CN117778704A - 一种基于在线铁损检测的电工钢机械性能在线控制方法 - Google Patents
一种基于在线铁损检测的电工钢机械性能在线控制方法 Download PDFInfo
- Publication number
- CN117778704A CN117778704A CN202311737250.9A CN202311737250A CN117778704A CN 117778704 A CN117778704 A CN 117778704A CN 202311737250 A CN202311737250 A CN 202311737250A CN 117778704 A CN117778704 A CN 117778704A
- Authority
- CN
- China
- Prior art keywords
- line
- online
- data
- iron loss
- loss detection
- 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.)
- Pending
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 55
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 50
- 238000000137 annealing Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 75
- 238000006243 chemical reaction Methods 0.000 claims abstract description 52
- 238000012512 characterization method Methods 0.000 claims abstract description 33
- 229910000831 Steel Inorganic materials 0.000 claims description 29
- 239000010959 steel Substances 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 239000000047 product Substances 0.000 description 34
- 238000004519 manufacturing process Methods 0.000 description 18
- 229910052698 phosphorus Inorganic materials 0.000 description 14
- 229910052717 sulfur Inorganic materials 0.000 description 14
- 229910052720 vanadium Inorganic materials 0.000 description 14
- 229910052787 antimony Inorganic materials 0.000 description 12
- 229910052782 aluminium Inorganic materials 0.000 description 11
- 229910052748 manganese Inorganic materials 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 229910052758 niobium Inorganic materials 0.000 description 11
- 229910052718 tin Inorganic materials 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 229910052719 titanium Inorganic materials 0.000 description 9
- 239000000523 sample Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005098 hot rolling Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000010948 quality risk assessment Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000859 α-Fe Inorganic materials 0.000 description 2
