CN117055487B - 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 - Google Patents
一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 Download PDFInfo
- Publication number
- CN117055487B CN117055487B CN202311077624.9A CN202311077624A CN117055487B CN 117055487 B CN117055487 B CN 117055487B CN 202311077624 A CN202311077624 A CN 202311077624A CN 117055487 B CN117055487 B CN 117055487B
- Authority
- CN
- China
- Prior art keywords
- capillary
- perforation
- parameters
- deviation
- production process
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000007246 mechanism Effects 0.000 title claims abstract description 66
- 238000005096 rolling process Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000004033 diameter control Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 241000227272 Agarista populifolia Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,包括:获取二辊斜轧穿孔生产工序的生产过程数据;其中,生产过程数据包括:生产工艺参数、毛管质量参数和穿孔参数的实际值;基于毛管质量参数筛选出符合预设要求的样本,并计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据;基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型;基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数。与传统的机理模型设定方法相比,该方法充分利用了现场的实际生产数据,实现了对传统机理模型的迭代优化,提升了设定精度,进一步地提升了毛管的外径控制精度。
Description
技术领域
本发明涉及机械自动化控制技术领域,特别涉及一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法。
背景技术
管坯经过二辊斜轧穿孔后成为毛管,外径控制精度是决定毛管质量控制的重要指标。传统的二辊斜轧穿孔生产过程尚未形成闭环控制系统,无法根据毛管质量实现穿孔过程参数的优化自适应。生产现场通常采用离线的机理模型对轧辊间距、导板间距及顶头前伸量进行预计算,手动输入至HMI中下发至L1,然后通过毛管质量判定结果对轧辊间距、导板间距及顶头前伸量进行人工修正,依赖于人工经验,无法实现每支管坯的穿孔过程参数的自适应优化,降低了毛管外径控制精度,从而影响最终成品质量。
基于上述可知,目前亟需开发一种二辊斜轧穿孔参数优化方法,能够根据毛管的外径质量,实现对每支管坯穿孔过程的过程参数自适应优化,形成穿孔过程的闭环控制,提升毛管生产过程的质量稳定性。
发明内容
本发明提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,以解决现有技术依赖于人工经验,无法实现每支管坯的穿孔过程参数的自适应优化,降低了毛管外径控制精度,从而影响最终成品质量的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,所述基于机理数据混合驱动的二辊斜轧穿孔参数优化方法包括:
获取二辊斜轧穿孔生产工序的生产过程数据;其中,所述生产过程数据包括:生产工艺参数、毛管质量参数以及穿孔参数的实际值;
基于所述毛管质量参数筛选出符合预设要求的样本,并针对筛选出的样本,计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据;
基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型,得到训练好的偏差预测模型;其中,所述偏差预测模型的输入为生产工艺参数,所述偏差预测模型的输出为穿孔参数的实际值与机理模型设定值之间的偏差数据;
基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数。
进一步地,所述生产工艺参数包括:顶头直径、送进角、管坯直径、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角以及毛管内径目标值;
所述毛管质量参数包括毛管外径;
所述穿孔参数包括:轧辊间距、导板间距以及顶头前伸量。
进一步地,基于所述毛管质量参数筛选出符合预设要求的样本,并针对筛选出的样本,计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据,包括:
