CN117086117B - 一种钛带热轧过程温度控制方法及系统 - Google Patents
一种钛带热轧过程温度控制方法及系统 Download PDFInfo
- Publication number
- CN117086117B CN117086117B CN202311344486.6A CN202311344486A CN117086117B CN 117086117 B CN117086117 B CN 117086117B CN 202311344486 A CN202311344486 A CN 202311344486A CN 117086117 B CN117086117 B CN 117086117B
- Authority
- CN
- China
- Prior art keywords
- data
- control
- titanium
- rolling
- speed
- 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
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 209
- 239000010936 titanium Substances 0.000 title claims abstract description 209
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 208
- 238000005098 hot rolling Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005096 rolling process Methods 0.000 claims abstract description 156
- 238000012545 processing Methods 0.000 claims abstract description 73
- 230000004044 response Effects 0.000 claims abstract description 73
- 238000010438 heat treatment Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000004381 surface treatment Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 21
- 238000003825 pressing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003746 surface roughness Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 230000007246 mechanism Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229910001069 Ti alloy Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
Abstract
本发明公开了一种钛带热轧过程温度控制方法及系统,属于智能控制领域,其中方法包括:调用理论热轧控制数据和基础数据;调用钛带数据中的钛带尺寸数据,确定道次加工值;建立道次加工值与响应温度、响应轧制速度的映射关系,配置轧机压力,进行滑动评价,进行控制速度寻优,建立速度寻优空间;以速度寻优空间控制轧机执行钛带的热轧控制,建立钛带的速度反馈空间;配置温度控制寻优网络,将响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;通过实时加热控制数据进行钛带热轧温度控制。本申请解决了现有技术中钛带热轧温度控制效果差的技术问题,达到了精确控制钛带热轧温度的技术效果。
Description
技术领域
本发明涉及智能控制领域,具体涉及一种钛带热轧过程温度控制方法及系统。
背景技术
钛及钛合金材料由于其高比强度、良好的高温力学性能和优异的抗腐蚀性而得到广泛应用,钛带的热轧成形作为获得优质钛带材的关键工艺之一,其温度控制精度直接影响到钛带的内部组织和性能。目前,钛带热轧温度控制多采用经验模型,根据工艺规程预先设置的温度参数进行加热控制,难以实现对钛带热轧过程的实时温度调节,导致理论上精确计算的热轧温度控制参数与实际热轧过程中的温度变化并不完全匹配,导致控制效果差,无法满足高品质钛带材料的生产需求。
发明内容
本申请通过提供了一种钛带热轧过程温度控制方法及系统,旨在解决现有技术中钛带热轧温度控制效果差的技术问题。
鉴于上述问题,本申请提供了一种钛带热轧过程温度控制方法及系统。
本申请公开的第一个方面,提供了一种钛带热轧过程温度控制方法,该方法包括:建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,基础数据包括钛带数据和轧机数据;调用钛带数据中的钛带尺寸数据,依据热辊压下制度和钛带尺寸数据确定道次加工值,其中,道次加工值为分段道次值;建立道次加工值与响应温度、响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和轧机压力进行滑动评价,以滑动评价结果和响应轧制速度进行控制速度寻优,建立速度寻优空间;以速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;通过实时加热控制数据进行钛带热轧温度控制。
