CN115828624A - 一种基于黑匣子实验调优的板坯加热温度精准预报方法 - Google Patents
一种基于黑匣子实验调优的板坯加热温度精准预报方法 Download PDFInfo
- Publication number
- CN115828624A CN115828624A CN202211650819.3A CN202211650819A CN115828624A CN 115828624 A CN115828624 A CN 115828624A CN 202211650819 A CN202211650819 A CN 202211650819A CN 115828624 A CN115828624 A CN 115828624A
- Authority
- CN
- China
- Prior art keywords
- temperature
- water
- black box
- boundary condition
- plate blank
- 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
-
- 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
- Heat Treatments In General, Especially Conveying And Cooling (AREA)
Abstract
本发明公开了一种基于黑匣子实验调优的板坯加热温度精准预报方法,包括以下步骤:沿板坯长度和厚度方向建立计算域,并进行网格划分和边界条件设定,进而构建板温预报模型;基于黑匣子实验和自适应遗传算法进行反传热计算,获取优化后的边界条件,所述边界条件包括水冷梁与板坯接触时的水冷梁热流密度边界条件和非接触时的总括热吸收率边界条件;将所述优化后的边界条件输入到所述板温预报模型中,获得调优后的板温预报模型;基于所述调优后的板温预报模型,对板温加热温度进行预报。本发明能够实现板坯加热温度的精准预报,在提高加热质量的同时降低能耗。
Description
技术领域
本发明属于轧钢加热炉、黑匣子实验、板温预报数学模型技术领域,特别是涉及一种基于黑匣子实验调优的板坯加热温度精准预报方法。
背景技术
加热炉是轧钢生产线上关键的设备之一,起到为后续轧线提供符合温度分布要求的热坯的作用。板温预报模型的好坏直接关系到轧制结束后产品的质量问题,但加热炉是一个典型复杂的工业被控对象,有显著的多变量、时变、非线性强、大惯性和纯滞后的特点。由于炉温分布难以测量,外界扰动因素多,很难对其进行准确建模和控制。
钢坯升温过程建模主要可分为两部分,一是钢坯的内部导热,二是炉膛传热过程。钢坯内部导热模型的区别主要在于实际应用时考虑因素的不同和模型的选取。加热炉内钢坯非稳态温度场模拟及“黑匣子”实验研究了钢坯柱坐标系下的温度预报与实验结果的比较,但是没有涉及黑印预报和基于实验数据的总括热吸收率计算;钢坯加热过程数学模型的试验修正研究,根据拖偶试验测得的数据,计算出总括热吸收率的补偿值,但对缺乏对黑印位置的模型参数处理;考虑遮蔽作用的钢坯水梁黑印数值模拟,基于段法模拟了垫块结构、坯料经过水梁错位点后的时间等因素对黑印温差的影响,但没有实验验证环节和在线控制应用。
因此,亟需提出一种能实现板坯加热温度精准预报模型建模的方法。
发明内容
本发明的目的是提供一种基于黑匣子实验调优的板坯加热温度精准预报方法,首先沿板坯长度和厚度方向,选取一组相邻的固定梁和活动梁之间的区域进行建模;边界条件设定时充分考虑加热炉下炉膛固定梁和活动梁的分布及其错位对传热的遮蔽、与钢坯的接触时间比例等因素的影响;通过黑匣子实验和自适应遗传算法进行反传热计算,获取优化后的水冷梁与钢坯接触时的冷却热流密度和非接触时的总括热吸收率边界条件;将所述的边界条件输入到所述板温预报模型中,获得调优后的板温预报模型;基于所述调优后的板温预报模型,实现板坯加热温度的精准预报。以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于黑匣子实验调优的板坯加热温度精准预报方法,包括以下步骤:
沿板坯长度和厚度方向建立计算域,并进行网格划分和边界条件设定,进而构建板温预报模型;
基于黑匣子实验和自适应遗传算法进行反传热计算,获取优化后的边界条件,所述边界条件包括水冷梁与板坯接触时的水冷梁热流密度边界条件和非接触时的总括热吸收率边界条件;
将所述优化后的边界条件输入到所述板温预报模型中,获得调优后的板温预报模型;
基于所述调优后的板温预报模型,对板温加热温度进行预报。
可选的,进行边界条件设定的过程包括:沿板坯长度和厚度方向建立计算域,基于加热炉中水冷梁的分布、水冷梁的错位对传热的遮蔽以及水冷梁与板坯的接触时间比例,进行水冷梁热流密度边界条件设定和网格划分,其中,所述水冷梁包括固定梁和活动梁。
