CN115121626B - 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 - Google Patents
一种基于误差补偿的热轧带钢瞬态热辊型预报方法 Download PDFInfo
- Publication number
- CN115121626B CN115121626B CN202210751905.7A CN202210751905A CN115121626B CN 115121626 B CN115121626 B CN 115121626B CN 202210751905 A CN202210751905 A CN 202210751905A CN 115121626 B CN115121626 B CN 115121626B
- Authority
- CN
- China
- Prior art keywords
- hot
- error compensation
- online
- roll shape
- hot roll
- 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
Images
Classifications
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
- B21B37/30—Control of flatness or profile during rolling of strip, sheets or plates using roll camber control
-
- 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
-
- 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
-
- 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
- B21B2001/225—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 by hot-rolling
-
- 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)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供了一种基于误差补偿的热轧带钢瞬态热辊型预报方法,涉及热连轧热辊型预报技术领域,包括如下步骤:根据实际轧辊参数、带钢参数和轧制规程,利用热平衡方程,分别计算得到在线和离线热辊型预报曲线;根据离线热辊型实测曲线,回归离线冷却换热系数,同时反算在线冷却换热系数和,从而获得在线热辊型的误差补偿值;基于现场参数的误差补偿值代入智能模型,得到输入值与误差补偿值的对应关系并绘制形成误差补偿曲线;将所述热辊型预报曲线与误差补偿曲线结合,得到在线和离线热辊型预报曲线。本发明通过利用机理模型和智能算法共同作用,获得在线和离线热辊型误差补偿曲线,在保证热辊型预报速度的同时,有效地提高了热辊型预报的准确性。
Description
技术领域
本发明涉及热连轧热辊型预报技术领域,具体而言,尤其涉及一种基于误差补偿的热轧带钢瞬态热辊型预报方法。
背景技术
热轧板带是最主要的钢材产品,板带比是衡量一个国家冶金工业生产技术水平的重要标志,对整个国家工业、国防、农业和其它关键性领域中生产技术的发展和进步有着举足轻重的影响。热轧板带作为重要的钢材品种,随着轧制技术的飞速发展,对带钢的板形、板凸度要求越来越高。在热轧过程中,因为带钢温度较高,轧辊受热产生膨胀而发生的变形对板形、板凸度的影响是十分显著的。如果能实时明确轧辊的热辊型变化,既能提前调整在线辊缝,改善热轧带钢的板形、板凸度情况,又可提高轧机换辊效率和原始辊型磨削精度。
目前对热轧的热辊型预报主要是通过热平衡机理方程,利用有限差分方程计算出轧辊的瞬间温度进而求解轧辊的热辊型。但因为对边界条件进行简化和现场复杂的工况,预报的准确性一直是此类办法的弊病。通过对预报结果及时纠正,使其向准确的结果靠近,既可以快速地预测,又在预测的同时趋向于正确结果,这就是误差补偿的作用。既可以提高预测的准确性,又极大地提高了预测速度。针对复杂的工况,误差补偿要根据外界条件的差异及时调整,接近实测辊型。这就需要利用智能算法进行训练模型,通过改变边界条件,不断反馈适用于此类工况的误差补偿。
发明内容
