CN114818456A - 一种冷连轧带钢全长变形抗力预测方法及优化方法 - Google Patents
一种冷连轧带钢全长变形抗力预测方法及优化方法 Download PDFInfo
- Publication number
- CN114818456A CN114818456A CN202210152425.9A CN202210152425A CN114818456A CN 114818456 A CN114818456 A CN 114818456A CN 202210152425 A CN202210152425 A CN 202210152425A CN 114818456 A CN114818456 A CN 114818456A
- Authority
- CN
- China
- Prior art keywords
- deformation resistance
- strip steel
- rolling
- length
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供了一种冷连轧带钢全长变形抗力预测方法及优化方法,属于冶金轧制领域。所述方法基于带钢冷轧历史生产数据,求出冷轧各机架的变形抗力,再拟合求解出变形抗力方程的参数,构建训练集和验证集;再构建带钢全长变形抗力预测模型,并采集训练集对模型进行训练,以热轧历史生产数据为输入,以变形抗力方程的参数为输出,训练和验证后得到成熟的预测模型,采集当前带钢热轧生产数据,并将数据输入成熟的预测模型中,输出当前带钢的全长变形抗力预测结果,并以头尾厚差为标准建立优化规则,对变形抗力及参数进行优化。本发明提高了预测的全面性、准确性及精度,提高了优化效果,并进一步提高了冷连轧带钢质量及生产效率。
Description
技术领域
本发明属于冶金轧制领域,具体涉及一种冷连轧带钢全长变形抗力预测方 法及优化方法。
技术背景
变形抗力是冷连轧生产过程当中的重要指标,它反映了带钢的强度,即金 属抵抗塑性变形的能力。在冷连轧生产过程中,强度越高的金属,需要越高的 轧制力使其达到所需的厚度值;同时,在实际生产过程中,由于热轧生产时带 钢全长的温度差异,会导致带钢产生不均匀的相变情况,也就会导致带钢全长 的力学性能不均匀,对冷轧过程产生相应的影响。因此要获得厚度精准的带钢, 需要合理地制定变形抗力的工艺参数。
现有技术中,申请号为CN 202010427080.4的中国专利公开了一种基于大数 据的热轧卷曲温度与终轧温度对平整变形抗力影响预测方法,通过获取平整的 生产工艺参数及带钢的碳含量,通过算法寻找出热轧终轧温度、卷曲温度、实 际碳含量对于变形抗力的影响系数,并通过公式计算出变形抗力的预测值,但 对冷轧阶段的变形抗力并未做预测;申请号为CN202010208339.6的中国专利公 开了一种基于钢板化学成分预测冷轧变形抗力的方法,通过收集生产过程中的 化学成分及力学性能参数,建立了一套不同化学成分对力学性能的影响系数组 和目标函数,使用Powell算法对冷轧钢板变形抗力进行预测,通过带钢的化学 成分预测冷轧钢板的变形抗力,但未考虑热轧过程中出现的不均匀相的影响,所预测的结果不准确;同时并不是针对全长进行预测,存在一定的局限性和不 全面性。
发明内容
鉴于现有技术中有上述问题,本发明实施例提供了一种冷连轧带钢全长变 形抗力预测方法及优化方法,同时考虑热轧和带钢自身成分的影响,并结合神 经网络模型,对冷连轧带钢全长变形抗力进行预测,提高预测的全面性、准确 性及精度,提高优化效果,并进一步提高冷连轧带钢质量及生产效率。
为了实现上述目的,本发明实施例采用如下技术方案:
第一方面,本发明实施例提供了一种冷连轧带钢全长变形抗力预测方法, 所述方法包括如下步骤:
步骤S1,获取带钢热轧历史生产数据及冷轧历史生产数据;
步骤S2,根据冷轧历史生产数据求出冷轧各机架的变形抗力,根据变形抗 力求解出带钢全长的变形抗力方程的参数;
步骤S3,对热轧历史生产数据进行预处理后,与相应的变形抗力方程参数 值构成对应采样点的数据对,若干组数据对作为数据集;将数据集分为训练集 和验证集;
步骤S4,构建带钢全长变形抗力预测模型,并采用训练集对模型进行训练, 以热轧历史生产数据为输入,以变形抗力方程的参数为输出,当达到预设训练 次数及计算精度时,再通过验证集进行验证,得到成熟的预测模型;
步骤S5,采集当前带钢热轧生产数据,并将数据输入成熟的预测模型中, 输出当前带钢的全长变形抗力预测结果。
作为本发明的一个优选实施例,所述热轧历史生产数据包括带钢长度序列 上的厚度、凸度、楔形、终轧温度及卷曲温度;冷轧历史生产数据包括冷轧长 度数据、各机架轧制力、各机架前后张力、带钢宽度、各机架出入口厚度、各 机架工作辊半径及摩擦系数。
作为本发明的一个优选实施例,所述根据冷轧历史生产数据求出冷轧各机 架的变形抗力,通过公式(1)-(5)计算变形抗力:
M1=P/[b×Dp×{R'×(H-h)}1/2] (1)
M2=-1.05×tb-0.1×tf-M1 (2)
M3=M2-1.15×tf+0.3×tb (3)
M4=M2×tf+0.15×tb2 (4)
kp=1/2×{(M32+4×M4)1/2-M3} (5)
式(1)-(5)中,M1、M2、M3、M4为过程参数,P为采样点的轧制力, b为带钢宽度,Dp为摩擦影响系数,R′为轧辊压扁半径,H为带钢入口厚度,h为带钢出口厚度,tb为带钢后张力,tf为带钢前张力,kp为变形抗力;
摩擦影响系数Dp的计算公式如(6)所示,轧辊压扁半径R′的计算公式 如(7)所示:
式(6)和(7)中,r为压下率,μ为摩擦系数,CH为斯托克斯系数;
压下率r的计算公式如式(8)所示,摩擦系数μ的计算公式如式(9)所示:
r=(H-((1-β)·H+β·h))/H (8)
式(8)和(9)中,β为固定系数,取0.75,vr为轧辊速度,Nr为该工作辊 所轧制过的带钢块数,μ0-μ6为系统固定参数。
作为本发明的一个优选实施例,所述对所有机架的变形抗力进行拟合求解 出带钢全长的变形抗力方程的参数,包括:根据公式(10)计算变形抗力参数L、 M、N:
kp=L(ln(1/(1-r))+M)N·(1000·ε)α (10)
式(10)中:
当15≤ks≤85时,α=5/(ks+23)-0.046;当85≤ks时,α=0,其中,ks=kp/(1000ε)α;
L、M、N为变形抗力方程参数,M为预设值,一般为一个固定值。
作为本发明的一个优选实施例,M=0.01。
作为本发明的一个优选实施例,在构建带钢全长变形抗力预测模型时,模 型参数包括:输入输出参数、权值、隐含层节点数、权值区间、计算精度及学 习速率。
作为本发明的一个优选实施例,对热轧历史生产数据的预处理,包括对数 据进行去除噪点和异常数据、数据归一化的操作,以使模型得到更好的计算效 果。
作为本发明的一个优选实施例,所述对热轧历史生产数据进行预处理后, 与相应的变形抗力方程参数构成对应采样点的数据对,包括:
对热轧历史数据和冷轧历史数据进行长度方向的对应与转换,将某采样点 的热轧历史生产数据与计算得到的对应采样点的变形抗力方程参数对应,得到 数据对,具体对应计算如式(11)所示:
式(11)中,XHR是热轧长度位置坐标,XCR是冷轧长度位置坐标;LHR是 热轧带钢总长度,LCR是冷轧带钢总长度。
第二方面,本发明实施例还提供了一种冷连轧带钢全长变形抗力优化方法, 所述优化方法包括上述的预测方法,还包括:
步骤S6,根据全长变形抗力预测结果,并以头尾厚差为标准建立优化规则, 对生产过程的变形抗力及参数进行优化。
由以上技术方案可以看出,本发明实施例所提供的冷连轧带钢全长变形抗 力优化方法,同时考虑热轧和带钢自身成分的影响,并结合神经网络模型,对 冷连轧带钢全长变形抗力进行预测,提高预测的全面性、准确性及精度,提高 了优化效果,并进一步提高了冷连轧带钢质量及生产效率。
附图说明
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,下面描述 中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它的附图。
图1为本发明实施例所提供的冷连轧带钢全长变形抗力预测方法流程图;
图2为本发明实施例中L值预测结果示意图;
图3为本发明实施例中N值预测结果示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确,所描述的实施例 仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例, 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例, 都属于本发明保护的范围。
图1为本发明实施例所提供的冷连轧带钢全长变形抗力预测方法流程图。
如图1所示,所述带钢全长变形抗力预测方法包括如下步骤:
步骤S1,获取带钢热轧历史生产数据及冷轧历史生产数据。
本步骤中,数据从当前轧制生产线所采集的历史生产数据中获取。其中, 热轧历史生产数据包括带钢长度序列上的厚度、凸度、楔形、终轧温度及卷曲 温度;冷轧历史生产数据包括冷轧长度数据、各机架轧制力、各机架前后张力、 带钢宽度、各机架出入口厚度、各机架工作辊半径及摩擦系数。这里的热轧历 史生产数据和冷轧历史生产数据是基于同一卷钢带相互对应的。
步骤S2,根据冷轧历史生产数据求出冷轧各机架的变形抗力,根据变形抗 力求解出带钢全长的变形抗力方程的参数。
本步骤中,求解全长变形抗力方程参数,根据轧制力公式反算出冷轧全长 的变形抗力。全长的变形抗力难以通过实验获得,因此这里通过计算获得。再 根据变形抗力拟合变形抗力方程参数。