基于所述毛管质量参数筛选出符合预设要求的样本;
针对筛选出的样本,基于样本对应的生产工艺参数,利用机理模型计算出每一样本的穿孔参数的机理模型设定值;
计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据:
△b=ba-b
△l=la-l
△y=ya-y
其中,△b、△l和△y分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差;b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值;ba、la、ya分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值。
进一步地,基于所述毛管质量参数筛选出符合预设要求的样本,包括:
筛选出毛管外径符合以下公式的样本:
|dh-dt|≤0.5%×dt
其中,dh表示样本的毛管外径的实际值;dt为毛管目标外径。
进一步地,所述针对筛选出的样本,基于样本对应的生产工艺参数,利用机理模型计算出每一样本的穿孔参数的机理模型设定值,公式如下:
b=(1-δ)·db
D=dm-(0.075-0.00135st)·dt
其中,δ为压缩带处压缩量;db为管坯直径;dt为毛管目标外径;d1为顶头鼻部直径;D为顶头直径;η0为轴向滑移系数;ηT为切向滑移系数;α为送进角;st为毛管壁厚目标值;β为轧辊出口锥角;dm为毛管内径目标值。
进一步地,所述偏差预测模型的输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值;所述偏差预测模型的输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据。
进一步地,所述偏差预测模型为支持向量回归模型。
进一步地,所述基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数,包括:
将待加工管坯对应的毛管目标外径、顶头直径、送进角、管坯直径和毛管壁厚目标值输入训练好的偏差预测模型,预测出待加工管坯穿孔过程的轧辊间距的偏差Δbi、导板间距的偏差Δli及顶头前伸量的偏差Δyi;
利用所述机理模型计算出待加工管坯穿孔过程的轧辊间距的机理模型设定值bi、导板间距的机理模型设定值li以及顶头前伸量的机理模型设定值yi;
计算待加工管坯穿孔时的最优工艺参数,公式如下:
bopt=bi+Δbi
lopt=li+Δli
yopt=yi+Δyi
其中,bopt为待加工管坯穿孔时的轧辊间距最优设定值;lopt为待加工管坯穿孔时的导板间距最优设定值;yopt为待加工管坯穿孔时的顶头前伸量最优设定值。
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:
本发明提供的基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,充分利用了现场的生产历史数据,建立了机理数据混合驱动的管坯穿孔工艺参数优化模型,可实现二辊斜轧穿孔工艺参数的动态优化,提升毛管的外径控制精度。
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基于机理数据混合驱动的二辊斜轧穿孔参数优化方法的执行流程示意图。
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
本实施例提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,以充分利用现场的生产历史数据,建立机理数据混合驱动的管坯穿孔工艺参数优化模型,实现二辊斜轧穿孔工艺参数的动态优化,提升毛管的外径控制精度。该方法可由电子设备实现,该方法执行流程如图1所示,包括以下步骤:
S1,获取二辊斜轧穿孔生产工序的生产过程数据;其中,所述生产过程数据包括:生产工艺参数、毛管质量参数以及穿孔参数的实际值;
具体地,在本实施例中,生产工艺参数包括:顶头直径、送进角、管坯直径、毛管壁厚、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角及毛管内径目标值;毛管质量参数包括毛管外径;穿孔参数包括:轧辊间距、导板间距及顶头前伸量。
S2,基于所述毛管质量参数筛选出符合预设要求的样本,并针对筛选出的样本,计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据;
具体地,在本实施例中,上述S2的实现过程如下:
S21,基于S1获取的毛管外径数据,首先通过下式,根据毛管外径控制精度筛选出优秀样本:
|dh-dt|≤0.5%×dt
其中,dh表示样本的毛管外径的实际值;dt为毛管目标外径。
当毛管的外径满足上述公式时,即为优秀样本。
S22,针对筛选出的样本,基于样本对应的生产工艺参数,利用以下轧辊间距、导板间距以及顶头前伸量机理模型分别计算其穿孔参数设定值:
b=(1-δ)·db
D=dm-(0.075-0.00135st)·dt
其中,b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值;δ为压缩带处压缩量;db为管坯直径;dt为毛管目标外径;d1为顶头鼻部直径;D为顶头直径;η0为轴向滑移系数;ηT为切向滑移系数;α为送进角;st为毛管壁厚目标值;β为轧辊出口锥角;dm为毛管内径目标值。
