CN113695404A - 一种带钢热连轧宽度控制方法 - Google Patents

Abstract

本申请涉及一种带钢热连轧宽度控制方法，包括：轧件依次进入立辊和平辊，热连轧粗轧轧制过程开始；根据在精轧机组最末机架所得到的带钢宽度实际值与精轧出口宽度设定值之差，计算轧制宽度误差Δδ；计算精轧宽展的自适应系数Δt；用粗轧出口侧的宽度仪实测的粗轧带钢出口宽度与计算出的粗轧带钢出口宽度进行比较，得到全局宽度遗传系数Δk；计算带钢短行程控制总长度为L₁₁；计算带钢短行程控制中间点距离端部的长度L₁₂；计算带钢短行程中间点开度S₁₂；获得若干组数据；构建B‑P神经网络并进行训练，神经网络的输入层数据为自适应系数Δt、全局宽度遗传系数Δk、带钢短行程控制总长度L₁₁、带钢短行程控制中间点距离端部长度L₁₂、带钢短行程中间点开度S₁₂；输出层输出轧制宽度误差Δδ。

Description

一种带钢热连轧宽度控制方法

技术领域

本申请涉及钢铁加工技术领域，尤其涉及一种带钢热连轧宽度控制方法。

背景技术

钢及有色金属带钢热连轧除了要保证成品带钢的厚度精度、终轧及卷取温度、凸度及平直度外，还需保证带钢的宽度精度。随着用户对提高成材率要求的不断提高，宽度控制精度亦从过去的+20mm提高到了目前的+8～+12mm，特别是对中宽及窄带钢热连轧机，由于相当一部分成品将用于螺旋焊管和直缝焊管，对宽度的精度要求更严。宽度偏差每减小1mm，成材率就可以提高0.1％，因此，带钢的宽度控制技术可显著提高经济效益，进而提高成材率一直是热连轧领域重要的研究课题之一。

在带钢热连轧生产中，为保证出厂带钢的规格符合要求，需要将不符合尺寸要求的带钢头部和尾部切掉。由于粗轧机对带钢的反复轧制会引起带钢头部和尾部的宽度短缺部分的长度加大和短缺尺寸加大，这种情况会加大带钢切头的损耗率，并对降低成品的宽度质量指标。

在传统的带钢板材轧制过程中，通常通过具有边界约束条件的数学物理方程来近似描述轧制过程，由于轧制工况存在很多可变因素，并且带钢轧制具有非线性和不确定的特点，这样的描述方式不能完整精确的表达，故而使用传统方式建立的数学模型不能达到高精度要求因此对带钢板材宽度的精度控制存在着上限。近年来，随着神经网络技术的兴起，神经网络模型能够学习到模型中蕴含的知识，天然适应解决非线性控制问题，因此，如果能够将神经网络技术引入到带钢热连轧宽度控制问题中，则能进一步提高带钢热连轧过程中的宽度控制精度。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种带钢热连轧宽度控制方法，以进一步提高带钢热连轧过程中的宽度控制精度。

本申请提供了一种带钢热连轧宽度控制方法，具体内容如下：

步骤S1、轧件依次进入立辊和平辊，热连轧粗轧轧制过程开始；

步骤S2、根据在精轧机组最末机架所得到的带钢宽度实际值与精轧出口宽度设定值之差，计算轧制宽度误差Δδ；

步骤S3、计算出精轧宽展的自适应系数Δt；

步骤S4、用粗轧出口侧的宽度仪实测的粗轧带钢出口宽度与计算出的粗轧带钢出口宽度进行比较，得到全局宽度遗传系数Δk；

步骤S5、根据下式计算带钢短行程控制总长度为L₁₁：

L₁₁＝α₁₁β₁₁W_in；

式中，W_in为立辊轧机的入口宽度，单位：mm；α₁₁为短行程工艺调整参数；β₁₁为与带钢质量等级相关的调整系数；

步骤S6、根据下式计算带钢短行程控制中间点距离端部的长度L₁₂：

L₁₂＝α₁₂L₁₁；

式中，α₁₂为短行程中间点工艺调整参数；

带钢短行程开度最大值为：

S₁₁＝S_SP+ΔS₁；

式中，S_SP为静态开口度，单位：mm；ΔS₁为短行程开度修正量，单位：mm；

ΔS₁＝α₁₃β₁₂β₁₃ΔB+W_OP+W_FM；

式中，ΔB为立辊的绝对宽度压下量，单位：mm；β₁₂为与带钢入口宽度等级相关的调整系数；α₁₃为调整系数；β₁₃为与带钢质量等级、精轧厚度等级相关的调整系数；W_OP为宽度控制的人工修正值，单位：mm；W_FM为宽度精轧快速修正值，单位：mm；

