CN113518946A - 用于监测轧机中的间隙的方法和系统 - Google Patents

Abstract

一种用于监测对尤其用于条棒或棒材的轧机的保持架的滚筒的磨损的方法，包括以下步骤：由神经网络（5）读取与一个或多个滚筒特别是其中每一个均属于一个轧制保持架的一个或多个滚筒对的初始条件（3）、工艺（1）的设置（2，3）和运行相关的多个数据（1，2，3）；由神经网络（5）生成与滚筒的磨损状态相关的信号（6）。

Description

用于监测轧机中的间隙的方法和系统

技术领域

本发明的目的是一种用于监测轧机的轧制保持架中的间隙的方法和系统，该轧机尤其是用于条棒、棒材等的轧机。

背景技术

用于前述连续或不连续类型的加工的层压机通常包括一系列串联保持架，所述串联保持架通常多于十个，且这些串联保持架随后减小了工件的口径，且如果适当地话，减小截面的形状的变化。因此，保持架的滚筒对具有成形通道。工件在一对相对的通道之间通过，并且由其距离（间隙）确定的滚筒的压力以及通道的形状执行作为单独保持架的任务的截面变化。保持架还可以提供在后续工件的行进中交替的若干级和若干对相邻通道，从而增加其工作寿命。

合适类型的马达，例如同步类型马达，可被精确地连续调整以确保工件的滑动，例如避免在一个保持架与下一个保持架之间发生不受控制的拖曳力，该拖曳力将影响工件的截面。

与由串联的若干保持架形成的层压机的操作相关的一个问题与通道处的滚筒的显著磨损相关，该磨损在单个加工段期间连续地改变其截面和形状。这首先需要更换滚筒，需要调整在保持架的滚筒之间的间隙。最现代化的保持架配备有允许精确和自动的调整的换能器和致动器。然而，很难确定何时以及以什么程度来进行调整以维持工件的特征。还必须进一步考虑到，串联工作的保持架的数量越大，问题越严重。事实上，改变离开保持架的截面不仅改变了后续保持架中的离开工件的形状，而且还改变了保持架的磨损速率，并且具有沿着轧机散布和成倍增加的影响。

不同类型的传感器可用于监视截面。磁性传感器是非常广泛的，其基于涡流的感应，磁性传感器是紧凑且相对便宜的，可以被放置在两个保持架之间，从而有助于例如调整下游保持架的速度。这些传感器提供关于具有圆形截面的工件的截面的有用数据；然而，除了可能降低传感器的可靠性之外，对通道的磨损还导致未被检测到的形状变化。在不同类型的截面（例如椭圆截面）的情况下，这些装置的效用显著降低。

其他类型的传感器，如光学传感器，昂贵且需要大量空间，并且如果它们被放置在两个保持架之间，则这两个保持架应当被间隔开，从而增加了轧机的尺寸。相应地，其使用被限制于例如轧机的端部，并且可能限制于放置在两系列保持架之间的选定点中的一个或几个单元。

因此，监测对工件的磨损和工件的形状是一个重要方面。通常基于轧机操作者的经验来满足调整需要。调整的不连续性导致加工物品的特征的不连续性，并且磨损状态的不可预测性还降低了加工和生产段的长度。

因此，将期望能够精确监测对若干保持架的磨损，如果可能的话监测对每单个保持架的磨损，优选地连续地或以显著的时间频率监测，并且如果可能的话，更频繁地干预以校正保持架中的间隙，从而监测工件的质量连续性，以对抗对一个保持架的磨损对后续保持架的级联效应，并且精确设想更换滚筒的需求，所有这些都不减少或甚至增加生产率。

发明内容

根据本发明，通过一种用于监测对轧机的机架的滚筒的磨损的方法解决了上文概述的问题，该方法包括以下步骤：

由神经网络读取与一个或多个轧制滚筒，特别是其中每一个均属于一个轧制保持架一个或多个滚筒对的初始条件、工艺的设置和运行相关的多个数据，尤其是一个或多个滚筒对，；

由神经网络生成与滚筒的磨损状态相关的信号，优选地与将相应地执行的任务相关的信号。

根据本发明的一个方面，由网络生成的信号可以导致一系列信息片段，该信息，例如通过屏幕或以其他已知模式为操作者可用，与要操作的滚筒之间的距离的调整相关，或者与更换一个或多个滚筒的需求相关。根据另一优选方面，所生成的信号用于调整在一个或多个保持架的滚筒之间的距离。替代地或组合地，所生成的信号用于调整一个或多个保持架的滚筒的速度。

根据本发明的另一方面，数据库收集由神经网络使用的数据并将数据提供给神经网络。数据库可以收集预设数据，并且连续地（该术语还指以合适的采样频率进行的周期性的数据收集）收集来自传感器的数据和工艺数据，以及手动或自动预设的数据。

