CN114918258A - 一种冷连轧机基于大数据的来料断面形状窜辊补偿方法 - Google Patents

Abstract

一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，通过数据统计的方法，将大量采集的来料凸度值进行分类、分组处理，计算每组平均的来料凸度值、板形值，同时取所有来料凸度值中最大的Y个值分为一组，计算来料凸度的平均值、板形值以及边降值，最后建立优化目标函数，使其在不超过窜辊设定的最大板形值和边降值，获得各机架最佳窜辊量补偿值。一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，基于大数据的统计方法，以成品带钢板形质量为目的，在边降值允许的范围内，获得不同种类、不同规格的带钢最优窜辊补偿值，解决生产中高精度要求的问题。

Description

一种冷连轧机基于大数据的来料断面形状窜辊补偿方法

技术领域

本发明涉及冷轧技术领域，特别涉及一种冷连轧机基于大数据的来料断面形状窜辊补偿方法。

背景技术

随着经济和科技的快速发展，家电行业技术不断更新，冷轧家电板的需求量也不断增加，为了满足后序加工工序的需要，冷连轧生产家电板时对板形和边部减薄量有较高的要求。但在实际冷轧家电板中，通常存在边降幅度过大和板形质量不好的问题，这些问题主要是由于带钢在经过轧辊时带钢边部的金属横向流动和轧辊的弹性压扁造成的。一般情况下为了解决此问题会采用带锥度、可进行窜辊的轧机进行轧制。但轧辊弹性压扁造成存在边降现象，并且来料凸度的不同也会对成品带钢的板形和边部减薄造成影响，因此获得具有良好板形带钢的重要条件之一是来料断面形状和承载辊缝形状相匹配。

发明内容

针对现有技术存在的问题及技术要求，本发明的目的是提供了一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，通过数据统计的方法，将大量采集的来料凸度值进行分类、分组处理，计算每组平均的来料凸度值、板形值，同时取所有来料凸度值中最大的Y个值分为一组，计算来料凸度的平均值、板形值以及边降值，最后建立优化目标函数，使其在不超过窜辊设定的最大板形值和边降值，获得各机架最佳窜辊量补偿值。

为了达到上述目的，本发明采用以下技术方案实现：

一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，包括以下由计算机执行的步骤：

(a)收集冷轧机组的主要设备与工艺参数，包括：1-x#工作辊辊径D_wz，1-x#工作辊辊身长度L_wz，1-x#工作辊弯辊缸中心距l_wz，1-x#支撑辊压下螺丝中心距l_bz，1-x#工作辊的弹性模量E、1-x#工作辊的泊松比ν，z＝{1,2，…,x}表示机架数，来料宽度B，来料厚度h₀，轧制压力设定值P_z，前张力设定值T_1z，后张力设定值T_0z；

(b)采集n卷带钢的来料凸度值a_i；

(c)把n卷带钢的凸度值分为m组，j表示某一组带钢的组号，即各个组号为 1,2,3,···,j,···,m，则每组含有

个钢卷的凸度数据，N个钢卷中的某一卷带钢用k表示，即各个卷号为1,2,3,···,k,···,N，计算每组带钢的平均凸度值

每组凸度所对应的板形值为I_qj；

(d)取所有凸度值中最大的Y个值分为一组，共有

卷带钢，用c表示该组中某一卷带钢，则此组带钢来料凸度的平均值为

记此种情况下所对应的板形值为I_p，边降值为y_p；

(e)定义中间变量：最大板形值I^*，各机架最优窜辊量δ_uz，各机架弯辊力最大值δ_zmax，各机架窜辊量优化步长Δδ，其中优化步长可根据计算量的大小进行上下调整，各机架窜辊量增值参数k_z，允许边降最大值