S23,计算出每一优秀样本的轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差,公式如下:
△b=ba-b
△l=la-l
△y=ya-y
其中,△b、△l和△y分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差;ba、la、ya分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值。
S3,基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型,得到训练好的偏差预测模型;其中,所述偏差预测模型的输入为生产工艺参数,输出为穿孔参数的实际值与机理模型设定值之间的偏差数据;
具体地,在本实施例中,上述偏差预测模型为支持向量回归模型SVR;
所述偏差预测模型的构建过程包括:确定模型的输入层节点X、输出层节点Y、惩罚因子C以及核函数g。具体地,在本实施例中,其输入层节点X=[da,D,α,db,sa],共5维;输出层节点Y=[Δb,Δl,Δy],共3维。其输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值;输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据。
S4,基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数;
具体地,在本实施例中,上述S4的实现过程如下:
S41,获取第i支管坯的dt,D,α,db,st输入至训练完成的SVR模型中;
S42,基于SVR模型,预测第i支管坯穿孔过程的轧辊间距的偏差Δbi、导板间距的偏差Δli及顶头前伸量的偏差Δyi;;
S43,根据S2中的轧辊间距、导板间距及顶头前伸量机理模型分别计算第i支毛管穿孔过程的轧辊间距的机理模型设定值bi、导板间距的机理模型设定值li以及顶头前伸量的机理模型设定值yi;
S44,得到第i支管坯穿孔时的最优工艺参数设定值:
bopt=bi+Δbi
lopt=li+Δli
yopt=yi+Δyi
其中,bopt为待加工管坯穿孔时的轧辊间距最优设定值;lopt为待加工管坯穿孔时的导板间距最优设定值;yopt为待加工管坯穿孔时的顶头前伸量最优设定值。
下面,为了验证本方法的有效性,将其应用于某钢管厂二辊斜轧穿孔机;该钢管厂二辊斜轧穿孔机的现场数据包括:毛管外径da、顶头直径D、送进角α、管坯直径db、毛管壁厚sa、轧辊间距ba、导板间距la及顶头前伸量ya;
本方法在该钢管厂二辊斜轧穿孔机的实施过程如下:
S1,获取二辊斜轧穿孔生产的工艺过程数据及质量数据,如表1所示:
表1现场各样本的参数
S2,计算出轧辊间距、导板间距及顶头前伸量实际值与机理模型设定值之间的偏差,计算结果如表2所示:
表2各样本的工艺参参数偏差
S3,将表1及表2所述数据输入至支持向量回归模型(SVR)中进行训练,构建支持向量回归模型(SVR)包括:输入层节点X、输出层节点Y、惩罚因子C及核函数g。输入层节点X=[da,D,α,db,sa],共5维;输出层节点Y=[Δb,Δl,Δy],共3维;(C,g)的搜索范围设置为[1-10,110]。
S4,基于上述模型,得到后续管坯穿孔时的最优工艺参数,具体如下:
(1)管坯的dt,D,α,db,st,分别如表3所示:
表3管坯穿孔参数设定值及质量目标值
(2)基于SVR模型,预测上述管坯穿孔过程的Δb,Δl,Δy,如表4所示:
表4SVR预测结果
(3)根据上述的轧辊间距、导板间距及顶头前伸量机理模型分别计算管坯穿孔过程的b、l、y;
(4)计算管坯穿孔时的最优工艺参数设定值,如表5所示:
表5最优工艺参数设定值
综上,本实施例提供了一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,该方法充分利用了现场的生产历史数据,建立了机理数据混合驱动的管坯穿孔工艺参数优化模型,能够实现二辊斜轧穿孔工艺参数的动态优化,提升毛管的外径控制精度。实践证明,该二辊斜轧穿孔参数优化方法在某钢管厂应用后,与传统机理模型参数设定而后采用人工修正的方法相比,毛管外径平均控制精度提升0.15%,这充分证明了该二辊斜轧穿孔参数优化方法的有效性。
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 (2)
1.一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,其特征在于,所述基于机理数据混合驱动的二辊斜轧穿孔参数优化方法包括:
获取二辊斜轧穿孔生产工序的生产过程数据;其中,所述生产过程数据包括:生产工艺参数、毛管质量参数以及穿孔参数的实际值;
基于所述毛管质量参数筛选出符合预设要求的样本,并针对筛选出的样本,计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据;
基于所述生产工艺参数和所述偏差数据训练预设的偏差预测模型,得到训练好的偏差预测模型;其中,所述偏差预测模型的输入为生产工艺参数,所述偏差预测模型的输出为穿孔参数的实际值与机理模型设定值之间的偏差数据;
基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数;
所述生产工艺参数包括:顶头直径、送进角、管坯直径、压缩带处压缩量、毛管目标外径、顶头鼻部直径、轴向滑移系数、切向滑移系数、毛管壁厚目标值、轧辊出口锥角以及毛管内径目标值;
所述毛管质量参数包括毛管外径;
