CN113290061A - 一种基于锆合金的多轧程多道次变形制度设计方法 - Google Patents

Abstract

一种基于锆合金的多轧程多道次变形制度设计方法，包括：采集轧制过程中轧件的工艺参数；获取轧件在退火状态下的材料力学性能参数，并根据力学性能参数中的真实应变和变形抗力的变化关系进行变形抗力模型回归，得到变形抗力模型；基于Roberts轧制力模型对轧件的摩擦系数进行反求，并利用自适应粒子群算法对摩擦系数进行非线性模型回归；根据目标函数和智能算法对变形抗力模型进行优化；建立轧制过程比例凸度恒定目标函数；采用罚函数法建立考虑轧制力约束、压下率约束和轧制力矩约束的变形制度约束条件；基于自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化。

Description

一种基于锆合金的多轧程多道次变形制度设计方法

技术领域

本发明涉及锆合金技术领域，特别涉及一种基于锆合金的多轧程多道次变形制度设计方法。

背景技术

变形制度是指在一定轧制条件下对从坯料到成品变形分配的具体规定，也叫压下规程；主要内容包括从坯料到成品的总变形量和轧制总道次、各机组的总变形量、各道次的变形量、轧制方式等，是轧制工艺制度的核心内容，也是轧制设备(包括电机)选择、钢板轧机轧辊辊型设计和型钢孔型设计的主要依据，而且对轧机的产量和产品的质量有直接的影响。

变形制度设计方法包括传统设计方法和基于人工智能的优化设计方法，传统方法包括：经验法、能耗曲线法和负荷分配系数法；经验法是指依靠技术工人的操作经验设计压下规程；例如武钢1700热连轧机则是采用能耗曲线法设计压下规程，鞍钢1700热连轧和宝钢2050热连轧机是采用压下率分配系数法，攀钢1450热连轧机厚度分配采用迭代计算法。上述这些传统设计方法或是依靠技术工人的操作经验，或是设计过程计算复杂冗长，设计结果也难以达到全局最优。

人工智能优化设计方法是指采用智能优化算法基于某一或多个特定目标函数的设计方法，轧制负荷分配领域的智能优化算法包括但不限于遗传算法、蚁群算法、粒子群算法、神经网络算法和模糊优化算法等，特定目标函数可以是板形良好、等负荷分配、等相对负荷或轧制耗能最少等某个或多个目标函数。以某厂1420mm冷连轧机生产线为例，该机组自试生产以来，经常出现板形质量不稳定现象，现有的变形制度采用相对压下率进行设计，该厂进一步采用改进粒子群算法以兼顾板形和设备负荷能力设计出新一套变形制度，投入工业应用带钢板形明显改善。

锆合金因其特殊的工业应用与少批量的生产特点，冷轧过程多采用单机架可逆轧制，同时轧制过程伴随有强烈的加工硬化产生，累计压下到一定程度后需进行退火处理才能继续轧制，实际轧制过程包含多个轧程几十余道次，各道次间良好的负荷分配有利于提高生产效率与板形质量。

国内外对于板带材轧制变形制度的研究多集中在连轧机组或单、双机架单轧程多道次可逆轧制，连轧机组多为五机架、七机架轧制，多道次可逆轧制最多也一般为十余道次轧制，不适用于锆合金多轧程超多轧制道次数的轧制工况。因此，亟需设计一种适应于锆合金多轧程多道次的兼顾轧制过程板形良好的变形制度设计方法。

