CN112474815B - 一种控制轧制过程的方法及装置 - Google Patents
一种控制轧制过程的方法及装置 Download PDFInfo
- Publication number
- CN112474815B CN112474815B CN202011219199.9A CN202011219199A CN112474815B CN 112474815 B CN112474815 B CN 112474815B CN 202011219199 A CN202011219199 A CN 202011219199A CN 112474815 B CN112474815 B CN 112474815B
- Authority
- CN
- China
- Prior art keywords
- rolling force
- deviation
- rolling
- result
- force setting
- 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
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种控制轧制过程的方法及装置,涉及轧制技术领域,具体包括:在判断出当前卷带钢满足预设触发条件时,获取当前卷带钢的接口参数,其中,接口参数包含当前卷带钢的钢种信息;根据接口参数,从工艺数据库中找到对应的工艺过程样本数据;利用工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;基于多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合钢种信息的带钢的轧制过程进行控制。本发明中变形抗力模型参数能够自主优化和闭环实施,有效解决了现有技术中轧制优化一旦离开工程技术人员参与,轧机的轧制精度无法长期保持稳定的技术问题。
Description
技术领域
本发明涉及轧制技术领域,尤其涉及一种控制轧制过程的方法及装置。
背景技术
轧制过程是一个典型的多变量、时变、强耦合和非线性过程,多种因素相互影响最终作用在轧机的辊缝区域。对于不同的轧制产线或相同轧制产线处于不同的轧制状况时,因钢种的改变、轧制时间的不断推移等因素而产生偏差,导致实际的轧制参数与预设定的轧制参数不匹配,使轧机的生产效率下降。
为了提高轧机的生产效率,适配当前轧制产线的最优参数。有的工程技术人员从大量物理实验入手,寻找在对应轧制工况下的参数;有的工程技术人员从回归算法入手,基于海量的轧制数据,采用多元非线性回归算法,计算得到参数;有的工程技术人员从优化算法入手,基于海量的轧制数据,采用一种或多种优化算法,计算得到参数。上述方法在一定程度上优化了轧机轧制过程,但是也都存在一个共同的技术问题,研究轧制数据和应用优化参数的工作始终离不开工程技术人员,一旦没有工程技术人员参与纠正,就会导致轧机的轧制精度无法长期保持稳定。
发明内容
本发明实施例通过提供一种控制轧制过程的方法及装置,解决了现有技术中轧制优化一旦离开工程技术人员参与,轧机的轧制精度无法长期保持稳定的技术问题,实现了轧制过程不依赖工程技术人员,也能够自动长期保持轧机的轧制精度的技术效果。
第一方面,本发明通过本发明一实施例提供了一种控制轧制过程的方法,包括:在判断出当前带钢满足预设触发条件时,获取所述当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;根据所述接口参数,从工艺数据库中找到对应的工艺过程样本数据;利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。
优选地,在所述在判断出当前带钢满足预设触发条件时之前,还包括:基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,其中,所述轧制力数据包括轧制力实际测量值和轧制力设定值;对所述偏差评价结果进行特征识别,统计具有相同特征的所述偏差评价结果的数量;将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,其中,所述给定条件包括:第一给定条件、第二给定条件、第三给定条件、第四给定条件。
优选地,所述基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,包括:利用所述轧制力数据,得到当前带钢上每个测量点的轧制力设定偏差,其中,所述轧制力实际测量值是由当前带钢上每个测量点测量的,包括低速轧制力实际测量值和高速轧制力实际测量值;统计当前带钢上所述每个测量点测得低速轧制力实际测量值的个数,结合低速轧制力设定偏差,得到所述每个测量点的平均低速轧制力设定偏差,其中,所述低速轧制力设定偏差是由所述低速轧制力实际测量值和所述轧制力设定值得到的;计算相邻两个所述测量点的所述平均低速轧制力设定偏差的差,得到相邻两个所述测量点的设定偏差变化结果。
优选地,所述对所述偏差评价结果进行特征识别,包括:识别所述平均低速轧制力设定偏差的第一特征,所述第一特征为轧制力设定结果普遍偏大;识别所述平均低速轧制力设定偏差的第二特征,所述第二特征为轧制力设定结果普遍偏小;识别所述轧制力设定偏差变化结果的第三特征,所述第三特征为轧制力设定结果偏差逐渐增大;识别所述轧制力设定偏差变化结果的第四特征,所述第四特征为轧制力设定结果偏差逐渐减小。