所述穿孔参数包括:轧辊间距、导板间距以及顶头前伸量;
基于所述毛管质量参数筛选出符合预设要求的样本,并针对筛选出的样本,计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据,包括:
基于所述毛管质量参数筛选出符合预设要求的样本;
针对筛选出的样本,基于样本对应的生产工艺参数,利用机理模型计算出每一样本的穿孔参数的机理模型设定值;
计算出每一样本的穿孔参数的实际值与机理模型设定值之间的偏差数据:
Δb=ba-b
Δl=la-l
Δy=ya-y
其中,Δb、Δl和Δy分别为样本的轧辊间距、导板间距以及顶头前伸量的偏差;b、l、y分别为样本的轧辊间距、导板间距以及顶头前伸量的机理模型设定值;ba、la、ya分别为样本的轧辊间距、导板间距以及顶头前伸量的实际值;
基于所述毛管质量参数筛选出符合预设要求的样本,包括:
筛选出毛管外径符合以下公式的样本:
|dh-dt|≤0.5%×dt
其中,dh表示样本的毛管外径的实际值;dt为毛管目标外径;
所述针对筛选出的样本,基于样本对应的生产工艺参数,利用机理模型计算出每一样本的穿孔参数的机理模型设定值,公式如下:
b=(1-δ)·db
D=dm-(0.075-0.00135st)·dt
其中,δ为压缩带处压缩量;db为管坯直径;dt为毛管目标外径;d1为顶头鼻部直径;D为顶头直径;η0为轴向滑移系数;ηT为切向滑移系数;α为送进角;st为毛管壁厚目标值;β为轧辊出口锥角;dm为毛管内径目标值;
所述偏差预测模型的输入为毛管目标外径、顶头直径、送进角、管坯直径以及毛管壁厚目标值;所述偏差预测模型的输出为轧辊间距、导板间距以及顶头前伸量的实际值与机理模型设定值之间的偏差数据;
所述偏差预测模型为支持向量回归模型;所述偏差预测模型的输入层节点共5维;输出层节点共3维;(C,g)的搜索范围设置为[1-10,110],其中,C表示惩罚因子,g表示核函数。
2.如权利要求1所述的基于机理数据混合驱动的二辊斜轧穿孔参数优化方法,其特征在于,所述基于待加工管坯的生产工艺参数,利用机理模型,结合训练好的偏差预测模型,得到待加工管坯穿孔时的最优工艺参数,包括:
将待加工管坯对应的毛管目标外径、顶头直径、送进角、管坯直径和毛管壁厚目标值输入训练好的偏差预测模型,预测出待加工管坯穿孔过程的轧辊间距的偏差Δbi、导板间距的偏差Δli及顶头前伸量的偏差Δyi;
利用所述机理模型计算出待加工管坯穿孔过程的轧辊间距的机理模型设定值bi、导板间距的机理模型设定值li以及顶头前伸量的机理模型设定值yi;
计算待加工管坯穿孔时的最优工艺参数,公式如下:
bopt=bi+Δbi
lopt=li+Δli
yopt=yi+Δyi
其中,bopt为待加工管坯穿孔时的轧辊间距最优设定值;lopt为待加工管坯穿孔时的导板间距最优设定值;yopt为待加工管坯穿孔时的顶头前伸量最优设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077624.9A CN117055487B (zh) | 2023-08-24 | 2023-08-24 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077624.9A CN117055487B (zh) | 2023-08-24 | 2023-08-24 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117055487A CN117055487A (zh) | 2023-11-14 |
CN117055487B true CN117055487B (zh) | 2024-04-16 |
Family
ID=88666103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077624.9A Active CN117055487B (zh) | 2023-08-24 | 2023-08-24 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117055487B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010115692A (ja) * | 2008-11-13 | 2010-05-27 | Nippon Steel Corp | 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 |
CN102426439A (zh) * | 2011-04-02 | 2012-04-25 | 东北大学 | 一种基于数据驱动的荒管质量预报与控制方法 |
JP2012137813A (ja) * | 2010-12-24 | 2012-07-19 | Nippon Steel Corp | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN108021776A (zh) * | 2017-12-28 | 2018-05-11 | 上海交通大学 | 一种复杂工件表面铣削加工误差的耦合数值仿真预测方法 |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111400832A (zh) * | 2020-03-11 | 2020-07-10 | 广州博依特智能信息科技有限公司 | 用于卫生纸机干燥部关键运行参数预测的混合建模方法 |
