CN114798727A - 一种基于多目标优化的规格自适应轧制方法和装置、电子设备 - Google Patents
一种基于多目标优化的规格自适应轧制方法和装置、电子设备 Download PDFInfo
- Publication number
- CN114798727A CN114798727A CN202210390250.5A CN202210390250A CN114798727A CN 114798727 A CN114798727 A CN 114798727A CN 202210390250 A CN202210390250 A CN 202210390250A CN 114798727 A CN114798727 A CN 114798727A
- Authority
- CN
- China
- Prior art keywords
- rolling
- determining
- load fluctuation
- objective
- value
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
-
- 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
-
- 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
- B21B37/48—Tension control; Compression control
-
- 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
- B21B37/58—Roll-force control; Roll-gap control
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种多目标优化的规格自适应轧制方法和装置、电子设备,属于机械自动化控制技术领域,所述方法包括:获取来料数据、工艺参数及轧机设备参数;构建轧制负荷波动评估模型,确定临界规格;建立不同规格对应的多目标优化函数;根据设备能力及工艺条件确定寻优约束条件;采用优化算法获取最优的厚度及张力设定值;基于最优的厚度及张力设定值进行轧制。通过本发明公开的多目标优化的规格自适应轧制方法,可实现同一机组全品规带钢高精度、稳定、高效生产,同时兼顾板形调控,充分发挥机组的生产效能,提升产品质量。
Description
技术领域
本发明涉及机械自动化控制技术领域,尤其涉及一种基于多目标优化的规格自适应轧制方法和装置、电子设备。
背景技术
轧制策略是冷连轧设定计算的前提和基础,其合理与否不仅决定了轧制过程的状态特性,对产品质量、轧制设备调整等均有重要影响。对于同一冷轧机组而言,不同品种、规格产品生产的力能消耗水平、轧制状态特性、工艺条件等差异较大,不同的品种、规格技术经济需求不同。如薄规格带钢的生产,保障生产稳定性和产品质量是轧制设定的核心,而常规规格的生产,更多的则是关注机组的产能提升和力能消耗水平。
长期以来,传统轧制策略形成了以压下率分配和轧制力分配两种模式为代表的绝对分配策略,以及以相对压下率分配、相对轧制力分配和相对功率分配三种模式为代表的相对分配策略。但每种策略各具优点及局限性,分别适用于不同的规格,均无法兼顾薄规格产品的生产稳定性及常规规格产品生产的高效能,且不涉及板形调控,限制了机组产能及产品质量的提升。
发明内容
本发明实施例的目的是提供一种基于多目标优化的规格自适应轧制方法和装置、电子设备,以解决现有技术中存在的上述问题。
为解决上述技术问题,本发明提供如下技术方案:
一种多目标优化的规格自适应轧制方法,其中,所述方法包括:
获取来料数据、工艺参数及轧机设备参数;
构建轧制负荷波动评估模型,确定临界规格;
建立不同规格对应的多目标优化函数;
根据设备能力及工艺条件确定寻优约束条件;
采用优化算法获取最优的厚度及张力设定值;
基于所述厚度及张力设定值进行轧制。
其中,所述构建轧制负荷波动评估模型,确定临界规格的步骤,包括:
依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
其中,所述依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格的步骤,包括:
依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值和轧制负荷波动极限值;
获取同钢种前卷带钢轧制过程中末机架最大轧制力和平均轧制力;
基于所述最大轧制力和平均轧制力,计算实际轧制负荷波动值;
比较所述轧制负荷波动极限值与所述实际轧制负荷波动值的大小,输入所述临界规格初始值,确定实际临界规格值。
其中,所述建立不同规格对应的多目标优化函数的步骤,包括:
当末机架成品厚度小于所述实际临界规格值时,基于权重的多目标优化函数为:
其中,e1为第一机架的压下率;为第一机架的最优压下率;i为机架号,i=1,2,…,m;m为机架总数;Ni为第i机架的轧制功率,KW;为第i机架的额定轧制功率,KW;为成品机架板形良好时的轧制力;Pm为成品机架的轧制力;α1、α2、α3分别为各函数的权重系数;
