CN117019882B - 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 - Google Patents
考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 Download PDFInfo
- Publication number
- CN117019882B CN117019882B CN202311077617.9A CN202311077617A CN117019882B CN 117019882 B CN117019882 B CN 117019882B CN 202311077617 A CN202311077617 A CN 202311077617A CN 117019882 B CN117019882 B CN 117019882B
- Authority
- CN
- China
- Prior art keywords
- strip steel
- deformation resistance
- rolling
- thickness
- frame
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 125
- 239000010959 steel Substances 0.000 title claims abstract description 125
- 238000005096 rolling process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013072 incoming material Substances 0.000 title claims abstract description 21
- 238000005098 hot rolling Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 238000005097 cold rolling Methods 0.000 claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
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
- B21B37/16—Control of thickness, width, diameter or other transverse dimensions
- B21B37/18—Automatic gauge control
- B21B37/20—Automatic gauge control in tandem mills
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法，包括：获取带钢热连轧和冷连轧过程的生产数据；基于生产数据训练预设的带钢冷轧变形抗力预测模型；基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将所得的变形抗力波动传递至后续机架，得到各机架的变形抗力波动；将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量。本发明方法充分考虑了热轧来料信息波动，解决了热轧工艺参数的遗传影响问题，可更有效地抑制轧机出口带钢厚差波动，提高全长厚度命中率。
Description
技术领域
本发明涉及机械自动化控制技术领域，特别涉及一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法。
背景技术
带材的厚度精度一直是衡量冷轧产品质量的重要指标。随着控制技术的不断发展，自动厚度控制已成为冷连轧机自动化控制系统必备的功能。虽然厚度精度随着控制技术的不断发展而提高，但是现有手段仍难以解决由于热轧来料变形抗力波动导致的厚差问题。长期以来，自动厚度控制从厚度偏差出发反馈或前馈控制厚度，但无论反馈或前馈厚度控制均通过调节压下来实现，压下使轧制力随之变化，从而保持带钢厚度恒定。但除了考虑厚度，忽略来料热轧终轧及卷取温度控制精度不足导致的全长变形抗力波动，也会导致带钢厚度发生周期性波动或动态变化。
长期以来，传统的厚度前馈控制方法利用轧机入口处测厚仪测得的厚差对后面轧机的压下进行控制，这能在一定程度上消除热轧来料厚差，但仍无法解决由于来料变形抗力波动导致的后续机架产生的重发性厚差。为此，需开发全新的厚度前馈控制策略，充分考虑热轧来料信息波动，解决热轧工艺参数的遗传影响问题，更有效地抑制轧机出口带钢厚差波动，提高全长厚度命中率。
发明内容
本发明提供了一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法，以解决传统的厚度前馈控制方法无法解决由于来料变形抗力波动导致的后续机架产生的重发性厚差的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法，所述考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法包括：
获取带钢生产数据；其中，所述带钢生产数据包括：带钢热连轧过程的生产数据和带钢冷连轧过程的生产数据；
基于所述带钢生产数据，训练预设的带钢冷轧变形抗力预测模型；其中，所述带钢冷轧变形抗力预测模型的输入为带钢生产数据，所述带钢冷轧变形抗力预测模型的输出为机架轧制过程的变形抗力；
基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将变形抗力波动传递至后续机架，得到各机架的变形抗力波动；