CN112083694A (zh) * | 2020-07-30 | 2020-12-15 | 中国恩菲工程技术有限公司 | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 |
CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
CN113486587A (zh) * | 2021-07-06 | 2021-10-08 | 太原科技大学 | 基于Matlab的无缝钢管穿孔工艺模型参数预测系统 |
WO2022121944A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
CN115016424A (zh) * | 2022-08-08 | 2022-09-06 | 承德建龙特殊钢有限公司 | 一种无缝钢管生产线实时监控系统 |
CN115525033A (zh) * | 2022-09-21 | 2022-12-27 | 太原科技大学 | 一种基于ds证据理论的带钢板形调控方法 |
CN115599055A (zh) * | 2022-09-30 | 2023-01-13 | 红塔烟草(集团)有限责任公司(Cn) | 一种基于机理预测模型的制丝加水量智能控制方法与系统 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
CN115815342A (zh) * | 2022-11-16 | 2023-03-21 | 北京科技大学 | 一种基于机理和数据融合模型的冷轧轧制力预测方法 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
CN116088431A (zh) * | 2022-11-22 | 2023-05-09 | 杭州司南智能技术有限公司 | 基于机理模型的化工过程非线性模型预测控制方法 |
CN116108932A (zh) * | 2023-01-03 | 2023-05-12 | 东北大学 | 一种钢铁生产过程数据和机理融合模型建立方法 |
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
WO2023123184A1 (zh) * | 2021-12-27 | 2023-07-06 | 浙江工业大学台州研究院 | 一种离心泵效率预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656198B (zh) * | 2019-01-31 | 2020-05-19 | 大连理工大学 | 一种进给轴热误差自适应补偿方法 |
EP3966641A1 (en) * | 2019-05-09 | 2022-03-16 | Aspen Technology, Inc. | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
CA3087921A1 (en) * | 2019-07-26 | 2021-01-26 | The Governors Of The University Of Alberta | Quantification of polymer viscoelastic effects on sor reduction using modified capillary |
-
2023
- 2023-08-24 CN CN202311077624.9A patent/CN117055487B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010115692A (ja) * | 2008-11-13 | 2010-05-27 | Nippon Steel Corp | 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 |
JP2012137813A (ja) * | 2010-12-24 | 2012-07-19 | Nippon Steel Corp | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
CN102426439A (zh) * | 2011-04-02 | 2012-04-25 | 东北大学 | 一种基于数据驱动的荒管质量预报与控制方法 |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN108021776A (zh) * | 2017-12-28 | 2018-05-11 | 上海交通大学 | 一种复杂工件表面铣削加工误差的耦合数值仿真预测方法 |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111400832A (zh) * | 2020-03-11 | 2020-07-10 | 广州博依特智能信息科技有限公司 | 用于卫生纸机干燥部关键运行参数预测的混合建模方法 |
CN112083694A (zh) * | 2020-07-30 | 2020-12-15 | 中国恩菲工程技术有限公司 | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 |
WO2022121944A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
