CN115386720A - 一种冷轧连续退火钢板力学性能在线控制方法 - Google Patents
一种冷轧连续退火钢板力学性能在线控制方法 Download PDFInfo
- Publication number
- CN115386720A CN115386720A CN202110567643.4A CN202110567643A CN115386720A CN 115386720 A CN115386720 A CN 115386720A CN 202110567643 A CN202110567643 A CN 202110567643A CN 115386720 A CN115386720 A CN 115386720A
- Authority
- CN
- China
- Prior art keywords
- mechanical property
- steel plate
- cold
- annealing
- continuous annealing
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 137
- 239000010959 steel Substances 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000000137 annealing Methods 0.000 claims abstract description 113
- 238000004519 manufacturing process Methods 0.000 claims abstract description 58
- 238000005097 cold rolling Methods 0.000 claims abstract description 25
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005098 hot rolling Methods 0.000 claims description 9
- 238000002791 soaking Methods 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 3
- 239000002436 steel type Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 108010074864 Factor XI Proteins 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 239000010960 cold rolled steel Substances 0.000 description 3
- 238000009749 continuous casting Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005246 galvanizing Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/26—Methods of annealing
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
- C21D8/0226—Hot rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
- C21D8/0236—Cold rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明公开了一种冷轧连续退火钢板力学性能在线控制方法，主要解决现有无法在线对冷轧连续退火钢板的力学性能进行精准控制的技术问题。技术方案为，一种冷轧连续退火钢板力学性能在线控制方法，包括：A)预测冷轧连续退火过程中某一点的钢板力学性能，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；B)对冷轧连续退火生产过程中某一点的钢板力学性能进行闭环反馈控制，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；C)对冷轧连续退火过程中全长钢板力学性能的进行调控。本发明方法能够在线实时预测冷轧连续退火钢板的全长力学性能，并根据预测结果进行退火温度的在线调整，有效地提高了冷轧连续退火钢板力学性能的稳定性。
Description
技术领域
本发明涉及一种冷轧连续退火钢板力学性能的控制方法，特别涉及一种冷轧连续退火钢板力学性能在线控制方法，属于冷轧连续退火钢板生产技术领域。
背景技术
近年来，用户对冷轧连续退火钢板的力学性能稳定性提出了越来越高的要求。为了满足用户的需求，部分企业在冷轧连续退火机组的出口配置了力学性能检测仪表，对钢板的力学性能进行闭环控制，提高冷轧连续退火钢板的力学性能稳定性。
但是受投资成本、设备空间等主客观条件的限制，目前绝大部分冷轧连续退火机组没有配置力学性能检测仪表，无法实现冷轧连退退火钢板力学性能的闭环控制。目前只能依靠在线取样，离线进行检测，检测结果严重滞后于现场生产，无法实现力学性能的实时反馈控制，造成冷轧连续退火钢板的力学性能稳定性和合格率低。