定义优化目标函数为F(X)；

(f)令k₁＝0，F_u(X)＝10¹⁰；

(g)令δ₁＝δ₁+k₁·Δδ，判断δ₁＜δ_1max是否成立，若成立，进入步骤(h)，若不成立，进入步骤(t)；

(h)令k₂＝0；

(i)令δ₂＝δ₂+k₂·Δδ，判断δ₂＜δ_2max是否成立，若成立，进入步骤(j)，若不成立，令k₁＝k₁+1，进入步骤(g)；

(j)令k₃＝0；

(k)令δ₃＝δ₃+k₃·Δδ，判断δ₃＜δ_3max是否成立，若成立，进入步骤(l)，若不成立，令k₂＝k₂+1，进入步骤(i)；

(l)令k_w＝0；

(m)令δ_w＝δ_w+k_w·Δδ，判断δ_w＜δ_wmax是否成立，若成立，进入步骤(n)，若不成立，令k_w-1＝k_w-1+1，进入步骤(i)；

(n)令k_x＝0；

(o)令δ_x＝δ_x+k_x·Δδ，判断δ_x＜δ_xmax是否成立，若成立，进入步骤(p)，若不成立，令k_x-1＝k_x-1+1，进入步骤(m)；

(p)计算来料凸度取Y个最大值时的板形值I_p和边降值y_p，判断I_p＜I^*和

是否同时成立，若成立，进入步骤(q)，若不成立，令k_x＝k_x+1，进入步骤(o)；

(q)计算m组来料凸度各组的板形值I_qj，设定优化目标函数F(X)，系列窜辊设定值F_u(X)，表示为

式中λ_j为各组的加权系数，且λ₁+λ₂+···+λ_m＝1，可根据实际情况赋值，判断F(X)＜F_u(X)是否成立，若成立，进入步骤(r)，若不成立，令k₅＝k₅+1，进入步骤(o)；

(r)令F(X)＝F_u(X)；

(s)判断δ₁＜δ_1max是否成立，若成立，令k_x＝k_x+1，进入步骤(o)，若不成立进入步骤(t)；

(t)输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu，z＝{1,2，…,x}。

所述的步骤(b)中，采集n卷带钢的来料凸度值中，n≥1000。

所述的步骤(c)中，对采集的来料凸度值按照钢材种类和规格进行分类，将同种类的来料凸度值进行分组，再以各机架窜辊量为优化变量，计算每组带钢的平均凸度值和对应的板形值。

所述的步骤(d)中，取采集的所有来料凸度值中最大的10％分为一组，计算此组的板形值和边降值，并且计算所得的板形值和边降值不超过最大板形值和边降值。

所述的步骤(q)至(t)中，通过建立优化目标函数F(X)，并令F(X)＝F_u(X)，输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu。

与现有技术相比，本发明的有益效果是：

本发明一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，以上各个步骤中所用到的数据均可从实际生产中得到，且计算方法为自主研究得到，本发明能够利用大数据统计方法，针对不同钢种不同规格的带钢设定不同的最佳弯辊力，使得在不超过允许边降的范围内板形质量达到最佳。该方案拥有独立自主的计算方法，缩短调整板形质量的周期并减少人工调控的不稳定性，在降低生产成本的同时提升产品板形质量，创新性和实用性强，对现场高效稳定的生产具有很强的指导意义。

上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下列举本发明的具体实施方法。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述及其他目的、特征和优点，但不作为对本发明的限定。

附图说明

图1为本发明的计算流程图；

图2为本发明的TDX51D+AZ钢种规格960mm×2.2mm带钢的窜辊量优化前后成品带钢板形值对比图；

图3为本发明的TDX51D+AZ钢种规格1250mm×2.6mm带钢的窜辊量优化前后成品带钢板形值对比图。

具体实施方式

为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

以下结合附图对本发明提供的具体实施方式进行详细说明。

实施例1：

选择TDX51D+AZ钢种规格为960mm×2.2mm的带钢为例，在保持其他因素不变的情况下，利用优化后的窜辊量与原窜辊量进行成品带钢板形对比，得出结果，如图2所示，使用优化后的窜辊量得到的成品带钢板形更好。