可选的,进行边界条件设定的过程还包括:所述水冷梁错位后,基于错位后的支撑位置重新设定边界条件,所述边界条件包括板坯上表面综合传热边界条件、板坯下表面未接触水冷梁位置的综合传热边界条件和黑印位置处热流密度边界条件;其中,所述黑印位置为板坯与固定梁接触的位置。
可选的,获取优化后的边界条件的的过程还包括黑匣子实验过程板坯温度测量点的选取,所述测量点包括但不限于板坯的黑印、非黑印、头部、中部、尾部、端部边角处的上表、中心、下表温度数据以及上下炉气温度数据。
可选的,获取优化后的边界条件的过程还包括将黑匣子实验测得的第一组黑印处板坯温度、上下炉气温度作为初始温度场,基于所述初始温度场和随机生成的总括吸收率初始种群,获得下一组黑匣子实验数据对应的模拟温度场;以实测温度点数据和所述模拟温度场数据偏差的平方和最小为优化目标函数,对比获得种群中优化目标值最小的个体,并与其他个体自适应交叉生成新一代个体,直至达到最大迭代次数或优化目标保持不变,获得调优后的总括热吸收率边界条件和水冷梁热流密度边界条件。
可选的,对每一组黑匣子实验数据进行反传热计算的原理如下:
其中,ΦCF为总括热吸收率,qs为板坯在炉内不同位置处的表面热流,σ为斯蒂芬-玻尔兹曼常数5.67e-8,Tf 4为根据板坯所在位置由炉顶热电偶插值得到的综合炉温的四次方,Ts 4为实测的板坯内部测点温度的四次方。
可选的,获得调优后的板温预报模型的过程还包括:基于黑匣子实验数据对非黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的总括热吸收率曲线;将总括热吸收率作为已知参数,采用遗传算法再次对黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的水冷梁热流密度。
本发明的技术效果为:
本发明提出的基于黑匣子实验调优的板坯加热温度精准预报方法,基于沿坯长度和厚度方向建立了计算域,充分考虑了加热炉下炉膛固定梁和活动梁的分布及其错位传热的遮蔽、与板坯的接触时间比例等因素对板温预报模型精度的影响。通过黑匣子实验测量了错位前和错位后,黑印和非黑印位置的上表、中心、下表温度以及上下炉气温度。采用自适应遗传算法对总括热吸收率和水冷梁的冷却热流密度沿炉长的分布进行了反传热计算,实现板温预报模型的调优。在提高板温预报精度的同时降低能耗,提高加热质量。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的钢坯计算域的选取示意图;
图2为本发明实施例中的网格划分及边界条件设置示意图;
图3为本发明实施例中的黑匣子实验打孔方案设计示意图;
图4为本发明实施例中的总括热吸收率的反传热计算流程图;
图5为本发明实施例中的上下炉膛总括热吸收率沿炉长的分布示意图;
图6为本发明实施例中的钢坯与固定梁接触位置的热流密度沿炉长的分布示意图;
图7为本发明实施例中的进入均热段刚发生错位时的温度场和加热终了温度场对比示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本实施例中提供一种基于黑匣子实验调优的板坯加热温度精准预报方法,实际生产中,本实施例充分考虑加热炉下炉膛固定梁和活动梁的分布及其错位对传热的遮蔽、与钢坯的接触时间比例等因素进行板温预报模型建模,具体包括计算域选取、网格划分、边界条件设定三个步骤。
计算域选取时,应沿坯长度和厚度方向选择一组固定梁和活动梁之间的区域作为计算域,以充分体现水冷梁对钢坯加热过程造成的黑印,如图1。
网格划分时,水冷梁与钢坯接触位置采用较密网格,其余位置可采用较为疏松的网格,以减小计算量,如图2。
边界条件设定时,应在水冷梁错位后根据支撑位置重新给定钢坯加热边界条件。此外,钢坯和水梁的直接接触处会产生黑印,需要和非黑印位置区分,单独设定边界条件,如下式表示:
式中:qu为钢坯上表面热流密度;qd为钢坯下表面未接触水冷梁位置的热流密度;φu为上表总括热吸收率,φd为钢坯下表面未接触水冷梁位置的总括热吸收率,二者为沿板坯长度方向(x)分布的函数。活动梁处为总括热吸收率边界a·φd。黑印位置即钢坯与固定梁接触处为热流密度边界qwb。Tf为根据板坯所在位置由炉顶热电偶插值得到的综合炉温,Tsu为钢坯上表面温度,Tsd为钢坯下表面温度。如图2。
黑匣子实验方案设计时测量点的选取与建模方法密切相关,由于计算域包含了一组水冷梁之间的区域,应在两个水梁支撑点对应位置的设置钢坯上表、中心、下表温度以及上下炉气温度的测点。水冷梁发生错位时,在新的水冷梁支撑位置重新设置测点。为了进一步方便了解钢坯的头尾温差,也可在钢坯的头部、中部、尾部单独设置测点,如图3。