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010960 cold rolled steel Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005246 galvanizing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明涉及一种基于在线铁损检测的电工钢机械性能在线控制方法,包括如下步骤:获取电工钢成分数据、工艺数据和在线铁损检测值,利用预先建立的在线检测铁损‑屈服强度转换模型,计算在线转换的屈服强度值;基于所述在线转换的屈服强度值,利用预先建立的机械性能表征参数转换模型,计算机械性能表征参数;基于所述机械性能表征参数与目标值之间的差值,以及成分数据和工艺数据,利用预先建立的成品退火工序工艺制度调整模型,得到退火参数调整数据并进行在线动态调整,实现电工钢机械性能在线控制。与现有技术相比,本发明能够实现表征参数的在线监测并指导在线调整退火工艺调整。
Description
技术领域
本发明涉及电工钢生产领域,尤其是涉及一种基于在线铁损检测的电工钢机械性能在线控制方法。
背景技术
机械性能是电工钢产品交付的重要指标之一。最终退火工序是电工钢生产最后一道主作业工序,也是调控性能的最后一道关卡。
现有机械性能检测通常是在带钢头、尾部取样,采用拉伸试验机进行破坏性检测。该方法只能直接获得取样部位的机械性能水平,而无法得悉钢卷全长方向上的机械性能状况;而且,该方法需要单独安排取样,既降低了生产效率,又造成了收得率损失,因取样检测耗时长,从而延长了产品交付周期。另外,由于不能在线获得产品机械性能水平,所以不具备指导在线工艺调整对性能进行调优的条件,当最终取样发现性能结果不达标时,实际产品已经完成退火生产,就可能出现批量产品无法达到交付标准而报废、降级处置。
目前,在线铁损检测仪已经成为电工钢最终退火工序的标配,但通常都没有配备机械性能在线检测装备,带钢生产时,可以在线实时获取带钢全长的铁损数据,而无法在线获取机械性能数据。
中国专利申请公开号CN 115186748 A提拱了一种基于深度学习的硅钢性能无损检测方法,该方法需要特别增加在线检测装置,获得每个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数作为对应测量点的微磁参数,并将待测带钢张力值和表面与在线微磁检测探头的直线距离作为生产工艺参数,对应钢种类型,采用拟牛顿神经网络模型,输出该测量点的力学性能参数和磁性能参数。该方法需要额外增设检测装置,增加产线的额外投入,而且现有产线并不一定具备增置条件。
中国专利申请号CN201110206206.6提供了一种在冷轧带钢连续热镀锌机组或连续退火机组上,通过增加机械性能在线检测仪,根据在线监测数据,对照目标要求,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。由于电工钢产品特性及其退火工艺的差异性,此方法不适用于电工钢生产。而且此方法需要增设在线检测仪,一是需要添置在线检测仪,二是需要开展现场装备改造,资金投入大。
综上,当前缺少一种调控产品机械性能的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于在线铁损检测的电工钢机械性能在线控制方法,实现表征参数的在线监测并指导在线调整退火工艺调整。
本发明的目的可以通过以下技术方案来实现:
本发明的一个方面,提供了一种基于在线铁损检测的电工钢机械性能在线控制方法,包括如下步骤:
获取电工钢成分数据、工艺数据和在线铁损检测值,利用预先建立的在线检测铁损-屈服强度转换模型,计算在线转换的屈服强度值;
基于所述在线转换的屈服强度值,利用预先建立的机械性能表征参数转换模型,计算机械性能表征参数;
基于所述机械性能表征参数与目标值之间的差值,以及成分数据和工艺数据,利用预先建立的成品退火工序工艺制度调整模型,得到退火参数调整数据并进行在线动态调整,实现电工钢机械性能在线控制。
作为优选的技术方案,所述在线检测铁损-屈服强度转换模型的构建过程包括:
基于预先准备的机械性能模型转换主题表数据生成多个样本,每个样本包括带钢中部分包钢卷的在线铁损检测数据、中部分包位置取样的机械性能离线检测数据、成分数据和工艺数据;
针对所述多个样本内进行异常数据清洗和数据串接处理,利用机器学习方法构建在线检测铁损-屈服强度转换模型。
作为优选的技术方案,所述机械性能表征参数转换模型的构建过程包括:
基于预先准备的机械性能模型转换主题表数据,从钢种和厚度两个维度进行分组,以屈服强度为变量,构建机械性能表征参数转换模型。
作为优选的技术方案,基于退火参数调整数据进行在线动态调整的过程包括:
当所述机械性能表征参数超出预设的目标控制范围时,基于所述退火参数调整数据进行动态在线调整。
作为优选的技术方案,间隔预设的时间触发更新所述退火参数调整数据。
作为优选的技术方案,所述机械性能表征参数包括屈服强度、抗拉强度、延伸率和维氏硬度。
作为优选的技术方案,所述退火参数调整数据包括退火温度和/或退火工艺速度。
作为优选的技术方案,所述在线铁损检测值的获取包括如下步骤:
通过在线铁损检测仪,获取成品退火工序中带钢全长方向的连续的在线铁损检测值。
本发明的另一个方面,提供了一种电子设备,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行上述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
本发明的另一个方面,提供了一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行上述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
与现有技术相比,本发明具有以下有益效果:
(1)实现表征参数的在线监测:本发明基于电工钢产品铁损和机械性能内在的机理,采用在线检测铁损-屈服强度转换模型计算在线转换的屈服强度值,利用大数据应用技术,采用机械性能表征参数转换模型计算机械性能表征参数,实现机械性能参数的在线监测。
(2)指导在线调整退火工艺调整:本发明基于电工钢产品机械性能的机理,利用成品退火工序工艺制度调整模型,据在线转换的机械性能数据与目标值差异,得到退火参数调整数据并实现动态调整,提升机械性能命中率。
附图说明
图1为实施例中基于在线铁损检测的电工钢机械性能在线控制示意图;
图2为实施例中带钢分包取样检测机械性能示意图;
图3为实施例中电工钢机械性能模型转换主题表的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例1
针对前述现有技术存在的问题,本实施例提供了一种基于在线铁损检测的电工钢机械性能在线控制方法。基于在线铁损仪检测数据和实验室检测的机械性能数据,利用大数据应用技术,探索不同品种的机械性能与铁损数据间的关系模型,并通过软件实现机械性能主要表征参数的在线监测。在此基础上,指导在线调整退火工艺制度(退火温度T、工艺速度S),达到调控产品机械性能的目的。
电工钢成品组织为铁素体结构,屈服强度是表征其机械性能的重要指标。根据低碳钢的下屈服点与铁素体晶粒大小的关系Hall-Petch方程(σ=σ0+kd-1/2),可以判断电工钢产品的晶粒尺寸与屈服强度(下屈服点)存在关联性。而根据材料学理论及生产经验,可以确认电工钢产品的铁损P与晶粒尺寸(d)、化学成分(C)等有直接关系,而晶粒尺寸与工艺参数(M)相关。所以,铁损P和相关参数的关系,可以简单表示为P=f(d,C,M),其中,化学成分C、工艺参数M需要根据实际生产经验进行摸索。
可以确定,电工钢磁性能(代表指标:铁损P)和机械性能(代表指标:屈服强度σs)存在内在的关联,而两者之间的具体关联水平需要根据生产经验进行摸索,机械性能与工艺参数、化学成分等生产控制要素的关联也可以通过生产经验及大数据技术进行探索。
在探索电工钢铁损和机械性能关联性的基础上,就有可能基于在线铁损数据,在线获得机械性能数据,并进而开展在线监测。最终退火工序在通过模型转换在线获得机械性能数据的基础上,就可以通过调整退火工艺制度(代表工艺参数:退火温度T、工艺速度S)来调节晶粒尺寸,进而调控材料磁性能和机械性能。
参见图1,本方法包括铁损(P)和屈服强度σs的转换模型M1、机械性能表征参数(屈服强度、抗拉强度、延伸率、维氏硬度)之间的转换模型M2、机械性能(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)在线监测、成品退火工序工艺制度调整模型M3、成品退火工序退火工艺调整等五个部分,下面分别对每个部分进行说明。需要说明的是图1中σs,t为模型触发上一个周期内的σs转换数据的均值。
1)在线检测铁损(P)和屈服强度σs的转换模型M1(即在线检测铁损-屈服强度转换模型)
从钢种、厚度两个维度,对材料进行分组(材料组别)。带钢可在精整工序进行分包取样,但不必每个分包位置都取样,进行离线性能(包括磁性能、机械性能等)检测,如图2所示。
以母卷为单位,取每个带钢母卷中部位置(通常去除母卷头尾100米以上,或去除母卷的头尾分包卷)的在线铁损检测数据均值P在线、分包位置取样检测机械性能数据的算术平均值(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)为样本数据,与带钢钢种、厚度、关键成分(Si、Al、Mn、P、N、S、Nb、V、Ti、Sn、Sb等)、关键工艺参数(热轧终轧温度、热轧卷取温度、常化退火温度、成品退火温度、成品退火速度等)数据一起,组建电工钢机械性能模型转换主题表,如图3所示。
基于机械性能模型转换主题表(图3)历史数据(一般情况下,以最近1年数据作为样本。如果数据周期小于1年,则取全样本作为历史数据。),从钢种、厚度两个维度对材料进行分组(材料组别),利用机器学习的方法,以关键成分、关键工艺、在线铁损检测值作为变量,构建屈服强度σs的转换模型M1,可以表达为:σs=f(C,M,P),其中,C表示代表成分,M表示代表工艺参数,P表示带钢中部位置在线铁损检测数据均值。