当末机架成品厚度大于所述实际临界规格值时,基于权重的多目标优化函数为:
其中,所述λ1、λ2、λ3分别为各函数的权重系数;i为机架号;m为机架总数;ci为第i架的轧制力系数;Pi为第i架的轧制力;Pi max为第i机架的最大轧制力;Ni和Nj分别为第i机架和第i+1机架的轧制功率,KW;τi为第i机架的出口张力;为第i机架的最小出口张力;、为第i机架的最大出口张力。
其中,所述根据设备能力及工艺条件确定寻优约束条件的步骤,包括:
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
一种多目标优化的规格自适应轧制装置,其中,所述装置包括:
第一获取模块,用于获取来料数据、工艺参数及轧机设备参数;
构建模块,用于构建轧制负荷波动评估模型,确定临界规格;
建立模块,用于建立不同规格对应的多目标优化函数;
确定模块,用于根据设备能力及工艺条件确定寻优约束条件;
第二获取模块,用于采用优化算法获取最优的厚度及张力设定值;
轧制模块,用于基于所述厚度及张力设定值,进行自适应轧制。
其中,所述构建模具体用于:
依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
其中,所述构建模块包括:
第一子模块,用于依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值和轧制负荷波动极限值;
第二子模块,用于获取同钢种前卷带钢轧制过程中末机架最大轧制力和平均轧制力;
第三子模块,用于基于所述最大轧制力和平均轧制力,计算实际轧制负荷波动值;
第四子模块,用于比较所述轧制负荷波动极限值与所述实际轧制负荷波动值的大小,输入所述临界规格初始值,确定实际临界规格值。
其中,所述确定模块具体用于:
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现上述任意一种多目标优化的规格自适应轧制方法的步骤。
本发明实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现上述任意一种多目标优化的规格自适应轧制方法的步骤。
本发明实施例提供的多目标优化的规格自适应轧制方法,采用多目标优化函数进行带钢轧制设定,且依据带钢规格变换寻优目标,可实现同一机组全品规带钢高精度、稳定、高效生产,同时兼顾板形调控,充分发挥机组的生产效能,可提升产品质量。
附图说明
图1是表示本申请实施例的一种多目标优化的规格自适应轧制方法的步骤流程图;
图2为NSGA-II算法流程图;
图3为冷连轧机段的主要设备及检测仪表布置图;
图4是表示本申请实施例的一种多目标优化的规格自适应轧制装置的结构框图;
图5是表示本申请实施例的一种电子设备的结构框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的多目标优化的规格自适应轧制方案进行详细地说明。
图1为本申请实施例的一种多目标优化的规格自适应轧制方法的步骤流程图。
本申请实施例的多目标优化的规格自适应轧制方法包括以下步骤:
步骤101:获取来料数据、工艺参数及轧机设备参数。
步骤102:构建轧制负荷波动评估模型,确定临界规格。
一种可行性的实施方式为:依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
具体地,依据获取的来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格时,具体包括如下子步骤:
子步骤一:依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值hset和轧制负荷波动极限值ηset;
具体地可通过下式计算实际轧制负荷波动值ηmax:
子步骤四:比较轧制负荷波动极限值ηset与实际轧制负荷波动值ηmax的大小,输入临界规格初始值hset,确定实际临界规格值hc。
①ifηmax>ηset,hc=hset+δ,hset=hc;
其中,γ为轧制负荷偏差允许量;δ为临界厚度修正量。
步骤103:建立不同规格对应的多目标优化函数。
一种可行性的实施方式中,建立不同规格对应的多目标优化函数时可通过如下方式:
当末机架成品厚度小于实际临界规格值即hm<hc时,基于权重的多目标优化函数为:
其中,e1为第一机架的压下率;为第一机架的最优压下率;i为机架号,i=1,2,…,m;m为机架总数;Ni为第i机架的轧制功率,KW;为第i机架的额定轧制功率,KW;为成品机架板形良好时的轧制力;Pm为成品机架的轧制力;α1、α2、α3分别为各函数的权重系数。
当末机架成品厚度小于实际临界规格值即hm<hc时,末机架成品为薄规格产品,其控制目标是保证稳定高质生产及成品板形精度,因此多目标优化函数设置为上述函数。
当末机架成品厚度大于所实际临界规格值即hm>hc时,基于权重的多目标优化函数为:
其中,所述λ1、λ2、λ3分别为各函数的权重系数;i为机架号;m为机架总数;ci为第i架的轧制力系数;Pi为第i架的轧制力;Pi max为第i机架的最大轧制力;Ni和Nj分别为第i机架和第i+1机架的轧制功率,KW;τi为第i机架的出口张力;为第i机架的最小出口张力;、为第i机架的最大出口张力。
当末机架成品厚度大于所实际临界规格值即hm>hc时,末机架成品为常规规格产品,其控制侧重如何平衡各个机架功率,最大限度发挥轧制效率,降低生产成本。因此多目标优化函数设置为上述函数。
步骤104:根据设备能力及工艺条件确定寻优约束条件。
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
其中,Pi、Mi、Ni、εi、vi、τi分别为第i道次的轧制力、轧制力矩、轧制功率、压下率、轧制速度及张应力;Pmax、Mmax、Nmax、εmax、vmax、τmax分别为第i道次的最大轧制力、最大轧制力矩、最大轧制功率、最大压下率、最大轧制速度及最大张应力;εmin、vmin、τmin分别为第i道次的最小压下率、最小轧制速度及最小张应力。
步骤105:采用优化算法获取最优的厚度及张力设定值。
对于m机架冷连轧机,1#机架的入口厚度h0和末机架的出口厚度hm是确定的,1#机架的入口张力τ0和末机架的出口张力τm可以由经验值给出。因此选择其余2(m-1)个变量进行优化,输入变量x公式如下:
x=(h1,h2,…,hm-1,τ1,τ2,…,τm-1)
其中,h1,h2,…,hm-1和τ1,τ2,…,τm-1分别为1#、2#、…、(m-1)#机架间的厚度和张力;
采用多目标遗传(NSGA-Ⅱ)算法,根据步骤104中设定约束条件求解目标函数的最优解。
步骤106:基于厚度及张力设定值进行轧制。
本申请实施例提供的多目标优化的规格自适应轧制方法,采用多目标优化函数进行带钢轧制设定,且依据带钢规格变换寻优目标,可实现同一机组全品规带钢高精度、稳定、高效生产,同时兼顾板形调控,充分发挥机组的生产效能,可提升产品质量。
下面以某冷轧厂1420mm六辊五机架冷连轧机组对象,实施本发明所给出的轧制方法为例进行说明。该产线原有轧制策略为相对功率模式,主要设备及检测仪表如图3所示。图3中1为X射线测厚仪,配置在第1机架出入口和第5机架出口;2为张力检测仪,配置在各机架出入口;3为横截面检测仪,用于横截面厚度分布的检测,可输出凸度、边降等横截面参数;4为分段测张辊,用于平坦度检测;5为焊缝监测仪;6为激光测速仪;
本具体实例中的轧制方法包括如下步骤:
步骤S1:获取来料数据、工艺参数及轧机设备参数。
其中,带钢来料数据如表1所示;工艺参数及轧机设备参数如表2所示;
表1带钢来料数据
钢种 | 宽度/mm | 来料厚度/mm | 成品厚度/mm |
MR T-4CA | 900 | 2.0 | 0.18 |
表2冷轧机设备相关参数
步骤S2:对于钢种MR T-4CA,取临界规格初始值hset=0.30mm,根据实际轧制负荷波动评估模型,确定临界规格hc=0.28mm;
步骤S3:成品厚度h5=0.18mm小于临界规格hc=0.28mm,则采用如下基于权重的多目标优化函数:
式中,e1为第一机架的压下率;根据来料信息及生产经验确定i=1,2,…,m;m=5;Ni为第i机架的轧制功率,KW;为第i机架的额定轧制功率,KW;根据来料信息及生产经验确定Pm为成品机架的轧制力;为保证轧制稳定性和带钢出口板形,α1=1、α2=0.3、α3=0.8。
步骤S4:根据表2,确定轧制力、轧制力矩、轧制功率、压下率、速度、张力范围极限条件:
其中,Pi、Mi、Ni、εi、vi、Ti分别为第i道次的轧制力、轧制力矩、轧制功率、压下率、轧制速度及张应力;Pmax、Mmax、Nmax、εmax、vmax、Tmax分别为第i道次的最大轧制力、最大轧制力矩、最大轧制功率、最大压下率、最大轧制速度及最大张应力;εmin、vmin、Tmin分别为第i道次的最小压下率、最小轧制速度及最小张应力;
步骤S5:采用优化算法获取最优的厚度及张力设定值。
(1)各机架的出入口厚度原设定值为[2.00,1.17,0.65,0.41,0.27,0.18],张力设定值为[11.7,12.6,7.9,5.2,3.9,0.8],根据下式:
x=(h1,h2,h3,h4,τ1,τ2,τ3,τ4)
确定输入变量x=(1.17,0.65,0.41,0.27,12.6,7.9,5.2,3.9);
(2)采用多目标遗传(NSGA-Ⅱ)算法,根据步骤S4设定约束条件对目标函数进行求解,最优解xopt=(1.18,0.69,0.42,0.27,12.4,7.5,5.0,3.6)。
其中,
原有采用相对功率模式的轧制策略分配结果与采用上述轧制策略的分配结果如表3和表4所示。可以看出,采用优化后的轧制策略使得轧机上游机架间的负荷更为均衡,降低了由于局部机架设备过负荷导致生产设备故障的发生的可能性。此外,对轧制策略优化前后带钢头部实测板形进行比对后发现,通过本具体实施例提供的轧制策略,可有效改善带钢头部板形问题,提高板形质量。
表4冷轧现场原轧制策略设定结果
