CN113936744B - 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 - Google Patents
热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 Download PDFInfo
- Publication number
- CN113936744B CN113936744B CN202111232015.7A CN202111232015A CN113936744B CN 113936744 B CN113936744 B CN 113936744B CN 202111232015 A CN202111232015 A CN 202111232015A CN 113936744 B CN113936744 B CN 113936744B
- Authority
- CN
- China
- Prior art keywords
- vanadium
- steel
- mechanical property
- prediction
- hot continuous
- 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
- 229910052720 vanadium Inorganic materials 0.000 title claims abstract description 135
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 238000005096 rolling process Methods 0.000 title claims abstract description 109
- 229910000746 Structural steel Inorganic materials 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 32
- 229910045601 alloy Inorganic materials 0.000 title claims description 48
- 239000000956 alloy Substances 0.000 title claims description 48
- 229910000742 Microalloyed steel Inorganic materials 0.000 claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 40
- 238000010438 heat treatment Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000005266 casting Methods 0.000 claims abstract description 11
- 229910000831 Steel Inorganic materials 0.000 claims description 50
- 239000010959 steel Substances 0.000 claims description 50
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000005728 strengthening Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005098 hot rolling Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000005275 alloying Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Heat Treatment Of Steel (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明属于微合金结构钢生产技术领域，公开了一种热连轧流程生产钒微合金结构钢的在线性能预测方法及系统，建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值@‑20℃。本发明通过分析得到热连轧生产线生产含钒微合金钢时影响其性能的关键因素，从而加以数学统计分析，得到了较准确的含钒微合金钢力学性能预测模型，提高了数据源质量。同时，本发明通过应用此预测方法，具有使生产现场控制更加稳定，生产周期缩短以及节约检测费用等优点。
Description
技术领域
本发明属于微合金结构钢生产技术领域，尤其涉及一种热连轧流程生产钒微合金结构钢的在线性能预测方法及系统。
背景技术
目前，在热连轧流程生产钒微合金结构钢过程中，钢水首先被浇铸成150～210mm厚度的铸坯，将铸坯装入辊底式加热炉中在1250℃下，均热3h，随后在热连轧生产线上经过1机架粗轧加7机架精轧，轧制成厚度为3.0～24.5mm的热轧带钢。
含钒微合金结构钢，是结构钢中强度较高，屈服强度≥355MPa，厚度规格跨度较大的一种热轧C-Mn结构钢。其强化方式主要是通过C、Mn元素的固溶强化、相变强化及V元素析出强化等机制综合作用，以保证其力学性能。