申请公布号为CN102632082A的中国专利申请公开了一种基于性能预报模型的热轧钢板力学性能的动态控制方法，在钢板轧制前首先调取化学成分、预设定的轧制工艺参数、规格参数，然后根据预设定的轧制工艺参数中的预设定的卷取温度计算出析出合金化合物的含量，再将所有数据带入热轧钢板力学性能预测模型中，用模型对轧后钢板的力学性能进行预测，通过调整轧制工艺参数使钢板力学性能的预测值满足力学性能目标值约束，然后按照调整后的轧制工艺参数进行轧制；该发明未能动态预测性能，不能实现在线反馈控制功能。
申请公布号为CN102886383A的中国专利申请公开了一种冷轧钢板机械性能在线控制方法，该本发明提出了一种在冷轧钢板连续连续热镀锌机组或连续退火机组上，通过在线检测钢板的机械性能，并且根据机械性能检测值与目标值之间的偏差值对平整延伸率、退火加热温度或退火冷却速度等生产工艺参数进行实时调整，实现对钢板机械性能进行在线控制的方法，可以提高冷轧钢板机械性能的控制精度，更好地满足下游用户的要求。该发明未涉及到对冷轧变形抗力进行预测；该发明需要机组配置在线的性能测定仪表，需要增加投资成本。
申请公布号为CN104438350A的中国专利申请公开了平整过程钢板机械性能在线检测控制方法，该发明建立平整工艺相关参数与钢板机械性能之间对应关系的模型，进行机械性能的预报，实现对平整过程钢板机械性能的在线控制。本发明仅从平整参数与机械性能对应关系的角度，建立预测模型，一方面没有整体考虑前工序的影响，预测精度不高，另外通过调整平整参数来控制机械性能，存在局限性。
发明内容
本发明的目的是提供一种冷轧连续退火钢板力学性能在线控制方法，主要解决现有无法在线对冷轧连续退火钢板的力学性能进行精准控制的技术问题；本发明方法彻底解决现有冷轧连续退火机组钢板的力学性能采用在线取样，离线检测的方法，检测结果与在线生产具有滞后性，无法快速指导在线钢带的生产参数的调整，导致钢板力学性能波动大的技术问题，本发明方法实现了对冷轧连续退火机组钢板的力学性能在线实时精准预测，预测结果与目标要求进行实时比对，并提供工艺调整参数，为提高冷轧连续退火钢板的力学性能稳定性提供基础条件。
本发明的技术思路是，根据冷轧连续退火钢板的生产工艺情况，充分利用现场的实际生产数据，建立冷轧连续退火钢板力学性能预测模型，利用实时预测的结果与目标值进行比对，当存在偏差时，模型计算退火温度的调整值并反馈给连续退火机组一级控制系统，连续退火机组实施工艺调整，实现了冷轧连续退火钢板力学性能的闭环控制。
本发明采用的技术方案是，一种冷轧连续退火钢板力学性能在线控制方法，包括以下步骤：
A)预测冷轧连续退火过程中某一点的钢板力学性能，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
A1)进行退火带钢的力学性能预测模型建模前的数据收集，抓取多组生产工艺参数，包括退火工艺参数、热轧工艺参数、冷轧轧制工艺参数，钢板成分参数，以及参数对应的力学性能数据，包括屈服强度、抗拉强度、断后伸长率；
A2)分析冷轧连续退火钢板数据特征，分析力学性能与各工艺参数之间的相关性，确定输入因子11项，包括C含量、P含量、Mn含量、Nb含量、连续退火速度、均热段温度、平整延伸率、平整轧制力、热轧终轧温度、热轧卷取温度、退火钢板厚度；输出因子3项，包括以上连续退火工艺参数对应的连续退火钢板的屈服强度、抗拉强度、断后伸长率；
A3)建立退火带钢的力学性能预测模型，选择上述的因子构建BP力学性能神经网络预测模型，利用贝叶斯正则化，Levenberg-Marquardt数值优化算法以及K折交叉验证方法改进BP 训练算法，得到最优的退火带钢力学性能预测模型，其中，隐含层节点数目为8个；
A4)定义控制系统的采样周期t0，定义力学性能控制系统动态显示的周期t1，该周期必须保证t1是t0的整数倍以及在该周期内可以完成两次力学性能计算；
A5)定义力学性能控制系统动态显示画面个数过程参数N，以及年月日小时分钟秒毫秒信息的标准北京时间参数T；
A6)定义连续退火机组状态参数K，其中K＝1表示开始生产，K＝-1表示停止生产；
A7)给定初始钢卷号FLATNO1＝0，收集此时机组生产钢板钢卷号FLATNO0，准备力学性能的动态显示；
A8)判断不等式∣FLATNO1-FLATNO0∣>0是否成立，如果成立，则N＝1，创建数据表，并以所收集的钢卷号工作为表名，在文件中写入钢卷号、钢种代码等信息，转入步骤A9)；如果不等式∣FLATNO1-FLATNO0∣>0不成立，则转入步骤A9)；
A9)通过冷轧连续退火机组数据采集系统收集在T时刻中的数据；
A10)利用BP力学性能预测模型，计算冷轧连续退火钢板此时的力学性能，并导入相应数据表；
A11)利用计算机的数据动态显示功能，将此时计算的冷轧连续退火钢板力学性能显示出来，实现力学性能的动态显示，并将相对应的生产工艺数据导入数据表；
A12)判断不等式K<0是否成立，如果不等式成立，则结束力学性能显示，程序停止工作；如果不等式不成立，则令FLATNO1＝FLATNO0、N＝N+1，转入步骤A7)，直到不等式K<0成立为止；
B)对冷轧连续退火生产过程中某一点的钢板力学性能进行闭环反馈控制，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