表5基于多目标优化的规格自适应轧制策略设定结果
图4为实现本申请实施例的一种多目标优化的规格自适应轧制装置的结构框图。
本申请实施例的多目标优化的规格自适应轧制装置包括如下功能模块:
第一获取模块401,用于获取来料数据、工艺参数及轧机设备参数;
构建模块402,用于构建轧制负荷波动评估模型,确定临界规格;
建立模块403,用于建立不同规格对应的多目标优化函数;
确定模块404,用于根据设备能力及工艺条件确定寻优约束条件;
第二获取模块405,用于采用优化算法获取最优的厚度及张力设定值;
轧制模块406,用于基于所述厚度及张力设定值,进行自适应轧制。
可选地,所述构建模具体用于:
依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
可选地,所述构建模块包括:
第一子模块,用于依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值和轧制负荷波动极限值;
第二子模块,用于获取同钢种前卷带钢轧制过程中末机架最大轧制力和平均轧制力;
第三子模块,用于基于所述最大轧制力和平均轧制力,计算实际轧制负荷波动值;
第四子模块,用于比较所述轧制负荷波动极限值与所述实际轧制负荷波动值的大小,输入所述临界规格初始值,确定实际临界规格值。
可选地,所述确定模块具体用于:
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
本申请实施例提供的多目标优化的规格自适应轧制装置,采用多目标优化函数进行带钢轧制设定,且依据带钢规格变换寻优目标,可实现同一机组全品规带钢高精度、稳定、高效生产,同时兼顾板形调控,充分发挥机组的生产效能,可提升产品质量。
本申请实施例中图4所示的多目标优化的规格自适应轧制装置可以是装置,也可以是服务器中的部件、集成电路、或芯片。本申请实施例中的图4所示的多目标优化的规格自适应轧制装置可以为具有操作系统的装置。该操作系统可以为Windows操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的图4所示的多目标优化的规格自适应轧制装置能够实现图1的方法实施例实现的各个过程,为避免重复,这里不再赘述。
可选地,如图5所示,本申请实施例还提供一种电子设备500,包括处理器501,存储器502,存储在存储器502上并可在所述处理器501上运行的程序或指令,该程序或指令被处理器501执行时实现上述多目标优化的规格自适应轧制方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要注意的是,本申请实施例中的电子设备包括上述所述的服务器。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述多目标优化的规格自适应轧制方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述多目标优化的规格自适应轧制方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多目标优化的规格自适应轧制方法,其特征在于,所述方法包括:
获取来料数据、工艺参数及轧机设备参数;
构建轧制负荷波动评估模型,确定临界规格;
建立不同规格对应的多目标优化函数;
根据设备能力及工艺条件确定寻优约束条件;
采用优化算法获取最优的厚度及张力设定值;
基于所述厚度及张力设定值进行轧制。
2.根据权利要求1所述的方法,其特征在于,所述构建轧制负荷波动评估模型,确定临界规格的步骤,包括:
依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
3.根据权利要求2所述的方法,其特征在于,所述依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格的步骤,包括:
依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值和轧制负荷波动极限值;
获取同钢种前卷带钢轧制过程中末机架最大轧制力和平均轧制力;
基于所述最大轧制力和平均轧制力,计算实际轧制负荷波动值;
比较所述轧制负荷波动极限值与所述实际轧制负荷波动值的大小,输入所述临界规格初始值,确定实际临界规格值。
4.根据权利要求3所述的方法,其特征在于,所述建立不同规格对应的多目标优化函数的步骤,包括:
当末机架成品厚度小于所述实际临界规格值时,基于权重的多目标优化函数为:
其中,e1为第一机架的压下率;为第一机架的最优压下率;i为机架号,i=1,2,…,m;m为机架总数;Ni为第i机架的轧制功率,KW;为第i机架的额定轧制功率,KW;为成品机架板形良好时的轧制力;Pm为成品机架的轧制力;α1、α2、α3分别为各函数的权重系数;
当末机架成品厚度大于所述实际临界规格值时,基于权重的多目标优化函数为:
5.根据权利要求1所述的方法,其特征在于,所述根据设备能力及工艺条件确定寻优约束条件的步骤,包括:
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
6.一种多目标优化的规格自适应轧制装置,其特征在于,所述装置包括:
第一获取模块,用于获取来料数据、工艺参数及轧机设备参数;
构建模块,用于构建轧制负荷波动评估模型,确定临界规格;
建立模块,用于建立不同规格对应的多目标优化函数;
确定模块,用于根据设备能力及工艺条件确定寻优约束条件;
第二获取模块,用于采用优化算法获取最优的厚度及张力设定值;
轧制模块,用于基于所述厚度及张力设定值,进行自适应轧制。
7.根据权利要求6所述的装置,其特征在于,所述构建模具体用于:
依据获取的所述来料钢种、厚度信息及轧制参数建立末机架轧制负荷波动评估模型,确定不同目标函数分配的临界规格。
8.根据权利要求7所述的装置,其特征在于,所述构建模块包括:
第一子模块,用于依据获取的来料钢种、厚度信息、轧制参数及历史经验数据,确定临界规格初始值和轧制负荷波动极限值;
第二子模块,用于获取同钢种前卷带钢轧制过程中末机架最大轧制力和平均轧制力;
第三子模块,用于基于所述最大轧制力和平均轧制力,计算实际轧制负荷波动值;
第四子模块,用于比较所述轧制负荷波动极限值与所述实际轧制负荷波动值的大小,输入所述临界规格初始值,确定实际临界规格值。
9.根据权利要求6所述的装置,其特征在于,所述确定模块具体用于:
根据设备能力及工艺条件,确定轧制策略优化的约束条件,涉及轧制力、轧制力矩、轧制功率、压下率、速度以及张力。
10.一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-5任一项所述的多目标优化的规格自适应轧制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390250.5A CN114798727B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多目标优化的规格自适应轧制方法和装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390250.5A CN114798727B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多目标优化的规格自适应轧制方法和装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114798727A true CN114798727A (zh) | 2022-07-29 |
CN114798727B CN114798727B (zh) | 2022-11-11 |
Family
ID=82536828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210390250.5A Active CN114798727B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多目标优化的规格自适应轧制方法和装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114798727B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101658871A (zh) * | 2009-09-03 | 2010-03-03 | 苏州有色金属研究院有限公司 | 不可逆铝板带冷轧机轧制规程的优化方法 |
JP2013246560A (ja) * | 2012-05-24 | 2013-12-09 | Nippon Steel & Sumitomo Metal | プロセス制御システム、プロセス制御方法、及びコンピュータプログラム |
CN105013832A (zh) * | 2014-04-28 | 2015-11-04 | 宝山钢铁股份有限公司 | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 |
JP2016074025A (ja) * | 2014-10-09 | 2016-05-12 | Jfeスチール株式会社 | 圧延機の制御方法及び制御装置 |
CN107716560A (zh) * | 2017-10-16 | 2018-02-23 | 北京金自天正智能控制股份有限公司 | 一种新型板带热连轧负荷分配方法 |
CN111250546A (zh) * | 2020-01-08 | 2020-06-09 | 燕山大学 | 一种基于内点惩罚函数法的边部减薄多点优化控制方法 |
CN113857266A (zh) * | 2021-09-16 | 2021-12-31 | 燕山大学 | 通过多目标优化制定单机架可逆冷轧机轧制规程的方法 |
-
2022