本专利申请之前，申请号200410061324.2、200510046131.4、200710052007.8、200710093004.9、200810237464.9、201llOO51161.X、201110104088.8、201210032097.5、201310752648.X、201310718490.4、201510044565.4、201510623645.5的中国发明专利均申请了相关钢铁产品的性能预测方法。其中申请号为200410061324.2、200510046131.4、200710052007.8、200710093004.9、200810237464.9、201110051161.X、201110104088.8、201310718490.4等中国发明专利均采用了通过相变组织不同含量及晶粒大小等预测钢铁产品性能的方法，此方法虽然适合大多数热轧钢铁产品的性能预测，但是由于每种钢铁产品相组成产别较大，对钢铁组织的相成分的预测也较不准确，因此性能预测的偏差较大。申请号为201210032097.5、201310752648.X的中国发明专利采用了神经网格的预测方法，在此预测方法中对力学性能的影响因素过多，每个因素对性能的预测结果均有影响。此方法虽然预测全面，但是对于成熟生产线的成熟钢种来说，扰动因素过多、过程复杂，并不适合在成熟生产线简单钢种力学性能的预测。申请号为201510044565.4的中国发明专利为H型钢的性能预测，由于生产流程及变形过程的不同，此方法不适合热连轧流程热轧钢带的性能预测。申请号为201510623645.5的中国发明专利为Q235B普通结构钢的力学性能预测，因而，上述专利不适合含钒微合金钢力学性能的预测。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有热连轧生产微合金钢的力学性能预测方法均较为复杂，无法实现在现场无计算机工作站条件下的力学性能实时预测。
(2)在现有的预测模型中，对含钒热轧钢卷的性能预测尚未涉及。现有技术预测数据准确性差。
解决以上问题及缺陷的难度为：现有模型均为微合金钢种的综合预测，其强化方式为细晶强化、析出强化、位错强化、相变强化的综合作用，也未对压缩比进行按组进行详细划分，由此造成计算量巨大，由现有模型开发的预测系统对计算机配置要求高，并在实时运算中由于模型复杂，会有延时。由此，本本预测方法针对特定强度范围的特定钢种的预测，在保证同等精度条件下，预测模型简单，运算量较小，无需配置专门的计算机工作站即可运行。
解决以上问题及缺陷的意义为：在现有预测模型中，针对不添加微合金元素的C-Mn钢及含Nb、V、Ti、B、Cu、Ni、Cr、Mn等全合金元素钢的预测均有涉及。针对不添加微合金元素的C-Mn钢的预测模型，由于其强化方式简单，钢种单一，模型较为简单，适合低端Q245B等钢种力学性能的预测。含Nb、V、Ti、B、Cu、Ni、Cr、Mn等全合金元素钢的预测模型，由于其强化方式复杂，物质组也非常复杂由此计算量巨大，预测系统复杂，适合大型钢铁企业热连轧生产线的全钢种预测。但是，针对中小型钢铁企业热连轧生产线单一产品结构的微合金钢来说，缺乏预测模型支持，由此本发明提出了钒微合金结构钢的在线性能预测方法。
发明内容
针对现有技术存在的问题，本发明提供了一种热连轧流程生产钒微合金结构钢的在线性能预测方法及系统。
本发明是这样实现的，一种热连轧流程生产钒微合金结构钢的在线性能预测方法，所述热连轧流程生产钒微合金结构钢的在线性能预测方法包括：
建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值@-20℃。
进一步，所述热连轧流程生产钒微合金结构钢的在线性能预测方法包括以下步骤：
步骤一，通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
步骤二，通过构建的黑箱预测系统大量赋值，得到收敛度、归一性较好的优化后数据源；
步骤三，对于不同厚度的含钒微合金钢种，在轧制过程中压缩比不同，根据不同强化机制的作用，对含钒微合金钢成分及轧制数据进行分组计算；
步骤四，利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
步骤五，基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
步骤六，对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格。
进一步，步骤五中，所述根据不同厚度规格含钒微合金钢种的力学性能预测模型如下：
H≤8mm；
Rel＝695.373+341.858*C+147.992*Si-74.407*Mn+308.558*P+540.962*S-47.162*V-0.316*Te+0.141*Trf+0.091*Tc-0.08*Trb；
Rm＝630.456+556.545*C+163.304*Si-35.625*Mn+559.922*P-1066.056*S-140.447*V-0.024*Te+0.196*Trf-0.213*Tc-0.154*Trb；
A＝-3.874-24.017*C-19.573*Si-7.543*Mn+48.399*P-104.935*S-46.774*V+0.027*Te+0.016*Trf+0.015*Tc-0.023*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S、V：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
8mm＜H≤16mm；
Rel＝114.174+607.372*C+112.129*Si-10.022*Mn-0.872*P-509.872*S+530.16*V+0.306*Te+0.114*Trf-0.247*Tc-0.135*Trb；
Rm＝127.977+761.464*C+155.383*Si+20.209*Mn+34.373*P-1491.794*S+222.742*V+0.196*Te+0.254*Trf-0.293*Tc-0.053*Trb；
A＝89.879-34.707*C+4.703*Si-8.235*Mn-6.529*P+34.346*S+3.749*V-0.031*Te+0.006*Trf-0.005*Tc-0.009*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
16mm＜H≤24mm；