1)机械性能表征参数(屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)之间的转换模型M2(即机械性能表征参数转换模型)。
基于机械性能模型转换主题表(图3)历史数据,按钢种、厚度两个维度进行分组(材料组别),以屈服强度σs为变量,构建其他机械性能表征参数(抗拉强度σb、延伸率δ、维氏硬度HV)的转换模型M2,其转换关系可以表达为:σb=f(σs),δ=f(σs),HV=f(σs)。
2)机械性能(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)在线监测。
成品退火工序基本配置了在线铁损检测仪,可在线获得带钢全长方向连续的铁损数据,并通过软件实现在线连续铁损监测。本发明基于在线检测铁损(P)和屈服强度σs的转换模型M1和机械性能表征参数间的转换模型M2,将在线连续铁损检测结果转化为机械性能特征参数屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV,并基于软件,实现带钢全长方向机械性能特征参数的在线连续可视化监测。
3)成品退火工序工艺制度调整模型M3(即成品退火工序工艺制度调整模型)
在成品退火工序,关键成分及前工序的工艺都是确定参数,依据模型M1,在已知在线铁损数据的情况下,通过M2可以转换获得机械性能各表征参数数据,对照机械性能目标值,该工序可以调整本工序的工艺参数(退火温度T、退火工艺速度S),来对机械性能水平进行调整。由此,可以构建成品退火工序工艺制度(退火温度T、退火工艺速度S)的调整模型M3:
=T=f(C,M,Δσs)或ΔS=g(C,M,Δσs)
式中,Δσs是在线转换的屈服强度与目标屈服强度的差值,即
Δσs=σs,g-σs,t
其中σs,g和σs,t分别表示目标屈服强度和在线转换的屈服强度。
另外,调整模型M3中,Δσs可以是根据转换模型M2转换后的抗拉强度σb、延伸率δ、维氏硬度HV与其对应目标值的差值度Δσb、Δδ、ΔHV。实际应用中可以根据实际材料交付要求进行选择。
依据模型M3,可以根据在线转换的机械性能数据与目标值差异,推荐退火温度或退火速度的调整方案(退火温度调整值ΔT和退火速度调整值ΔS)。
4)成品退火工艺在线动态调整方法。
实际大生产中,从生产稳定性保障出发,要尽量减少过程控制的波动。对此,实际启动在线工艺动态调整的条件设定为:当转换后的机械性能参数值超出目标控制的范围时(σs,t>σs,max,或σs,t<σs,min),才启动在线工艺动态调整。
实际工艺调整实施过程中,需要考虑工艺设定调整对材料发生作用的响应速度。在线模型M3按一定周期(1min~10min)自动触发,具体的触发周期,可根据实际调控参数选择来选定。
当以机组工艺速度作为关键调整参数时,调整后的速度设定值Snew=Sr+ΔS。式中,Sr是在上一模型触发周期内,退火机组实际退火速度设定值。考虑速度调整响应速度快,触发周期可按照1-5min的短周期设定。调整过于频繁(周期小于1min),不利于保持退火炉状态稳定性;调整周期过长,不利于充分发挥质量风险管控的作用。
当以退火温度作为关键调整参数时,调整后的温度设定值Tnew=Tr+ΔT。式中,Tr是在上一模型触发周期内,实际退火温度设定值。考虑炉温调整响应速度慢,触发周期可按照5-10min的较长周期设定。调整周期太短(小于5min),在下一个调整周期之前,在线性能监测数据不能及时反映出调整后的效果;调整周期过长,不利于充分发挥质量风险管控的作用。
下面以具体的实施例进行说明,采用前述方法实现电工钢机械性能(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)在线监测、退火工艺(含退火速度、退火温度)在线动态调整功能。
1)在线检测铁损(P)和屈服强度σs的转换模型M1。
以钢种、厚度为组合,对材料进行分组(材料组别)。按最近1年成品退火机组生产的母卷为对象,以带钢中部分包钢卷的在线铁损检测数据(Ponline)、中部分包位置取样的机械性能离线检测数据(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)、关键成分(Si、Al、Mn、P、S、Cu、Cr、V、Ti、Nb、Sb、Sn)、关键工艺参数(热轧终轧温度FDT、热轧卷取温度CT、常化退火温度Tc、成品退火温度Td、成品退火速度Sd)为样本数据,在完成异常数据清洗和数据串接的基础上,构建屈服强度σs的转换模型M1,可以表达为:
σs=f(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,Td,Sd,Pavg),其中,Pavg表示带钢中部分包钢卷的在线铁损检测数据均值。
使用JMP工具,采用深度学习方法(神经网络)探索模型,结果如表1所示。
表1JMP工具输出
2)机械性能表征参数(屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)之间的转换模型M2。