本申请公开的另一个方面,提供了一种钛带热轧过程温度控制系统,该系统包括:数据调用单元,用于建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,基础数据包括钛带数据和轧机数据;道次加工值单元,用于调用钛带数据中的钛带尺寸数据,依据热辊压下制度和钛带尺寸数据确定道次加工值,其中,道次加工值为分段道次值;速度寻优空间单元,用于建立道次加工值与响应温度、响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和轧机压力进行滑动评价,以滑动评价结果和响应轧制速度进行控制速度寻优,建立速度寻优空间;速度反馈空间单元,用于以速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;控制数据生成单元,用于将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;实时温度控制单元,用于通过实时加热控制数据进行钛带热轧温度控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了建立与钛带生产系统的通信连接,并调用理论热轧控制数据和基础数据,以获取标定控制结果数据和钛带数据、轧机数据,为后续控制提供基础参数;调用钛带尺寸数据,并与热辊压下制度结合,确定分段的道次加工值,为轧制参数确定提供依据;将确定的道次加工值与响应温度、响应轧制速度映射,配置轧机压力,进行滑动评价与速度寻优,建立速度寻优空间,以提供实际热轧响应参数;利用速度寻优空间控制钛带热轧,并建立速度反馈空间,为温度闭环控制提供反馈依据;采用钛带数据、道次加工值、轧机加热数据等作为初始数据,配置温度控制网络,以响应温度为目标温度,速度反馈空间为影响数据,进行加热控制寻优,生成实时加热控制数据;通过优化得到的加热控制数据,精确控制钛带的热轧温度,达到闭环控制效果的技术方案,解决了现有技术中钛带热轧温度控制效果差的技术问题,达到了精确控制钛带热轧温度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种钛带热轧过程温度控制方法的一种流程示意图;
图2为本申请实施例提供了一种钛带热轧过程温度控制方法中生成理论热轧控制数据的一种流程示意图;
图3为本申请实施例提供了一种钛带热轧过程温度控制系统的一种结构示意图。
附图标记说明:数据调用单元11,道次加工值单元12,速度寻优空间单元13,速度反馈空间单元14,控制数据生成单元15,实时温度控制单元16。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种钛带热轧过程温度控制方法及系统,通过建立热轧全流程的数据关联和理论与实际的参数动态匹配机制,实现对钛带热轧温度的精确闭环控制。
具体而言,首先建立与钛带生产系统通信连接,调用理论热轧控制数据和基础数据,奠定了数据支撑。在此基础上,通过计算获得分段道次加工值,实现理论参数和实际参数的初步对应。接着,建立滑动评价与速度寻优空间,通过与实际轧制的互动,形成速度反馈空间,建立理论与实际参数的闭环匹配机制。最后,构建温度控制寻优网络,以理论响应温度为目标值,考虑速度反馈的影响,实现对钛带热轧温度的精确闭环控制。
总之,本申请通过建立全流程数据支撑、参数初步对应和闭环匹配机制,实现了理论计算值和实际加工值的动态协同,有效解决现有技术中钛带热轧温度控制不精确的问题,达到精确控制钛带热轧温度的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种钛带热轧过程温度控制方法,该方法包括:
建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,所述理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,所述基础数据包括钛带数据和轧机数据;
在本申请实施例中,为实现对钛带热轧过程温度的精准控制,先建立与钛带生产系统的通信连接,以获得钛带热轧过程中的各项数据。在建立与钛带生产系统的通信连接时,针对不同类型的数据设置访问权限等级。例如,将理论热轧控制数据设置为核心数据,只有最高权限可以调用;而将轧机参数等基础数据设置为一般权限。调用数据时,钛带生产系统会先进行权限验证,判断发起数据调用的请求是否拥有对应的数据访问权限,只有通过验证才能够获取数据。
然后,控制系统具有最高的访问通信权限,可在钛带生产系统中调用理论热轧控制数据和基础数据。其中,理论热轧控制数据为标定控制结果数据,是通过实际的标定试验获得的钛带热轧理想控制参数,包括响应温度、响应轧制速度和热辊压下制度;响应温度是指钛带热轧过程中所需要达到的温度;响应轧制速度是指不同加工段所需要的轧制速度;热辊压下制度包括热轧机组中上、下工作辊对钛带施加的压下力,道次加工率等。这些理论控制数据来源于标定试验。基础数据包括钛带数据和轧机数据;钛带数据是描述钛带材质、几何尺寸等属性的数据;轧机数据包含辊径、转速等参数。通过调用理论热轧控制数据和基础数据为进行精准温度控制奠定数据基础。
调用钛带数据中的钛带尺寸数据,依据所述热辊压下制度和所述钛带尺寸数据确定道次加工值,其中,所述道次加工值为分段道次值;
在本申请实施例中,首先调用钛带数据中的钛带尺寸数据。即单个钛带初始尺寸和目标尺寸对应的长度、宽度、厚度等尺寸参数。然后,根据钛带的初始尺寸和目标尺寸,计算出各个轧制段的厚度减少值。同时,通过热辊压下制度读取热轧机的辊径、热辊压下力、道次加工率等,计算出各个轧制段所需要的道次数和各道次对应的厚度下降量,得到将单个钛带尺寸数据加工到目标尺寸的分阶段的分段道次值,从而确定道次加工值。