有鉴于此,本发明的目的在于提出一种基于误差补偿的热轧带钢瞬态热辊型预报方法,利用机理模型和智能算法模型得到轧辊热辊型的误差补偿,快速准确地预报轧辊热辊型。以解决现有现有热辊型预报方法因边界条件进行简化和现场复杂的工况而导致预报结果不准确的技术问题。
本发明采用的技术手段如下:
一种基于误差补偿的热轧带钢瞬态热辊型预报方法,所述方法包括如下步骤:
根据实际轧辊参数、带钢参数和轧制规程,利用热平衡方程,分别计算得到在线和离线热辊型预报曲线;
根据离线热辊型实测曲线,回归离线冷却换热系数,同时反算在线冷却换热系数和,从而获得在线热辊型的误差补偿值;
基于现场参数的误差补偿值代入智能模型,得到输入值与误差补偿值的对应关系并绘制形成误差补偿曲线,择优形成标准样本数据,存入数据库中;
根据工况实际,将所述热辊型预报曲线与误差补偿曲线结合,得到在线和离线热辊型预报曲线。
进一步地,利用热平衡机理方程得到在线热辊型预报曲线和离线热辊型预报曲线包括如下步骤:
利用热平衡方程及热平衡方程的有限差分式,将现场参数作为边界条件,根据边界条件,耦合带材温度求解轧辊节点的瞬时温度;
利用热辊型实测曲线的数据对热平衡差分方程中的等效换热系数进行回归,得到在线和离线的等效换热系数
基于轧辊在线轧制节奏、下机时间和实测表面温度,利用回归的等效换热系数,计算出在线和离线的热膨胀量变化,获得不同时刻及不同边界条件的在线和离线热辊型预报曲线。
进一步地,所述轧辊参数包括轧辊半径、轧辊初始温度和轧辊材质参数;所述轧制规程数据包括轧制时长和每一道次的压下量、轧制力和轧制速度;带钢参数包括带钢初始温度、带钢规格、带钢材质参数;轧辊和带钢的材质参数包括导热系数、密度、比热容和热膨胀系数。
进一步地,所述智能算法模型采用神经网络训练模型,包括一层输入层,一层隐含层,一层输出层;所述输入层包括五个节点,分别为在线轧制节奏、轧辊表面温度、轧辊直径、冷却换热系数、轧辊热膨胀系数;所述隐含层有六个节点;所述输出层有一个节点,为误差补偿值。
进一步地,所述热辊型预报方法的在线调控方法为:
通过轧辊的原始辊型和轧制参数,获取在线辊缝曲线;
利用所述热辊型预报方法获取在线热辊型曲线,得到热辊型偏差曲线;
根据所述热辊型偏差曲线对在线辊缝曲线进行在线调控,消除热辊型误差造成的影响。
较现有技术相比,本发明具有以下优点:
本发明的一种基于误差补偿的热轧带钢瞬态热辊型预报方法,利用机理模型和智能模型结合的方式对热辊型预报提供误差补偿,结合机理模型的科学性和智能模型的快速响应,在保证预报准确的同时提高了预报的速度;
本发明的一种基于误差补偿的热轧带钢瞬态热辊型预报方法,能够对在线热辊型和离线热辊型进行准确预报,有助于显著提升在线辊缝的实时调控精度,有利于对热轧过程中板形、板凸度的控制,提高热轧板带的质量。
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做以简单地介绍,显而易见地,下面描述中的附图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为本发明热辊型预报方法流程图。
图2为本发明机理-智能关系的示意图。
图3为本发明实例与预测曲线示意图。
图4为本发明在线调控示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种基于误差补偿的热轧带钢瞬态热辊型预报方法。包括:利用热平衡方程计算轧辊的在线(上机)和离线(下机)热凸度变化,进行热辊型的实时预报,然后,获取热辊型实测曲线,通过对比热辊型预报值,利用热平衡方程回归在线和离线的冷却换热系数,从而获得高精度的误差补偿曲线;最后,利用大量实测数据和预报结果,进行不同工况热辊型的自适应自学习训练,形成标准样本库。
所述的热平衡方程,具体为将轧辊简化为二维模型,根据轧制工艺参数和现场数据,确定边界条件,利用有限差分方法求解轧辊的温度温度变化,并利用热辊型计算公式得出轧辊的热辊型。
所述的误差补偿曲线,具体为首先利用热平衡机理模型,用热平衡方程回归在线(上机)和离线(下机)的冷却换热系数,进一步利用回归的冷却换热系数计算轧辊的热膨胀量变化,实时计算轧辊在线(上机)和离线(下机)的热膨胀量变化,获得连续的热辊型曲线,然后根据实测辊型曲线,对比获得热辊型误差补偿曲线。
所述的热辊型误差补偿曲线具体公式为:
S=R2-R1
式中,R1—热辊型预报值;R2—回归冷却换热系数的热辊型值;S—误差补偿值。
所述的自适应自学习训练,具体为通过神经网络训练模型,利用大量实测数据和预报结果,形成热辊型误差曲线的标准样本库;在实际使用中不断将获得的误差补偿曲线和输入量纳入训练数据库,针对具体场景利用采集的数据进行模型训练,不断提高补偿曲线的精确性;