B1)确定力学性能反馈过程中退火参数的单步最小调整系数τ；
B2)确定力学性能反馈的周期t2，该周期必须保证是t2的t0整数倍以及在该周期内可以完成 int(1.2/τ)次的力学性能计算；
B3)定义连续退火生产时刻过程参数ts、力学性能反馈次数过程参数M；
B4)收集操作指令，判断是否开始生产，如果已经开始生产，记录当前的标准北京时间t，并令ts＝t，转入步骤B7)；如果没有开始生产，则进入等待状态；
B5)收集从ts到ts+t2时刻步骤A2)中数据；
B6)定义工艺参数变量范围，排除偶然因素的干扰，在ts到ts+t2时刻内所采集的实际工艺参数中剔除掉偏差数据，得到ts到ts+t2时刻内用于反馈计算的数据；
B7)确定当前反馈周期内退火温度调整的反馈值；
B8)将ts到ts+t2到时刻内退火温度调整的反馈值，发送到连续退火机组的一级控制系统，对当前退火温度进行重新设定；
B9)判断不等式K<0是否成立，如果不等式成立，则结束力学性能反馈，转入步骤B3)；如果不等式不成立，则令M＝M+1、ts＝ts+t2，转入步骤B4)，直到不等式K<0成立为止；
C)对冷轧连续退火过程中全长钢板力学性能的进行调控，重复步骤A)和重复步骤B)，利用 BP力学性能预测模型预测全长多点的力学性能，并多次反馈退火温度的调整值，将各个点的力学性能预测结果和反馈结果导入系统数据表，将预测结果和反馈结果显示在操作界面进行比对调控。
进一步，本发明步骤B7)中，确定当前反馈周期内退火温度调整的反馈值，包括以下步骤：
B7-1)收集退火温度最小值Δmin、最大值Δmax以及此时刻实际退火温度Δ’，并定义目标函数初始值F0，令F0＝1010；
B7-2)利用BP力学性能预测模型计算钢板的力学性能；
B7-3)建立拟合参数模型，对筛选数据组进行归一化处理，以便后续比较各工艺参数对产品力学性能指标的影响大小，拟合参数模型为，
式(1)中，Yj表示对应生产数据组的冷轧连续退火钢板力学性能预测值，j为正整数，表示对应生产数据组的冷轧连续退火钢板力学性能指标的个数；a表示均热段温度参数系数，TSF表示均热段温度参数；bi表示冷轧连续退火钢板的各生产数据系数，Xi表示冷轧连续退火钢板的各个生产数据，n为正整数；i为正整数，表示冷轧连续退火钢板的生产数据个数；
B7-4)定义反馈过程参数γ，令γ＝0；
B7-5)定义退火温度调整过程参数ε，令Δ＝Δmin+γτε；
B7-6)构建力学性能预测值与目标值差值的函数F(y)，F(y)按下式(2)计算，
F(y)＝Yj-Qj (2)
式(2)中，Yj表示对应生产数据组的冷轧连续退火钢板力学性能预测值；Qj表示对应生产数据组的冷轧连续退火钢板力学性能指标目标值，j为正整数，表示对应生产数据的冷轧连续退火钢板力学性能指标的个数；
B7-7)判断F(y)<F0是否成立？若成立，则令F0＝F(y)，Δ’＝Δ，γ＝γ+1转入步骤B7-8)；若不成立，令γ＝γ+1直接转入步骤B7-3)；
B7-8)判断不等式Δmin+γτε＞Δmax是否成立？如果不等式成立，则转入步骤B8)；否则，转入步骤B7-3)，重复步骤B7-3)至B7-8)，直到不等式Δmin+γτε＞Δmax成立为止。
本发明方法根据冷轧连续退钢板生产的工艺情况，充分利用冷轧连续退火钢板生产全过程的数据，运用BP神经网络建立了连续退火钢板力学性能预测模型，同时构建了工艺参数对冷轧连续退火钢板力学性能影响的拟合模型；将力学性能预测模型实时预测的结果与力学性能目标值进行比对，当存在差值时，利用拟合模型计算退火温度的调整值并反馈给连续退火机组的一级控制系统实施调整，实现了冷轧连续退火钢板力学性能的闭环控制。
本发明相比现有技术具有如下积极效果：1、本发明方法基于对冷轧连续退火钢板的生产工艺的深入研究，充分运用现场现有的实际生产数据，在不增加硬件投资成本、不对硬件进行大规模改造的基础上，实现冷轧连续退火钢板力学性能的闭环控制，提高了冷轧连续退火钢板的力学性能的稳定性和合格率。2、本发明方法能够在线实时预测冷轧连续退火钢板的全长力学性能，并根据预测结果进行退火温度的在线调整，使其不断接近力学性能的目标值，实现了冷轧连续退火钢板力学性能的闭环控制，有效地提高了冷轧连续退火钢板力学性能的稳定性。
附图说明
图1为本发明冷轧连续退火钢板力学性能预测流程框图；
图2为本发明冷轧连续退火钢板力学性能反馈控制流程框图。
具体实施方式
实施例，通过氧气转炉冶炼得到符合目标成分的钢水，钢水经板坯连铸得到连铸板坯，连铸板坯经加热炉加热后经热连轧机采用控轧、控冷工艺加工成热轧带钢，热轧带钢经过酸洗、五连轧机组轧制，再经过卧式连续退火机组退火、平整，生产出冷轧连续退火带钢。
实施例中，通过调控冷轧后的退火工序参数，生产出符合用户要求的不同强度等级的冷轧退火带钢。
参照图1、2，一种冷轧连续退火钢板力学性能在线控制方法，包括以下步骤：
A)预测冷轧连续退火过程中某一点的钢板力学性能，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
A1)进行退火带钢的力学性能预测模型建模前的数据收集，抓取多组生产工艺参数，包括退火工艺参数、热轧工艺参数、冷轧轧制工艺参数，钢板成分参数，以及参数对应的力学性能数据，包括屈服强度、抗拉强度、断后伸长率；
