:包括标准热轧卷取温度TCmi,实际热轧卷取温度TCaci,标准热轧终轧温度TFmi,实际热轧终轧温度TFaci,轧机的前张力F0i,工作辊直径Dzi,轧机的后张力F1i,摩擦系数μi,带钢延伸率εi,变形抗力影响系数k3;工况影响系数a1i,a2i,前,后张力加权系数k1,k2,轧机的实际轧制力pi’(i=1,2,3,···,i,···,n);
C)定义实际温度影响系数数组X={α1,α2},给定温度影响系数数组初始值X0={α10,α20},给定搜索步长初始值ΔX={Δα1i,Δα2i},收敛精度η;
D)计算任意一组理论轧制力pi:
具体包括:
D1)令i=1;
D2)计算带钢出口变形抗力σ1i:
σ1i=σ0i+(TFmi-TFaci)*α1+(TCmi-TCaci)*α2
D3)计算带钢当量变形抗力σsi:
σsi=k3σ1i-(k1F0i+k2F1i)
D4)计算轧制变形区中轧辊与带材接触弧长度Li:
D5)计算单位宽度轧制力fi:
D6)计算理论计算的轧制力Pi:
Pi=fiBi
D7)判断i<N,如果成立则令i=i+1转入步骤D2);若不成则转入步骤E);
E)计算优化目标函数F(X):
F)判断Powell条件是否成立?若成立,则转入步骤G);若不成立,则更新数组X及其搜索步长ΔX,转入步骤D);
G)输出温度影响系数,计算带钢变形抗力预测值:
式中,b—材料参数,b≈0.005;
H)输出带钢变形抗力预测值,完成平整机组基于大数据理论的热轧特性对变形抗力优化的影响预报。
2.根据权利要求1所述的基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法,其特征在于,k1=k2=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427080.4A CN111570533B (zh) | 2020-05-19 | 2020-05-19 | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427080.4A CN111570533B (zh) | 2020-05-19 | 2020-05-19 | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111570533A true CN111570533A (zh) | 2020-08-25 |
CN111570533B CN111570533B (zh) | 2021-06-29 |
Family
ID=72117490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010427080.4A Active CN111570533B (zh) | 2020-05-19 | 2020-05-19 | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111570533B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112893484A (zh) * | 2021-01-18 | 2021-06-04 | 东北大学 | 一种基于灰色关联度提取的热连轧轧制力自整定方法 |
CN112949108A (zh) * | 2021-01-25 | 2021-06-11 | 北京科技大学 | 热轧高强钢板形缺陷全流程预测方法及图形用户界面 |
CN113434994A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629124A (zh) * | 2012-03-22 | 2012-08-08 | 燕山大学 | 钢卷卸卷冷却过程中附加浪形预报与控制方法 |
JP2013094820A (ja) * | 2011-11-01 | 2013-05-20 | Furukawa Electric Co Ltd:The | クラスタ圧延機を用いる被圧延物の形状制御方法およびクラスタ圧延機の形状制御装置 |
CN106955897A (zh) * | 2016-01-11 | 2017-07-18 | 上海梅山钢铁股份有限公司 | 适用于热连轧机组末机架出口带钢表面粗糙度预报方法 |
CN108655187A (zh) * | 2017-04-01 | 2018-10-16 | 宝山钢铁股份有限公司 | 一种适于可逆轧机的轧制温度最优控制方法 |
CN109772896A (zh) * | 2017-11-13 | 2019-05-21 | 宝山钢铁股份有限公司 | 基于Smith预估控制的热连轧变目标平直度控制方法 |
-
2020
- 2020-05-19 CN CN202010427080.4A patent/CN111570533B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013094820A (ja) * | 2011-11-01 | 2013-05-20 | Furukawa Electric Co Ltd:The | クラスタ圧延機を用いる被圧延物の形状制御方法およびクラスタ圧延機の形状制御装置 |
CN102629124A (zh) * | 2012-03-22 | 2012-08-08 | 燕山大学 | 钢卷卸卷冷却过程中附加浪形预报与控制方法 |
CN106955897A (zh) * | 2016-01-11 | 2017-07-18 | 上海梅山钢铁股份有限公司 | 适用于热连轧机组末机架出口带钢表面粗糙度预报方法 |
CN108655187A (zh) * | 2017-04-01 | 2018-10-16 | 宝山钢铁股份有限公司 | 一种适于可逆轧机的轧制温度最优控制方法 |
CN109772896A (zh) * | 2017-11-13 | 2019-05-21 | 宝山钢铁股份有限公司 | 基于Smith预估控制的热连轧变目标平直度控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434994A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 |
CN113434994B (zh) * | 2020-03-23 | 2023-10-10 | 上海梅山钢铁股份有限公司 | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 |
CN112893484A (zh) * | 2021-01-18 | 2021-06-04 | 东北大学 | 一种基于灰色关联度提取的热连轧轧制力自整定方法 |
CN112949108A (zh) * | 2021-01-25 | 2021-06-11 | 北京科技大学 | 热轧高强钢板形缺陷全流程预测方法及图形用户界面 |
Also Published As
Publication number | Publication date |
---|---|
CN111570533B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111570533B (zh) | 热轧卷取温度与终轧温度对平整变形抗力影响预测方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
JPWO2009113719A1 (ja) | 熱間での板圧延における圧延負荷予測の学習方法 | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN110110839B (zh) | 基于pso-lm-bp神经网络的带钢冷轧横向厚差预报方法 | |
CN113987949B (zh) | 一种基于数据驱动的板带钢变形抗力预测方法 | |
CN102294364A (zh) | 极薄板平整机的轧制力预设定方法 | |
CN111570534B (zh) | 酸轧机组热轧特性对摩擦系数影响预测方法 | |
CN112037209B (zh) | 一种钢板轧辊磨损量预测方法及系统 | |
CN113434994B (zh) | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 | |
CN117655118B (zh) | 多模融合的带钢板形控制方法和装置 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
Wu et al. | Deformation resistance prediction of tandem cold rolling based on grey wolf optimization and support vector regression | |
CN111570532B (zh) | 热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
CN113434968A (zh) | 一种基于钢板化学成分预测冷轧变形抗力的方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN112792142B (zh) | 基于板形检测数据的带材跑偏量识别方法 | |
JP2015199123A (ja) | 調質圧延設備の制御装置及び制御方法 | |
JP7397311B2 (ja) | 被矯正材の変形状態の推定方法及びローラレベラのロール押込量制御方法 | |
CN112966870B (zh) | 一种基于神经网络的冷轧硅钢质量缺陷预测方法 | |
TWI824834B (zh) | 連續輥軋製程檢測方法 | |
CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 | |
CN117862247A (zh) | 一种基于机器学习的轧制过程带钢板形预测方法 |
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 |