所述的神经网络训练模型为1层输入层,1层隐含层,1层输出层;输入层有5个节点,分别为在线轧制节奏、轧辊表面温度、轧辊直径、冷却换热系数、轧辊热膨胀系数;隐含层有6个节点;输出层有一个节点,为误差补偿值。
图1为本发明一种基于误差补偿的热轧带钢瞬态热辊型预报方法的流程示意图。
如图1所示,所述方法包括:
101、输入轧辊参数、带钢参数、轧制规程参数利用热平衡机理方程计算得出在线和离线的热辊型曲线。
102、将输入值代入智能算法模型,获取误差补偿值,形成误差补偿曲线。
103、将机理模型得到的热辊型预报曲线与智能模型得到的误差曲线结合得到在线和离线的热辊型预报曲线。
在本发明中,采集轧辊参数、带钢参数、轧制规程参数,利用热平衡机理模型,对轧辊进行热辊型预报。所述轧辊参数包括轧辊半径、轧辊初始温度、轧辊材质参数;所述轧制规程数据包括轧制时长和每一道次的压下量、轧制力、轧制速度;轧制和带钢的材质参数包括导热系数、密度、比热容、热膨胀系数;热平衡机理模型将轧辊和带钢化为二维网格,为横向和径向节点,通过控制计算时间的步长,来获取某一时刻的节点温度情况;进一步地利用热辊型计算公式获取轧辊的热辊型曲线;
在本发明中,所述的智能算法模型采用神经网络训练模型,模型包括1层输入层,1层隐含层,1层输出层;输入层有5个节点,分别为在线轧制节奏、轧辊表面温度、轧辊直径、冷却换热系数、轧辊热膨胀系数;隐含层有6个节点;输出层有一个节点,为误差补偿值;
当将一组输入值进入训练模型时,对应此输入值有相对应的误差补偿值;将轧辊表面的节点情况分别代入训练模型中,经过拟合获得连续的误差补偿曲线;
在本发明中,结合热平衡机理模型的热辊型预报曲线和智能算法模型的误差补偿曲线,获得补偿后的热辊型预报曲线。
图2为本发明一种基于误差补偿的热轧带钢瞬态热辊型预报方法的机理-智能关系的示意图。
201、现场参数输入,利用热平衡机理模型计算在线和离线热辊型预报曲线。
202、根据实测热辊型曲线,回归在线冷却换热系数和离线冷却换热系数。
203、根据回归的冷却换热系数计算在线和离线热辊型预报曲线,对比未回归冷却换热系数的热辊型曲线获得误差补偿曲线。
204、利用大量实测数据,将输入值和误差补偿值代入智能训练模型,得到输入值与误差补偿值的对应关系。
根据上述的热平衡机理模型获得在线和离线热辊型,结合现场数据,利用下机时间、实测轧辊表面温度和在线轧制节奏等工况参数,回归在线和离线的冷却换热系数;进一步地,利用在线和离线的冷却换热系数,计算轧辊在线和离线热辊型,与未回归冷却换热系数前的热辊型进行对比,获得各个轧辊表面径向节点的误差补偿值;
进一步地,利用大量实测数据获取大量的误差补偿值,将输入值和误差补偿值作为训练数据代入到神经网络训练模型中进行训练,获取输入值与误差补偿值之间的对应关系;
利用热平衡机理方程对热轧过程中的瞬时热辊型进行预报,包括上机辊型和下机辊型,建立机理模型,利用实测数据不断回归冷却系数,使误差曲线的精准度越来越高;在误差曲线的精准度达到预先允许的范围内,进一步利用大量实测数据获取大量的误差补偿值,记录此时误差补偿值所对应的工况;利用神经网络训练模型进行误差补偿值的训练,对实际工况结合机理模型的预测和智能模型的误差补偿值完成瞬时热辊型的预报。
图3为本发明一种基于误差补偿的热轧带钢瞬态热辊型预报方法的实例与预测曲线示意图
下面将通过实例进一步来说明,记录被测轧辊下机时间,沿着轧辊表面径向方向均匀划分节点,节点数为30个,使用测温设备依次测量其温度,获得实测轧辊表面温度曲线。
热平衡机理模型将轧辊化为横向81个节点,径向71个节点,利用平衡方程计算节点的瞬时温度和热膨胀量,进一步获取热辊型曲线;
记录与实测轧辊对应的相关轧制参数和轧制规程,用热平衡方程回归离线和在线冷却换热系数,回归离线和在线换热系数后的预测曲线与实测曲线数值之间的误差应控制在5%以内;进一步地,利用回归冷却换热系数后的热平衡机理模型预测热辊型曲线与未回归冷却系数的热辊型曲线对比,对比获得横向81个节点的误差补偿值;
利用大量实测数据,在线轧制节奏、轧辊表面温度、轧辊直径、冷却换热系数、轧辊热膨胀系数以及误差补偿值加入到神经网络训练数据库;利用神经网络训练模型实现工况参数与误差补偿的对应关系,快速对机理模型预测的结果进行误差补偿。
图4为本发明一种基于误差补偿的热轧带钢瞬态热辊型预报方法的在线调控示意图
401、通过轧辊原始辊型和轧制参数,获取在线辊缝。
402、利用热辊型误差补偿获取在线热辊型,得到热辊型偏差。
403、对在线辊缝进行在线调控,消除热辊型误差造成的影响。