A2)分析冷轧连续退火钢板数据特征，分析力学性能与各工艺参数之间的相关性，确定输入因子11项，包括C含量、P含量、Mn含量、Nb含量、连续退火速度、均热段温度、平整延伸率、平整轧制力、热轧终轧温度、热轧卷取温度、退火钢板厚度；输出因子3项，包括以上连续退火工艺参数对应的连续退火钢板的屈服强度、抗拉强度、断后伸长率；
A3)建立退火带钢的力学性能预测模型，选择上述的因子构建BP力学性能神经网络预测模型，利用贝叶斯正则化，Levenberg-Marquardt数值优化算法以及K折交叉验证方法改进BP训练算法，得到最优的力学性能预测模型，其中隐含层节点数目为8个；
A4)定义控制系统的采样周期t0＝0.02s，定义力学性能控制系统动态显示的周期t1＝0.04s，该周期必须保证t1是t0的整数倍以及在该周期内可以完成两次力学性能计算；
A5)定义力学性能控制系统动态显示画面个数过程参数N，以及年月日小时分钟秒毫秒信息的标准北京时间参数T＝2020-05-0712:15:26.032；
A6)定义连续退火机组状态参数K，其中K＝1表示开始生产，K＝-1表示停止生产A7)给定初始钢卷号FLATNO1＝0，收集此时机组生产钢板钢卷号FLATNO0，准备力学性能的动态显示；
A8)判断不等式∣FLATNO1-FLATNO0∣>0是否成立，如果成立，则N＝1，创建数据表，并以所收集的钢卷号工作为表名，在文件中写入钢卷号、钢种代码等信息，转入步骤A9)；如果不等式∣FLATNO1-FLATNO0∣>0不成立，则转入步骤A9)；
A9)通过冷轧连续退火机组数据采集系统收集在T时刻中的数据；
A10)利用BP力学性能预测模型，计算冷轧连续退火钢板此时的力学性能，屈服强度＝275MPa、抗拉强度＝365MPa、断后伸长率＝28.5％，并导入相应数据表；
A11)利用计算机的数据动态显示功能，将此时预测的冷轧连续退火钢板力学性能显示出来，时刻T＝2020-05-0712:15:26.032、屈服强度＝275MPa、抗拉强度＝365MPa、断后伸长率＝28.5％，实现钢板力学性能的动态显示，并将相对应的生产工艺数据导入数据表；
A12)判断不等式K<0是否成立，如果不等式成立，则结束力学性能显示，程序停止工作；如果不等式不成立，则令FLATNO1＝FLATNO0、N＝N+1，转入步骤A7)，直到不等式K<0成立为止；
B)对冷轧连续退火生产过程中某一点的钢板力学性能进行闭环反馈控制，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
B1)确定力学性能反馈过程中退火参数的单步最小调整系数τ＝0.05；
B2)确定力学性能反馈的周期t2＝5s，该周期必须保证是t2的t0整数倍以及在该周期内可以完成int(1.2/τ)次的力学性能计算；
B3)定义连续退火生产时刻过程参数ts、控制系统力学性能反馈次数过程参数M；
B4)收集操作指令，判断是否开始生产，如果已经开始生产，记录当前的标准北京时间 t＝2020-06-0714:17:20.032，并令ts＝t，转入步骤B7)；如果没有开始生产，则进入等待状态；
B5)收集从ts到ts+t2时刻步骤A2)中数据；
B6)定义工艺参数变量范围，排除偶然因素的干扰，在ts到ts+t2时刻内所采集的实际工艺参数中剔除掉偏差数据，得到ts到ts+t2时刻内用于反馈计算的数据；
B7)确定当前反馈周期内退火温度调整的反馈值：
B7-1)收集退火温度最小值Δmin、最大值Δmax以及此时刻实际退火温度Δ’，并定义目标函数初始值F0，令F0＝1010；
B7-2)利用BP力学性能预测模型计算钢板的力学性能；
B7-3)建立拟合参数模型，对筛选数据组进行归一化处理，以便后续比较各工艺参数对产品力学性能指标的影响大小，拟合参数模型为，
式(1)中，j＝1～3(力学性能指标个数)，Y1代表屈服强度σs、Y2代表抗拉强度σb、Y3代表断后伸长率A；TSF代表均热段温度，a代表均热段温度影响系数；i＝1～10(生产数据影响指标个数)，X1代表化学成分C含量，b1代表化学成分C影响系数；X2代表化学成分P含量，b2代表化学成分P影响系数；X3代表化学成分Mn含量，b3代表化学成分Mn影响系数；X4代表化学成分Nb含量，b4代表化学成分Nb影响系数；X5代表对应的连续退火速度V，b5代表对应的连续退火速度影响系数；X6代表对应的平整延伸率ε，b6代表对应的平整延伸率影响系数； X7代表平整轧制力P，b7代表平整轧制力影响系数；X8代表钢板终轧温度TCT，b8代表钢板终轧温度影响系数；X9代表钢板卷取温度TFM，b9代表钢板卷取温度影响系数；X10代表钢板厚度h， b10代表钢板厚度影响系数；
实施例采用50组钢卷数据，经过min-max标准化归一化处理，得到工艺参数归一化处理后的样本数据组，同时调用步骤7-3)中建立的模型函数关系式，从而得到相关工艺参数的影响系数，如表1所示；
B7-4)定义反馈过程参数γ，令γ＝0；
B7-5)定义退火温度调整过程参数ε，令Δ＝Δmin+γτε；
B7-6)构建力学性能预测值与目标值差值的函数F(y)，F(y)按下式(2)计算，
F(y)＝Yj-Qj (2)
式(2)中，Yj表示对应生产数据组的钢板力学性能预测值，屈服强度＝275MPa、抗拉强度＝365MPa、断后伸长率＝28.5％；Qj表示对应生产数据组的钢板力学性能指目标值，屈服强度＝240MPa、抗拉强度＝330MPa、断后伸长率＝32％；