优选地,所述将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,包括:
比较所述第一特征的个数是否满足所述第一给定条件;
比较所述第二特征的个数是否满足所述第二给定条件;
比较所述第三特征的个数是否满足所述第三给定条件;
比较所述第四特征的个数是否满足所述第四给定条件;存在如上一个或多个比较结果满足时,则表征满足所述预设触发条件。
优选地,所述工艺过程数据库,包括:轧制过程中产生的所述轧制力数据和所述工艺过程样本数据,其中,所述轧制力数据包括:轧制力实际测量值和轧制力设定值;所述工艺过程样本数据包括:当前带钢厚度、机架带钢的入口厚度、机架带钢的出口厚度和反算变形抗力值。
优选地,所述利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值,包括:通过所述变形抗力模型处理所述工艺过程样本数据,得到预测值;基于所述工艺过程样本数据,得到指定值;根据所述预测值和所述指定值,以及目标优化算法对所述多个模型参数进行优化,得到所述多个模型参数的新值,其中,所述目标优化算法使得根据所述预测值与所述指定值得到的计算结果满足偏差条件。
优选地,所述利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值之后,还包括: 基于所述多个模型参数与所述多个模型参数的新值,计算得到多个模型参数变化率;若所述多个模型参数变化率满足预设条件,则保留所述多个模型参数的新值。
第二方面,本发明通过本发明的一实施例,提供了一种控制轧制过程的装置,包括:判断单元,用于判断当前带钢是否满足预设触发条件; 获取单元,用于在所述判断出当前带钢满足预设触发条件时,获取当前带钢的接口参数,进而找到对应的工艺过程数据,其中,所述接口参数包含所述当前带钢的钢种信息;优化单元,若满足所述预设触发条件,利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;设定单元,基于所述多个模型参数的新值对所述变形抗力模型进行设定;控制单元,使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。
第三方面,本发明通过本发明的一实施例,提供了一种控制轧制过程的设备,包括:存储器、处理器、控制器及存储在所述存储器上并可在处理器上运行的代码,所述处理器执行所述代码时通过所述控制器实现以下方法步骤:在判断出当前带钢满足预设触发条件时,获取所述当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;根据所述接口参数,从工艺数据库中找到对应的工艺过程样本数据;利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在本发明实施例中公开了控制轧制过程的方法,在判断出当前带钢满足预设触发条件时,获取所述当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;根据所述接口参数,从工艺数据库中找到对应的工艺过程样本数据;利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。通过上述技术特征,能够在判断出当前带钢满足预设触发条件的时候,就能获取得到当前带钢的接口参数,随后根据接口参数,从工艺数据库中找到对应的工艺过程样本数据,进一步地利用工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对钢种信息优化后的多个模型参数的新值,最后就可以基于多个模型参数的新值对变形抗力模型进行设定,并使用设定后的变形抗力模型对符合钢种信息的带钢的轧制过程进行控制,只要判断出带钢满足预设触发条件的时候,就获取得到另一接口参数,如此循环,即使离开工程技术人员参与,也能够进行自动优化,实现了轧制过程不依赖工程技术人员,也能够自动长期保持轧机的轧制精度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,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为本发明实施例中控制轧制过程的方法流程图;
图2为本发明实施例中控制轧制过程的装置的流程图;
图3为本发明实施例中控制轧制过程的设备的结构图。
具体实施方式
本发明实施例通过提供了一种控制轧制过程的方法及装置,解决了现有技术中轧制优化一旦离开工程技术人员参与,轧机的轧制精度无法长期保持稳定的技术问题。
本发明实施例的技术方案为解决上述技术问题,总体思路如下:
在判断出当前带钢满足预设触发条件时,获取当前带钢的接口参数,再根据接口参数,找到对应的工艺过程样本数据,进一步地利用工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到优化后的多个模型参数的新值,最后基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合的带钢的轧制过程进行控制,对设置后的轧制过程来说,只要满足预设触发条件了,就会重新获取接口参数,实现自动循环优化过程的功能。实现了轧制过程不依赖工程技术人员,也能够自动长期保持轧机的轧制精度的技术效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