建立所述道次加工值与所述响应温度、所述响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和所述轧机压力进行滑动评价,以滑动评价结果和所述响应轧制速度进行控制速度寻优,建立速度寻优空间;
在本申请实施例中,首先,收集热轧过程数据,获得不同道次条件下的响应温度变化曲线和对应的轧制速度;其次,分析响应温度曲线的特征参数,如升温速率、保温时间等,与道次加工值建立回归模型;同时,分析响应轧制速度曲线的特征参数,如最大速度、平均速度等,与道次加工值建立回归模型。然后,将得到的温度模型和速度模型,进行多元回归,建立道次加工值与所述响应温度、所述响应轧制速度的映射关系模型。
接着,根据钛带的材料特性,参考金属形变力学理论,计算出实现所需形变的轧机压力,并对轧机进行压力配置。随后,测量钛带的辊型参数,评估钛带与轧机的实际接触面积大小;同时,测量获取钛带表面粗糙度,粗糙度大会增加滑动阻力。之后,根据轧机压力,估算接触区压力分布情况,压力越大,滑动难度越大。进行小批量试轧,测试不同压力条件下的穿透情况,穿透性差表示滑动不良。总结轧制过程中的负荷情况、动力参数,评判滑动良好与否,得到滑动评价结果。
然后,将滑动评价结果划分为不同级别,如良好、一般、较差;在轧制速度范围内取若干离散点,在每个离散点上计算响应轧制速度。对每个速度点,结合滑动评价结果,判定其合理性,保留合理速度点,形成候选速度集,作为速度寻优空间,为不同滑动润滑条件下,钛带热轧速度能够调节的空间。
以所述速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;
在本申请实施例中,首先,在控制系统中输入速度寻优空间的上下限及离散取值,作为实际响应参数。然后,依据速度寻优空间,控制轧机执行对钛带的热轧加工,实施速度响应控制,在热轧过程中,根据轧制阻力、温度等反馈,在响应范围内自主优化速度参数,实现轧制速度的精确匹配。同时,记录热轧过程中不同时刻钛带实际轧制速度的监测值,作为速度反馈空间,用于优化速度控制。
通过利用速度寻优空间指导热轧速度控制,不仅实现对速度的实时调节,还通过建立反馈空间准备后续控制优化所需的数据基础,使得整个热轧过程的速度控制更加智能化和精确化。
将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将所述响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;
在本申请实施例中,轧机加热数据包含与轧机加热系统相关的各项参数,如加热炉制式、功率、加热区长度、加热温度设定值等。首先,根据热轧温度控制的原理,确定温度控制寻优网络的框架,如采用BP神经网络。同时,设计温度控制寻优的算法,用于搜索最佳温度控制参数组合,如遗传算法。将钛带数据、道次加工值、轧机加热数据以数据结构的方式,接入温度控制寻优网络,进行仿真与训练,校正网络模型,形成符合要求的温度控制寻优网络。
然后,在温度控制寻优网络中,输入响应温度作为温度目标值,获取速度反馈空间中的实时轧制速度数据,作为影响因素。接着,使用温度控制寻优网络计算不同加热参数下的温度预测值,比较预测温度与响应温度的误差,搜索最小化误差的加热参数组合,考虑速度反馈空间的影响,修正参数,使温度预测值更准确,从而确定最佳加热参数,作为实时加热控制数据,实现轧制过程中的精确温控。
通过所述实时加热控制数据进行钛带热轧温度控制。
在本申请实施例中,通过温度传感器检测到钛带轧制段的实时温度,与预先设置的响应温度相比较,如果存在差异,则触发温度控制寻优网络对加热参数进行再次优化计算,并实时输出新的加热控制数据,即实时加热控制数据。然后,将优化计算后的实时加热控制数据,发送到轧机上的加热机构中,按照实时加热控制数据的要求调整加热器的工作状态,如调整加热温度或热能输出,从而对钛带进行精确的温度控制,使其达到预期的温度水平。
通过闭环控制方式,持续利用温度寻优网络输出的实时加热控制数据,实现钛带在整个热轧过程中的温度精确调节,从而保证钛带产品的质量。
进一步的,如图2所示,本申请实施例还包括:
在钛带生产系统建立决策网络,所述决策网络包括尺寸决策子网络和表面处理决策子网络;
解析所述基础数据,获得钛带数据和轧机数据,钛带数据包括基础尺寸数据、基础表面状态数据和需求尺寸数据、需求表面状态数据,轧机数据包括轧机历史控制数据和理论控制数据;
以所述轧机历史控制数据和所述理论控制数据建立轧机特征,并通过所述轧机特征初始化所述决策网络;
将所述基础尺寸数据和所述需求尺寸数据输入尺寸决策子网络,生成尺寸决策结果;
将所述基础表面状态数据和所述需求表面状态数据输入表面处理决策子网络,生成表面处理决策结果;
将所述尺寸决策结果和所述表面处理决策结果同步至所述决策网络,生成理论热轧控制数据。
在一种优选的实施方式中,为生成准确的理论热轧控制数据,首先,在钛带生产系统建立决策网络,包括尺寸决策子网络和表面处理决策子网络。其中,决策网络是构建的包含多个决策单元的网络系统,用以进行参数决策和控制策略产生;尺寸决策子网络专门用于处理钛带尺寸参数,根据基础数据计算生成尺寸决策输出;表面处理决策子网络则侧重处理钛带表面状态数据,进行表面质量决策。通过决策网络,旨在从尺寸和表面两个方面共同对热轧参数进行智能决策,以产生更加准确可靠的控制输出。其次,解析基础数据获得钛带数据和轧机数据,其中,钛带数据包括钛带的基础尺寸数据、基础表面状态数据,以及需求尺寸数据的表面状态数据,这些数据描述钛带自身的特性参数;轧机数据包括轧机的历史控制数据和理论控制数据;历史控制数据是过去生产记录的参数,理论控制数据是经过计算获得的理想控制参数。