在本发明中,利用热辊型误差补偿预报轧辊热辊型,进而在线调控辊缝形状;有载辊缝形状直接影响带钢截面形状,其中空载辊缝直接决定了有载辊缝的大体厚度;精准的热辊型预报有利于对在线辊缝的精细调控,同样可以针对热辊型的变化情况针对性磨削原始辊型;轧辊热辊型的变化会对辊系弹性变形产生影响,实时预报轧辊的热辊型有利于进一步判断板凸度变化,及时消除热辊型误差造成的影响,能够有效减少热辊型造成的轧辊异常磨损,有利于轧机换辊效率和原始辊型磨削精度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于误差补偿的热轧带钢瞬态热辊型预报方法,其特征在于,所述方法包括如下步骤:
根据实际轧辊参数、带钢参数和轧制规程,利用热平衡机理方程,分别计算得到在线和离线热辊型预报曲线;
其中,利用热平衡机理方程,分别计算得到在线和离线热辊型预报曲线包括如下步骤:
利用热平衡机理方程及热平衡机理方程的有限差分式,将现场参数作为边界条件,根据边界条件,耦合带材温度求解轧辊节点的瞬时温度;
利用离线热辊型实测曲线的数据对热平衡差分方程中的等效换热系数进行回归,得到在线和离线的等效换热系数;
基于轧辊在线轧制节奏、下机时间和实测表面温度,利用回归的等效换热系数,计算出在线和离线的热膨胀量变化,获得不同时刻及不同边界条件的在线和离线热辊型预报曲线;
得到在线和离线热辊型预报曲线后,根据离线热辊型实测曲线,回归离线冷却换热系数,同时反算在线冷却换热系数和,从而获得在线热辊型的误差补偿值;
基于现场参数的误差补偿值代入智能模型,得到输入值与误差补偿值的对应关系并绘制形成误差补偿曲线,择优形成标准样本数据,存入数据库中;
根据工况实际,将所述在线和离线热辊型预报曲线与误差补偿曲线结合,得到基于误差补偿的在线和离线热辊型预报曲线。
2.根据权利要求1所述的基于误差补偿的热轧带钢瞬态热辊型预报方法,其特征在于:所述轧辊参数包括轧辊半径、轧辊初始温度和轧辊材质参数;所述轧制规程的数据包括轧制时长和每一道次的压下量、轧制力和轧制速度;带钢参数包括带钢初始温度、带钢规格、带钢材质参数;轧辊和带钢的材质参数包括导热系数、密度、比热容和热膨胀系数。
3.根据权利要求1所述的基于误差补偿的热轧带钢瞬态热辊型预报方法,其特征在于:所述智能模型采用神经网络训练模型,包括一层输入层,一层隐含层,一层输出层;所述输入层包括五个节点,分别为在线轧制节奏、轧辊表面温度、轧辊直径、冷却换热系数、轧辊热膨胀系数;所述隐含层有六个节点;所述输出层有一个节点,为误差补偿值。
4.根据权利要求1所述的基于误差补偿的热轧带钢瞬态热辊型预报方法,其特征在于,所述热辊型预报方法的在线调控方法为:
通过轧辊的原始辊型和轧制参数,获取在线辊缝曲线;
利用所述热辊型预报方法获取在线热辊型曲线,得到热辊型偏差曲线;
根据所述热辊型偏差曲线对在线辊缝曲线进行在线调控,消除热辊型误差造成的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751905.7A CN115121626B (zh) | 2022-06-28 | 2022-06-28 | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751905.7A CN115121626B (zh) | 2022-06-28 | 2022-06-28 | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115121626A CN115121626A (zh) | 2022-09-30 |
CN115121626B true CN115121626B (zh) | 2023-03-21 |
Family
ID=83380617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210751905.7A Active CN115121626B (zh) | 2022-06-28 | 2022-06-28 | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115121626B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232097B (zh) * | 2023-11-09 | 2024-02-20 | 上海轻环能源科技有限公司 | 基于自学习融合模型中央空调制冷站优化控制方法及系统 |