本实施例提供了一种控制轧制过程的方法,应用于电子设备中,所述电子设备具体可以是:与轧制设备相连接的工控机、或计算机等等,对于所述电子设备具体是何种设备,本实施例不做具体限定。另外,该方法可以以代码的形式运行在OS操作系统中,所述OS操作系统具体可以是:Windows操作系统、或DOS操作系统、或MAC操作系统、等等,本实施例不做具体限定。
具体来讲,如图1所示,本发明实施例提供了控制轧制过程的方法,包括:
步骤S01:判断当前带钢满足预设触发条件时,获取当前带钢的接口参数。
在具体实施过程中,在检测到当前带钢满足了预设触发条件的时候,获取当前带钢的接口参数,获取的接口参数至少包含当前带钢的钢种信息,钢种信息具体包含钢种代码和钢种名称。在此基础上,接口参数中还可以包含轧制开始时间、轧制结束时间等参数。例如,接口参数中同时包含开始时间startTime、轧制结束时间endTime和钢种代码alloyCode,接口参数可以由对应的仪器直接采集到,也可以由处理器计算获取。
具体的,在步骤S01实施之前,先执行如下步骤A1~A3,从而确定当前带钢是否满足预设触发条件:
A1:基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,其中,轧制力数据包括轧制力实际测量值和轧制力设定值。
其中,在具体实施时步骤,A1具体包括:利用轧制力数据,得到当前带钢上每个测量点的轧制力设定偏差,其中,轧制力实际测量值是由当前带钢上每个测量点测量的,包括低速轧制力实际测量值和高速轧制力实际测量值;
统计当前带钢上每个测量点测得低速轧制力实际测量值的个数,结合低速轧制力设定偏差,得到所述每个测量点的平均低速轧制力设定偏差,其中,低速轧制力设定偏差是由低速轧制力实际测量值和轧制力设定值得到的;计算相邻两个测量点的平均低速轧制力设定偏差的差,得到相邻两个测量点的设定偏差变化结果。
下面,以包含5个机架的轧机为例,每个机架对应一个测量点,则在轧制产线上对应设置有5个测量点(例如:S1、S2、S3、S4、S5),对步骤A1进行举例说明:基于冷轧过程控制系统,分别获取当前带钢上每个测量点的轧制力设定值,带钢全长上每个测量点每次测量的轧制力实际测量值以及轧制速度实际值,基于所获得的轧制力设定值和轧制力实际测量值。具体的,可以基于如下公式计算每个测量点的所有轧制力设定偏差:
其中,是当前带钢全长上第i个测量点的第j次测量的轧制力实际测量值,是针对第i个测量点设置的轧制力设定值,是第i个测量点的第j个轧制力设定偏差。
在当前带钢全长上测量得到的各个轧制力实际测量值,它们分为低速轧制力实际测量值和高速轧制力实际测量值。这里的低速是制力实际测量值的一种属性,并且指第五个测量点的轧制速度,高速也是制力实际测量值的一种属性,并且指第五个测量点的轧制速度。
而本发明实施例是只基于低速轧制力实际测量值来计算每个测量点的平均低速轧制力设定偏差。
平均低速轧制力设定偏差,具体计算过程如下:
先通过如下公式统计每个测量点的所有低速轧制力设定偏差及其个数;
其中,是当前带钢全长上第i个测量点的第n次测量的轧制速度,是当前带钢全长上第i个测量点的第n个低速轧制力设定偏差。
再通过如下公式计算每个测量点的平均低速轧制力设定偏差:
其中,是当前带钢全长上第i个测量点的平均低速轧制力设定偏差,是低速轧制力设定偏差的个数。
接下来,再计算相邻两个测量点的平均低速轧制力设定偏差的差,得到相邻两个测量点的设定偏差变化结果:
其中,是与第个测量点的平均低速轧制力设定偏差。
下面,通过进一步地列举数据来简单概括上述计算过程,得到每个测量点的平均低速轧制力设定偏差和相邻两个测量点的设定偏差变化结果,可以参考下表1所示,但是,以下数据仅作为举例说明 ,不作为对本发明的限制。
表1.五个测量点的偏差评价
从表1可以看出,得到的偏差评价结果中,包括了:,,,,,,,,,。
A2:对所述偏差评价结果进行特征识别,统计具有相同特征的所述偏差评价结果的数量。
其中,步骤A2具体实施时包括:识别出平均低速轧制力设定偏差的第一特征,第一特征定义为表征轧制力设定结果普遍偏大;识别出平均低速轧制力设定偏差的第二特征,第二特征定义为表征轧制力设定结果普遍偏小;识别出轧制力设定偏差变化结果的第三特征,第三特征定义为表征轧制力设定结果偏差逐渐增大;识别出轧制力设定偏差变化结果的第四特征,第四特征定义为表征轧制力设定结果偏差逐渐减小。
对步骤A2举例来讲,若识别到平均低速轧制力设定偏差大于给定阈值,即:
那么第一特征为轧制力设定结果普遍偏大,的值就是第一特征的数量;
若识别到平均低速轧制力设定偏差小于给定阈值即:
那么第二特征为轧制力设定结果普遍偏小,的值就是第二特征的的数量;
若识别到设定偏差变化结果大于0即:
那么第三特征为轧制力设定结果偏差逐渐增大,的值就是第三特征的的数量;
若识别到设定偏差变化结果小于0即:
那么第四特征为轧制力设定结果偏差逐渐减小,的值就是第四特征的的数量。
A3:将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,其中,所述给定条件包括:第一给定条件、第二给定条件、第三给定条件、第四给定条件。
其中,步骤A3具体实施时包括:比较第一特征的个数是否满足第一给定条件;比较第二特征的个数是否满足第二给定条件;比较第三特征的个数是否满足第三给定条件;比较第四特征的个数是否满足第四给定条件;当存在上述一个或多个比较结果满足时,则表征满足预设触发条件。
在步骤A3具体实施中,第一给定条件和第二给定条件可以设置为大于等于第一阈值,比如:大于等于3;第三给定条件和第四给定条件可以设置为等于第二阈值,比如:等于4;具体的:
当第一特征的数量大于等于该阈值时,满足第一给定条件;当第二特征的数量小于该阈值时,不满足第二给定条件;当第三特征的数量不等于该阈值时,不满足第三给定条件;当第四特征的数量等于该阈值时,满足第四给定条件;由于第一特征的比较结果和第四特征的比较结果已经分别满足第一给定条件和第四给定条件,因此表征满足预设触发条件。
对步骤A3具体是,判断与的大小,若=4,则比较结果满足大于3的条件;判断与3的大小,若=1,则比较结果不满足大于3的条件;判断是否等于4,若=1,则比较结果不满足等于4的条件;判断是否等于4,若=4,则比较结果满足等于4的条件,由于在,,和这四个比较结果中,已有和满足给定条件,因此已经满足了预设触发条件。
步骤S02:根据接口参数,从工艺数据库中找到对应的工艺过程数据。
在具体实施过程中,在不同带钢的轧制过程中会不断采集得到工艺过程数据,这些工艺过程数据又会按照接口参数为区分存储至工艺过程数据库中,以得到的某个接口参数为检索目标,在存储有工艺过程数据库的存储介质中进行检索,从中检索得到与该钢种信息对应的工艺过程数据。
具体的,工艺过程数据包括:当前带钢厚度、机架带钢的入口厚度、机架带钢的出口厚度以及反算变形抗力值等等。其中,该工艺过程数据可以由对应的传感器直接采集得到,或者由处理器在处理过程中产生。
更具体来讲,原料带钢厚度、机架带钢的入口厚度以及机架带钢的出口厚度等厚度参数通过设置的测厚仪测量得到,反算变形抗力值是处理器计算得到的。
步骤S03:利用工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到优化后的多个模型参数的新值。
在具体实施过程中,通过变形抗力模型处理工艺过程样本数据,得到预测值;基于工艺过程样本数据,得到指定值;根据预测值和指定值,以及目标优化算法对多个模型参数进行优化,得到多个模型参数的新值,其中,所述目标优化算法使得根据预测值与指定值得到的计算结果满足偏差条件。
举例来讲,利用带钢厚度、机架带钢的入口厚度、机架带钢的出口厚度和反算变形抗力,对变形抗力模型的模型参数进行优化,得到优化后的一组模型参数、和,其中,变形抗力模型表达如下:
其中::是带钢的厚度;:是第i测量点的带钢入口厚度;:是第i测量点的带钢出口厚度。
具体的,在对变形抗力模型的模型参数进行优化时,应用梯度下降法和牛顿法相结合的Levenberg-Marquardt优化算法使得预测值KF与反算变形抗力值满足偏差条件,比如,经过本次优化,得到模型参数的新值如表2所示:
表2模型参数的新值
具体的,在实施步骤S03之后,为了防止出现变形抗力模型设定的较大波动,模型参数新值应该满足预设条件,包括以下实施步骤:基于多个模型参数与多个模型参数的新值,计算得到多个模型参数变化率;若多个模型参数变化率满足预设条件,则保留本次优化得到的新值,否则,放弃本次优化得到的新值。
在具体实施时,模型参数变化率可以通过如下方式计算得到,,其中代表第i个模型参数的第j次新值,基于此,预设条件可以是第i个模型参数变化率小于第三阈值,比如,可以设置为值5%。
通过上述模型参数遍历列举数据,得到如表3所示的模型参数变化率:
表3.模型参数变化率
得到的模型参数变化率、、的值都不大于5%,满足预设条件,保留本次新值:KF0=423,KF1=862,KF2=0.261。
当然,在具体实施时,也可以通过其他方式计算模型参数变化率,比如,直接计算本次新值与上次新值的差或者将本次新值除以上次新值,对如何得到模型参数变化率不做具体限定。
举例来讲,若第1个模型参数变化率为4.9%,第2个模型参数变化率为3.7%,第3个模型参数变化率为2.2%;当所有模型参数变化率5%时,认为多个模型参数变化率满足预设条件,保留这三个模型参数的新值。
进一步的,新值是以钢种为依据分类存储,不同的钢种对应不同的变形抗力模型;具体的,新值的存储格式可以是命名为kfCoeOpt的数据文件。
步骤S04:基于多个模型参数的新值对变形抗力模型进行设定。
在具体实施过程中,调取命名为kfCoeOpt的数据文件,得到与该钢种信息有关的三个模型参数的新值,使用新值替换变形抗力模型中上次优化的值,依次替换掉KF0、KF1和KF2,当替换完这三个模型参数之后就完成了对变形抗力模型的设定。
举例来讲,如表3中所示的数据:使用KF0=423替换掉KF0=445,使用KF1=862替换掉KF1=895,使用KF2=0.261替换掉KF2=0.267;当替换完这三个参数之后就完成了对变形抗力模型的设定。
步骤S05:使用设定后的变形抗力模型对符合钢种信息的带钢的轧制过程进行控制。
在具体实施过程中,使用设定好的变形抗力模型控制轧制过程,若发现轧制力偏小,对应的轧辊调整装置适当减小辊缝的间距,以增大轧制力,达到控制轧制过程的效果,若发现轧制速度偏小,对应的传动装置适当提高电机的转速,以加大传动速度,达到控制轧制过程的效果。
举例来讲,基于设定后的变形抗力模型中的KF0=423、KF1=862、KF2=0.261,算出每个测量点的轧制力设定值如表4所示:
表4.轧制力设定值
从结果可以看出:优化前S1的轧制力实际值是小于轧制力设定值的,优化前S2的轧制力实际值是小于轧制力设定值的,优化前S3的轧制力实际值是大于轧制力设定值的,优化前S4的轧制力实际值是小于轧制力设定值的,优化前S5的轧制力实际值是大于轧制力设定值的;即需要加大测量点S1、S2和S4所处位置轧制过程中的轧制力,需要减小测量点S3和S5所处位置轧制过程中的轧制力,对应的上轧辊平衡装置适当减小测量点S1、S2和S4所处位置辊缝的间距,以达到增大轧制力的作用;对应的上轧辊平衡装置适当增大测量点S3和S5所处位置辊缝的间距,以达到增大轧制力的作用,实现了对轧制过程的控制。