其中,对于板厚为230的板坯,A1-A3为预热、加热一、加热二段固定梁滑块与板坯接触区域,孔深分别为20、115、210mm;B1-B3为均热段水梁错位后,固定梁滑块与板坯接触区域,孔深分别为20、115、210mm;C1-C3为测试板坯中部和端部的心部温度,深度115mm;孔1为上表面温度测点,深度21mm,孔2为中心温度测点,深度116mm,孔3为下表面温度测点,深度211mm,孔4为测试下炉膛炉气,通孔。其他厚度板坯,按照距离上、下表面20mm进行孔深设计。
为了提高总括热吸收率准确度,应进行钢坯冷装、钢坯热装两次实验。冷装时,实验坯前要有6块冷坯,实验坯后要有2块冷坯,炉内不能有较大空位,跟随实际生产板坯入炉,按照正常加热节奏进行加热,同时避免板坯在炉内长时间停留,严格要求最大停留时间小于6小时。热装时,应在冷坯出炉预计3小时之后,板坯温度600度左右时装炉。用红外温度测试仪测量和记录表面温度确定热坯装炉时间。板坯达到热装温度后,保温箱加水,清理测试点周围的氧化铁皮,热装入炉时要求实验坯前5块后2块板坯均为热装坯,其余要求与冷装坯相同。
在基于黑匣子实验数据对总括热吸收率分布和水冷梁热流密度进行反传热计算时,需要对每一组黑匣子实验数据均进行反传热计算,来确定总括热吸收率沿炉长的分布,其原理如下:
其中,qs为钢坯在炉内不同位置处的表面热流,σ为斯蒂芬-玻尔兹曼常数5.67e-8,Tf 4为根据钢坯所在位置由炉顶热电偶插值得到的综合炉温的四次方,Ts 4为实测的钢坯内部测点温度的四次方。
采用自适应遗传算法进行反传热计算的流程图如图4所示。其具体步骤如下:
STEP1:根据第一组实验数据给定初始温度场;
STEP2:随机生成初始种群,种群基因包括上表面总括热系数fup和下表面总括热系数fdown。以随机生成的总括吸收率为前提,结合初始温度场计算下一组实验数据对应的温度场。
STEP3:根据下组数据的模拟温度场和实测温度点数据,以实测值与计算值偏差的平方和最小为优化目标函数,计算寻优目标值的大小。优化目标如下式表示,其中Ts(tn)为第n时刻的板温模型值,Tin为板坯节点温度实验值:
minJ=[Ts(tn)-Tin]2
STEP4:对比选择出种群中优化目标值最小的个体,与其他个体自适应交叉生成新一代个体。自适应交叉算子内容如下:
假设有2个父代A=[X1,X2,X3…],B=[Y1,Y2,Y3…]首先比较两个父代适值的优劣,如果个体A的适值优于个体B的适应值,则同时生成的2个子代C和D的表达式如式:
CiorDi=Xi+(-1)nBi(Xi-Yi)
其中:Bi=Bi r,Bi的初始值为0.4,r的初始值为1.2。如果产生的Ci或Di超出了参数的取值范围则重新计算Bi的值。如果Bi<0.01的话,令Bi=0,保证了生成的基因在取值范围内。
STEP5:基于适应度检查新种群是否具有重复自带,如果有,重新生成子代补充该种群。
STEP6:检验迭代次数和优化目标值大小,如果已达到最大迭代次数或优化目标保持不变,转置STEP2以当前温度场为初始温度场开始下组数据的总括热吸收率的反算。未达到则继续迭代至最大步数。
根据上述实验方案和自适应遗传算法进行反传热计算流程,首先基于黑匣子实验数据对非黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的总括热吸收率曲线;将总括热吸收率作为已知参数,采用遗传算法再次对黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的水冷梁热流密度,从而完成钢坯传热参数的调优,为板温预报模型的校核提供依据。
实施例二
针对某热轧厂2050加热炉,原钢温预报沿宽度和厚度方向上的二维温度场模型,无法体现钢坯长度方向的水冷梁遮蔽和横向加热作用,这与实际板坯的温度场不符合。随着时间的推移,板坯温度预报精度进一步变差,严影响了产品质量的提高,同时也给生产过程带来的许多问题,不利于节能降耗和控制成本。
根据实施例一的内容,首先参考加热炉炉体结构图、布料图确定水冷梁对热传导的遮蔽作用和错位情况。该加热炉炉长48000mm,预热段、加热段的水冷梁数目和位置不变,进入均热段后固定梁数目增加且发生了错位,错位位置为距离入炉门38500mm处,错位距离为420mm,如图1。以板坯厚度230mm为例,取一组相邻的固定梁和活动梁之间的区域为计算域,同时考虑到网格密度对求解精度及计算速度的影响采用不均匀的二维网格划分和边界条件设置,如图2。
钢坯上表面为综合换热边界条件,下表面为总括热吸收率和水冷梁热流密度两种边界条件,其中钢坯下表面的非黑印位置施加总括热吸收率边界条件时,要求遮蔽作用随网格点和水梁之间的距离呈线性变化,钢坯下表面的黑印位置为热流密度边界条件。