发明内容

(一)发明目的

本发明的目的是提供一种基于锆合金的多轧程多道次变形制度设计方法，解决锆合金轧制过程超多轧制道次数不同且板形问题频发的问题。

(二)技术方案

为解决上述问题，根据本发明的一个方面,本发明提供了一种基于锆合金的多轧程多道次变形制度设计方法，包括：采集轧制过程中轧件的工艺参数；获取所述轧件在退火状态下的材料力学性能参数，并根据所述力学性能参数中的真实应变和变形抗力的变化关系进行变形抗力模型回归，得到变形抗力模型；基于Roberts轧制力模型对所述轧件的摩擦系数进行反求，并利用自适应粒子群算法对所述摩擦系数进行非线性模型回归；根据目标函数和智能算法对所述变形抗力模型进行优化；建立轧制过程比例凸度恒定目标函数；采用罚函数法建立考虑轧制力约束、压下率约束和轧制力矩约束的变形制度约束条件；基于所述自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化。

进一步的，所述工艺参数包括：各道次轧制力、出入口厚度、前后张力、弯辊力、板宽、轧制速度和辊缝设定值。

进一步的，所述变形抗力模型包括：

进一步的，基于Roberts轧制力模型对所述轧件的摩擦系数进行反求，并利用自适应粒子群算法对所述摩擦系数进行非线性模型回归包括：建立最小目标函数，并利用自适应粒子群算法对基于Roberts轧制力模型的摩擦系数进行反求，以计算的轧制力与实测轧制力的误差小于1×10^-3为目标，反求出所述轧件的摩擦系数；其中，所述最小目标函数为预报轧制力与实际轧制力的误差平方和。

进一步的，根据目标函数和智能算法对所述变形抗力模型进行优化包括：以预报轧制力与实际轧制力的误差平方和为目标，对比选取多组变形抗力模型结构，通过迭代寻优得到轧制力预报精度最高的一组变形抗力模型优化系数，取轧制力预报精度最高的一组作为变形抗力优化模型。

进一步的，所述变形抗力优化模型包括：

式中，σ₀为材料退火态屈服应力，单位：MPa；ε_Σ为累计压下率，已知量；a₀、a₁、a₂为待优化系数。

进一步的，所述轧制过程比例凸度恒定目标函数包括：

式中：i为中间轧程道次数，i＝17；P_i为第i道次轧制力，单位：kN；h_i为第i道次出口厚度，单位：mm。

进一步的，所述轧制力约束包括：P_min≤P≤P_max

其中，P_max＝5500，单位：kN；

所述压下率约束包括：ε_min≤ε≤ε_max

其中，ε_max＝10％；

所述轧制力矩约束包括：M_min≤M≤M_max

其中，M_max＝48，单位：kN.m。

进一步的，所述罚函数包括：

式中，各道次轧制力F_k、轧制力矩M_k和压下率ε_k是当k趋近于无穷大时的有理数；

各道次轧制力F_i，轧制力矩M_i和压下率ε_i的惩罚项按照下式计算：

式中，X_i为F_i、M_i和ε_i中的一项；X_imax分别为他们的最大值。

进一步的，基于所述自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化包括：以各道次压下率作为优化变量的粒子位置，随机产生的粒子不满足约束条件时产生较大值，并重新回到初始化粒子位置进行再次优化，直至输出符合约束条件的目标函数值最小的优化后的各道次压下率。

(三)有益效果

本发明的上述技术方案具有如下有益的技术效果：

充分利用智能算法进行冷轧锆合金摩擦系数模型与变形抗力模型建立，得到适应于冷轧锆合金的高精度轧制过程数学模型，对于提高轧制预报精度具有重要借鉴意义。

考虑锆合金多轧程多道次的冷轧工艺特点，建立了兼顾多轧程多道次的板形良好目标函数，设计的变形制度能轧制出具有良好板形轮廓的锆合金板带材，对于规范锆合金生产流程和提高板形质量具有重要的指导意义。

附图说明

图1是本发明实施例提供的基于锆合金的多轧程多道次变形制度设计方法的步骤流程图；

图2是本发明实施例提供的锆合金变形抗力曲线；

图3是本发明提供的自适应粒子群算法迭代曲线；

图4是本发明提供的优化变形制度各道次与出口厚度关系曲线；

图5是本发明提供的优化变形制度各道次与轧制力关系曲线；

图6是本发明提供的优化变形制度轧制力与出口厚度关系曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例：