步骤S7、根据下式计算带钢短行程中间点开度S₁₂：

S₁₂＝S_SP+α₁₄ΔS₁；

式中，α₁₄为短行程中间点工艺调整参数；

步骤S8、重复步骤S1至S7，获得若干组数据；

步骤S9、构建B-P神经网络并进行训练，其中构建的B-P神经网络的输入层数据为自适应系数Δt、全局宽度遗传系数Δk、带钢短行程控制总长度L₁₁、带钢短行程控制中间点距离端部的长度L₁₂、带钢短行程中间点开度S₁₂；B-P神经网络的输出层输出轧制宽度误差Δδ。

优选的，所述步骤S3具体包括：宽度仪和厚度仪测得带钢通过精轧最末机架后的宽度和厚度值，将精轧宽展模型计算出的精轧自然宽展与根据带钢通过粗轧和精轧后所测宽度而计算出的实际宽展值进行比较，计算出精轧宽展的自适应系数。

优选的，BP神经网络的输入层的节点个数n为5，x₁代表自适应系数Δt、x₂代表全局宽度遗传系数Δk、x₃代表带钢短行程控制总长度L₁₁、x₄代表带钢短行程控制中间点距离端部的长度L₁₂、x₅代表带钢短行程中间点开度S₁₂；输出层节点个数m为1，y₁代表轧制宽度误差Δδ；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，隐含层和输出层的权值为w_kj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；

隐含层节点的输出为：

上式中f₁(·)为隐含层的传递函数，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，

输出层节点的输出为：

上式中f₂(·)为输出层的传递函数，隐含层和输出层的权值为w_kj(k＝1，2，…，m；j＝1，2，…，q)，阈值为

设神经网络的期望输出值为t＝(t₁，t₂，…，t_m)，定义输出误差E如下：

上式中j＝1，2，…，q；

展开到隐含层，有：

展开到输出层，有：

优选的，根据得到的E是θ_ji、ω_kj、b_j和

的函数，如果改变θ_ji、ω_kj、b_j和

的值，那么误差E的值也会发生改变，BP神经网络的训练过程就是不断修正权值和阈值，使误差E尽量小以达到设定的要求的过程，BP神经网络训练的过程就是按误差函数的负梯度方向修改权系数的过程，即：

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中，η∈(0,1)，表示学习速率。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本发明技术方案将B-P神经网络引进带钢热连轧宽度控制领域中，基于引起带钢热连轧制得的带钢产品宽度误差的因素，采用B-P神经网络算法对这些误差因素分析，最终能够制得宽度精度高的带钢产品。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种带钢热连轧宽度控制方法的流程示意图；

图2为本申请实施例提供的一种带钢热连轧宽度控制方法中短行程控制原理示意图；

图3为本申请实施例提供的一种带钢热连轧宽度控制方法中短行程调节位置示意图；

图4为本申请实施例提供的一种带钢热连轧宽度控制方法中热轧宽度控制质量统计曲线。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种带钢热连轧宽度控制方法，如图1所示，包括如下步骤：

步骤S1、轧件依次进入立辊和平辊，热连轧粗轧轧制过程开始；

步骤S2、根据在精轧机组最末机架所得到的带钢宽度实际值与精轧出口宽度设定值之差，计算轧制宽度误差Δδ；

步骤S3、计算出精轧宽展的自适应系数Δt；

步骤S4、用粗轧出口侧的宽度仪实测的粗轧带钢出口宽度与计算出的粗轧带钢出口宽度进行比较，得到全局宽度遗传系数Δk；

步骤S5、根据下式计算带钢短行程控制总长度为L₁₁：

L₁₁＝α₁₁β₁₁W_in；

式中，W_in为立辊轧机的入口宽度，单位：mm；α₁₁为短行程工艺调整参数；β₁₁为与带钢质量等级相关的调整系数；

步骤S6、根据下式计算带钢短行程控制中间点距离端部的长度L₁₂：

L₁₂＝α₁₂L₁₁；

式中，α₁₂为短行程中间点工艺调整参数；

带钢短行程开度最大值为：

S₁₁＝S_SP+ΔS₁；

式中，S_SP为静态开口度，单位：mm；ΔS₁为短行程开度修正量，单位：mm；

ΔS₁＝α₁₃β₁₂β₁₃ΔB+W_OP+W_FM；

式中，ΔB为立辊的绝对宽度压下量，单位：mm；β₁₂为与带钢入口宽度等级相关的调整系数；α₁₃为调整系数；β₁₃为与带钢质量等级、精轧厚度等级相关的调整系数；W_OP为宽度控制的人工修正值，单位：mm；W_FM为宽度精轧快速修正值，单位：mm；