将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量。
进一步地，所述带钢热连轧过程的生产数据包括：钢种、终轧温度、卷取温度以及成品厚度；
所述带钢冷连轧过程的生产数据包括：第一机架的入口厚度、出口厚度、轧制速度及带钢变形抗力。
进一步地，所述基于所述带钢生产数据，训练预设的带钢冷轧变形抗力预测模型，包括：
对所述带钢生产数据进行预处理；其中，所述预处理包括：筛选出所述带钢生产数据中的异常点数据，将异常点数据替换为其两侧数据的平均值；
利用预处理后的带钢生产数据训练预设的带钢冷轧变形抗力预测模型。
进一步地，所述筛选出所述带钢生产数据中的异常点数据，包括：
采用拉依达准则筛选出所述带钢生产数据中的异常点数据。
进一步地，所述带钢冷轧变形抗力预测模型的构建过程包括：
以双向长短期记忆网络模型BiLSTM的两层隐藏层节点数，最大迭代次数及学习率作为差分进化算法DE的输入，并选取均方根误差作为DE的适应度函数进行超参数优化，得到优化后的BiLSTM模型，作为带钢冷轧变形抗力预测模型。
进一步地，所述基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将变形抗力波动传递至后续机架，得到各机架的变形抗力波动，包括：
基于训练好的带钢冷轧变形抗力预测模型获得带钢第一个机架轧制过程的变形抗力预测值，并将得到的变形抗力预测值与第一个机架轧制过程的变形抗力的机理模型设定值进行比较，获取第一个机架的变形抗力波动量，公式如下：
式中，δK1j为第一个机架的第j次采样对应的变形抗力波动量；为第一个机架的第j次采样对应的变形抗力预测值；/>为变形抗力的机理模型设定值；
在带钢经过第一个机架轧制完成后，以第一个机架为带钢变形抗力虚拟测量仪，获取实测轧制力波动量，计算第一个机架轧制过程变形抗力实际波动量：
式中，为第一个机架的第j次采样对应的轧制过程变形抗力实际波动量；/>为第一个机架的第j次采样对应的实测轧制力波动量；Q1为第一个机架对应的变形抗力对轧制力的影响系数；α为介于0和1之间的常数；
将变形抗力波动传递至第一个机架后的后续各机架，公式如下：
式中，δKij为第i个机架的第j次采样对应的变形抗力波动量，i为机架号，且i大于等于2；ηi-1为第一个机架至第i个机架的变形抗力波动遗传系数。
进一步地，将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量，包括：
通过以下公式将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量：
式中，δSij为第i个机架的第j次采样对应的用来消除厚差所增加的调节量；δKij为第i个机架的第j次采样对应的变形抗力波动量，i为机架号，且i大于等于1；分别为变形抗力和厚度对轧制力的影响系数；Cpi为第i个机架的轧机刚度；δHij为第i个机架的第j次采样对应的入口厚差。
进一步地，所述机架的数量为3个；其中，第一个机架和第二个机架的入口厚差由机架入口处设置的测厚仪的实测值与目标值比较得到；
第三个机架的入口厚差通过以下公式计算得到：
式中，δH3j为第三个机架的第j次采样对应的入口厚差；v2j为第二个机架的第j次采样对应的入口带钢轧制速度；v3j为第二个机架的第j次采样对应的出口带钢轧制速度；H2j、分别为第二个机架的入口实际厚度和出口目标厚度。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明针对传统厚度前馈控制方法的不足，充分考虑热轧来料变形抗力波动对冷轧的遗传影响，开发了全新的厚度前馈控制策略，与传统的仅考虑机架入口厚度偏差建立的前馈控制方法相比，本发明的厚度前馈控制策略充分考虑了热轧来料信息波动，解决了热轧工艺参数的遗传影响问题，可更有效地抑制轧机出口带钢厚差波动，提高全长厚度命中率。提升带钢冷轧过程厚度控制精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1是本发明实施例提供的考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法的执行流程示意图；
图2是本发明实施例提供的基于DE-BiLSTM的变形抗力预测结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对传统厚度前馈控制方法的不足，本实施例充分考虑热轧来料变形抗力波动对冷轧的遗传影响，开发了全新的厚度前馈控制策略，提供了一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法，以解决热轧工艺参数的遗传影响问题，提升带钢冷轧过程厚度控制精度。该方法可由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：
S1，获取带钢生产数据；其中，所述带钢生产数据包括：带钢热连轧过程的生产数据和带钢冷连轧过程的生产数据；
具体地，在本实施例中，所述带钢热连轧过程的生产数据包括：钢种Grade、终轧温度FDT、卷取温度CT及成品厚度Hhot；冷连轧产线为酸洗-冷连轧联合机组，相应地，所述带钢冷连轧过程的生产数据包括：第一机架的入口厚度H0、出口厚度H1、轧制速度v1及带钢变形抗力kpact。
S2，基于所述带钢生产数据，训练预设的带钢冷轧变形抗力预测模型；其中，所述带钢冷轧变形抗力预测模型的输入为带钢生产数据，所述带钢冷轧变形抗力预测模型的输出为机架轧制过程的变形抗力；