Rel＝480.087+381.298*C+59.754*Si+17.841*Mn+34.901*P-585.047*S+395.2*V+0.075*Te-0.021*Trf-0.178*Tc-0.066*Trb；
Rm＝539.064+423.194*C+115.92*Si+50.394*Mn+58.788*P-958.404*S+507.402*V-0.045*Te+0.181*Trf-0.223*Tc-0.064*Trb；
A＝90.799-27.536*C+0.143*Si-9.268*Mn-7.06*P-16.506*S-3.833*V-0.043*Te+0.007*Trf-0.009*Tc+0.003*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
进一步，步骤五中，在热连轧流程含钒微合金钢力学性能的预测模型中使用条件和适用范围包括化学成分和钢卷厚度，范围如下：
C≤0.22％，0.15≤Mn≤0.6％，S≤0.01％，Si≤0.5％，P≤0.03％，V≤0.1％，不添加其他合金元素，带钢厚度H≤24mm，屈服强度在300～500MPa之间。
本发明的另一目的在于提供一种应用所述热连轧流程生产钒微合金结构钢的在线性能预测方法的热连轧流程生产钒微合金结构钢的在线性能预测系统，所述热连轧流程生产钒微合金结构钢的在线性能预测系统包括：
黑箱预测模型构建模块，用于通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
力学性能预测模型构建模块，用于通过构建的黑箱预测系统大量赋值，得到收敛度、归一性较好的优化后数据源，并在所述数据源基础上通过线性回归降维，得到力学性能预测线性回归模型；
分组计算模块，对于不同厚度的含钒微合金钢种在轧制过程中压缩比不同，用于根据不同强化机制的作用对含钒微合金钢成分及轧制数据进行分组计算；
模型检验模块，用于利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
力学性能预测值计算模块，用于基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
力学性能判断模块，用于对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值@-20℃。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值@-20℃。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的热连轧流程生产钒微合金结构钢的在线性能预测方法，通过分析得到热连轧生产线生产含钒微合金钢时影响其性能的关键因素，从而加以数学统计分析，得到了较准确的含钒微合金钢力学性能预测模型。通过应用此预测方法，具有使生产现场控制更加稳定，生产周期缩短，节约检测费用等优点。
本技术主要涉及一种在多种强化机制综合作用下屈服强度范围在300～500MPa之间的钒微合金结构钢性能预测技术，建立了屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，准确预测了钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值(@-20℃)。
本方法通过在热连轧流程现场采集的实际数据，通过MATLAB软件建立性能预测黑箱模型，随后在得到的黑箱模型基础上通过大量赋值，得到收敛度、归一性较好的优化后数据源，最后在此数据源基础上通过线性回归降维，得到力学性能预测线性回归模型。
该模型优点：1)数据源经过优化，提高了数据源质量；2)模型线性回归准确度更好，与实际测量值差值小；3)通过降维后，解决了现场实际应用的实时性问题，由于模型较MATLAB黑箱模型简单，在热连轧现场可以达到力学性能的实时准确预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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是本发明实施例提供的热连轧流程生产钒微合金结构钢的在线性能预测方法流程图。
图2是本发明实施例提供的热连轧流程生产钒微合金结构钢的在线性能预测系统结构框图；
图中：1、黑箱预测模型构建模块；2、力学性能预测模型构建模块；3、分组计算模块；4、模型检验模块；5、力学性能预测值计算模块；6、力学性能判断模块。
图3是本发明实施例提供的预测结果与实际测试结果示意图。
图3(a)是本发明实施例提供的含V模式H≤8mm下钢卷性能预测准确度分析示意图。
图3(b)是本发明实施例提供的含V模式下8mm＜H≤16mm钢卷性能预测准确度分析示意图。
图3(c)是本发明实施例提供的含V模式下16mm＜H≤24mm钢卷性能预测准确度分析示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种热连轧流程生产钒微合金结构钢的在线性能预测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的热连轧流程生产钒微合金结构钢的在线性能预测方法包括以下步骤：
S101，通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
S102，通过构建的黑箱预测系统大量赋值，得到收敛度、归一性较好的优化后数据源；
S103，对于不同厚度的含钒微合金钢种，在轧制过程中压缩比不同，根据不同强化机制的作用，对含钒微合金钢成分及轧制数据进行分组计算；
S104，利用SPSS软件，进行多元线性回归分析，计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
S105，基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