步骤S7、根据下式计算带钢短行程中间点开度S₁₂：

S₁₂＝S_SP+α₁₄ΔS₁；

式中，α₁₄为短行程中间点工艺调整参数；

步骤S8、重复步骤S1至S7，获得若干组数据；

步骤S9、构建B-P神经网络并进行训练，其中构建的B-P神经网络的输入层数据为自适应系数Δt、全局宽度遗传系数Δk、带钢短行程控制总长度L₁₁、带钢短行程控制中间点距离端部的长度L₁₂、带钢短行程中间点开度S₁₂；B-P神经网络的输出层输出轧制宽度误差Δδ。神经网络的主要特点是对人脑神经元网络进行抽象处理，通过某种联系方式，建立模型，用物理系统模拟人脑组织结构，通过相互关联的“神经元”并行工作，实现人类认知过程中信息的处理方式，可以完成复杂的信息处理工作，具有良好的联想能力，根据不完整的信息推测出被测量。

进一步优化方案，所述步骤S3具体包括：宽度仪和厚度仪测得带钢通过精轧最末机架后的宽度和厚度值，将精轧宽展模型计算出的精轧自然宽展与根据带钢通过粗轧和精轧后所测宽度而计算出的实际宽展值进行比较，计算出精轧宽展的自适应系数。

进一步优化方案，BP神经网络的输入层的节点个数n为5，x₁代表自适应系数Δt、x₂代表全局宽度遗传系数Δk、x₃代表带钢短行程控制总长度L₁₁、x₄代表带钢短行程控制中间点距离端部的长度L₁₂、x₅代表带钢短行程中间点开度S₁₂；输出层节点个数m为1，y₁代表轧制宽度误差Δδ；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，隐含层和输出层的权值为w_kj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；

隐含层节点的输出为：

上式中f₁(·)为隐含层的传递函数，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，

输出层节点的输出为：

上式中f₂(·)为输出层的传递函数，隐含层和输出层的权值为w_kj(k＝1，2，…，m；j＝1，2，…，q)，阈值为

设神经网络的期望输出值为t＝(t₁，t₂，…，t_m)，定义输出误差E如下：

上式中j＝1，2，…，q；

展开到隐含层，有：

展开到输出层，有：

进一步优化方案，根据得到的E是θ_ji、ω_kj、b_j和

的函数，如果改变θ_ji、ω_kj、b_j和

的值，那么误差E的值也会发生改变，BP神经网络的训练过程就是不断修正权值和阈值，使误差E尽量小以达到设定的要求的过程，BP神经网络训练的过程就是按误差函数的负梯度方向修改权系数的过程，即：

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中，η∈(0,1)，表示学习速率。

在热连轧粗轧机组中，带钢要经过立辊和水平辊的交替轧制，通过立辊的大侧压实现对带钢宽度的控制。大侧压时，由于带钢头尾部没有“刚端”的作用，立轧后这部分金属向中间流动，并且是不均匀延伸，从而造成失宽。另外，立轧后带钢中间部分的“狗骨”形比带钢两端严重，平轧后的恢复量比两端大，因此，原来的失宽被进一步扩大。带钢的失宽部分在进入精轧机组之前必须切除，从而造成切头切尾损失，降低了主轧线的带钢成材率。

短行程控制是在大侧压下用于克服板坯头尾部所产生的失宽及提高板带成材率的一项先进技术。其基本思想是根据侧压调宽时板坯头尾部收缩的轮廓曲线，使立辊轧机的辊缝在轧制过程中根据轧件宽度控制的需要加以改变，辊缝比正常轧制时增大，以补偿侧压变形量，再经过水平辊轧制后，使头尾部的失宽量减少到最低限度。

在实际控制中，立辊的短行程控制曲线可用2段或多段直线近似代替，以2段为例，短行程控制原理如图2所示。

头部端点的开口度最大，随着轧制的进行逐步缩小开口度直到达到静态开口度，尾部则相反，这样带钢通过平辊的继续轧制，可使带钢头尾部的不规则形状得到改善。短行程调节位置如图3所示，头尾短行程头尾控制距离通常由实验确定。

如图4所示，图4为本申请实施例提供的一种带钢热连轧宽度控制方法中热轧宽度控制质量统计曲线。由图4可知，相较于现有技术，本发明技术方案已基本消除之前张力控制不稳定的现象，有效的提高了产品宽度指标。目前，提升控制后的产品宽度精度已达到0～8mm，且稳定性也得到大幅度提升，这些都为成材率的提高及经济效益的显著增强奠定了坚实的基础。