如图1所示，一种冷连轧机基于大数据的来料断面形状窜辊补偿方法的计算流程图，其执行的步骤为：

(a)收集冷轧机组的主要设备与工艺参数，包括：1-5#工作辊辊径 D_wz＝{405.66mm，412.30mm，404.29mm，394.23mm，424.36mm}，1-5#工作辊辊身长度 L_wz＝{1500mm，1500mm，1500mm，1500mm，1500mm}，1-5#工作辊弯辊缸中心距 l_wz＝{2390mm，2390mm，2390mm，2390mm，2390mm}，1-5#支撑辊压下螺丝中心距 l_bz＝{2520mm，2520mm，2520mm，2520mm，2520mm}，1-5#工作辊的弹性模量E＝210GPa、 1-5#工作辊的泊松比ν＝0.3，z＝{1，2，3，4，5}表示机架数，取1-5，来料宽度B＝980mm，来料厚度h₀＝2.2mm，轧制压力设定值P_z＝{9.60MN，12.55MN，11.56MN，10.34MN，2.60MN}，前张力设定值T_1z＝{72.0MPa，129.0MPa，137.0MPa，146.0MPa，152.0MPa}，后张力设定值 T_0z＝{127.0MPa，72.0MPa，129.0MPa，137.0MPa，146.0MPa}；

(b)采集n＝1000卷带钢的来料凸度值a_i＝{44，45，42，51，56,...，54，56，54}μm；

(c)把n＝1000卷带钢的凸度值分为m＝100组，用j表示，则每组含有

个凸度数据，用k表示每组种的钢卷数，计算每组带钢的平均凸度值 a_j＝{45，46,45,44,...,46，45，45}，每组凸度所对应的板形值为I_qj；

(d)取所有凸度值中最大的10％分为一组，共有

卷带钢，用x表示该组中某一卷带钢，则此组带钢来料凸度的平均值为a_p＝67μm，记此种情况下所对应的板形值为I_p，边降值为y_p；

(e)定义中间变量：最大板形值I^*＝8，各机架最优窜辊量δ_uz，各机架弯辊力最大值δ_zmax，各机架窜辊量优化步长根据本次计算过程中计算量的大小取Δδ＝1，各机架窜辊量增值参数k_z，允许边降最大值

定义目标函数为F(X)；

(f)令k₁＝0，F_u(X)＝10¹⁰；

(g)令δ₁＝δ₁+k₁·Δδ，判断δ₁＜δ_1max是否成立，若成立，进入步骤(h)，若不成立，进入步骤(t)；

(h)令k₂＝0；

(i)令δ₂＝δ₂+k₂·Δδ，判断δ₂＜δ_2max是否成立，若成立，进入步骤(j)，若不成立，令k₁＝k₁+1，进入步骤(g)；

(j)令k₃＝0；

(k)令δ₃＝δ₃+k₃·Δδ，判断δ₃＜δ_3max是否成立，若成立，进入步骤(l)，若不成立，令k₂＝k₂+1，进入步骤(i)；

(l)令k₄＝0；

(m)令δ₄＝δ₄+k₄·Δδ，判断δ₄＜δ_4max是否成立，若成立，进入步骤(n)，若不成立，令k₃＝k₃+1，进入步骤(i)；

(n)令k₅＝0；

(o)令δ₅＝δ₅+k₅·Δδ，判断δ₅＜δ_5max是否成立，若成立，进入步骤(p)，若不成立，令k₄＝k₄+1，进入步骤(m)；

(p)计算来料凸度取最大10％时的板形值I_p＝5.6和边降值y_p＝3.6μm，I_p＜I^*和

同时成立，进入步骤(q)；

(q)计算m组来料凸度各组的板形值I_qj＝{4.5，4.6,4.4,4.5,...,4.7,4.5,4.5}，λ₁＝λ₂＝λ₃＝...＝λ₁₀₀＝0.01，计算目标函数F(X)＝0.045，F(X)＜F_u(X)成立，进入步骤(r)；

(r)令F_u(X)＝0.045；

(s)δ₁＜δ_1max不成立，进入步骤(t)；

(t)输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu＝{15.5，15.5，15.5,15.5,15.5}， z＝{1，2，3，4，5}。

实施例2：

其中选择TDX51D+AZ钢种规格为1250mm×2.6mm的带钢为例，在保持其他因素不变的情况下，利用优化后的窜辊量与原窜辊量进行成品带钢板形对比，得出结果，如图3 所示，使用优化后的窜辊量得到的成品带钢板形更好。