需要说明的是,本实施例选用的冷连轧产线的主要参数为:连轧工艺段:西马克五机架串列式冷连轧机组;原料厚度范围:1.60~6.00mm;原料宽度范围:800~1900mm;产品厚度范围:0.2~2.5mm;产品宽度范围:800~1870mm。
上述本发明实施例中的技术方案,至少具有如下的技术效果或优点:
1、在本发明实施例中,公开了一种控制轧制过程的方法,包括:获取当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;在检测到满足预设触发条件时,根据所述接口参数,从工艺过程数据库中找到对应的工艺过程样本数据;当所述对应的工艺过程数据满足预设触发条件时,得到工艺过程样本数据;利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。本发明解决了现有技术中轧制优化一旦离开工程技术人员参与,轧机的轧制精度无法长期保持稳定的技术问题,实现了轧制过程不依赖工程技术人员,也能够自动长期保持轧机的轧制精度的技术效果。
2、在本发明实施例中,由于会对产生的工艺过程数据进行判断,当对应的工艺过程数据满足预设触发条件时,得到工艺过程样本数据,故而可以使得无关的数据不参与到后续的优化过程,减少处理器的计算量,提高了整个轧制优化过程的工作效率,同时还为变形抗力模型的优化提供源源不断的工艺过程样本数据,对轧制优化过程的起到了循环的作用,实现了自动长期优化轧制过程的技术效果。
3、在本发明实施例中,由于会对优化后的模型参数的新值进行判断,若多个模型参数变化率满足预设条件,则保留多个模型参数的新值,故而可以确认优化后的模型参数的新值的可靠性和可信性,避免了对变形抗力模型的设定出现较大的波动,提高了变形抗力模型设定过程中的稳定性。
实施例二
基于同一发明构思,本发明实施例提供了一种控制轧制过程的装置,用于控制包括S1~S5测量点的轧机。
参考图2所示,本发明实施例提供了控制轧制过程的装置,包括:
判断单元01,用于判断当前带钢是否满足预设触发条件;
获取单元02,用于在所述判断出当前带钢满足预设触发条件时,获取当前带钢的接口参数,进而找到对应的工艺过程数据,其中,所述接口参数包含所述当前带钢的钢种信息;
优化单元03,若满足所述预设触发条件,利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;
设定单元04,基于所述多个模型参数的新值对所述变形抗力模型进行设定;
控制单元05,使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。
由于本实施例所介绍的控制轧制过程的装置为实施本发明实施例中控制轧制过程的方法所采用的电子设备,故而基于本发明实施例中所介绍的控制轧制过程的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中控制轧制过程的方法所采用的电子设备,都属于本发明所欲保护的范围。
上述本发明实施例中的技术方案,至少具有如下的技术效果或优点:
1、在本发明实施例中,公开了一种控制轧制过程的装置,包括:获取单元,用于获取当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;检测单元,用于检测所述接口参数是否满足预设触发条件,触发单元,若所述接口参数满足预设触发条件,从工艺过程数据库中找到对应的工艺过程样本数据;优化单元,利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;设定单元,基于所述多个模型参数的新值对所述变形抗力模型进行设定;控制单元,使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制。本发明解决了现有技术中在多种钢带小批量生产状况下,且工程技术人员不参与研究轧制数据和应用优化参数时,轧机的轧制精度无法长期保持稳定的技术问题,实现了多种钢带小批量生产不依赖工程技术人员,变形抗力模型参数能够自主优化和闭环实施,自动长期保持轧机的轧制精度的技术效果。
2、在本发明实施例中,由于该装置会对产生的工艺过程数据进行判断,当对应的工艺过程数据满足预设触发条件时,得到工艺过程样本数据,故而可以使得无关的数据不参与到后续的优化过程,减少处理器的计算量,提高了整个轧制优化过程的工作效率,同时还为变形抗力模型的优化提供源源不断的工艺过程样本数据,对轧制优化过程的起到了循环的作用,实现了自动长期优化轧制过程的技术效果。
3、在本发明实施例中,由于该装置会对优化后的模型参数的新值进行判断,若多个模型参数变化率满足预设条件,则保留多个模型参数的新值,故而可以确认优化后的模型参数的新值的可靠性和可信性,避免了对变形抗力模型的设定出现较大的波动,提高了变形抗力模型设定过程中的稳定性。
实施例三
基于同一发明构思,本发明实施例提供了一种控制轧制过程的设备,用于控制包括S1~S5测量点的轧机。
参考图3所示,本发明实施例提供了控制轧制过程的设备,包括:存储器11、处理器12、控制器13及存储在存储器上并可在处理器上运行的代码14,处理器12通过控制器13实现以下方法步骤:
在判断出当前带钢满足预设触发条件时,获取当前带钢的接口参数,其中,接口参数包含所述当前带钢的钢种信息;根据接口参数,从工艺数据库中找到对应的工艺过程样本数据;利用工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对钢种信息优化后的多个模型参数的新值;基于多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合钢种信息的带钢的轧制过程进行控制。
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)上实施的计算机产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机产品的流程图和/或方框图来描述的。应理解可由计算机指令实现流程图和/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。可提供这些计算机指令到通用计算机、专用计算机、嵌入式处理机或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性概念,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,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种控制轧制过程的方法,其特征在于,包括:
在判断出当前带钢满足预设触发条件时,获取所述当前带钢的接口参数,其中,所述接口参数包含所述当前带钢的钢种信息;
根据所述接口参数,从工艺数据库中找到对应的工艺过程样本数据;
利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;
基于所述多个模型参数的新值对所述变形抗力模型进行设定,并使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制;
在所述在判断出当前带钢满足预设触发条件时之前,还包括:基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,其中,所述轧制力数据包括轧制力实际测量值和轧制力设定值;对所述偏差评价结果进行特征识别,统计具有相同特征的所述偏差评价结果的数量;将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,其中,所述给定条件包括:第一给定条件、第二给定条件、第三给定条件和第四给定条件;
所述基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,包括:利用所述轧制力数据,得到当前带钢上每个测量点的轧制力设定偏差,其中,所述轧制力实际测量值是由当前带钢上每个测量点测量的,包括低速轧制力实际测量值和高速轧制力实际测量值;统计当前带钢上所述每个测量点测得的低速轧制力实际测量值的个数,结合低速轧制力设定偏差,得到所述每个测量点的平均低速轧制力设定偏差,其中,所述低速轧制力设定偏差是由所述低速轧制力实际测量值和所述轧制力设定值得到的;计算相邻两个所述测量点的所述平均低速轧制力设定偏差的差,得到相邻两个所述测量点的轧制力设定偏差变化结果;
所述对所述偏差评价结果进行特征识别,包括:识别所述平均低速轧制力设定偏差的第一特征,所述第一特征为轧制力设定结果普遍偏大;识别所述平均低速轧制力设定偏差的第二特征,所述第二特征为轧制力设定结果普遍偏小;识别所述轧制力设定偏差变化结果的第三特征,所述第三特征为轧制力设定结果偏差逐渐增大;识别所述轧制力设定偏差变化结果的第四特征,所述第四特征为轧制力设定结果偏差逐渐减小;
其中,若识别到所述平均低速轧制力设定偏差大于给定阈值,则所述第一特征为轧制力设定结果普遍偏大;若识别到所述平均低速轧制力设定偏差小于所述给定阈值,则所述第二特征为轧制力设定结果普遍偏小;若识别到所述轧制力设定结果偏差变化结果大于零,则所述第三特征为轧制力设定结果偏差逐渐增大;若识别到所述轧制力设定结果偏差变化结果小于零,则所述第四特征为轧制力设定结果偏差逐渐减小;
所述将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,包括:比较所述第一特征的个数是否满足所述第一给定条件;比较所述第二特征的个数是否满足所述第二给定条件;比较所述第三特征的个数是否满足所述第三给定条件;比较所述第四特征的个数是否满足所述第四给定条件;存在如上一个或多个比较结果满足时,则表征满足所述预设触发条件。
2.如权利要求1所述的方法,其特征在于,工艺过程数据库包括轧制过程中产生的所述轧制力数据和所述工艺过程样本数据;
其中,所述轧制力数据包括:轧制力实际测量值和轧制力设定值;
所述工艺过程样本数据包括:当前带钢厚度、机架带钢的入口厚度、机架带钢的出口厚度和反算变形抗力值。
3.如权利要求2所述的方法,其特征在于,所述利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值,包括:
通过所述变形抗力模型处理所述工艺过程样本数据,得到预测值;
基于所述工艺过程样本数据,得到指定值;
根据所述预测值和所述指定值,以及目标优化算法对所述多个模型参数进行优化,得到所述多个模型参数的新值,其中,所述目标优化算法使得根据所述预测值与所述指定值得到的计算结果满足偏差条件。