CN117399435B (zh) * | 2023-12-11 | 2024-03-15 | 常州润来科技有限公司 | 一种铜管轧制过程自适应补偿调整方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4664549B2 (ja) * | 2000-09-27 | 2011-04-06 | 新日本製鐵株式会社 | 板圧延におけるロールプロフィル学習計算方法 |
CN102601127A (zh) * | 2012-03-19 | 2012-07-25 | 中冶南方工程技术有限公司 | Cvc四辊冷轧机高精度板形控制预报方法 |
JP6416675B2 (ja) * | 2015-03-24 | 2018-10-31 | 株式会社神戸製鋼所 | 圧延機における圧延制御方法 |
CN111382521B (zh) * | 2020-03-17 | 2023-04-18 | 宝钢湛江钢铁有限公司 | 一种适用于连退机组炉内带钢残余应力的预报方法 |
CN111438199A (zh) * | 2020-04-08 | 2020-07-24 | 鞍钢股份有限公司 | 一种补偿轧辊原始辊缝形状的方法 |
-
2022
- 2022-06-28 CN CN202210751905.7A patent/CN115121626B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115121626A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
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 | |
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
CN100577315C (zh) | 轧制线的材质预测及材质控制装置 | |
CN104846306B (zh) | 一种镀锌厚度控制系统及方法 | |
CN111666653B (zh) | 一种带钢精轧模型设定精度的在线评判方法 | |
CN101920269A (zh) | 冷轧机板形控制执行器调控功效系数优化方法 | |
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
CN105316613B (zh) | 一种基于变时滞偏差校正技术的锌层厚度控制方法和系统 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN109013717B (zh) | 一种热连轧中间坯心部温度计算方法 | |
CN111476348A (zh) | 一种铸坯质量预报方法 | |
CN105414205B (zh) | 一种基于plc的钢板温度在线预测方法 | |
CN114764547A (zh) | 融合机理与深度学习的加热炉钢坯温度预测方法及装置 | |
JP5195331B2 (ja) | 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
Xie et al. | Prediction of coiling temperature on run-out table of hot strip mill using data mining | |
Zhi-Kun et al. | Application of weighted multiple models adaptive controller in the plate cooling process | |
CN109675931B (zh) | 一种板形调控功效系数自学习方法及系统 | |
JP5610869B2 (ja) | 圧延材の冷却制御方法、及びこの冷却制御方法が適用された連続圧延機 | |
KR100841888B1 (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
CN105921522B (zh) | 基于rbf神经网络的层流冷却温度自适应控制方法 | |
CN105618490A (zh) | 一种冷轧电工钢的边降自动控制方法 | |
CN108067506B (zh) | 中厚板轧制道次动态变设定控制方法 | |
CN111842508A (zh) | 一种冷轧带材的轧后板形表示方法 |
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 |