如图1所示，一种冷连轧机基于大数据的来料断面形状窜辊补偿方法的计算流程图，其执行的步骤为：

(a)收集冷轧机组的主要设备与工艺参数，包括：1-5#工作辊辊径 D_wz＝{403.56mm，411.30mm，403.29mm，392.77mm，423.44mm}，1-5#工作辊辊身长度 L_wz＝{1500mm，1500mm，1500mm，1500mm，1500mm}，1-5#工作辊弯辊缸中心距 l_wz＝{2390mm，2390mm，2390mm，2390mm，2390mm}，1-5#支撑辊压下螺丝中心距 l_bz＝{2520mm，2520mm，2520mm，2520mm，2520mm}，1-5#工作辊的弹性模量E＝210GPa、 1-5#工作辊的泊松比ν＝0.3，z＝{1，2，3，4，5}表示机架数，取1-5，来料宽度B＝1250mm，来料厚度h₀＝2.6mm，轧制压力设定值 P_z＝{9.50MN，11.54MN，10.66MN，9.29MN，2.50MN}，前张力设定值 T_1z＝{70.0MPa，130.0MPa，140.0MPa，150.0MPa，155.0MPa}，后张力设定值 T_0z＝{130.0MPa，140.0MPa，150.0MPa，155.0MPa，40.0MPa}；

(b)采集n＝2000卷带钢的来料凸度值a_i＝{46，45，45，47,...,46，44，45}μm；

(c)把n＝2000卷带钢的凸度值分为m＝100组，用j表示，则每组含有

个凸度数据，用k表示每组种的钢卷数，计算每组带钢的平均凸度值 a_j＝{42，44,44,45,...,43,44,45}，每组凸度所对应的板形值为I_qj；

(d)取所有凸度值中最大的10％分为一组，共有

卷带钢，用x表示该组中某一卷带钢，则此组带钢来料凸度的平均值为a_p＝62μm，记此种情况下所对应的板形值为I_p，边降值为y_p；

(e)定义中间变量：最大板形值I^*＝8，各机架最优窜辊量δ_uz，各机架弯辊力最大值δ_zmax，各机架窜辊量优化步长Δδ＝1，各机架窜辊量增值参数k_z，允许边降最大值

定义目标函数为F(X)；

(f)令k₁＝0，F_u(X)＝10¹⁰；

(g)令δ₁＝δ₁+k₁·Δδ，判断δ₁＜δ_1max是否成立，若成立，进入步骤(h)，若不成立，进入步骤(t)；

(h)令k₂＝0；

(i)令δ₂＝δ₂+k₂·Δδ，判断δ₂＜δ_2max是否成立，若成立，进入步骤(j)，若不成立，令k₁＝k₁+1，进入步骤(g)；

(j)令k₃＝0；

(k)令δ₃＝δ₃+k₃·Δδ，判断δ₃＜δ_3max是否成立，若成立，进入步骤(l)，若不成立，令k₂＝k₂+1，进入步骤(i)；

(l)令k₄＝0；

(m)令δ₄＝δ₄+k₄·Δδ，判断δ₄＜δ_4max是否成立，若成立，进入步骤(n)，若不成立，令k₃＝k₃+1，进入步骤(i)；

(n)令k₅＝0；

(o)令δ₅＝δ₅+k₅·Δδ，判断δ₅＜δ_5max是否成立，若成立，进入步骤(p)，若不成立，令k₄＝k₄+1，进入步骤(m)；

(p)计算来料凸度取最大10％时的板形值I_p＝5.2和边降值y_p＝3.1μm，I_p＜I^*和 y_P＜y^* _p同时成立，进入步骤(q)；

(q)计算m组来料凸度各组的板形值I_qj＝{4.4，4.5,4.3,4.4,...,4.3,4.3,4.5}，λ₁＝λ₂＝...＝λ₁₀₀＝0.01，计算目标函数F(X)＝0.043，F(X)＜F_u(X)成立，进入步骤(r)；

(r)令F_u(X)＝0.043；

(s)δ₁＜δ_1max不成立，进入步骤(t)；

(t)输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu＝{44.1，44.1，44.1,44.1,44.1}，z＝{1，2，3，4，5}。

以上所述实例的各技术特征可以进行任意组合，为使描述简洁，未对上述实例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和非实质性的改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (5)

1.一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，其特征在于：包括以下由计算机执行的步骤：

(a)收集冷轧机组的主要设备与工艺参数，包括：1-x#工作辊辊径D_wz，1-x#工作辊辊身长度L_wz，1-x#工作辊弯辊缸中心距l_wz，1-x#支撑辊压下螺丝中心距l_bz，1-x#工作辊的弹性模量E、1-x#工作辊的泊松比ν，z＝{1,2，…,x}表示机架数，来料宽度B，来料厚度h₀，轧制压力设定值P_z，前张力设定值T_1z，后张力设定值T_0z；