S106，对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格。
如图2所示，本发明实施例提供的热连轧流程生产钒微合金结构钢的在线性能预测系统包括：
黑箱预测模型构建模块1，用于通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
力学性能预测模型构建模块2，用于通过构建的黑箱预测系统大量赋值，得到收敛度、归一性较好的优化后数据源；
分组计算模块3，对于不同厚度的含钒微合金钢种在轧制过程中压缩比不同，根据不同强化机制的作用对含钒微合金钢成分及轧制数据进行分组计算；
模型检验模块4，用于利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
力学性能预测值计算模块5，用于基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
力学性能判断模块6，用于对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1
针对现有技术存在的问题，本发明提供了一种在多种强化机制综合作用下屈服强度范围在300～500MPa之间的钒微合金结构钢性能预测技术。本发明建立了屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，准确预测了钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值(@-20℃)。
本发明基于多元线性回归分析，是一种适用于热连轧生产线的含钒微合金钢种的性能预测方法，具体包括以下步骤：
通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
通过构建的黑箱预测系统，大量赋值，得到收敛度、归一性较好的优化后数据源，最后在此数据源基础上通过线性回归降维，得到力学性能预测线性回归模型。
(3)对于不同厚度的含钒微合金钢种，在轧制过程中压缩比不同，根据不同强化机制的作用，对含钒微合金钢成分及轧制数据进行分组计算。
(4)利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证其准确性。
(5)基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值。
具体的根据不同厚度规格含钒微合金钢种的力学性能预测模型如下：
H≤8mm
Rel＝695.373+341.858*C+147.992*Si-74.407*Mn+308.558*P+540.962*S-47.162*V-0.316*Te+0.141*Trf+0.091*Tc-0.08*Trb
Rm＝630.456+556.545*C+163.304*Si-35.625*Mn+559.922*P-1066.056*S-140.447*V-0.024*Te+0.196*Trf-0.213*Tc-0.154*Trb
A＝-3.874-24.017*C-19.573*Si-7.543*Mn+48.399*P-104.935*S-46.774*V+0.027*Te+0.016*Trf+0.015*Tc-0.023*Trb
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb
备注：①C、Si、Mn、P、S、V：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
8mm＜H≤16mm
Rel＝114.174+607.372*C+112.129*Si-10.022*Mn-0.872*P-509.872*S+530.16*V+0.306*Te+0.114*Trf-0.247*Tc-0.135*Trb
Rm＝127.977+761.464*C+155.383*Si+20.209*Mn+34.373*P-1491.794*S+222.742*V+0.196*Te+0.254*Trf-0.293*Tc-0.053*Trb
A＝89.879-34.707*C+4.703*Si-8.235*Mn-6.529*P+34.346*S+3.749*V-0.031*Te+0.006*Trf-0.005*Tc-0.009*Trb
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb
备注：①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
16mm＜H≤24mm
Rel＝480.087+381.298*C+59.754*Si+17.841*Mn+34.901*P-585.047*S+395.2*V+0.075*Te-0.021*Trf-0.178*Tc-0.066*Trb
Rm＝539.064+423.194*C+115.92*Si+50.394*Mn+58.788*P-958.404*S+507.402*V-0.045*Te+0.181*Trf-0.223*Tc-0.064*Trb
A＝90.799-27.536*C+0.143*Si-9.268*Mn-7.06*P-16.506*S-3.833*V-0.043*Te+0.007*Trf-0.009*Tc+0.003*Trb
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb
备注：①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
(6)更具体的，在热连轧流程含钒微合金钢力学性能的预测模型中使用条件和适用范围包括化学成分和钢卷厚度，其范围如下：
C≤0.22％，0.15≤Mn≤0.6％，S≤0.01％，Si≤0.5％，P≤0.03％，V≤0.1％，不添加其他合金元素，带钢厚度H≤24mm，屈服强度在300～500MPa之间。