B7-7)判断F(y)<F0是否成立？若成立，则令F0＝F(y)，Δ’＝Δ，γ＝γ+1转入步骤B7-8)；若不成立，令γ＝γ+1直接转入步骤B7-3)，此时步骤B7-3)中的公式的系数取表1数据；
B7-8)判断不等式Δmin+γτε>Δmax是否成立？如果不等式成立，则转入步骤B8)；否则，转入步骤B7-3)，重复步骤B7-3)至B7-8)，直到不等式Δmin+γτε>Δmax成立为止；
B8)将ts到ts+t2到时刻内退火温度调整的反馈值‘+15’，发送到连续退火机组的一级控制系统，对当前退火温度进行重新设定，即退火温度提高15℃；
步骤B9)判断不等式K<0是否成立，如果不等式成立，则结束力学性能反馈，转入步骤B3)；如果不等式不成立，则令M＝M+1、ts＝ts+t2，转入步骤B4)，直到不等式K<0成立为止；
C)对冷轧连续退火过程中全长钢板力学性能的进行调控，重复步骤A)和重复步骤B)，利用 BP力学性能预测模型预测全长多点的力学性能，并多次反馈退火温度的调整值，将各个点的力学性能预测结果和反馈结果导入系统数据表，将预测结果和反馈结果显示在操作界面进行比对调控。
表1本发明实施例采用50组钢卷数据计算出的工艺参数的相关影响系数
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。
Claims (2)
1.一种冷轧连续退火钢板力学性能在线控制方法，其特征是，包括以下步骤：
A)预测冷轧连续退火过程中某一点的钢板力学性能，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
A1)进行退火带钢的力学性能预测模型建模前的数据收集，抓取多组生产工艺参数，包括退火工艺参数、热轧工艺参数、冷轧轧制工艺参数，钢板成分参数，以及参数对应的力学性能数据，包括屈服强度、抗拉强度、断后伸长率；
A2)分析冷轧连续退火钢板数据特征，分析力学性能与各工艺参数之间的相关性，确定输入因子11项，包括C含量、P含量、Mn含量、Nb含量、连续退火速度、均热段温度、平整延伸率、平整轧制力、热轧终轧温度、热轧卷取温度、退火钢板厚度；输出因子3项，包括以上连续退火工艺参数对应的连续退火钢板的屈服强度、抗拉强度、断后伸长率；
A3)建立退火带钢的力学性能预测模型，选择上述的因子构建BP力学性能神经网络预测模型，利用贝叶斯正则化，Levenberg-Marquardt数值优化算法以及K折交叉验证方法改进BP训练算法，得到最优的退火带钢力学性能预测模型，其中，隐含层节点数目为8个；
A4)定义控制系统的采样周期t0，定义力学性能控制系统动态显示的周期t1，该周期必须保证t1是t0的整数倍以及在该周期内可以完成两次力学性能计算；
A5)定义力学性能控制系统动态显示画面个数过程参数N，以及年月日小时分钟秒毫秒信息的标准北京时间参数T；
A6)定义连续退火机组状态参数K，其中K＝1表示开始生产，K＝-1表示停止生产；
A7)给定初始钢卷号FLATNO1＝0，收集此时机组生产钢板钢卷号FLATNO0，准备力学性能的动态显示；
A8)判断不等式∣FLATNO1-FLATNO0∣>0是否成立，如果成立，则N＝1，创建数据表，并以所收集的钢卷号工作为表名，在文件中写入钢卷号、钢种代码等信息，转入步骤A9)；如果不等式∣FLATNO1-FLATNO0∣>0不成立，则转入步骤A9)；
A9)通过冷轧连续退火机组数据采集系统收集在T时刻中的数据；
A10)利用BP力学性能预测模型，计算冷轧连续退火钢板此时的力学性能，并导入相应数据表；
A11)利用计算机的数据动态显示功能，将此时计算的冷轧连续退火钢板力学性能显示出来，实现力学性能的动态显示，并将相对应的生产工艺数据导入数据表；
A12)判断不等式K<0是否成立，如果不等式成立，则结束力学性能显示，程序停止工作；如果不等式不成立，则令FLATNO1＝FLATNO0、N＝N+1，转入步骤A7)，直到不等式K<0成立为止；
B)对冷轧连续退火生产过程中某一点的钢板力学性能进行闭环反馈控制，钢板力学性能包括屈服强度、抗拉强度和断后伸长率；
B1)确定力学性能反馈过程中退火参数的单步最小调整系数τ；
B2)确定力学性能反馈的周期t2，该周期必须保证是t2的t0整数倍以及在该周期内可以完成int(1.2/τ)次的力学性能计算；
B3)定义连续退火生产时刻过程参数ts、力学性能反馈次数过程参数M；
B4)收集操作指令，判断是否开始生产，如果已经开始生产，记录当前的标准北京时间t，并令ts＝t，转入步骤B7)；如果没有开始生产，则进入等待状态；
B5)收集从ts到ts+t2时刻步骤A2)中数据；
B6)定义工艺参数变量范围，排除偶然因素的干扰，在ts到ts+t2时刻内所采集的实际工艺参数中剔除掉偏差数据，得到ts到ts+t2时刻内用于反馈计算的数据；
B7)确定当前反馈周期内退火温度调整的反馈值；
B8)将ts到ts+t2到时刻内退火温度调整的反馈值，发送到连续退火机组的一级控制系统，对当前退火温度进行重新设定；
B9)判断不等式K<0是否成立，如果不等式成立，则结束力学性能反馈，转入步骤B3)；如果不等式不成立，则令M＝M+1、ts＝ts+t2，转入步骤B4)，直到不等式K<0成立为止；