炉温采用炉顶热电偶测得的炉温,假设其值分别为T1,T2,T3,T4,T5,根据热电偶位置对炉温分段插值后,可由钢坯位置确定所在炉温。
基于上述炉温和边界条件计算钢坯表面热流,可对板坯温度模型进行求解。
根据实施例一内容,对上述板温预报模型进行黑匣子实验调优时,需要选取一块成分、尺寸具有代表性的板坯作为实验坯。该2050厂实验板坯尺寸为230mm(厚)*1300mm(宽)*9950mm(长),钢种SPHC。结合板坯温度预报模型需求及厂内需求,在板坯的不同位置上打上不同深度的测温孔。位置分布示意图如图3所示。
根据实施例一内容,以自适应遗传算法作为优化方法,以实测值与计算值偏差的平方和最小为优化目标函数迭代寻优。其目标函数为
minJ=[Ts(tn)-Tin]2
式中:Tin为板坯节点温度实验值,Ts(tn)为第n时刻的板温模型值。
总括热吸收率调优的步骤如下:先计算上下炉膛不受遮蔽位置的总括热吸收率,其分布如图5。基于得到的总括热吸收率,在实验过程中板坯接触与脱离时间比例,对固定梁处的热流密度进行反算求解,其分布如图6。
从总括热吸收率和固定梁热流密度沿炉长的分布可以看出:在预热段由于滑块被炉气加热,冷坯装炉时有一定的加热作用,但加热作用很小。进入加热段以后,滑块对钢坯以冷却作用为主,导致黑印的产生,冷却热流大约为-60000W/m2。均热段错位后,原黑印位置所受热流密度迅速上升。遮蔽作用减弱,黑印得到减弱和恢复。
模型精度效果如下:将总括热吸收率分布带入模型后,各测点钢温的模型值与实测值之间的偏差最大不超过15℃,有效了预报板坯沿长度方向的温度波动,起到了提高钢温预报精度的效果。板坯进入均热段刚开始错位和加热终了的温度的对比如图7所示,有效反映了水冷梁错位对钢坯温度均匀性的影响。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,包括以下步骤:
沿板坯长度和厚度方向建立计算域,并进行网格划分和边界条件设定,进而构建板温预报模型;
基于黑匣子实验和自适应遗传算法进行反传热计算,获取优化后的边界条件,所述边界条件包括水冷梁与板坯接触时的水冷梁热流密度边界条件和非接触时的总括热吸收率边界条件;
将所述优化后的边界条件输入到所述板温预报模型中,获得调优后的板温预报模型;
基于所述调优后的板温预报模型,对板温加热温度进行预报。
2.根据权利要求1所述的基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,
进行边界条件设定的过程包括:沿板坯长度和厚度方向建立计算域,基于加热炉中水冷梁的分布、水冷梁的错位对传热的遮蔽以及水冷梁与钢坯的接触时间比例,进行水冷梁热流密度边界条件设定和网格划分,其中,所述水冷梁包括固定梁和活动梁。
3.根据权利要求2所述的基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,
进行边界条件设定的过程还包括:所述水冷梁错位后,基于错位后的支撑位置重新设定边界条件,所述边界条件包括板坯上表面综合传热边界条件、板坯下表面未接触水冷梁位置的综合传热边界条件和黑印位置处热流密度边界条件;其中,所述黑印位置为板坯与固定梁接触的位置。
4.根据权利要求1所述的基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,
获取优化后的边界条件的过程包括黑匣子实验过程板坯温度测量点的选取,所述测量点包括但不限于板坯的黑印、非黑印、头部、中部、尾部、端部边角处的上表、中心、下表温度数据以及上下炉气温度数据。
5.根据权利要求1所述的基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,
获取优化后的边界条件的过程还包括将黑匣子实验测得的第一组黑印处板坯温度、上下炉气温度作为初始温度场,基于所述初始温度场和随机生成的总括吸收率初始种群,获得下一组黑匣子实验数据对应的模拟温度场;以实测温度点数据和所述模拟温度场数据偏差的平方和最小为优化目标函数,对比获得种群中优化目标值最小的个体,并与其他个体自适应交叉生成新一代个体,直至达到最大迭代次数或优化目标保持不变,获得调优后的总括热吸收率边界条件和水冷梁热流密度边界条件。
7.根据权利要求5所述的基于黑匣子实验调优的板坯加热温度精准预报方法,其特征在于,