CN112749505A (zh) * | 2020-12-16 | 2021-05-04 | 太原科技大学 | 一种机理融合数据的热轧带钢截面形状预测方法 |
CN113486587A (zh) * | 2021-07-06 | 2021-10-08 | 太原科技大学 | 基于Matlab的无缝钢管穿孔工艺模型参数预测系统 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
WO2023123184A1 (zh) * | 2021-12-27 | 2023-07-06 | 浙江工业大学台州研究院 | 一种离心泵效率预测方法 |
CN115016424A (zh) * | 2022-08-08 | 2022-09-06 | 承德建龙特殊钢有限公司 | 一种无缝钢管生产线实时监控系统 |
CN115525033A (zh) * | 2022-09-21 | 2022-12-27 | 太原科技大学 | 一种基于ds证据理论的带钢板形调控方法 |
CN115599055A (zh) * | 2022-09-30 | 2023-01-13 | 红塔烟草(集团)有限责任公司(Cn) | 一种基于机理预测模型的制丝加水量智能控制方法与系统 |
CN115815342A (zh) * | 2022-11-16 | 2023-03-21 | 北京科技大学 | 一种基于机理和数据融合模型的冷轧轧制力预测方法 |
CN116088431A (zh) * | 2022-11-22 | 2023-05-09 | 杭州司南智能技术有限公司 | 基于机理模型的化工过程非线性模型预测控制方法 |
CN115608793A (zh) * | 2022-12-20 | 2023-01-17 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
CN116108932A (zh) * | 2023-01-03 | 2023-05-12 | 东北大学 | 一种钢铁生产过程数据和机理融合模型建立方法 |
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117055487A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102814340B (zh) | 热轧带钢宽度控制模型智能学习系统及自学习方法 | |
JP2009113101A (ja) | 圧延荷重の学習制御方法および装置、ならびに鋼板の製造方法 | |
WO2012092909A1 (de) | Verfahren zum inkrementellen umformen von blechstrukturen, insbesondere zum umformen von rohren oder dgl. | |
CN112949108B (zh) | 热轧高强钢板形缺陷全流程预测方法及图形用户界面装置 | |
CN110743920A (zh) | 一种改善镀锌汽车板表面形貌的光整工艺优化方法 | |
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 | |
CN117055487B (zh) | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 | |
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 | |
CN111241750A (zh) | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 | |
CN104615824B (zh) | 一种二辊矫直机凹辊辊形的设计方法 | |
CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
CN111882030A (zh) | 一种基于深度强化学习的加锭策略方法 | |
CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
CN112861394B (zh) | 基于遗传粒子群算法的冷轧轧辊磨削量优化方法及系统 | |
CN107520255A (zh) | 一种自学习式轧机入口厚度优化方法 | |
CN113987775A (zh) | 一种控制带钢隆起的卷取张力优化方法及系统 | |
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 | |
CN110624957A (zh) | 湿平整机组以粗糙度为目标的工艺润滑制度控制方法 | |
CN114101337B (zh) | 一种单机架可逆轧机的厚度控制方法、装置 | |
CN111104739A (zh) | 一种sa优化深度置信网络的含能材料成球质量优化方法 | |
CN112775242B (zh) | 冲压控制方法 | |
CN113112120B (zh) | 一种热轧带钢侧压机的在线精度评价方法 | |
CN114611376B (zh) | 一种基于神经网络的连退跑偏预测方法及装置 | |
CN115130226A (zh) | 一种厚板轧制过程的变形渗透确定方法与计算系统 | |
CN117753795A (zh) | 一种针对多钢种、多规格热轧产品的前馈控制方法 |
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 |