4.如权利要求3所述的方法,其特征在于,所述利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值之后,还包括:
基于所述多个模型参数与所述多个模型参数的新值,计算得到多个模型参数变化率;
若所述多个模型参数变化率满足预设条件,则保留所述多个模型参数的新值。
5.一种控制轧制过程的装置,其特征在于,包括:
判断单元,用于判断当前带钢是否满足预设触发条件;
获取单元,用于在所述判断出当前带钢满足预设触发条件时,获取当前带钢的接口参数,进而找到对应的工艺过程样本数据,其中,所述接口参数包含所述当前带钢的钢种信息;
优化单元,若满足所述预设触发条件,利用所述工艺过程样本数据对变形抗力模型中的多个模型参数进行优化,得到针对所述钢种信息优化后的多个模型参数的新值;
设定单元,基于所述多个模型参数的新值对所述变形抗力模型进行设定;
控制单元,使用设定后的变形抗力模型对符合所述钢种信息的带钢的轧制过程进行控制;
所述判断单元,还用于:在所述在判断出当前带钢满足预设触发条件之前,基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,其中,所述轧制力数据包括轧制力实际测量值和轧制力设定值;对所述偏差评价结果进行特征识别,统计具有相同特征的所述偏差评价结果的数量;将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,其中,所述给定条件包括:第一给定条件、第二给定条件、第三给定条件和第四给定条件;
其中,所述基于轧制力数据进行轧制力偏差评价,得到偏差评价结果,包括:利用所述轧制力数据,得到当前带钢上每个测量点的轧制力设定偏差,其中,所述轧制力实际测量值是由当前带钢上每个测量点测量的,包括低速轧制力实际测量值和高速轧制力实际测量值;统计当前带钢上所述每个测量点测得的低速轧制力实际测量值的个数,结合低速轧制力设定偏差,得到所述每个测量点的平均低速轧制力设定偏差,其中,所述低速轧制力设定偏差是由所述低速轧制力实际测量值和所述轧制力设定值得到的;计算相邻两个所述测量点的所述平均低速轧制力设定偏差的差,得到相邻两个所述测量点的轧制力设定偏差变化结果;
其中,所述对所述偏差评价结果进行特征识别,包括:识别所述平均低速轧制力设定偏差的第一特征,所述第一特征为轧制力设定结果普遍偏大;识别所述平均低速轧制力设定偏差的第二特征,所述第二特征为轧制力设定结果普遍偏小;识别所述轧制力设定偏差变化结果的第三特征,所述第三特征为轧制力设定结果偏差逐渐增大;识别所述轧制力设定偏差变化结果的第四特征,所述第四特征为轧制力设定结果偏差逐渐减小;
其中,若识别到所述平均低速轧制力设定偏差大于给定阈值,则所述第一特征为轧制力设定结果普遍偏大;若识别到所述平均低速轧制力设定偏差小于所述给定阈值,则所述第二特征为轧制力设定结果普遍偏小;若识别到所述轧制力设定结果偏差变化结果大于零,则所述第三特征为轧制力设定结果偏差逐渐增大;若识别到所述轧制力设定结果偏差变化结果小于零,则所述第四特征为轧制力设定结果偏差逐渐减小;
其中,所述将所述具有相同特征的所述偏差评价结果的数量与给定条件进行比较,根据比较结果确定是否满足所述预设触发条件,包括:比较所述第一特征的个数是否满足所述第一给定条件;比较所述第二特征的个数是否满足所述第二给定条件;比较所述第三特征的个数是否满足所述第三给定条件;比较所述第四特征的个数是否满足所述第四给定条件;存在如上一个或多个比较结果满足时,则表征满足所述预设触发条件。
6.一种控制轧制过程的设备,包括:存储器、处理器、控制器及存储在所述存储器上并可在处理器上运行的代码,其特征在于,所述处理器执行所述代码时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219199.9A CN112474815B (zh) | 2020-11-04 | 2020-11-04 | 一种控制轧制过程的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219199.9A CN112474815B (zh) | 2020-11-04 | 2020-11-04 | 一种控制轧制过程的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112474815A CN112474815A (zh) | 2021-03-12 |
CN112474815B true CN112474815B (zh) | 2023-04-07 |
Family
ID=74928035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011219199.9A Active CN112474815B (zh) | 2020-11-04 | 2020-11-04 | 一种控制轧制过程的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112474815B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7474220B2 (ja) | 2021-03-29 | 2024-04-24 | 株式会社日立製作所 | 変形抵抗予測システム、変形抵抗予測方法及び変形抵抗予測装置 |