C)对冷轧连续退火过程中全长钢板力学性能的进行调控，重复步骤A)和重复步骤B)，利用BP力学性能预测模型预测全长多点的力学性能，并多次反馈退火温度的调整值，将各个点的力学性能预测结果和反馈结果导入系统数据表，将预测结果和反馈结果显示在操作界面进行比对调控。
2.如权利要求1所述的一种基于退火工艺预测冷轧连续退火带钢力学性能的方法，其特征是，步骤B7)中，确定当前反馈周期内退火温度调整的反馈值，包括以下步骤：
B7-1)收集退火温度最小值Δmin、最大值Δmax以及此时刻实际退火温度Δ’，并定义目标函数初始值F0，令F0＝1010；
B7-2)利用BP力学性能预测模型计算钢板的力学性能；
B7-3)建立拟合参数模型，对筛选数据组进行归一化处理，以便后续比较各工艺参数对产品力学性能指标的影响大小，拟合参数模型为，
式(1)中，Yj表示对应生产数据组的冷轧连续退火钢板力学性能预测值，j为正整数，表示对应生产数据组的冷轧连续退火钢板力学性能指标的个数；a表示均热段温度参数系数，TSF表示均热段温度参数；bi表示冷轧连续退火钢板的各生产数据系数，Xi表示冷轧连续退火钢板的各个生产数据，n为正整数；i为正整数，表示冷轧连续退火钢板的生产数据个数；
B7-4)定义反馈过程参数γ，令γ＝0；
B7-5)定义退火温度调整过程参数ε，令Δ＝Δmin+γτε；
B7-6)构建力学性能预测值与目标值差值的函数F(y)，F(y)按下式(2)计算，
F(y)＝Yj-Qj (2)
式(2)中，Yj表示对应生产数据组的冷轧连续退火钢板力学性能预测值；Qj表示对应生产数据组的冷轧连续退火钢板力学性能指标目标值，j为正整数，表示对应生产数据的冷轧连续退火钢板力学性能指标的个数；
B7-7)判断F(y)<F0是否成立？若成立，则令F0＝F(y)，Δ’＝Δ，γ＝γ+1转入步骤B7-8)；若不成立，令γ＝γ+1直接转入步骤B7-3)；
B7-8)判断不等式Δmin+γτε＞Δmax是否成立？如果不等式成立，则转入步骤B8)；否则，转入步骤B7-3)，重复步骤B7-3)至B7-8)，直到不等式Δmin+γτε＞Δmax成立为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567643.4A CN115386720B (zh) | 2021-05-24 | 2021-05-24 | 一种冷轧连续退火钢板力学性能在线控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110567643.4A CN115386720B (zh) | 2021-05-24 | 2021-05-24 | 一种冷轧连续退火钢板力学性能在线控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115386720A true CN115386720A (zh) | 2022-11-25 |
| CN115386720B CN115386720B (zh) | 2024-01-05 |
Family
ID=84114618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110567643.4A Active CN115386720B (zh) | 2021-05-24 | 2021-05-24 | 一种冷轧连续退火钢板力学性能在线控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115386720B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004058074A (ja) * | 2002-07-25 | 2004-02-26 | Nisshin Steel Co Ltd | 冷間圧延におけるエッジドロップ制御方法 |
| CN101320031A (zh) * | 2008-05-27 | 2008-12-10 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计 |
| CN102174683A (zh) * | 2011-01-30 | 2011-09-07 | 首钢总公司 | 一种通板力学性能均匀的冷轧低碳铝镇静钢的生产方法 |
| CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
| CN102886383A (zh) * | 2011-07-22 | 2013-01-23 | 宝山钢铁股份有限公司 | 一种冷轧带钢机械性能在线控制方法 |
| CN103526113A (zh) * | 2013-10-30 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种抗折皱结构用预涂层钢板及其生产方法 |
| CN106319329A (zh) * | 2015-06-17 | 2017-01-11 | 上海梅山钢铁股份有限公司 | 一种冷轧硬质镀锡钢板的生产方法 |