(b)采集n卷带钢的来料凸度值a_i；

(c)把n卷带钢的凸度值分为m组，j表示某一组带钢的组号，即各个组号为1,2,3,···,j,···,m，则每组含有

个钢卷的凸度数据，N个钢卷中的某一卷带钢用k表示，即各个卷号为1,2,3,···,k,···,N，计算每组带钢的平均凸度值

每组凸度所对应的板形值为I_qj；

(d)取所有凸度值中最大的Y个值分为一组，共有

卷带钢，用c表示该组中某一卷带钢，则此组带钢来料凸度的平均值为

记此种情况下所对应的板形值为I_p，边降值为y_p；

(e)定义中间变量：最大板形值I^*，各机架最优窜辊量δ_uz，各机架弯辊力最大值δ_zmax，各机架窜辊量优化步长Δδ，其中优化步长可根据计算量的大小进行上下调整，各机架窜辊量增值参数k_z，允许边降最大值

定义优化目标函数为F(X)；

(f)令k₁＝0，F_u(X)＝10¹⁰；

(g)令δ₁＝δ₁+k₁·Δδ，判断δ₁＜δ_1max是否成立，若成立，进入步骤(h)，若不成立，进入步骤(t)；

(h)令k₂＝0；

(i)令δ₂＝δ₂+k₂·Δδ，判断δ₂＜δ_2max是否成立，若成立，进入步骤(j)，若不成立，令k₁＝k₁+1，进入步骤(g)；

(j)令k₃＝0；

(k)令δ₃＝δ₃+k₃·Δδ，判断δ₃＜δ_3max是否成立，若成立，进入步骤(l)，若不成立，令k₂＝k₂+1，进入步骤(i)；

(l)令k_w＝0；

(m)令δ_w＝δ_w+k_w·Δδ，判断δ_w＜δ_wmax是否成立，若成立，进入步骤(n)，若不成立，令k_w-1＝k_w-1+1，进入步骤(i)；

(n)令k_x＝0；

(o)令δ_x＝δ_x+k_x·Δδ，判断δ_x＜δ_xmax是否成立，若成立，进入步骤(p)，若不成立，令k_x-1＝k_x-1+1，进入步骤(m)；

(p)计算来料凸度取Y个最大值时的板形值I_p和边降值y_p，判断I_p＜I^*和

是否同时成立，若成立，进入步骤(q)，若不成立，令k_x＝k_x+1，进入步骤(o)；

(q)计算m组来料凸度各组的板形值I_qj，设定优化目标函数F(X)，系列窜辊设定值F_u(X)，表示为

式中λ_j为各组的加权系数，且λ₁+λ₂+···+λ_m＝1，可根据实际情况赋值，判断F(X)＜F_u(X)是否成立，若成立，进入步骤(r)，若不成立，令k₅＝k₅+1，进入步骤(o)；

(r)令F(X)＝F_u(X)；

(s)判断δ₁＜δ_1max是否成立，若成立，令k_x＝k_x+1，进入步骤(o)，若不成立进入步骤(t)；

(t)输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu，z＝{1,2，…,x}。

2.根据权利要求1所述的一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，其特征在于，所述的步骤(b)中，采集n卷带钢的来料凸度值中，n≥1000。

3.根据权利要求1所述的一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，其特征在于，所述的步骤(c)中，对采集的来料凸度值按照钢材种类和规格进行分类，将同种类的来料凸度值进行分组，再以各机架窜辊量为优化变量，计算每组带钢的平均凸度值和对应的板形值。

4.根据权利要求1所述的一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，其特征在于，所述的步骤(d)中，取采集的所有来料凸度值中最大的10％分为一组，计算此组的板形值和边降值，并且计算所得的板形值和边降值不超过最大板形值和边降值。

5.根据权利要求1所述的一种冷连轧机基于大数据的来料断面形状窜辊补偿方法，其特征在于，所述的步骤(q)至(t)中，通过建立优化目标函数F(X)，并令F(X)＝F_u(X)，输出目标函数最小时的各机架最佳窜辊量补偿值δ_zu。

Images