(7)根据所述的步骤(5)进行计算，得到钢卷力学性能的预测值，对比预测值与标准要求目标值，只要钢卷的力学性能的预测值大于标准要求的最小值即认为力学性能合格，反之，则认为力学性能不合格。
本发明专利，通过分析得到热连轧生产线生产含钒微合金钢时影响其性能的关键因素，从而加以数学统计分析，得到了较准确的含钒微合金钢力学性能预测模型。通过应用此预测方法，具有使生产现场控制更加稳定，生产周期缩短，节约检测费用等优点。
实施例2
以热连轧生产线某一年的含钒微合金钢的生产、化学成分、轧制工艺及力学性能检测数据为例，将含钒微合金钢卷首先根据不同厚度规格与预测模型进行对应，再分别输入其化学成分、轧制工艺，计算出其力学性能。预测结果与实际测试结果如图3所示。
其中，图3(a)是含V模式H≤8mm下钢卷性能预测准确度分析示意图，图3(b)是含V模式下8mm＜H≤16mm钢卷性能预测准确度分析示意图，图3(c)是含V模式下16mm＜H≤24mm钢卷性能预测准确度分析示意图。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种热连轧流程生产钒微合金结构钢的在线性能预测方法，其特征在于，所述热连轧流程生产钒微合金结构钢的在线性能预测方法包括：
建立钒微合金结构钢在热连轧生产过程中不同元素含量及铸坯工艺温度与力学性能关系的预测模型，并基于所述预测模型预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、冲击值；
所述热连轧流程生产钒微合金结构钢的在线性能预测方法包括以下步骤：
步骤一，通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
步骤二，通过构建的黑箱预测系统赋值，得到数据源；
步骤三，对于不同厚度的含钒微合金钢种，在轧制过程中压缩比不同，根据不同强化机制的作用，对含钒微合金钢成分及轧制数据进行分组计算；
步骤四，利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
步骤五，基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
步骤六，对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格；
步骤五中，根据不同厚度规格含钒微合金钢种的力学性能预测模型如下：
H≤8mm；
Rel＝695.373+341.858*C+147.992*Si-74.407*Mn+308.558*P+540.962*S-47.162*V-0.316*Te+0.141*Trf+0.091*Tc-0.08*Trb；
Rm＝630.456+556.545*C+163.304*Si-35.625*Mn+559.922*P-1066.056*S-140.447*V-0.024*Te+0.196*Trf-0.213*Tc-0.154*Trb；
A＝-3.874-24.017*C-19.573*Si-7.543*Mn+48.399*P-104.935*S-46.774*V+0.027*Te+0.016*Trf+0.015*Tc-0.023*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S、V：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度；
8mm＜H≤16mm；
Rel＝114.174+607.372*C+112.129*Si-10.022*Mn-0.872*P-509.872*S+530.16*V+0.306*Te+0.114*Trf-0.247*Tc-0.135*Trb；
Rm＝127.977+761.464*C+155.383*Si+20.209*Mn+34.373*P-1491.794*S+222.742*V+0.196*Te+0.254*Trf-0.293*Tc-0.053*Trb；
A＝89.879-34.707*C+4.703*Si-8.235*Mn-6.529*P+34.346*S+3.749*V-0.031*Te+0.006*Trf-0.005*Tc-0.009*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度；
16mm＜H≤24mm；
Rel＝480.087+381.298*C+59.754*Si+17.841*Mn+34.901*P-585.047*S+395.2*V+0.075*Te-0.021*Trf-0.178*Tc-0.066*Trb；
Rm＝539.064+423.194*C+115.92*Si+50.394*Mn+58.788*P-958.404*S+507.402*V-0.045*Te+0.181*Trf-0.223*Tc-0.064*Trb；
A＝90.799-27.536*C+0.143*Si-9.268*Mn-7.06*P-16.506*S-3.833*V-0.043*Te+0.007*Trf-0.009*Tc+0.003*Trb；
Akv＝-32.983-18.516*C+6.967*Si-8.851*Mn+10.035*P-597.809*S-157.461*V+0.09Te+0.046*Trf-0.031*Tc-0.014*Trb；
其中，①C、Si、Mn、P、S：钢中元素质量百分数；②Te：加热绝对温度、Trb：开轧绝对温度、Trf：终轧绝对温度、Tc：卷取绝对温度。
2.如权利要求1所述热连轧流程生产钒微合金结构钢的在线性能预测方法，其特征在于，步骤五中，在热连轧流程含钒微合金钢力学性能的预测模型中使用条件和适用范围包括化学成分和钢卷厚度，范围如下：
C≤0.22％，0.15％≤Mn≤0.6％，S≤0.01％，Si≤0.5％，P≤0.03％，V≤0.1％，不添加其他合金元素，带钢厚度H≤24mm，屈服强度在300～500MPa之间。