其中,通过公式(1)-(5)计算变形抗力:
M1=P/[b×Dp×{R'×(H-h)}1/2] (1)
M2=-1.05×tb-0.1×tf-M1 (2)
M3=M2-1.15×tf+0.3×tb (3)
M4=M2×tf+0.15×tb2 (4)
kp=1/2×{(M32+4×M4)1/2-M3} (5)
式(1)-(5)中,M1、M2、M3、M4为过程参数,P为采样点的轧制力, b为带钢宽度,Dp为摩擦影响系数,R′为轧辊压扁半径,H为带钢入口厚度, h为带钢出口厚度,tb为带钢后张力,tf为带钢前张力,kp为变形抗力,根据上 述公式可以计算出带钢在冷轧任意机架的任意采样点处的变形抗力,具体位置 信息与设备采集频率有关,这里的采样点可以从生产时间上标记,也可以从带 钢的在不同机架的不同位置方面进行标记,例如,在第一机架的带钢冷轧开始 位为第一采样点,间隔预定距离后为第二采样点。本实施例为冷轧生产每3s进行一次采样记录。
摩擦影响系数Dp的计算公式如(6)所示,轧辊压扁半径R′的计算公式 如(7)所示:
式(6)和(7)中,r为压下率,μ为摩擦系数,通常由系统给出固定值, 但由于实际生产中轧制速度不恒定,进而导致摩擦系数与轧制力变化,因此需 要考虑轧制速度的影响才可以较为准确的计算出变形抗力值,CH为斯托克斯系 数,通常取固定值0.214×10-3。
压下率r的计算公式如式(8)所示,摩擦系数μ的计算公式如式(9)所示:
r=(H-((1-β)·H+β·h))/H (8)
式(8)和(9)中,β为固定系数,取0.75,vr为轧辊速度,Nr为该工作辊 所轧制过的带钢块数,μ0-μ6为系统固定参数,与润滑方式有关。
计算出变形抗力kp后,再根据公式(10)计算变形抗力参数L、M、N:
kp=L(ln(1/(1-r))+M)N·(1000·ε)α (10)
式(10)中:
当15≤ks≤85时,α=5/(ks+23)-0.046;当85≤ks时,α=0,其中,ks=kp/(1000ε)α。
L、M、N为变形抗力方程参数。根据各个机架采样点的kp,求解出全长各 采样点对应的L、N值,对于M值,在生产过程中通常取常数,本实施例中优 选为M=0.01。由以上过程,得到采样点的变形抗力方程的参数L、M和N。
步骤S3,对热轧历史生产数据进行预处理后,与相应的L和N值构成对应 采样点的数据对,若干组数据对作为数据集;将数据集分为训练集和验证集。
本步骤中,对热轧历史生产数据的预处理,包括对数据进行去除噪点和异 常数据、数据归一化的操作,以使模型得到更好的计算效果。
本步骤中,所述对热轧历史生产数据进行预处理后,与相应的L和N值构 成对应采样点的数据对,包括:对热轧历史数据和冷轧历史数据进行长度方向 的对应与转换,因为热冷轧过程中包括了切头尾等的相关操作,同时厚度较大 的热卷带钢不需要进行平整操作,因此热轧带钢尾部对应冷轧带钢头部。将热 冷轧长度位置的相关参数进行对应,就是将某采样点的热轧历史生产数据与计 算得到的对应采样点的变形抗力方程参数对应。具体对应计算如式(11)所示:
式(11)中,XHR是热轧长度位置坐标,XCR是冷轧长度位置坐标;LHR是 热轧带钢总长度,LCR是冷轧带钢总长度。通过上述对应,将热轧历史生产数据 中的采样点与冷轧带钢的相应位置进行对应,每一组数据对,对应带钢上的一 个采样点,若干卷带钢的相同位置处的采样点对应带钢卷数相同的数据对。
步骤S4,构建带钢全长变形抗力预测模型,并采集训练集对模型进行训练, 以热轧历史生产数据为输入,以变形抗力方程的参数为输出,当达到预设训练 次数及计算精度时,再通过验证集进行验证,得到成熟的预测模型。
本步骤中,在构建带钢全长变形抗力预测模型时,模型参数包括:输入输 出参数、权值、隐含层节点数、权值区间、计算精度及学习速率。上述模型参 数根据所选用的神经网络模型类型进行具体的调整。
所输入的数据包括热轧全长各位置厚度、终轧温度、两个测量点的卷曲温 度、带钢品种;所输出的数据包括:L、N值;变形抗力方程的参数M为指定 参数,优选为0.01。通过输出的L和N值与步骤S2所计算的L和N值的比较, 对模型参数进行不断的调整和校正,使得模型参数适用于带钢的所有采样点。
步骤S5,采集当前带钢热轧生产数据,并将数据输入成熟的预测模型中, 得到当前带钢的全长变形抗力预测结果。
本步骤中,所述全长变形抗力预测结果,首先由模型输出当前带钢上所有 采样点的变形抗力方程参数,再通过参数直接计算出各采样点的变形抗力。
相应的,将上述变形抗力预测结果应用于带钢冷连轧生产中,对变形抗力 进行优化。本发明实施例还提供了一种冷连轧带钢全长变形抗力优化方法,所 述优化方法包括上述步骤S1至步骤S5,还包括:
步骤S6,根据全长变形抗力预测结果,并以头尾厚差为标准建立优化规则, 对生产过程的变形抗力及参数进行优化。
再上述对应与转换的基础上进行变形抗力及参数进行优化。