本发明技术方案将B-P神经网络引进带钢热连轧宽度控制领域中，基于引起带钢热连轧制得的带钢产品宽度误差的因素，采用B-P神经网络算法对这些误差因素分析，最终能够制得宽度精度高的带钢产品。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种带钢热连轧宽度控制方法，其特征在于，所述方法包括：

步骤S1、轧件依次进入立辊和平辊，热连轧粗轧轧制过程开始；

步骤S2、根据在精轧机组最末机架所得到的带钢宽度实际值与精轧出口宽度设定值之差，计算轧制宽度误差Δδ；

步骤S3、计算出精轧宽展的自适应系数Δt；

步骤S4、用粗轧出口侧的宽度仪实测的粗轧带钢出口宽度与计算出的粗轧带钢出口宽度进行比较，得到全局宽度遗传系数Δk；

步骤S5、根据下式计算带钢短行程控制总长度为L₁₁：

L₁₁＝α₁₁β₁₁W_in；

式中，W_in为立辊轧机的入口宽度，单位：mm；α₁₁为短行程工艺调整参数；β₁₁为与带钢质量等级相关的调整系数；

步骤S6、根据下式计算带钢短行程控制中间点距离端部的长度L₁₂：

L₁₂＝α₁₂L₁₁；

式中，α₁₂为短行程中间点工艺调整参数；

带钢短行程开度最大值为：

S₁₁＝S_SP+ΔS₁；

式中，S_SP为静态开口度，单位：mm；ΔS₁为短行程开度修正量，单位：mm；

ΔS₁＝α₁₃β₁₂β₁₃ΔB+W_OP+W_FM；

式中，ΔB为立辊的绝对宽度压下量，单位：mm；β₁₂为与带钢入口宽度等级相关的调整系数；α₁₃为调整系数；β₁₃为与带钢质量等级、精轧厚度等级相关的调整系数；W_OP为宽度控制的人工修正值，单位：mm；W_FM为宽度精轧快速修正值，单位：mm；

步骤S7、根据下式计算带钢短行程中间点开度S₁₂：

S₁₂＝S_SP+α₁₄ΔS₁；

式中，α₁₄为短行程中间点工艺调整参数；

步骤S8、重复步骤S1至S7，获得若干组数据；

步骤S9、构建B-P神经网络并进行训练，其中构建的B-P神经网络的输入层数据为自适应系数Δt、全局宽度遗传系数Δk、带钢短行程控制总长度L₁₁、带钢短行程控制中间点距离端部的长度L₁₂、带钢短行程中间点开度S₁₂；B-P神经网络的输出层输出轧制宽度误差Δδ。

2.根据权利要求1所述的带钢热连轧宽度控制方法，其特征在于，所述步骤S3具体包括：宽度仪和厚度仪测得带钢通过精轧最末机架后的宽度和厚度值，将精轧宽展模型计算出的精轧自然宽展与根据带钢通过粗轧和精轧后所测宽度而计算出的实际宽展值进行比较，计算出精轧宽展的自适应系数。

3.根据权利要求1所述的带钢热连轧宽度控制方法，其特征在于，

BP神经网络的输入层的节点个数n为5，x₁代表自适应系数Δt、x₂代表全局宽度遗传系数Δk、x₃代表带钢短行程控制总长度L₁₁、x₄代表带钢短行程控制中间点距离端部的长度L₁₂、x₅代表带钢短行程中间点开度S₁₂；输出层节点个数m为1，y₁代表轧制宽度误差Δδ；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，隐含层和输出层的权值为w_kj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；

隐含层节点的输出为：

上式中f₁(·)为隐含层的传递函数，输入层和隐含层间的权值为θ_ji(j＝1，2，…，q；i＝1，2，…，n)，阈值为b_j(j＝1，2，…，q)，

输出层节点的输出为：

上式中f₂(·)为输出层的传递函数，隐含层和输出层的权值为w_kj(k＝1，2，…，m；j＝1，2，…，q)，阈值为

设神经网络的期望输出值为t＝(t₁，t₂，…，t_m)，定义输出误差E如下：

上式中j＝1，2，…，q；

展开到隐含层，有：

展开到输出层，有：

4.根据权利要求3所述的带钢热连轧宽度控制方法，其特征在于，根据得到的E是θ_ji、ω_kj、b_j和

的函数，如果改变θ_ji、ω_kj、b_j和

的值，那么误差E的值也会发生改变，BP神经网络的训练过程就是不断修正权值和阈值，使误差E尽量小以达到设定的要求的过程，BP神经网络训练的过程就是按误差函数的负梯度方向修改权系数的过程，即：

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中j＝1，2，…，q；k＝1，2，…，m；

上式中，η∈(0,1)，表示学习速率。

Images