| WO2019012002A1 (en) * | 2017-07-12 | 2019-01-17 | Tata Steel Nederland Technology B.V. | METHOD FOR OPERATING A CONTINUOUS PROCESSING LINE |
| CN109248924A (zh) * | 2018-10-26 | 2019-01-22 | 山东钢铁集团日照有限公司 | 一种冷轧带钢机械性能在线闭环控制方法 |
| CN109299541A (zh) * | 2018-09-25 | 2019-02-01 | 首钢集团有限公司 | 一种带钢的拉矫处理方法及装置 |
| CN109766593A (zh) * | 2018-12-21 | 2019-05-17 | 首钢京唐钢铁联合有限责任公司 | 一种带钢在炉内瓢曲风险的评估方法和装置 |
| CN110227723A (zh) * | 2019-06-09 | 2019-09-13 | 宝钢湛江钢铁有限公司 | 一种连退六辊冷轧平整机初始段的参数控制方法 |
| CN111008477A (zh) * | 2019-12-06 | 2020-04-14 | 马鞍山钢铁股份有限公司 | 一种基于冷轧镀锌带钢力学性能调整工艺参数的方法 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| 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 |
| CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真系统及控制方法 |
| RU2747103C1 (ru) * | 2019-11-13 | 2021-04-26 | Публичное акционерное общество "Магнитогорский металлургический комбинат" | Способ производства хододнокатанного высокопрочного листового проката из низколегированной стали |
-
2021
- 2021-05-24 CN CN202110567643.4A patent/CN115386720B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004058074A (ja) * | 2002-07-25 | 2004-02-26 | Nisshin Steel Co Ltd | 冷間圧延におけるエッジドロップ制御方法 |
| CN101320031A (zh) * | 2008-05-27 | 2008-12-10 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计 |
| CN102277477A (zh) * | 2010-06-09 | 2011-12-14 | 鞍钢股份有限公司 | 一种冷轧钢带抗拉强度预测模型的建立方法 |
| CN102174683A (zh) * | 2011-01-30 | 2011-09-07 | 首钢总公司 | 一种通板力学性能均匀的冷轧低碳铝镇静钢的生产方法 |
| CN102886383A (zh) * | 2011-07-22 | 2013-01-23 | 宝山钢铁股份有限公司 | 一种冷轧带钢机械性能在线控制方法 |
| CN103526113A (zh) * | 2013-10-30 | 2014-01-22 | 武汉钢铁(集团)公司 | 一种抗折皱结构用预涂层钢板及其生产方法 |
| CN106319329A (zh) * | 2015-06-17 | 2017-01-11 | 上海梅山钢铁股份有限公司 | 一种冷轧硬质镀锡钢板的生产方法 |
| CN110892341A (zh) * | 2017-07-12 | 2020-03-17 | 塔塔钢铁荷兰科技有限责任公司 | 用于操作连续生产线的方法 |
| WO2019012002A1 (en) * | 2017-07-12 | 2019-01-17 | Tata Steel Nederland Technology B.V. | METHOD FOR OPERATING A CONTINUOUS PROCESSING LINE |
| CN109299541A (zh) * | 2018-09-25 | 2019-02-01 | 首钢集团有限公司 | 一种带钢的拉矫处理方法及装置 |
| CN109248924A (zh) * | 2018-10-26 | 2019-01-22 | 山东钢铁集团日照有限公司 | 一种冷轧带钢机械性能在线闭环控制方法 |
| CN109766593A (zh) * | 2018-12-21 | 2019-05-17 | 首钢京唐钢铁联合有限责任公司 | 一种带钢在炉内瓢曲风险的评估方法和装置 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| CN110227723A (zh) * | 2019-06-09 | 2019-09-13 | 宝钢湛江钢铁有限公司 | 一种连退六辊冷轧平整机初始段的参数控制方法 |