下面通过一个具体的实例,对本实施例的冷连轧带钢全长变形抗力预测方 法及优化方法作进一步详细的说明。
以某1720冷连轧生产线为例,针对其头尾厚度超差,轧制力设定值与实际 值偏差较大的问题,对热轧后冷连轧带钢全长变形抗力进行预测,实施如下步 骤:
步骤S1,从数据采集系统中获取带钢热轧生产数据及冷轧生产数据;其中 热轧数据包括带钢长度序列上的厚度、凸度、楔形、终轧温度及卷曲温度;冷 轧生产数据包括各机架轧制力、各机架前后张力、带钢宽度、各机架出入口厚 度、各机架工作辊半径及摩擦系数。
步骤S2,根据热轧历史生产数据及冷轧历史生产数据求出冷轧各机架的变 形抗力,根据所有机架的变形抗力求解出带钢全长的变形抗力方程的参数。
同时厚度较大的热卷带钢不需要进行平整操作,对于该冷轧产线而言,厚 度大于1.8mm的热卷不需要进行平整。因此对厚度小于1.8mm的热轧带钢尾部 对应冷轧带钢头部。将热冷轧长度位置的相关参数进行对应。
步骤S3,对热轧历史生产数据进行预处理后,与相应的L和N值构成对应 采样点的数据对,若干组数据对作为数据集;将数据集分为训练集和验证集。
步骤S4,构建带钢全长变形抗力预测模型,并采集训练集对模型进行训练, 以热轧历史生产数据为输入,以变形抗力方程的参数为输出,当达到预设训练 次数及计算精度时,再通过验证集进行验证,得到成熟的预测模型。
本步骤中,所构建的带钢全长变形抗力预测模型,用于构建预测模型的神 经网络的输入节点数为4,输出层节点数为2,确定隐含层节点数为10。在进行 归一化后,确定BP神经网络权值调整率为0.003,最大训练次数为1000,单个 样本允许的误差为0.001,每次迭代允许的误差为0.005。样本数量20000条, 其中训练集16000条,验证集4000条。
以某钢种为例,预测模型对应某一钢卷的输入输出见表1。
表1
对应若干带钢钢卷,有若干上述输入输出表格。通过上述输入输出数据对 预测模型进行训练。训练完成后,再通过验证集进行验证,如图2所示,L值预 测误差为1.57%,如图3所示,N值预测误差为4.8%,预测结果较为良好。
步骤S5,采集当前带钢热轧生产数据,并将数据输入成熟的预测模型中, 输出当前带钢的全长变形抗力预测结果。
通过上述步骤,根据所预测的全长变形抗力预测结果,对轧制制度进行调 整和优化。
步骤S6,根据全长变形抗力预测结果,并以头尾厚差为标准建立优化规则, 对生产过程的变形抗力参数进行优化。
以某种品规的带钢为例,其优化前某采样点的变形抗力为固定值,其L值 设定为125,N值设定为0.15。生产时全长厚度超差3%的比例超过了15%,头 尾15m的厚度超差5%的比例达到了25%,该数据表明其存在变形抗力参数设 定不合理的问题。根据图2、图3的预测结果进行优化,统计其在全长方向的参 数波动,修正其L值为130,N值为0.1,并对应调整其他采点样的参数值。修 改参数后,生产时全长厚度超差3%的比例降至10%,头尾15m的厚度超差5% 的比例降至15%,优化效果显著。
结果表明,优化变形抗力参数后的带钢生产时轧制力更加趋于平缓,对于 变品规时生产更加稳定,尤其对于强度高的钢种,其优化效果更为明显。同时, 全长变形抗力的预测更有利于轧制力的设定,可以根据全长不同位置的性能自 动计算出相应的轧制力进行调节,很大程度上减缓了由于自动系统调节能力有 限而导致的带钢头尾厚度超限问题。
由以上技术方案可以看出,本发明实施例所提供的冷连轧带钢全长变形抗 力优化方法,同时考虑热轧和带钢自身成分的影响,并结合神经网络模型,对 冷连轧带钢全长变形抗力进行预测,提高预测的全面性、准确性及精度,提高 了优化效果,并进一步提高了冷连轧带钢质量及生产效率。
基于相同的思想,本发明实施例还提供了一种冷连轧带钢全长变形抗力优 化系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算 机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。 其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(RandomAccess Memory,RAM)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,可轻易想到 的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围 应以权利要求的保护范围为准。
Claims (9)
1.一种冷连轧带钢全长变形抗力预测方法,其特征在于,所述方法包括如下步骤:
步骤S1,获取带钢热轧历史生产数据及冷轧历史生产数据;
步骤S2,根据冷轧历史生产数据求出冷轧各机架的变形抗力,根据变形抗力求解出带钢全长的变形抗力方程的参数;