图1是本发明实施例提供的基于锆合金的多轧程多道次变形制度设计方法的步骤流程图，请查看图1，下面结合附图及生产数据对本发明实施例提出的一种基于锆合金的多轧程多道次变形制度设计方法进一步详细说明。

步骤S1：采集轧制过程中的工艺参数。

现场轧制过程中连续跟踪测试并采集轧制工艺参数，包括：各道次轧制力、出入口厚度、前后张力、弯辊力、板宽、轧制速度和辊缝设定值。

将采集到的轧制工艺参数整理后如表1所示：

表1冷轧Zr-4板材三组轧件部分轧制工艺参数

由表1所示，本实施例是对三组不同的轧件进行试验，分别检测在不同的道次下，轧件出口厚度、压下量和轧制力的变化情况。

步骤S2：基于单向拉伸实验获取轧件退火状态下的材料力学性能参数，并根据力学性能参数中的真实应变和变形抗力的变化关系进行变形抗力模型回归，得到变形抗力模型：

图1是本发明实施例提供的锆合金变形抗力曲线，如图1所示，粗线所示的前半段为退火态真实应力，细实线为模型拟合后的锆合金变形抗力曲线，以反应变形抗力随真实应变的变化曲线图。

步骤S3：基于Roberts轧制力模型对轧件的摩擦系数进行反求，并利用自适应粒子群算法对摩擦系数进行非线性模型回归。

具体地，建立最小目标函数，最小目标函数为预报轧制力与实际轧制力的误差平方和，并利用自适应粒子群算法对基于Roberts轧制力模型的摩擦系数进行反求，以计算的轧制力与实测轧制力的误差小于1×10^-3为目标，反求出轧件的摩擦系数。

以下是反求出的三组轧件的摩擦系数：

表2 Roberts轧制力模型反求摩擦系数值

道次	轧件编号：J-3-1	轧件编号：J-3-2	轧件编号：J-3-3
				1	0.2609	0.3211	0.2333
2	0.2851	0.2839	0.2724
				3	0.2633	0.2477	0.2517
4	0.2519	0.2480	0.2081
				5	0.2542	0.2058	0.1832
6	0.2277	0.1879	0.1662
				7	0.2067	0.1563	0.1526
8	0.2000	0.1442	0.1406
				9	0.1726	0.1286	0.1401
10	0.1683	0.1304	0.1389
				11	0.1669	0.1272	0.1240
12	0.1536	0.1164	0.1218
				13	0.1517	0.1075	0.1151
14	0.1415	0.1055	0.1221
				15	0.1407		0.1191
16	0.1329		0.1190
				17	0.1259		0.1131
18	0.1210
				19	0.1250
20	0.1220

由于轧件的出口厚度和道次变形程度最能反映轧制过程的状态特性，相应的摩擦系数模型结构形式为：

f＝a₀+a₁h+a₂ε

式中：f为摩擦系数；h为出口厚度，单位：mm；ε为压下率；a₀、a₁、a₂为待回归系数。将a₀、a₁、a₂设为自变量，利用粒子算法产生的随机解进行寻优得到回归误差平方和最小的一组最优解，优化计算结果如下：

f＝-0.1476+0.2089h-0.3334ε

步骤S4：根据目标函数和智能算法对拉伸实验获得的变形抗力模型进行再优化。

上述计算选用基于材料拉伸实验获得的变性抗力模型，而实际轧制过程中变形抗力是多因素相互耦合状态，利用拉伸试验机得到的变形抗力难以准确反映轧制过程实际变形抗力数值大小，因此在摩擦系数模型确定的情况下需要进一步优化符合实际工况的变形抗力模型，减小轧制力预报误差，提高轧制力模型预报精度。