然后,分析轧机的历史控制数据和理论控制数据总结出该轧机特征,例如压力-温度关系曲线、速度与平齐度的映射模式等,反映了该轧机的个性化行为特点。将提取轧机特征作为决策网络的初始知识,即用它们预训练网络模型。这样,决策网络在训练过程中就已包含了该轧机的个性化信息,使决策网络可以在实际使用中根据这些轧机特征进行更准确的控制决策。随后,将基础尺寸数据和需求尺寸数据输入尺寸决策子网络,该网络对两者进行分析比较,计算出实现尺寸转换所需要的轧制参数组合,生成尺寸决策结果,给出用于满足尺寸要求的理想轧制参数。同时,将基础表面状态数据和需求表面状态数据输入表面处理决策子网络,该网络分析两者的差异,计算出需要采取的表面处理措施,以满足表面质量的要求,从而生成表面处理决策结果,给出用于实现表面处理和形成所需表面状态的理想参数。
最后,决策网络作为尺寸决策子网络和表面处理决策子网络的上级网络,整合两个子网络的决策结果,即尺寸决策结果和表面处理决策结果,考虑各决策因素之间的相互制约关系,生成理论热轧控制数据,即用于指导实际热轧过程的完整控制参数组合。理论热轧控制数据既满足了尺寸目标,也实现了表面处理要求,为轧机控制提供依据。
进一步的,本申请实施例还包括:
以所述基础表面状态数据作为始态数据,进行终态处理前的表面处理变化预测,建立预测结果;
依据所述表面处理决策子网络对所述轧机特征、所述预测结果和所述需求表面状态进行状态分析,生成期望辐射因子,所述期望辐射因子表征了建立所述需求表面状态的终态轧制阶段的数量和层级辐射宽度;
通过所述期望辐射因子生成表面处理决策结果。
在一种可行的实施方式中,为生成准确的表面处理决策结果,首先,以基础表面状态数据作为始态数据,如粗糙度、缺陷情况等数据,通过轧制工艺机理分析预测原材料在经过轧制的各个工序后,表面会发生哪些变化,出现什么样的中间状态,得到处理前后的表面状态演变以及各工序中间状态的预测结果。然后,表面处理决策子网络根据轧机特征、预测结果和需求表面状态对整个轧制过程的表面形成进行状态分析,计算出满足质量需求所需的轧制层数和各层的辐射宽度,组成期望辐射因子,表征如何分步使以基础表面状态达到需求表面状态。
接着,通过生成的期望辐射因子,确定建立需求表面状态所需的具体辐射参数,即辐射的总阶段数及各阶段的辐射宽度分布。根据这些参数,推导出用于该表面处理的具体决策结果,即表面处理的方式、强度、顺序等信息,作为表面处理决策结果,为后续的表面处理过程提供指导,以实现从基础表面状态到达需求表面状态的表面质量的转变。
进一步的,本申请实施例还包括:
依据所述轧机特征进行轧机在各个阶段的运行稳态评价,生成基础稳态列表;
根据所述道次加工值对所述基础稳态列表调整,生成窗口捕捉关联因子;
以所述窗口捕捉关联因子触发数据采集窗口,根据窗口采集结果建立钛带的速度反馈空间。
在一种优选的实施方式中,首先,根据对轧机在不同工艺阶段运行时的稳定状态进行判断,例如,评价轧机在各阶段的动态响应的稳定性、温度湿度对设备影响等,得到各个工序的稳定性指标,组合成基础稳态列表。然后,分析道次加工值,评估各道次的加工难易程度,对基础稳态列表中各工艺阶段的稳态参数,进行加工难易度的修正。其中,对于难度大的加工道次,适当扩大其稳态范围,简单道次则可适当缩小范围。获得调整后各工艺阶段的新稳态列表。随后,以新稳态列表确定采集窗口的触发时机,根据窗口触发条件,设置窗口长度,形成动态的数据采集方案,综合其中的窗口触发时机和长度信息,生成窗口捕捉关联因子。
接着,以确定的窗口捕捉关联因子为触发规则,在指定的时间段内启动数据采集窗口,进行过程数据的动态捕捉。以窗口捕捉关联因子作为触发规则启动数据采集窗口,即在指定的时间段内开启数据的采集。然后,根据数据采集窗口获得的过程数据,提取钛带实际轧制速度的监测信息,形成速度数据集,将其中的速度数据进行整理,建立起反映钛带速度实际分布状态的速度反馈空间,记录钛带在热轧各阶段的实时速度参数,为热轧速度控制提供反馈依据。
进一步的,本申请实施例还包括:
建立同道次的窗口数据集;
对所述窗口数据集进行道次稳态分析,生成反馈关联因子;
以所述反馈关联因子对所述窗口捕捉关联因子优化,根据优化结果重新建立后续的速度反馈空间。
在一种优选的实施方式中,首先,针对同一道次,收集多个数据采集窗口的数据,形成窗口数据集。然后,根据窗口数据集,分析同一道次下数据的稳定态势,生成反馈关联因子,反映该道次的过程稳定性。之后,以反馈关联因子来优化窗口捕捉关联因子,更加反映该道次的真实稳态情况。接着,根据优化后的窗口捕捉关联因子,重新进行数据捕捉,获得新的速度反馈空间。
通过对同道次采集数据的分析,针对性地优化窗口捕捉关联因子,使之更符合该道次的特点,从而获得更为准确的速度反馈空间,提升控制效果。
进一步的,本申请实施例还包括:
依据所述钛带尺寸数据进行钛带分类,建立钛带分类簇,并设定每一钛带分类簇的标定值;
依据个体表面状态数据进行所述钛带分类簇的聚类优化,并根据优化结果对所述标定值调整,生成附加处理标定值;
以所述热辊压下制度对所述附加处理标定值进行处理计算,确定道次加工值。
在一种优选的实施方式中,首先,收集各钛带的长度、宽度、厚度等尺寸数据,使用聚类算法比如K-Means对钛带数据进行分类,根据聚类结果,将钛带分为多个分类簇,作为钛带分类簇,每一簇中的钛带尺寸特征相似,分析每一类钛带的尺寸范围,获得该分类的平均尺寸,作为该分类簇的标定值,表示该类钛带的基准参数。然后,获取个体表面状态数据,个体表面状态数据是指描述钛带个体表面特点的各项参数,如粗糙度、缺陷分布等数据,通过对每个钛带进行表面检测获得。接着,以获取的个体表面状态数据对钛带分类簇进行优化,将个体表面状态相似的钛带进行重新分类,然后依据重新分类结果对标定值进行调整,即在标定值中添加钛带的表面状态数据,得到附加处理标定值。