具体地，在本实施例中，所述带钢冷轧变形抗力预测模型为采用差分进化算法DE优化的双向长短期记忆网络模型DE-BiLSTM；其构建训练过程如下：
S21，为提高样本数据的代表性，首先对S1获取的所述带钢生产数据进行预处理；其中，所述预处理包括：采用拉依达准则筛选出所述带钢生产数据中的异常点数据，公式如下：
式中，Pi为原始样本数据；为平均值；σ2为方差；σ为标准差；ε为设定阈值参数。满足上述公式的数据点即为异常数据。
在筛选出异常数据点后，为了保持带钢全长方向上的数据完整，将异常点数据进行处理，替换为异常点数据值两侧的平均值，公式如下：
式中，为第i个异常点的校正值；Pi-1和Pi+1分别为当前异常点的前一序列和后一序列值。
S22，以双向长短期记忆网络模型BiLSTM的两层隐藏层节点数C1、C2，最大迭代次数w及学习率ε作为差分进化算法DE的输入，并选取均方根误差RMSE作为DE算法的适应度函数进行超参数优化，得到优化后的BiLSTM模型DE-BiLSTM模型，将其作为带钢冷轧变形抗力预测模型。
S23，利用预处理后的带钢生产数据训练所述带钢冷轧变形抗力预测模型。
S3，基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将变形抗力波动传递至后续机架，得到各机架的变形抗力波动；
具体地，在本实施例中，上述S3的实现过程如下：
S31，基于训练好的带钢冷轧变形抗力预测模型获得带钢第一个机架轧制过程的变形抗力预测值并与其机理模型设定值/>(与材料有关，可从生产现场得到)比较，获取第一个机架的变形抗力波动量δK1j，公式如下：
式中，下标j表示采样编号；
S32，带钢经过第一个机架轧制完成后，以第一个机架为带钢变形抗力虚拟测量仪，获取实际轧制过程参数，计算第一个机架轧制过程变形抗力实际波动量
式中，为实测轧制力波动量；Q1为变形抗力对轧制力的影响系数；α为介于0和1之间的常数；
S33，将变形抗力波动传递至第一个机架后的后续各机架，公式如下：
其中，需要说明的是，本实施例中的冷连轧产线为酸洗-冷连轧联合机组，其包括三个机架；式中，δK2j为第二机架的变形抗力波动量；δK3j为第三机架的变形抗力波动量；η1和η2为遗传系数。
S4，将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量。
具体地，在本实施例中，上述S4的实现过程如下：
通过以下公式将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量：
式中，下标j为第j次采样的值；i为机架号，i＝1,2,3；Cpi为第i机架的轧机刚度，kN/mm；δSij为第i机架用来消除厚差所增加的调节量；分别为变形抗力和厚度对轧制力的影响系数；δHij为第i机架的入口厚差，第一、二机架的入口厚差由测厚仪的实测值与目标值比较得到，第三机架入口无测厚仪，需根据第二机架的实际参数计算第三机架的入口厚差δH3j：
式中，v2j、v3j分别为第二机架的入口和出口带钢轧制速度；H2j、分别为第二机架的入口实际和出口目标厚度。
下面，为验证本发明的有效性，将其应用于实际场景，以某钢铁企业为实施对象，其热连轧过程具有七个道次，每个道次对应一个机架；冷连轧产线为酸洗-冷连轧联合机组，具有五个道次，每个道次对应一个机架，第一机架前后配备有测厚仪，各机架出口配备有测速仪；对其实施本发明的方案，结果如下：
所得T4料的部分生产过程数据如表1所示：
表1部分轧制过程生产数据
利用上述DE-BiLSTM模型得到的变形抗力预测结果如图2所示，相关系数R2＝0.98，这证明上述DE-BiLSTM模型能够实现对变形抗力的高精度预测。
在生产现场配备有厚度反馈控制策略，在此基础上实施本发明策略，并与传统厚度前馈控制策略对比，±1％全长厚度命中率提升1.22％。
综上，本实施例提供了一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制策略，与传统的仅考虑机架入口厚度偏差建立的前馈控制方法相比，本实施例的考虑热轧来料信息的带钢冷连轧自动厚度前馈控制策略充分考虑了热轧来料信息波动，解决了热轧工艺参数的遗传影响问题，可更有效地抑制轧机出口带钢厚差波动，提高全长厚度命中率。提升带钢冷轧过程厚度控制精度。
第二实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第三实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (1)
1.一种考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法，其特征在于，所述考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法包括：
获取带钢生产数据；其中，所述带钢生产数据包括：带钢热连轧过程的生产数据和带钢冷连轧过程的生产数据；
基于所述带钢生产数据，训练预设的带钢冷轧变形抗力预测模型；其中，所述带钢冷轧变形抗力预测模型的输入为带钢生产数据，所述带钢冷轧变形抗力预测模型的输出为机架轧制过程的变形抗力；
基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将变形抗力波动传递至后续机架，得到各机架的变形抗力波动；
将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量；
所述带钢热连轧过程的生产数据包括：钢种、终轧温度、卷取温度以及成品厚度；
所述带钢冷连轧过程的生产数据包括：第一机架的入口厚度、出口厚度、轧制速度及带钢变形抗力；