CN114904910B (zh) * | 2022-07-19 | 2022-10-11 | 西安市轨道交通集团有限公司 | 基于轨道制造的智能轧制系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040043911A (ko) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 |
CN101927268B (zh) * | 2009-06-25 | 2014-03-26 | 上海宝信软件股份有限公司 | 冷连轧带钢厚度控制方法 |
CN101745548A (zh) * | 2009-12-24 | 2010-06-23 | 马鞍山钢铁股份有限公司 | Csp生产线无取向电工钢变形抗力有限元修正法 |
JP2012199403A (ja) * | 2011-03-22 | 2012-10-18 | Toshiba Corp | 工程解析システム、工程解析プログラムおよび工程解析方法 |
CN103123483B (zh) * | 2012-12-20 | 2014-12-31 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
CN104898430B (zh) * | 2015-06-03 | 2017-07-18 | 北京首钢自动化信息技术有限公司 | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 |
CN107520259B (zh) * | 2016-06-22 | 2019-07-19 | 上海梅山钢铁股份有限公司 | 一种冷轧新钢种变形抗力系数快速修正方法 |
CN107908836B (zh) * | 2017-10-31 | 2021-11-19 | 首钢京唐钢铁联合有限责任公司 | 一种轧制参数优化方法及装置 |
CN109351785B (zh) * | 2018-11-28 | 2020-09-08 | 北京首钢冷轧薄板有限公司 | 一种轧制力优化方法及装置 |
CN110385340B (zh) * | 2019-07-26 | 2020-07-24 | 首钢集团有限公司 | 一种双机架平整机的轧制方法及装置 |
-
2020
- 2020-11-04 CN CN202011219199.9A patent/CN112474815B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112474815A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112474815B (zh) | 一种控制轧制过程的方法及装置 | |
JP5631481B2 (ja) | 圧延制御装置、圧延制御方法および圧延制御プログラム | |
CN109692878B (zh) | 一种热轧带钢厚度质量精准判定方法 | |
CN103079721A (zh) | 具有轧辊磨损预测功能的用于轧制平坦的轧件的轧机的运行方法 | |
JPWO2008129634A1 (ja) | リバース式圧延機の板厚制御装置 | |
JP6438753B2 (ja) | タンデム圧延ミルの制御装置およびタンデム圧延ミルの制御方法 | |
CN112588836B (zh) | 一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统 | |
JPS641210B2 (zh) | ||
CN104801548A (zh) | 一种热连轧穿带过程中自动改善带钢秒流量平衡的方法 | |
CN109772896B (zh) | 基于Smith预估控制的热连轧变目标平直度控制方法 | |
JP6670261B2 (ja) | タンデム圧延ミル制御装置およびタンデム圧延ミル制御方法 | |
JP6358222B2 (ja) | 連続冷間圧延における走間板厚変更時のパススケジュール決定方法 | |
CN110976526A (zh) | 检验轧机测厚仪偏差度的方法、系统及计算机可读介质 | |
JP5022232B2 (ja) | 圧延プロセスの制御方法及びコンピュータプログラム | |
CN105583236B (zh) | 冷轧带钢塑性系数的在线获取方法 | |
JP2007050413A (ja) | 板幅制御方法および装置 | |
CN113042543A (zh) | 一种轧机辊缝调整方法、装置及存储介质 | |
CN111346927A (zh) | 一种平整机轧制力的控制方法 | |
JP2547850B2 (ja) | 冷間タンデム圧延機の板厚制御装置 | |
JP2015147249A (ja) | 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法 | |
CN113518946A (zh) | 用于监测轧机中的间隙的方法和系统 | |
CN113198839B (zh) | 机架间断面形状数据分配合理性的诊断方法、装置及设备 | |
JPH09276915A (ja) | 連続圧延機におけるダイナミックセットアップ方法 | |
CN114101337B (zh) | 一种单机架可逆轧机的厚度控制方法、装置 | |
CN114367547B (zh) | 一种轧制数据的统计方法和装置 |
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 |