随后,建立描述钛带热轧厚度随压力变化关系的热轧机理工艺学模型,将模型中的压力参数替换为热辊压下制度。再者,将钛带的附加处理标定值输入该工艺学模型,运行该模型,计算模拟获得钛带在各个轧制工序中实现目标厚度所需的精确加工次数,即为所求的道次加工值,为热轧过程提供精确控制依据。
进一步的,本申请实施例还包括:
建立反馈控制网络,所述反馈控制网络为进行温度控制寻优网络反馈优化的网络,且所述反馈控制网络设定有异常阈值;
依据所述反馈控制网络执行钛带热轧温度控制进行结果监督,并提取异常共性特征;
若异常共性特征不在所述异常阈值内,则执行异常预警;
若异常共性特征在所述异常阈值内,则生成反馈参数,并设定监督窗口;
若在所述监督窗口内的反馈结果未能达到与所述异常共性特征的映射优化结果,则报出异常。
在一种优选的实施方式中,首先,在温度控制寻优网络的基础上,设置反馈控制网络,并给定异常判断的阈值参数,如温度偏差阈值,为异常阈值,当反馈控制网络检测到异常时,提供给温度控制寻优网络优化以进行快速调整。其次,利用反馈控制网络对钛带的热轧温度进行实时监控,检测是否存在异常,一旦检测到异常,提取异常共性特征,如持续温差过大、升温速率异常等特征,表示温控过程偏离正常状态的情况。
随后,将提取的异常共性特征与异常阈值进行比较,如果异常共性特征不在异常阈值内,表示异常共性特征超出了正常范围,表示温度控制出现了异常,此时,向控制系统操作人员发出异常预警,如采用声光报警、监控界面提示等。如果异常共性特征在异常阈值内,表明虽存在异常但尚处于可受控水平,此时,反馈控制网络自动生成一组反馈参数,如修正加热功率、调整加热时长等,以进行异常共性特征的优化消除;同时,设置监督窗口,在预定时间段内观察控制结果,以判断反馈调整的效果。接着,判断监督窗口内新采集的控制数据,是否显示异常特征已被反馈调整至正常水平。如果反馈后的数据仍未达到理论计算的优化效果,即异常共性特征的映射优化结果,则说明反馈调整无效,异常未得到控制,此时,反馈控制网络报出温度控制异常警告,提示操作人员进行检查与处理,确保对异常情况做出及时有效的响应,防止质量问题发生。
综上所述,本申请实施例所提供的一种钛带热轧过程温度控制方法具有如下技术效果:
建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,基础数据包括钛带数据和轧机数据,为建立动态温度匹配机制奠定数据基础。调用钛带数据中的钛带尺寸数据,依据热辊压下制度和钛带尺寸数据确定道次加工值,其中,道次加工值为分段道次值,根据钛带规格确定合适的加工参数,为轧制提供依据。建立道次加工值与响应温度、响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和轧机压力进行滑动评价,以滑动评价结果和响应轧制速度进行控制速度寻优,建立速度寻优空间,优化匹配轧制速度,获得速度控制参数,避免滑动事故。以速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间,实现轧制速度控制,并获取速度反馈。将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据,通过建立温度闭环控制网络,计算优化的加热控制数据。通过实时加热控制数据进行钛带热轧温度控制,实现对钛带热轧温度的精确闭环控制,精确控制钛带热轧温度。
实施例二
基于与前述实施例中一种钛带热轧过程温度控制方法相同的发明构思,如图3所示,本申请实施例提供了一种钛带热轧过程温度控制系统,该系统包括:
数据调用单元11,用于建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,所述理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,所述基础数据包括钛带数据和轧机数据;
道次加工值单元12,用于调用钛带数据中的钛带尺寸数据,依据所述热辊压下制度和所述钛带尺寸数据确定道次加工值,其中,所述道次加工值为分段道次值;
速度寻优空间单元13,用于建立所述道次加工值与所述响应温度、所述响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和所述轧机压力进行滑动评价,以滑动评价结果和所述响应轧制速度进行控制速度寻优,建立速度寻优空间;
速度反馈空间单元14,用于以所述速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;
控制数据生成单元15,用于将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将所述响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;
实时温度控制单元16,用于通过所述实时加热控制数据进行钛带热轧温度控制。
进一步的,数据调用单元11包括以下执行步骤:
在钛带生产系统建立决策网络,所述决策网络包括尺寸决策子网络和表面处理决策子网络;
解析所述基础数据,获得钛带数据和轧机数据,钛带数据包括基础尺寸数据、基础表面状态数据和需求尺寸数据、需求表面状态数据,轧机数据包括轧机历史控制数据和理论控制数据;
以所述轧机历史控制数据和所述理论控制数据建立轧机特征,并通过所述轧机特征初始化所述决策网络;
将所述基础尺寸数据和所述需求尺寸数据输入尺寸决策子网络,生成尺寸决策结果;
将所述基础表面状态数据和所述需求表面状态数据输入表面处理决策子网络,生成表面处理决策结果;