3.一种应用如权利要求1～2任意一项所述热连轧流程生产钒微合金结构钢的在线性能预测方法的热连轧流程生产钒微合金结构钢的在线性能预测系统，其特征在于，所述热连轧流程生产钒微合金结构钢的在线性能预测系统包括：
黑箱预测模型构建模块，用于通过MATLAB建立热连轧生产屈服强度在300～500MPa热轧含钒微合金钢种的力学性能黑箱预测模型；
力学性能预测模型构建模块，用于通过构建的黑箱预测系统赋值，得到数据源，并在所述数据源基础上通过线性回归降维，得到力学性能预测线性回归模型；
分组计算模块，对于不同厚度的含钒微合金钢种在轧制过程中压缩比不同，用于根据不同强化机制的作用对含钒微合金钢成分及轧制数据进行分组计算；
模型检验模块，用于利用SPSS软件，进行多元线性回归分析中计算出屈服强度在300～500MPa热轧含钒微合金钢力学性能预测模型，并使用已有的数据对预测模型进行检验，验证所述模型的准确性；
力学性能预测值计算模块，用于基于力学性能预测模型，根据热连轧流程热轧含钒微合金钢种的化学成分和工艺参数，对轧后含钒微合金钢种的力学性能进行计算和预测，得到含钒微合金钢种力学性能的预测值；
力学性能判断模块，用于对比所述含钒微合金钢种力学性能的预测值与标准要求目标值，若钢卷的力学性能的预测值大于标准要求的最小值则认为力学性能合格；反之，则认为力学性能不合格。
4.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～2任意一项所述的热连轧流程生产钒微合金结构钢的在线性能预测方法的步骤：
建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、-20℃冲击值。
5.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～2任意一项所述的热连轧流程生产钒微合金结构钢的在线性能预测方法的步骤：
建立屈服强度范围在300～500MPa之间钒微合金结构钢在热连轧生产过程中C、S、Mn、P、S、V元素含量及铸坯加热温度、开轧温度、终轧温度、卷取温度与力学性能之间的预测模型，用于预测钒微合金结构钢的屈服强度、抗拉强度、伸长率、-20℃冲击值。
6.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求3所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
7.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求3所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求3所述热连轧流程生产钒微合金结构钢的在线性能预测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111232015.7A CN113936744B (zh) | 2021-10-22 | 2021-10-22 | 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111232015.7A CN113936744B (zh) | 2021-10-22 | 2021-10-22 | 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113936744A CN113936744A (zh) | 2022-01-14 |
| CN113936744B true CN113936744B (zh) | 2024-03-29 |
Family
ID=79283738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111232015.7A Active CN113936744B (zh) | 2021-10-22 | 2021-10-22 | 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936744B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573278A (zh) * | 2015-01-27 | 2015-04-29 | 山东钢铁股份有限公司 | 基于多元线性回归分析的热轧h型钢力学性能预报方法 |
| CN105160127A (zh) * | 2015-09-25 | 2015-12-16 | 甘肃酒钢集团宏兴钢铁股份有限公司 | 基于csp流程热连轧生产线q235b钢种的性能预测方法 |
| CN107868907A (zh) * | 2017-10-19 | 2018-04-03 | 山东钢铁股份有限公司 | 高强度电气化铁路接触网支柱用热轧h型钢及其制备方法 |
| CN112149272A (zh) * | 2020-08-12 | 2020-12-29 | 唐山钢铁集团高强汽车板有限公司 | 基于多元线性回归分析的冷轧钢带力学性能预测模型 |
| CN113128124A (zh) * | 2021-04-23 | 2021-07-16 | 东北大学 | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006002505A1 (de) * | 2005-10-31 | 2007-05-03 | Sms Demag Ag | Verfahren und Fertigwalzstraße zum Warmwalzen von Eingangsmaterial |
| CN106971026B (zh) * | 2017-03-08 | 2020-06-16 | 武汉科技大学 | 基于全局可加模型的微合金钢力学性能预报方法 |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
-
2021