| RU2747103C1 (ru) * | 2019-11-13 | 2021-04-26 | Публичное акционерное общество "Магнитогорский металлургический комбинат" | Способ производства хододнокатанного высокопрочного листового проката из низколегированной стали |
| CN111008477A (zh) * | 2019-12-06 | 2020-04-14 | 马鞍山钢铁股份有限公司 | 一种基于冷轧镀锌带钢力学性能调整工艺参数的方法 |
| 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 |
| CN112446130A (zh) * | 2020-10-15 | 2021-03-05 | 宝钢日铁汽车板有限公司 | 连续热镀锌机组退火炉的带钢跑偏仿真系统及控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 侍红岩: "基于BP神经网络的冷轧带钢的力学性能预测", 《重型机械科技》, no. 3, pages 38 - 40 * |
| 豆瑞锋: "冷轧不锈钢连续退火过程带钢温度、晶粒和力学性能预测模型", 《"第十届中国钢铁年会"暨"第六届宝钢学术年会"论文集 中国金属学会》, pages 487 - 491 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115386720B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US20180260717A1 (en) | Microalloyed steel mechanical property prediction method based on globally additive model | |
| JP4752764B2 (ja) | 圧延、鍛造又は矯正ラインの材質制御方法及びその装置 | |
| CN102632082B (zh) | 基于性能预报模型的热轧带钢力学性能的动态控制方法 | |
| Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
| JP7200982B2 (ja) | 材料特性値予測システム及び金属板の製造方法 | |
| CN105740467B (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
| CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
| CN115608793B (zh) | 一种机理融合数据的精轧温度调控方法 | |
| US6546310B1 (en) | Process and device for controlling a metallurgical plant | |
| US20070106400A1 (en) | System and method for online property prediction for hot rlled coil in a hot strip mill | |
| 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 | |
| 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 | |
| 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 | |
| JP5350579B2 (ja) | 連続式溶融めっき用熱延鋼板の材質安定化方法 | |
| CN112149272A (zh) | 基于多元线性回归分析的冷轧钢带力学性能预测模型 | |
| CN112387791B (zh) | 冷轧带钢的轧制温度确定方法及确定系统 | |
| CN115386720A (zh) | 一种冷轧连续退火钢板力学性能在线控制方法 | |
| RU2752518C1 (ru) | Способ эксплуатации отжигательной печи | |
| JP4627371B2 (ja) | Ａｌ合金板の材質予測方法 | |
| CN107900144A (zh) | 一种酸洗在线平整机的延伸率复合控制方法 | |
| CN113441556A (zh) | 一种低温卷取型热轧双相钢的层流冷却工艺控制方法 | |
| CN115392104A (zh) | 一种基于退火工艺预测冷轧连续退火带钢力学性能的方法 | |
| CN110766253B (zh) | 炼钢连铸计划物流流向设定的炼钢量分配控制方法 | |
| Bozhkov et al. | Controlling the surface roughness of cold-rolled strip. Part 1 |
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 |