步骤S3,对热轧历史生产数据进行预处理后,与相应的变形抗力方程参数值构成对应采样点的数据对,若干组数据对作为数据集;将数据集分为训练集和验证集;
步骤S4,构建带钢全长变形抗力预测模型,并采用训练集对模型进行训练,以热轧历史生产数据为输入,以变形抗力方程的参数为输出,当达到预设训练次数及计算精度时,再通过验证集进行验证,得到成熟的预测模型;
步骤S5,采集当前带钢热轧生产数据,并将数据输入成熟的预测模型中,输出当前带钢的全长变形抗力预测结果。
2.根据权利要求1所述的冷连轧带钢全长变形抗力预测方法,其特征在于,所述热轧历史生产数据包括带钢长度序列上的厚度、凸度、楔形、终轧温度及卷曲温度;冷轧历史生产数据包括冷轧长度数据、各机架轧制力、各机架前后张力、带钢宽度、各机架出入口厚度、各机架工作辊半径及摩擦系数。
3.根据权利要求1所述的冷连轧带钢全长变形抗力预测方法,其特征在于,所述根据冷轧历史生产数据求出冷轧各机架的变形抗力,通过公式(1)-(5)计算变形抗力:
M1=P/[b×Dp×{R'×(H-h)}1/2] (1)
M2=-1.05×tb-0.1×tf-M1 (2)
M3=M2-1.15×tf+0.3×tb (3)
M4=M2×tf+0.15×tb2 (4)
kp=1/2×{(M32+4×M4)1/2-M3} (5)
式(1)-(5)中,M1、M2、M3、M4为过程参数,P为采样点的轧制力,b为带钢宽度,Dp为摩擦影响系数,R′为轧辊压扁半径,H为带钢入口厚度,h为带钢出口厚度,tb为带钢后张力,tf为带钢前张力,kp为变形抗力;
摩擦影响系数Dp的计算公式如(6)所示,轧辊压扁半径R′的计算公式如(7)所示:
式(6)和(7)中,r为压下率,μ为摩擦系数,CH为斯托克斯系数;
压下率r的计算公式如式(8)所示,摩擦系数μ的计算公式如式(9)所示:
r=(H-((1-β)·H+β·h))/H (8)
式(8)和(9)中,β为固定系数,vr为轧辊速度,Nr为该工作辊所轧制过的带钢块数,μ0-μ6为系统固定参数。
5.根据权利要求4所述的冷连轧带钢全长变形抗力预测方法,其特征在于,M=0.01。
6.根据权利要求1所述的冷连轧带钢全长变形抗力预测方法,其特征在于,在构建带钢全长变形抗力预测模型时,模型参数包括:输入输出参数、权值、隐含层节点数、权值区间、计算精度及学习速率。
7.根据权利要求1所述的冷连轧带钢全长变形抗力预测方法,其特征在于,对热轧历史生产数据的预处理,包括对数据进行去除噪点和异常数据、数据归一化的操作,以使模型得到更好的计算效果。
9.一种冷连轧带钢全长变形抗力优化方法,其特征在于,所述优化方法包括权利要求1-8任一项所述的预测方法,还包括:
步骤S6,根据全长变形抗力预测结果,并以头尾厚差为标准建立优化规则,对生产过程的变形抗力及参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210152425.9A CN114818456B (zh) | 2022-02-18 | 2022-02-18 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210152425.9A CN114818456B (zh) | 2022-02-18 | 2022-02-18 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818456A true CN114818456A (zh) | 2022-07-29 |
CN114818456B CN114818456B (zh) | 2023-01-24 |
Family
ID=82527868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210152425.9A Active CN114818456B (zh) | 2022-02-18 | 2022-02-18 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818456B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114192586A (zh) * | 2021-12-14 | 2022-03-18 | 杭州电子科技大学 | 基于前馈控制法的带钢冷轧过程油膜厚度测量与调节装置 |
CN117019882A (zh) * | 2023-08-24 | 2023-11-10 | 北京科技大学 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
CN117840232A (zh) * | 2024-03-05 | 2024-04-09 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