根据一个优选方面，提供了一种用于属于一个保持架的若干滚筒对的神经网络，优选地用于轧机的所有保持架。根据本发明的一个方面，通过从合适的模型获得的数据来命令神经网络。模型可以是基于理论计算和观察的物理模型，例如半经验模型的模型。这种类型的模型可以存在于文献中，或者从轧机的观察获得。建模可以利用有限元方法来获得。优选地，使用第二模型来验证第一模型的数据。例如，利用第一物理模型获得数据，该第一物理模型利用从有限元建模获得的数据部分验证。在所有情况下，可以使用被认为是适当的任何模型。通过由模型使用与其相关联的输入数据和输出数据（输出信号）的系列对来命令神经网络。以这种方式，神经网络可以执行内插，且可能地执行其操作所要求的外推。

本发明还涉及一种系统，该系统包括如上文所公开的至少一个神经网络以及设置有如上文所概述的系统的轧机。

前述权利要求和将在下文解释的那些权利要求不仅可以用在所示出的特定组合中，而且可以在其他组合中或独立地使用，而不会落在所附权利要求的保护范围之外。

附图说明

在下文中，将参考附图1更详细地解释本发明，附图1示意性地示出了根据本发明的系统的结构和操作。

具体实施方式

根据本发明的一个方面，对于设有神经网络的每个保持架，优选地对于轧机的每个保持架，通过监测在轧制期间与该保持架相关的参数，神经网络用作滚筒磨损的虚拟传感器。

在监视轧制期间，考虑下文中举例说明的不同数据组。在每个组中，根据要求，可以使用下文中举例说明的一个或多个或全部数据项或者其准确性被检测到的其他数据。在加工的每个阶段，工件可以是条棒、棒材等。在下文中，可能将一般地谈论条棒，尤其考虑供应给轧机的产品，并且该术语还意味着条棒、坯料或其它产品，而且取决于背景，该术语还表示在轧制的任何阶段处的产品或者半成品，例如棒材或者具有任何适当截面尺寸的其他截面的条棒。

第一组数据涉及运行工艺的参数：

工件的轧制的开始时间；

滚筒的旋转速度；

如果例如以已知方式测量的，轧制力和扭矩；

进入工件的温度；

如果合适的传感器可用且在合适的传感器可用的情况下，沿着轧机测量的温度；

滚筒之间的距离（如果在保持架中，存在例如编码器的器具以用于测量间隙，否则，该数据可以是预设数据，预设数据在可能的调整之后被校正）；

已经穿过保持架（或穿过参考保持架）的工件的长度，其在传统加工的情况下可以是供应条棒的长度，从而重置用于每个相继条棒的数据，或者在环形或半环形轧机的情况下可以是重置适当限定的条棒的一部分的长度。还可以通过对通过测量获得的运输速度进行时间积分来获得该长度。

第二组输入数据由预设工艺数据组成，所述预设工艺数据可以由用户通过接口插入系统中，或者从数据库或信息技术系统（所述数据库或信息技术系统与设备相关）获得，并且可以是：

特征，尤其是在轧制条件下的机械特征，尤其是加工材料（尤其是钢）的温度；

在滚筒之间的距离（如果未在如上文所见的设备中测量得到）；

工件的尺寸和形状参数，例如进入尤其由传感器监测的第一保持架的条棒的高度和/或宽度，进入的条棒的截面面积。

第三组数据涉及所监测的保持架的滚筒。而且，根据本发明的特定方面，这些数据是预设数据。根据一个实施例，这些数据可以从标识滚筒的数据获得，例如序列号，该序列号使得能够自动获取其他数据库数据或设备系统数据。数据可以包括:

在如上文所指示的多通道滚筒的情况下，正在使用中的通道；

滚筒硬度；

滚筒直径；

针对滚筒的每个通道的最大允许磨损；

磨损阈值，用于激活操作，如生成警报或调整滚筒之间的距离；

其他特征，例如校准的几何特征。

神经网络可以供应关于一个保持架的一系列输出数据，例如：

滚筒磨损；

宽度、高度和离开保持架的条棒的截面面积；

离开保持架的条棒温度；

将进行的滚筒之间的距离的可能校正。

神经网络还可以生成与磨损相关的警报，例如，指示需要对滚筒之间的距离进行手动校正或更换滚筒。

输出数据可以被用作与另一保持架（尤其是正在考虑的保持架下游的保持架）相关的网络的输入数据（第一组数据）。输出数据可以用于更新工艺数据库。

参考图1，一种磨损控制逻辑被作为例子示出。

由系统例如在工艺数据库4中检测和存储工艺参数1（第一组数据），工艺参数1例如以几秒的间隔监测，第二组2和第三组3的预设数据被加载到该工艺数据库4中。通过处理数据库4中可用的数据，神经网络5计算磨损数据，并且如果预想到，则校正在滚筒之间的距离。新的距离6作为工艺数据被重新引入到数据库中，以继续监测。

神经网络可以以任何已知的方式构造，例如，可以为每个保持架提供神经网络，并且神经网络可以接收关于前一保持架的数据作为进入数据，尤其是工件的尺寸和形状，也取决于计算的磨损。以这种方式，连续地更新所有进入数据，并且以最大精度进行计算。这等同于这样的单个神经网络：其接收针对每个被监视的保持架计算的更新数据，并且为每个保持架提供数据，存储数据。也可以基于所监测的保持架的需要和数量以及位置来发现不同的结构。