所述基于所述带钢生产数据，训练预设的带钢冷轧变形抗力预测模型，包括：
对所述带钢生产数据进行预处理；其中，所述预处理包括：筛选出所述带钢生产数据中的异常点数据，将异常点数据替换为其两侧数据的平均值；
利用预处理后的带钢生产数据训练预设的带钢冷轧变形抗力预测模型；
所述筛选出所述带钢生产数据中的异常点数据，包括：
采用拉依达准则筛选出所述带钢生产数据中的异常点数据；
所述带钢冷轧变形抗力预测模型的构建过程包括：
以双向长短期记忆网络模型BiLSTM的两层隐藏层节点数，最大迭代次数及学习率作为差分进化算法DE的输入，并选取均方根误差作为DE的适应度函数进行超参数优化，得到优化后的BiLSTM模型，作为带钢冷轧变形抗力预测模型；
所述基于训练好的带钢冷轧变形抗力预测模型得到带钢冷轧第一机架的全长变形抗力波动，并将变形抗力波动传递至后续机架，得到各机架的变形抗力波动，包括：
基于训练好的带钢冷轧变形抗力预测模型获得带钢第一个机架轧制过程的变形抗力预测值，并将得到的变形抗力预测值与第一个机架轧制过程的变形抗力的机理模型设定值进行比较，获取第一个机架的变形抗力波动量，公式如下：
式中，δK1j为第一个机架的第j次采样对应的变形抗力波动量；为第一个机架的第j次采样对应的变形抗力预测值；/>为变形抗力的机理模型设定值；
在带钢经过第一个机架轧制完成后，以第一个机架为带钢变形抗力虚拟测量仪，获取实测轧制力波动量，计算第一个机架轧制过程变形抗力实际波动量：
式中，为第一个机架的第j次采样对应的轧制过程变形抗力实际波动量；/>为第一个机架的第j次采样对应的实测轧制力波动量；Q1为第一个机架对应的变形抗力对轧制力的影响系数；α为介于0和1之间的常数；
将变形抗力波动传递至第一个机架后的后续各机架，公式如下：
式中，δKij为第i个机架的第j次采样对应的变形抗力波动量，i为机架号，且i大于等于2；ηi-1为第一个机架至第i个机架的变形抗力波动遗传系数；
将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量，包括：
通过以下公式将各机架的变形抗力波动与其入口厚度偏差结合，建立带钢冷连轧自动厚度前馈控制策略，得到各机架用来消除厚差所增加的调节量：
式中，δSij为第i个机架的第j次采样对应的用来消除厚差所增加的调节量；δKij为第i个机架的第j次采样对应的变形抗力波动量，i为机架号，且i大于等于1；分别为变形抗力和厚度对轧制力的影响系数；Cpi为第i个机架的轧机刚度；δHij为第i个机架的第j次采样对应的入口厚差；
所述机架的数量为3个；其中，第一个机架和第二个机架的入口厚差由机架入口处设置的测厚仪的实测值与目标值比较得到；
第三个机架的入口厚差通过以下公式计算得到：
式中，δH3j为第三个机架的第j次采样对应的入口厚差；v2j为第二个机架的第j次采样对应的入口带钢轧制速度；v3j为第二个机架的第j次采样对应的出口带钢轧制速度；H2j、分别为第二个机架的入口实际厚度和出口目标厚度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077617.9A CN117019882B (zh) | 2023-08-24 | 2023-08-24 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311077617.9A CN117019882B (zh) | 2023-08-24 | 2023-08-24 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117019882A CN117019882A (zh) | 2023-11-10 |
| CN117019882B true CN117019882B (zh) | 2024-04-16 |
Family
ID=88628074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311077617.9A Active CN117019882B (zh) | 2023-08-24 | 2023-08-24 | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117019882B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0102937A1 (de) * | 1982-09-07 | 1984-03-14 | VOEST-ALPINE Aktiengesellschaft | Vorrichtung zur Anstellregelung eines Kaltwalzgerüstes |
| CN102189117A (zh) * | 2010-03-16 | 2011-09-21 | 宝山钢铁股份有限公司 | 基于横向性能检测的冷轧带钢平直度前馈控制方法 |
| JP2012245528A (ja) * | 2011-05-25 | 2012-12-13 | Kobe Steel Ltd | 自動板厚制御方法及び圧延機 |
| CN103418618A (zh) * | 2012-05-23 | 2013-12-04 | 宝山钢铁股份有限公司 | 冷连轧机性能前馈厚度控制方法 |
| CN106984651A (zh) * | 2017-05-26 | 2017-07-28 | 江苏省沙钢钢铁研究院有限公司 | 一种提高轧件厚度控制精度的在线控制系统 |
| CN114074118A (zh) * | 2021-11-18 | 2022-02-22 | 东北大学 | 一种六辊冷轧机的轧制稳定性预测方法 |