CN117840232B (zh) * | 2024-03-05 | 2024-05-31 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06142726A (ja) * | 1992-11-12 | 1994-05-24 | Nkk Corp | 圧延変形抵抗の予測方法 |
CN102513351A (zh) * | 2011-12-24 | 2012-06-27 | 东北大学 | 一种带钢冷连轧轧制方法及装置 |
CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
CN104898430A (zh) * | 2015-06-03 | 2015-09-09 | 北京首钢自动化信息技术有限公司 | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 |
CN111191822A (zh) * | 2019-12-18 | 2020-05-22 | 河钢股份有限公司承德分公司 | 钢材的参数预测方法及终端设备 |
CN111570534A (zh) * | 2020-06-18 | 2020-08-25 | 燕山大学 | 酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法 |
CN112387791A (zh) * | 2020-12-03 | 2021-02-23 | 北京首钢自动化信息技术有限公司 | 冷轧带钢的轧制温度确定方法及确定系统 |
CN113434968A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于钢板化学成分预测冷轧变形抗力的方法 |
CN113434994A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 |
CN113987949A (zh) * | 2021-11-03 | 2022-01-28 | 燕山大学 | 一种基于数据驱动的板带钢变形抗力预测方法 |
CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 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 |
-
2022
- 2022-02-18 CN CN202210152425.9A patent/CN114818456B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06142726A (ja) * | 1992-11-12 | 1994-05-24 | Nkk Corp | 圧延変形抵抗の予測方法 |
CN102513351A (zh) * | 2011-12-24 | 2012-06-27 | 东北大学 | 一种带钢冷连轧轧制方法及装置 |
CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
CN104898430A (zh) * | 2015-06-03 | 2015-09-09 | 北京首钢自动化信息技术有限公司 | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 |
CN111191822A (zh) * | 2019-12-18 | 2020-05-22 | 河钢股份有限公司承德分公司 | 钢材的参数预测方法及终端设备 |
CN113434968A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于钢板化学成分预测冷轧变形抗力的方法 |
CN113434994A (zh) * | 2020-03-23 | 2021-09-24 | 上海梅山钢铁股份有限公司 | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 |
CN111570534A (zh) * | 2020-06-18 | 2020-08-25 | 燕山大学 | 酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法 |
CN112387791A (zh) * | 2020-12-03 | 2021-02-23 | 北京首钢自动化信息技术有限公司 | 冷轧带钢的轧制温度确定方法及确定系统 |
CN113987949A (zh) * | 2021-11-03 | 2022-01-28 | 燕山大学 | 一种基于数据驱动的板带钢变形抗力预测方法 |