将所述尺寸决策结果和所述表面处理决策结果同步至所述决策网络,生成理论热轧控制数据。
进一步的,数据调用单元11还包括以下执行步骤:
以所述基础表面状态数据作为始态数据,进行终态处理前的表面处理变化预测,建立预测结果;
依据所述表面处理决策子网络对所述轧机特征、所述预测结果和所述需求表面状态进行状态分析,生成期望辐射因子,所述期望辐射因子表征了建立所述需求表面状态的终态轧制阶段的数量和层级辐射宽度;
通过所述期望辐射因子生成表面处理决策结果。
进一步的,速度反馈空间单元14包括以下执行步骤:
依据所述轧机特征进行轧机在各个阶段的运行稳态评价,生成基础稳态列表;
根据所述道次加工值对所述基础稳态列表调整,生成窗口捕捉关联因子;
以所述窗口捕捉关联因子触发数据采集窗口,根据窗口采集结果建立钛带的速度反馈空间。
进一步的,速度反馈空间单元14还包括以下执行步骤:
建立同道次的窗口数据集;
对所述窗口数据集进行道次稳态分析,生成反馈关联因子;
以所述反馈关联因子对所述窗口捕捉关联因子优化,根据优化结果重新建立后续的速度反馈空间。
进一步的,道次加工值单元12包括以下执行步骤:
依据所述钛带尺寸数据进行钛带分类,建立钛带分类簇,并设定每一钛带分类簇的标定值;
依据个体表面状态数据进行所述钛带分类簇的聚类优化,并根据优化结果对所述标定值调整,生成附加处理标定值;
以所述热辊压下制度对所述附加处理标定值进行处理计算,确定道次加工值。
进一步的,本申请实施例还包括反馈控制网络单元,该单元包括以下执行步骤:
建立反馈控制网络,所述反馈控制网络为进行温度控制寻优网络反馈优化的网络,且所述反馈控制网络设定有异常阈值;
依据所述反馈控制网络执行钛带热轧温度控制进行结果监督,并提取异常共性特征;
若异常共性特征不在所述异常阈值内,则执行异常预警;
若异常共性特征在所述异常阈值内,则生成反馈参数,并设定监督窗口;
若在所述监督窗口内的反馈结果未能达到与所述异常共性特征的映射优化结果,则报出异常。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种钛带热轧过程温度控制方法,其特征在于,所述方法包括:
建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,所述理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,所述基础数据包括钛带数据和轧机数据;
调用钛带数据中的钛带尺寸数据,依据所述热辊压下制度和所述钛带尺寸数据确定道次加工值,其中,所述道次加工值为分段道次值,通过热辊压下制度读取热轧机的辊径、热辊压下力、道次加工率,计算出各个轧制段所需要的道次数和各道次对应的厚度下降量,得到将单个钛带尺寸数据加工到目标尺寸的分阶段的分段道次值;
建立所述道次加工值与所述响应温度、所述响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和所述轧机压力进行滑动评价,以滑动评价结果和所述响应轧制速度进行控制速度寻优,建立速度寻优空间,其中,所述轧机压力为根据钛带的材料特性,参考金属形变力学理论,计算得出的实现所需形变的轧机压力,所述滑动评价为基于轧制过程中的负荷情况、动力参数,对滑动性能进行良好与否的级别划分的评判过程;
以所述速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;
将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将所述响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;
通过所述实时加热控制数据进行钛带热轧温度控制;
所述方法还包括:
在钛带生产系统建立决策网络,所述决策网络包括尺寸决策子网络和表面处理决策子网络;
解析所述基础数据,获得钛带数据和轧机数据,钛带数据包括基础尺寸数据、基础表面状态数据和需求尺寸数据、需求表面状态数据,轧机数据包括轧机历史控制数据和理论控制数据;
以所述轧机历史控制数据和所述理论控制数据建立轧机特征,并通过所述轧机特征初始化所述决策网络;
将所述基础尺寸数据和所述需求尺寸数据输入尺寸决策子网络,生成尺寸决策结果;
将所述基础表面状态数据和所述需求表面状态数据输入表面处理决策子网络,生成表面处理决策结果;
将所述尺寸决策结果和所述表面处理决策结果同步至所述决策网络,生成理论热轧控制数据。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
以所述基础表面状态数据作为始态数据,进行终态处理前的表面处理变化预测,建立预测结果;
依据所述表面处理决策子网络对所述轧机特征、所述预测结果和需求表面状态进行状态分析,生成期望辐射因子,所述期望辐射因子表征了建立所述需求表面状态的终态轧制阶段的数量和层级辐射宽度,其中,所述终态轧制阶段的数量表征以基础表面状态达到需求表面状态过程中辐射的总阶段数,所述层级辐射宽度为各阶段的辐射宽度分布;
通过所述期望辐射因子生成表面处理决策结果。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述轧机特征进行轧机在各个阶段的运行稳态评价,生成基础稳态列表;
根据所述道次加工值对所述基础稳态列表调整,生成窗口捕捉关联因子;
以所述窗口捕捉关联因子触发数据采集窗口,根据窗口采集结果建立钛带的速度反馈空间。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
建立同道次的窗口数据集;