获得调优后的板温预报模型的过程还包括:基于黑匣子实验数据对非黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的总括热吸收率曲线;将总括热吸收率作为已知参数,采用遗传算法再次对黑印位置处的实测板温进行校验和反算,获得沿炉长方向分布的水冷梁热流密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650819.3A CN115828624B (zh) | 2022-12-21 | 2022-12-21 | 一种基于黑匣子实验调优的板坯加热温度精准预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650819.3A CN115828624B (zh) | 2022-12-21 | 2022-12-21 | 一种基于黑匣子实验调优的板坯加热温度精准预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828624A true CN115828624A (zh) | 2023-03-21 |
CN115828624B CN115828624B (zh) | 2023-06-27 |
Family
ID=85517470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211650819.3A Active CN115828624B (zh) | 2022-12-21 | 2022-12-21 | 一种基于黑匣子实验调优的板坯加热温度精准预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828624B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869915A (zh) * | 2009-04-24 | 2010-10-27 | 上海宝信软件股份有限公司 | 对热轧加热炉板坯温度的预报方法 |
CN103506406A (zh) * | 2013-10-23 | 2014-01-15 | 北京和隆优化科技股份有限公司 | 一种快速自动适应轧机节奏的加热炉炉内温度控制方法 |
CN104289532A (zh) * | 2013-07-19 | 2015-01-21 | 上海宝信软件股份有限公司 | 带钢水印点温度控制方法 |
CN106874591A (zh) * | 2017-02-10 | 2017-06-20 | 中冶华天南京工程技术有限公司 | 一种方坯加热过程温度分布的计算方法 |
CN106906351A (zh) * | 2017-02-10 | 2017-06-30 | 中冶华天南京工程技术有限公司 | 一种板坯温度预报模型及炉温优化方法 |
CN107066737A (zh) * | 2017-04-14 | 2017-08-18 | 北京科技大学 | 一种预测热轧过程板带温度场的二维交替差分方法 |
CN112570675A (zh) * | 2019-09-12 | 2021-03-30 | 上海梅山钢铁股份有限公司 | 宽厚板连铸板坯轻压下过程最小理论压下量的确定方法 |
-
2022
- 2022-12-21 CN CN202211650819.3A patent/CN115828624B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869915A (zh) * | 2009-04-24 | 2010-10-27 | 上海宝信软件股份有限公司 | 对热轧加热炉板坯温度的预报方法 |
CN104289532A (zh) * | 2013-07-19 | 2015-01-21 | 上海宝信软件股份有限公司 | 带钢水印点温度控制方法 |
CN103506406A (zh) * | 2013-10-23 | 2014-01-15 | 北京和隆优化科技股份有限公司 | 一种快速自动适应轧机节奏的加热炉炉内温度控制方法 |
CN106874591A (zh) * | 2017-02-10 | 2017-06-20 | 中冶华天南京工程技术有限公司 | 一种方坯加热过程温度分布的计算方法 |
CN106906351A (zh) * | 2017-02-10 | 2017-06-30 | 中冶华天南京工程技术有限公司 | 一种板坯温度预报模型及炉温优化方法 |
CN107066737A (zh) * | 2017-04-14 | 2017-08-18 | 北京科技大学 | 一种预测热轧过程板带温度场的二维交替差分方法 |
CN112570675A (zh) * | 2019-09-12 | 2021-03-30 | 上海梅山钢铁股份有限公司 | 宽厚板连铸板坯轻压下过程最小理论压下量的确定方法 |
Non-Patent Citations (3)
Title |
---|