CN114021290A (zh) * | 2022-01-04 | 2022-02-08 | 东北大学 | 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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114192586A (zh) * | 2021-12-14 | 2022-03-18 | 杭州电子科技大学 | 基于前馈控制法的带钢冷轧过程油膜厚度测量与调节装置 |
CN117019882A (zh) * | 2023-08-24 | 2023-11-10 | 北京科技大学 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
CN117019882B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
CN117840232A (zh) * | 2024-03-05 | 2024-04-09 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
CN117840232B (zh) * | 2024-03-05 | 2024-05-31 | 东北大学 | 一种基于增量学习的热轧过程宽度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114818456B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
CN104942019B (zh) | 一种带钢冷轧过程宽度自动控制方法 | |
CN108637020A (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
CN105363794B (zh) | 一种基于力学性能预报和轧制能耗模型的精轧节能控制方法 | |
CN113434994B (zh) | 一种基于热轧原板热轧工艺参数预测冷轧变形抗力的方法 | |
CN103506404A (zh) | 一种带钢精轧过程辊缝的控制方法 | |
CN108817103A (zh) | 一种轧钢模型钢族层别分类优化方法 | |
US3713313A (en) | Computer controlled rolling mill | |
US5778151A (en) | Method and control device for controlling a material-processing process | |
CN111570534B (zh) | 酸轧机组热轧特性对摩擦系数影响预测方法 | |
CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
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 | |
KR20140090925A (ko) | 설정치 계산 장치, 설정치 계산 방법, 및 설정치 계산 프로그램이 기억된 기억 매체 | |
CN110052507B (zh) | 一种带钢卷取厚度控制方法及装置 | |
CN112387791B (zh) | 冷轧带钢的轧制温度确定方法及确定系统 | |
CN116020885A (zh) | 一种复合板热连轧精轧轧制力的预测方法 | |
JP4696775B2 (ja) | 板幅制御方法および装置 | |
JP6136544B2 (ja) | 仕上圧延前温度算出方法、仕上圧延前温度制御方法、仕上圧延前温度算出装置および仕上圧延前温度制御装置 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN113434968A (zh) | 一种基于钢板化学成分预测冷轧变形抗力的方法 | |
CN105631231A (zh) | 一种对热轧过程温度实测值进行修正的方法 | |
JP7298645B2 (ja) | 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法 | |
RU2655398C2 (ru) | Способ производства проката | |
CN111570532B (zh) | 热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
CN115106384A (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 |
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 |