- 2022-04-14 CN CN202210390250.5A patent/CN114798727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101658871A (zh) * | 2009-09-03 | 2010-03-03 | 苏州有色金属研究院有限公司 | 不可逆铝板带冷轧机轧制规程的优化方法 |
JP2013246560A (ja) * | 2012-05-24 | 2013-12-09 | Nippon Steel & Sumitomo Metal | プロセス制御システム、プロセス制御方法、及びコンピュータプログラム |
CN105013832A (zh) * | 2014-04-28 | 2015-11-04 | 宝山钢铁股份有限公司 | 一种兼顾轧制能耗与良好板形的热轧带钢负荷分配方法 |
JP2016074025A (ja) * | 2014-10-09 | 2016-05-12 | Jfeスチール株式会社 | 圧延機の制御方法及び制御装置 |
CN107716560A (zh) * | 2017-10-16 | 2018-02-23 | 北京金自天正智能控制股份有限公司 | 一种新型板带热连轧负荷分配方法 |
CN111250546A (zh) * | 2020-01-08 | 2020-06-09 | 燕山大学 | 一种基于内点惩罚函数法的边部减薄多点优化控制方法 |
CN113857266A (zh) * | 2021-09-16 | 2021-12-31 | 燕山大学 | 通过多目标优化制定单机架可逆冷轧机轧制规程的方法 |
Non-Patent Citations (2)
Title |
---|
刘华强等: "多目标遗传算法在八辊五机架全连续冷连轧机轧制策略优化中的应用", 《冶金自动化》 * |
杨景明等: "基于改进自适应遗传算法的轧制规程优化设计", 《轧钢》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114798727B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104942019B (zh) | 一种带钢冷轧过程宽度自动控制方法 | |
CN101683659B (zh) | 冷轧带钢平直度和横向厚差综合控制方法 | |
CN101618402B (zh) | 冷轧带钢平直度控制方法 | |
JP5972395B2 (ja) | タンデム冷間圧延機における厚さのフィードフォワード制御方法 | |
KR100944314B1 (ko) | 권취 온도 제어 장치 및 제어 방법 | |
CN106475420A (zh) | 一种基于冷轧带钢目标板形设定的板形控制方法 | |
CN104923568B (zh) | 一种防止薄带钢冷轧过程断带的控制方法 | |
CN107363105A (zh) | 一种热轧卷头部厚度的控制方法及装置 | |
CN103949481B (zh) | 兼顾热轧带钢轧制稳定性和质量的平坦度分段控制方法 | |
CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
CN115815342A (zh) | 一种基于机理和数据融合模型的冷轧轧制力预测方法 | |
CN101934288B (zh) | 冷连轧压下分配方法 | |
CN114798727B (zh) | 一种基于多目标优化的规格自适应轧制方法和装置、电子设备 | |
CN115007658A (zh) | 基于深层循环神经网络的冷连轧轧制板形动态预测方法 | |
CN106269908B (zh) | 基于遗传的带钢楔形自动控制方法 | |
JP6772919B2 (ja) | 圧延制御方法、圧延制御装置及びプログラム | |
CN108971236A (zh) | 一种热连轧复合材质带钢的轧制力预报方法 | |
JP7211386B2 (ja) | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 | |
CN109731921B (zh) | 一种精轧机架间张力的计算方法 | |
CN113857266A (zh) | 通过多目标优化制定单机架可逆冷轧机轧制规程的方法 | |
CN114101337B (zh) | 一种单机架可逆轧机的厚度控制方法、装置 | |
KR100929015B1 (ko) | 압연재 소성계수 보정에 의한 예측압연하중 보정방법 | |
Wang et al. | Edge drop control of cold rolled silicon steel strip based on model predictive control | |
WO2024135050A1 (ja) | 粗圧延材の幅予測方法、粗圧延材の幅制御方法、熱延鋼板の製造方法、及び粗圧延材の幅予測モデルの生成方法 | |
KR100523218B1 (ko) | 사상압연 입측 엣저 갭 설정 장치 및 그 방법 |
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 |