WENCHAO JI .ETC: "Modeling and determination of total heat exchange factor of regenerative reheating furnace based on instrumented slab trials", 《CASE STUDIES IN THERMAL ENGINEERING》, vol. 24, pages 1 - 10 * |
李立刚 等: "基于软测量的热轧板坯炉控制模型", 《冶金自动化》, vol. 43, no. 2, pages 42 - 46 * |
李鹏举 等: "基于交替方向隐式算法的步进式加热炉内板坯水梁黑印模拟研究", 《第十一届全国能源与热工学术年会论文集》, pages 359 - 366 * |
Also Published As
Publication number | Publication date |
---|---|
CN115828624B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
Zheng et al. | Distributed model predictive control for plant-wide hot-rolled strip laminar cooling process | |
CN105045949A (zh) | 一种步进式加热炉钢坯温度建模及在线校正方法 | |
TW200307051A (en) | Heat treating device, heat treating method, recording medium recording heat treating program and steel product | |
Steinboeck et al. | Model-based trajectory planning, optimization, and open-loop control of a continuous slab reheating furnace | |
CN104894362A (zh) | 一种冷热钢坯混装的加热炉炉温设定方法 | |
CN102564644A (zh) | 一种加热炉生产过程中板坯温度在线测量方法 | |
CN108984943B (zh) | 加热炉钢坯温度跟踪模型修正方法 | |
CN104668295A (zh) | 一种棒线材生产线控温轧制工艺的控制方法和装置 | |
CN114417674A (zh) | 一种圆角方坯连铸凝固传热的有限元计算方法 | |
CN115828624A (zh) | 一种基于黑匣子实验调优的板坯加热温度精准预报方法 | |
Ding et al. | Multi‐Objective Optimization of Slab Heating Process in Walking Beam Reheating Furnace Based on Particle Swarm Optimization Algorithm | |
CN115016578B (zh) | 一种基于边部温度控制的带钢质量调控方法 | |
CN101869915A (zh) | 对热轧加热炉板坯温度的预报方法 | |
Tang et al. | Modeling of steel slab reheating process in a walking beam reheating furnace | |
CN106987704A (zh) | 一种脉冲式加热炉冷热混装板坯的过程温度控制方法 | |
JP4408221B2 (ja) | 鋼板の水冷プロセスにおける熱伝達係数推定方法および冷却制御方法 | |
KR20190136571A (ko) | 전기 강판의 철손 저감 예측 장치 | |
Yoshitani et al. | Optimal slab heating control with temperature trajectory optimization | |
CN104673992B (zh) | 一种棒材生产线控制冷却工艺的控制方法和装置 | |
CN102994732A (zh) | 加热炉燃料量决策系统及其决策方法 | |
JP2554414B2 (ja) | 熱間圧延における鋼板の圧延温度予測方法 | |
JPH09268328A (ja) | 連続加熱炉の温度制御装置 | |
Lee | Evaluation of Optimal Residence Time in a Hot Rolled Reheating Furnace | |
CN115828772B (zh) | 一种融合正向机理与机器学习的钢坯温度的快速计算方法 |
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 |