| CN114818456A (zh) * | 2022-02-18 | 2022-07-29 | 北京科技大学 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
-
2023
- 2023-08-24 CN CN202311077617.9A patent/CN117019882B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0102937A1 (de) * | 1982-09-07 | 1984-03-14 | VOEST-ALPINE Aktiengesellschaft | Vorrichtung zur Anstellregelung eines Kaltwalzgerüstes |
| CN102189117A (zh) * | 2010-03-16 | 2011-09-21 | 宝山钢铁股份有限公司 | 基于横向性能检测的冷轧带钢平直度前馈控制方法 |
| JP2012245528A (ja) * | 2011-05-25 | 2012-12-13 | Kobe Steel Ltd | 自動板厚制御方法及び圧延機 |
| CN103418618A (zh) * | 2012-05-23 | 2013-12-04 | 宝山钢铁股份有限公司 | 冷连轧机性能前馈厚度控制方法 |
| CN106984651A (zh) * | 2017-05-26 | 2017-07-28 | 江苏省沙钢钢铁研究院有限公司 | 一种提高轧件厚度控制精度的在线控制系统 |
| CN114074118A (zh) * | 2021-11-18 | 2022-02-22 | 东北大学 | 一种六辊冷轧机的轧制稳定性预测方法 |
| CN114818456A (zh) * | 2022-02-18 | 2022-07-29 | 北京科技大学 | 一种冷连轧带钢全长变形抗力预测方法及优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117019882A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6292309B2 (ja) | 圧延シミュレーション装置 | |
| JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
| CN106030424B (zh) | 轧制工艺的学习控制装置 | |
| JP3223856B2 (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
| CN109261724B (zh) | 一种在多品种轧制模式下提高预设定模型精度的方法 | |
| CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
| 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 | |
| CN103506404A (zh) | 一种带钢精轧过程辊缝的控制方法 | |
| CN113849020B (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
| US5778151A (en) | Method and control device for controlling a material-processing process | |
| 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 | |
| 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 | |
| JP6438753B2 (ja) | タンデム圧延ミルの制御装置およびタンデム圧延ミルの制御方法 | |
| CN117019882B (zh) | 考虑热轧来料信息的带钢冷连轧自动厚度前馈控制方法 | |
| JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| JP6020263B2 (ja) | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 | |
| CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
| CN108655176B (zh) | 用于稳定轧制的冷轧前滑模型自适应计算方法 | |
| Dian-yao et al. | Self-learning and its application to laminar cooling model of hot rolled strip | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| JP2968644B2 (ja) | 熱間粗圧延における板幅セットアップ装置 | |
| CN114101337B (zh) | 一种单机架可逆轧机的厚度控制方法、装置 | |
| CN114367545B (zh) | 一种轧制力的修正方法和装置 | |
| CN114417236A (zh) | 一种基于数据评估的钢铁轧制产品质量优化控制方法 | |
| JP2000126809A (ja) | 圧延機のセットアップ装置 |
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 |