对所述窗口数据集进行道次稳态分析,生成反馈关联因子;
以所述反馈关联因子对所述窗口捕捉关联因子优化,根据优化结果重新建立后续的速度反馈空间。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述钛带尺寸数据进行钛带分类,建立钛带分类簇,并设定每一钛带分类簇的标定值;
依据个体表面状态数据进行所述钛带分类簇的聚类优化,并根据优化结果对所述标定值调整,生成附加处理标定值;
以所述热辊压下制度对所述附加处理标定值进行处理计算,确定道次加工值。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
建立反馈控制网络,所述反馈控制网络为进行温度控制寻优网络反馈优化的网络,且所述反馈控制网络设定有异常阈值;
依据所述反馈控制网络执行钛带热轧温度控制进行结果监督,并提取异常共性特征;
若异常共性特征不在所述异常阈值内,则执行异常预警;
若异常共性特征在所述异常阈值内,则生成反馈参数,并设定监督窗口;
若在所述监督窗口内的反馈结果未能达到所述异常共性特征的映射优化结果,则报出异常。
7.一种钛带热轧过程温度控制系统,其特征在于,用于实施权利要求1-6任意一项所述的一种钛带热轧过程温度控制方法,所述系统包括:
数据调用单元,所述数据调用单元用于建立与钛带生产系统的通信连接,并依据通信权限调用理论热轧控制数据和基础数据,其中,所述理论热轧控制数据为标定控制结果数据,包括响应温度、响应轧制速度、热辊压下制度,所述基础数据包括钛带数据和轧机数据;
道次加工值单元,所述道次加工值单元用于调用钛带数据中的钛带尺寸数据,依据所述热辊压下制度和所述钛带尺寸数据确定道次加工值,其中,所述道次加工值为分段道次值,通过热辊压下制度读取热轧机的辊径、热辊压下力、道次加工率,计算出各个轧制段所需要的道次数和各道次对应的厚度下降量,得到将单个钛带尺寸数据加工到目标尺寸的分阶段的分段道次值;
速度寻优空间单元,所述速度寻优空间单元用于建立所述道次加工值与所述响应温度、所述响应轧制速度的映射关系,并配置轧机压力,依据辊型和钛带表面粗糙度和所述轧机压力进行滑动评价,以滑动评价结果和所述响应轧制速度进行控制速度寻优,建立速度寻优空间,其中,所述轧机压力为根据钛带的材料特性,参考金属形变力学理论,计算得出的实现所需形变的轧机压力,所述滑动评价为基于轧制过程中的负荷情况、动力参数,对滑动性能进行良好与否的级别划分的评判过程;
速度反馈空间单元,所述速度反馈空间单元用于以所述速度寻优空间作为实际响应参数,控制轧机执行钛带的热轧控制,并建立钛带的速度反馈空间;
控制数据生成单元,所述控制数据生成单元用于将钛带数据、道次加工值、轧机加热数据作为初始数据,配置温度控制寻优网络,并将所述响应温度作为目标控制温度,将速度反馈空间作为影响数据,执行加热控制寻优,生成实时加热控制数据;
实时温度控制单元,所述实时温度控制单元用于通过所述实时加热控制数据进行钛带热轧温度控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344486.6A CN117086117B (zh) | 2023-10-18 | 2023-10-18 | 一种钛带热轧过程温度控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344486.6A CN117086117B (zh) | 2023-10-18 | 2023-10-18 | 一种钛带热轧过程温度控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117086117A CN117086117A (zh) | 2023-11-21 |
CN117086117B true CN117086117B (zh) | 2023-12-29 |
Family
ID=88772056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311344486.6A Active CN117086117B (zh) | 2023-10-18 | 2023-10-18 | 一种钛带热轧过程温度控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117086117B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117286327B (zh) * | 2023-11-24 | 2024-04-02 | 张家港Aaa精密制造股份有限公司 | 用于轴承热处理工艺的智能温控方法及系统 |
CN117463799B (zh) * | 2023-12-28 | 2024-03-22 | 江苏宏宝优特管业制造有限公司 | 热轧钢管生产过程的温度控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001105016A (ja) * | 1999-10-04 | 2001-04-17 | Toshiba Corp | 圧延材の温度制御装置 |
CN101628297A (zh) * | 2009-08-11 | 2010-01-20 | 武钢集团昆明钢铁股份有限公司 | 钛板卷的可逆式热轧工艺 |
DE102016207692A1 (de) * | 2015-05-20 | 2016-11-24 | Hitachi, Ltd. | Vorrichtung und Verfahren zum Steuern der Liefertemperatur eines Warmwalz-Fertigwalzwerks |