- 2021-10-22 CN CN202111232015.7A patent/CN113936744B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573278A (zh) * | 2015-01-27 | 2015-04-29 | 山东钢铁股份有限公司 | 基于多元线性回归分析的热轧h型钢力学性能预报方法 |
| CN105160127A (zh) * | 2015-09-25 | 2015-12-16 | 甘肃酒钢集团宏兴钢铁股份有限公司 | 基于csp流程热连轧生产线q235b钢种的性能预测方法 |
| CN107868907A (zh) * | 2017-10-19 | 2018-04-03 | 山东钢铁股份有限公司 | 高强度电气化铁路接触网支柱用热轧h型钢及其制备方法 |
| CN112149272A (zh) * | 2020-08-12 | 2020-12-29 | 唐山钢铁集团高强汽车板有限公司 | 基于多元线性回归分析的冷轧钢带力学性能预测模型 |
| CN113128124A (zh) * | 2021-04-23 | 2021-07-16 | 东北大学 | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 1200MPa级冷轧双相钢组织性能及其热塑性;唐兴昌;张文娟;王向飞;张志坚;;材料导报;20180825(16);全文 * |
| Model for Predicting Phase Transformation and Yield Strength of Vanadium Microalloyed Carbon Steels;Goro Miyamoto等;《Transition Metal》;20120430;全文 * |
| 加工工艺对含钒微合金钢力学性能的影响;冯光宏, 杨钢, 杨德江, 向德渊, 任庆海, 李岩;钢铁;19991030(10);全文 * |
| 柳钢热轧普碳钢卷力学性能线性回归与神经网络预报模型的对比分析;熊良友;;柳钢科技;20170215(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113936744A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11900255B2 (en) | Multi-mode smelting method based on the classification system of molten iron | |
| 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 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN103341503B (zh) | 一种自适应凸度变化热轧板形控制模型 | |
| CN100577315C (zh) | 轧制线的材质预测及材质控制装置 | |
| CN106345823A (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN113343576B (zh) | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 | |
| CN104451118B (zh) | 一种适合于连续退火过程的带钢板形逐段演变预报方法 | |
| CN114118355A (zh) | 基于神经网络的不锈钢酸洗工艺参数控制方法 | |
| CN113849020B (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
| EP4183495A1 (en) | System for predicting material characteristic value, and method for producing metal sheet | |
| CN116259379A (zh) | 一种热轧带钢形变性能的在线智能预测方法及预测系统 | |
| CN115815345A (zh) | 预测全流程热轧带钢力学性能的机理协同预报方法及系统 | |
| Ma et al. | Influence of profile indicators of hot-rolled strip on transverse thickness difference of cold-rolled silicon steel | |
| CN113936744B (zh) | 热连轧流程生产钒微合金结构钢的在线性能预测方法及系统 | |
| EP3913635A1 (en) | Metal material design support method and design support device | |
| CN102847901B (zh) | 一种连铸生产中控制铁素体不锈钢板坯宽度的方法 | |
| CN109299541A (zh) | 一种带钢的拉矫处理方法及装置 | |
| CN109840309B (zh) | 一种铁水脱硫剂用量的计算方法 | |
| CN111933221A (zh) | 一种预测Nb微合金钢动态再结晶分数的方法 | |
| JP5407444B2 (ja) | 熱間圧延における変形抵抗予測方法 | |
| CN105160127B (zh) | 基于csp流程热连轧生产线q235b钢种的性能预测方法 | |
| CN113617851A (zh) | 一种短流程产线在线反馈控制方法、装置及电子设备 | |
| CN108830452B (zh) | 一种钢铁产品质量全息信息表征的方法 | |
| CN112765535A (zh) | 一种连铸辊列位置固相率计算方法 |
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 |