依据轧制工艺进行变形抗力模型再优化中采用自适应粒子群算法进行模型再优化。即以轧制力预报误差平方和最小为目标，对比选取多组变形抗力模型结构，通过迭代寻优得到轧制力预报精度最高的一组变形抗力模型优化系数，取轧制力预报精度最高的一组作为变形抗力计算用模型。

本实施例的变形抗力优化模型为：

式中，σ₀为材料退火态屈服应力，单位：MPa；ε_Σ为累计压下率，已知量；a₀、a₁、a₂为待优化系数。

本实施例中，将待优化系数设为初始粒子位置，将三组数据轧制力预报误差平方和的最小值设定为目标函数，利用自适应粒子群算法寻找使目标函数值最小的变形抗力模型系数，该模型即为变形抗力优化模型，优化后轧制力预报精度最高的变形抗力为模型为：

上述模型用于轧制力预报精度为97.26％。

步骤S5：建立轧制过程比例凸度恒定目标函数。

具体地，结合现场实际工况，初始轧程前期道次轧件较厚，可放宽比例凸度要求，后续道次与轧程严格遵守比例凸度恒定目标函数。依据轧制过程比例凸度恒定板形良好条件，通过模型变换得到轧件的出口厚度与轧制力线性关系目标函数，中间轧程严格遵守比例凸度恒定条件，建立的板形良好目标函数如下式所示：

式中：i为中间轧程道次数，i＝17；P_i为第i道次轧制力，单位：kN；h_i为第i道次出口厚度，单位：mm。

步骤S6：采用罚函数法建立考虑轧制力约束、压下率约束和轧制力矩约束的变形制度约束条件。

具体地，变形制度设计中约束条件采用罚函数法处理，即将不满足约束的优化参数置于相对较大值，优化结果大于限定值会重新回到初始位置随机产生粒子，再一次进行优化。

冷轧锆合金轧制过程约束条件如下：

①对变形量约束：ε_min≤ε≤ε_max

其中，ε_max＝10％；

②轧制力约束：P_min≤P≤P_max

其中，P_max＝5500，单位：kN；

③轧制力矩约束：M_min≤M≤M_max

其中，M_max＝48，单位：kN.m；

设计罚函数：

式中，F_k、M_k和ε_k是当k趋近于无穷大时的有理数。

各道次轧制力F_i，轧制力矩M_i和压下率ε_i的惩罚项可按照下式计算：

式中，X_i为F_i、M_i和ε_i中的一项；X_imax分别为他们的最大值。

步骤S7：基于自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化。以各道次压下率作为优化变量的粒子位置，将优化后压下率带入轧制力模型进行轧制力预报，各道次厚度分布作为变形制度设计结果。

基于自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化，以各道次压下率作为优化变量的粒子位置，随机产生的粒子不满足约束条件时产生较大值，并重新回到初始化粒子位置进行再次优化，直至输出符合约束条件的目标函数值最小的优化后的各道次压下率。

依据轧制工况设计冷轧锆合金工艺参数如下：

表3冷轧锆合金工艺参数设置表

名称	道次	来料厚度	目标厚度	板宽	轧制速度
						数值	17	2.2mm	1.2±0.03mm	540mm	10m/min

自适应粒子群优化算法参数设置：

表4自适应粒子群算法参数设置表

优化后目标函数极值：

F(x)_min＝94.9616

优化变形制度各道次参数如表5所示：

表5优化变形制度各道次参数计算结果

优化变形制度各道次出口厚度、轧制力及其比值曲线如图3、4、5所示。通过表中数据和图中曲线可以看出，优化变性制度各道次基本满足轧制力与出口厚度线性关系，轧制力依次下降，满足板形良好条件，可使用该数据下各道次厚度分布作为冷轧锆合金变形制度设计结果。