CN108067506A (zh) * | 2016-11-16 | 2018-05-25 | 上海优控科技有限公司 | 中厚板轧制道次动态变设定控制方法 |
CN113762329A (zh) * | 2021-07-06 | 2021-12-07 | 山东钢铁股份有限公司 | 一种大型轧机状态预测模型的构建方法及构建系统 |
CN116586441A (zh) * | 2023-07-10 | 2023-08-15 | 江苏甬金金属科技有限公司 | 一种金属轧机的智能控制方法及系统 |
-
2023
- 2023-10-18 CN CN202311344486.6A patent/CN117086117B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001105016A (ja) * | 1999-10-04 | 2001-04-17 | Toshiba Corp | 圧延材の温度制御装置 |
CN101628297A (zh) * | 2009-08-11 | 2010-01-20 | 武钢集团昆明钢铁股份有限公司 | 钛板卷的可逆式热轧工艺 |
DE102016207692A1 (de) * | 2015-05-20 | 2016-11-24 | Hitachi, Ltd. | Vorrichtung und Verfahren zum Steuern der Liefertemperatur eines Warmwalz-Fertigwalzwerks |
CN108067506A (zh) * | 2016-11-16 | 2018-05-25 | 上海优控科技有限公司 | 中厚板轧制道次动态变设定控制方法 |
CN113762329A (zh) * | 2021-07-06 | 2021-12-07 | 山东钢铁股份有限公司 | 一种大型轧机状态预测模型的构建方法及构建系统 |
CN116586441A (zh) * | 2023-07-10 | 2023-08-15 | 江苏甬金金属科技有限公司 | 一种金属轧机的智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117086117A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117086117B (zh) | 一种钛带热轧过程温度控制方法及系统 | |
CN107016235B (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
CN107541597B (zh) | 连续退火机组均热炉的带钢跑偏监测与诊断方法及系统 | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
CN102069094A (zh) | 一种基于数据挖掘的板形控制关键工艺参数优化系统 | |
CN111209967A (zh) | 一种基于支持向量机的轧制过程板凸度预测方法 | |
CN105929812A (zh) | 带钢热连轧质量的故障诊断方法及装置 | |
CN112287550B (zh) | 基于主成分分析控制器的带钢头部厚差过程参数优化方法 | |
CN103028614B (zh) | 一种带钢热连轧生产过程控制系统的优化方法 | |
CN112180739A (zh) | 一种针对过热汽温控制系统的参数优化方法 | |
CN111950577A (zh) | 一种点检方法及装置 | |
CN115601313A (zh) | 一种钢化玻璃生产工艺可视化监控管理系统 | |
KR102298755B1 (ko) | 딥러닝을 이용한 다이캐스팅 공정 관리 시스템 | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN115121626A (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
KR102250598B1 (ko) | 작업자 기술수준 및 작업 난이도 측정 방법 및 이를 위한 시스템 | |
US8630728B2 (en) | System and method for generating indices to quantify operating transition performance of a continuous process | |
CN116957120A (zh) | 一种基于数据分析的设备状态历史趋势异常预测方法 | |
CN110990916B (zh) | 考虑滞后效应的大坝长期运行安全度评价及预测集成方法 | |
TWI824834B (zh) | 連續輥軋製程檢測方法 | |
CN117399435B (zh) | 一种铜管轧制过程自适应补偿调整方法及系统 | |
US11269309B2 (en) | Analysis unit and method for determining at least one forming process characteristic of a servo press | |
CN117505551B (zh) | 用于异型钢连轧工艺的工件质量控制方法及系统 | |
CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 |
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 |