神经网络可以是已知类型的神经网络，其具有一个或多个隐藏层，这取决于在网络训练步骤期间可以限定的要求。它们可以通过在已知类型的机器（CPU）上编程（软件）来进行，或者可以用专门的专用逻辑单元（硬件）或通过创建不同解决方案的组合来进行。

在根据本发明的方法的开发中使用的神经网络可以根据校准的类型划分和训练：椭圆形和/或圆形。此外，在一种类型的校准中，细分可以通过几何特征的间隔进行：凹槽底部的直径、校准的深度、磨损角度、校准和连接半径。已经发现，可以获得用于不同校准的相同数量的节点。

神经网络的数据的归一化可以以传统方式发生。例如，网络可以根据模糊逻辑组织，因此数据可以在0和1之间的值间隔中标准化，例如，在利用西格玛类的型归一化和去归一化函数限定参数可以在正常操作中采用的值间隔（从而分配在0.01和0.99之间的值）而正常工作值之外的值可以采用在0和0.01以及在0.99和1之间的值之后。

可以通过由模型运行模拟来训练神经网络。例如，可以限定用于轧制工艺的感兴趣的操作间隔。在间隔内通过模型获得一系列模拟。例如，利用半经验类型的物理模型获得一系列模拟，并且将一部分与由有限元方法获得的模拟进行比较，这需要更多的时间来运行模拟。以这种方式，精确的模拟被获得，通过两种方法被验证，并且测试模型的精度。例如，针对保持架的模拟可以考虑如下参数：滚筒的硬度和直径、工件的特征（校准（calibration）、形状和尺寸）、滚筒的距离、生产率、进入条棒的温度、滚筒的速度、功率、已经穿过的条棒的长度、钢或其他材料的特征。

在已经获得网络必须计算的值之后，可以用模拟来训练网络，以使得网络能够在工艺中提供上文所见的输出数据。尤其，磨损被评估为例如在预设点中的转轮（runner）的深度变化的线性值和离开条棒的截面面积的变化值。这两个组合值既提供关于磨损的数据又提供关于其精度的数据，该面积受到转轮的尺寸变化的影响，这些变化也在没有利用线性测量进行评估的点中。

应当清楚，轧机的工作条件必须尽可能地接近于为计算运行的那些工作条件，例如通过避免在供应轧机的第一保持架时进行预紧。

实施例

在具有若干保持架（从表1和表2的S6到S11）的轧机中运行两个棒材生产段（I和II），并且获得磨损值（中心部分中的转轮的深度变化）（表1）并且离开条棒的截面变化（表2），对于所有保持架，区分单独的转轮（转轮的直径在同一保持架的“转轮”列中示出，其中，存在若干转轮）。利用基于利用Oike模型（ANN列）获得并且在生产结束时测量（测量结果列）的模拟来训练的神经网络获得这些值。

神经网络所使用的考虑的工艺数据（第一组）是马达速度、已经穿过的工件长度、在保持架S7之后（利用高温计）测量的温度、条棒直径以及马达功率。预设数据（第二组和第三组）是：滚筒的直径和硬度、滚筒的距离（在这些测试中未被调整）、生产率、进入轧机的条棒的温度、进入保持架的条棒的尺寸、转轮的几何特征（宽度和深度）、钢的特征。在所有情况下所包含的误差低于4％，指示神经网络在预测磨损时的可靠性。

附图标记：

1 第一组数据

2 第二组数据

3 第三组数据

4 数据库

5 神经网络

6 离开网络的数据。

Claims (8)

1.一种用于监测对轧机的保持架的滚筒的磨损的方法，所述轧机尤其用于条棒或棒材，所述方法包括以下步骤：

通过神经网络（5）读取与一个或多个轧制滚筒，特别是其中每一个均属于一个轧制保持架的一个或多个滚筒对的初始条件（3）、工艺（1）的设置（2，3）和运行相关的多个数据（1，2，3）；

通过所述神经网络（5）生成与所述滚筒的磨损状态相关的信号（6）。

2.根据权利要求1所述的方法，其中，在一个或多个被监测的保持架的所述滚筒之间调整距离。

3.根据任一前述权利要求所述的方法，其中，一个或多个被监测的保持架的滚筒的旋转速度被调整。

4.根据任一前述权利要求所述的方法，其中，一个或多个神经网络监测对轧机的若干保持架的磨损。

5.根据任一前述权利要求所述的方法，其中，数据库（4）存储预设数据和离开所述神经网络的数据并由所述神经网络读取。

6.根据任一前述权利要求所述的方法，其中，使用基于半经验模型和/或利用有限元方法获得的模拟来训练所述神经网络。

7.一种监测系统，所述监测系统用于监测对轧机的保持架的滚筒的磨损，所述监测系统包括适合于运行根据任一前述权利要求所述的方法的神经网络。

8.一种轧机，所述轧机设置有根据权利要求7所述的系统。

Images