本发明旨在保护一种基于锆合金的多轧程多道次变形制度设计方法，包括：采集轧制过程中轧件的工艺参数；获取轧件在退火状态下的材料力学性能参数，并根据力学性能参数中的真实应变和变形抗力的变化关系进行变形抗力模型回归，得到变形抗力模型；基于Roberts轧制力模型对轧件的摩擦系数进行反求，并利用自适应粒子群算法对摩擦系数进行非线性模型回归；根据目标函数和智能算法对变形抗力模型进行优化；建立轧制过程比例凸度恒定目标函数；采用罚函数法建立考虑轧制力约束、压下率约束和轧制力矩约束的变形制度约束条件；基于自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于锆合金的多轧程多道次变形制度设计方法，其特征在于，包括：

采集轧制过程中轧件的工艺参数；

获取所述轧件在退火状态下的材料力学性能参数，并根据所述力学性能参数中的真实应变和变形抗力的变化关系进行变形抗力模型回归，得到变形抗力模型；

基于Roberts轧制力模型对所述轧件的摩擦系数进行反求，并利用自适应粒子群算法对所述摩擦系数进行非线性模型回归；

根据目标函数和智能算法对所述变形抗力模型进行优化；

建立轧制过程比例凸度恒定目标函数；

采用罚函数法建立考虑轧制力约束、压下率约束和轧制力矩约束的变形制度约束条件；

基于所述自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化。

2.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，

所述工艺参数包括：各道次轧制力、出入口厚度、前后张力、弯辊力、板宽、轧制速度和辊缝设定值。

3.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，

所述变形抗力模型包括：

4.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，基于Roberts轧制力模型对所述轧件的摩擦系数进行反求，并利用自适应粒子群算法对所述摩擦系数进行非线性模型回归包括：

建立最小目标函数，并利用自适应粒子群算法对基于Roberts轧制力模型的摩擦系数进行反求，以计算的轧制力与实测轧制力的误差小于1×10^-3为目标，反求出所述轧件的摩擦系数；

其中，所述最小目标函数为预报轧制力与实际轧制力的误差平方和。

5.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，根据目标函数和智能算法对所述变形抗力模型进行优化包括：

以预报轧制力与实际轧制力的误差平方和为目标，对比选取多组变形抗力模型结构，通过迭代寻优得到轧制力预报精度最高的一组变形抗力模型优化系数，取轧制力预报精度最高的一组作为变形抗力优化模型。

6.根据权利要求5所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，

所述变形抗力优化模型包括：

式中，σ₀为材料退火态屈服应力，单位：MPa；ε_Σ为累计压下率，已知量；a₀、a₁、a₂为待优化系数。

7.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，所述轧制过程比例凸度恒定目标函数包括：

式中：i为中间轧程道次数，i＝17；P_i为第i道次轧制力，单位：kN；h_i为第i道次出口厚度，单位：mm。

8.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，

所述轧制力约束包括：P_min≤P≤P_max

其中，P_max＝5500，单位：kN；

所述压下率约束包括：ε_min≤ε≤ε_max

其中，ε_max＝10％；

所述轧制力矩约束包括：M_min≤M≤M_max

其中，M_max＝48，单位：kN.m。

9.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，

所述罚函数包括：

式中，各道次轧制力F_k、轧制力矩M_k和压下率ε_k是当k趋近于无穷大时的有理数；

各道次轧制力F_i，轧制力矩M_i和压下率ε_i的惩罚项按照下式计算：

式中，X_i为F_i、M_i和ε_i中的一项；X_imax分别为他们的最大值。

10.根据权利要求1所述的基于锆合金的多轧程多道次变形制度设计方法，其特征在于，基于所述自适应粒子群算法进行兼顾板形良好的冷轧锆合金变形制度优化包括：

以各道次压下率作为优化变量的粒子位置，随机产生的粒子不满足约束条件时产生较大值，并重新回到初始化粒子位置进行再次优化，直至输出符合约束条件的目标函数值最小的优化后的各道次压下率。

Images