以屈服强度σs为变量,构建抗拉强度σb、延伸率δ、维氏硬度HV的转换模型M2,其转换关系可以表达为:σb=f(σs),δ=f(σs),HV=f(σs)。此模型构建不涉及到过程控制参数,以钢种、厚度组合进行分组,结果如表2所示。
表2M2模型构建数据
3)机械性能(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)在线监测。
在MES系统里,开发机械性能在线监测画面,具备同步显示铁损在线监测和机械性能特征参数屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV在线连续可视化监测功能。
4)成品退火工序工艺制度调整模型M3。
采用机器学习(决策树)的方法,分别构建成品退火温度、退火速度与关键成分(Si、Al、Mn、P、S、Cu、Cr、Ti、V、Nb、Sb、Sn)、关键工艺参数(热轧终轧温度FDT、热轧卷取温度CT、常化退火温度Tc)、屈服强度σs的模型:
Td=f(Si,Al,Mn,P,S,Cu,Cr,Ti,V,Nb,Sb,Sn,FDT,CT,Tc,σs)
或Sd=g(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs)
在基础上,分别计算得出:
Td,tag=f(Si,Al,Mn,P,S,V,Ti,Cu,Cr,Nb,Sb,Sn,FDT,CT,Tc,σs,tag)和
Td,t=f(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs,t)
或者
Sd,tag=g(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs,tag)和
Sd,t=g(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs,t)
由此,得出
ΔT=Td,tag-Td,t
=f(Si,Al,Mn,P,S,V,Ti,Cu,Cr,Nb,Sb,Sn,FDT,CT,Tc,σs,tag)-f(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs,t)
或ΔS=Sd,tag-Sd,t
=g(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sn,FDT,CT,Tc,σs,tag)-g(Si,Al,Mn,P,S,Cu,Cr,V,Ti,Nb,Sb,Sb,FDT,CT,Tc,σs,t)
式中:
σs,t为上一模型触发周期内的σs转换数据的均值,
σs,tag为σs目标控制值,
Td,t为由调整模型根据σs,t获得的计算退火温度值,
Td,tag为由调整模型根据σs,tag获得的计算退火温度目标控制值,
Sd,t为由调整模型根据σs,t获得的计算退火速度值,
Sd,tag为由调整模型根据σs,tag获得的计算退火速度目标控制值,
ΔT为计算退火温度与计算退火温度目标控制值的差异,
ΔS为计算退火速度与计算退火速度目标控制值的差异。
5)成品退火工艺在线动态调整方法
根据管控要求,考虑生产节奏的稳定管控要求,选择ΔT模式作为管控方式,温度调整模型的触发周期设定为5min,ΔT结果通过MES系统传送到机组L2控制系统。兼顾到生产过程控制的稳定性要求,只有当屈服强度数据超出目标控制范围时(σs,t>σs,max,或σs,t<σs,min),才启动在线工艺动态调整,即Tnew=Tr+ΔT。式中,Tr是在上一模型触发周期内,退火温度实际设定值。
通过此在线动态工艺调整模式的投入,机械性能命中率(产品实际机械性能水平命中目标管控范围)由之前的95%提升到99%左右(统计周期为3个月),如表3所示。
表3机械性能命中率结果
其中,屈服强度σs目标范围命中率是以常规取样进行离线检测的数据为准的验证结果。
综上,本发明基于电工钢产品铁损和机械性能内在的机理,融合大数据应用技术,提供电工钢产品铁损(P)数据和机械性能(表征参数:屈服强度σs)数据的转换模型M1构建方法;利用大数据应用技术,提供电工钢产品机械性能表征参数(屈服强度、抗拉强度、延伸率、维氏硬度)之间的转换模型M2构建方法;提供利用在线铁损检测数据进行机械性能数据转换,通过软件,实现机械性能(表征参数:屈服强度σs、抗拉强度σb、延伸率δ、维氏硬度HV)在线监测的方法;基于电工钢产品机械性能的机理,融合应用大数据应用技术,对照电工钢产品机械性能(表征参数:屈服强度σs)控制目标,提供成品退火工序工艺制度调整模型M3的构建方法。该模型根据在线转换的机械性能数据与目标值差异,推荐退火温度或退火速度的调整方案。
本发明提供基于机械性能在线转换数据,依照工艺制度调整模型推荐的调整方案,在线实施退火工艺制度调整,达到提升机械性能命中率的方法。
实施例2
本实施例提供了一种电子设备,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
实施例3
本实施例提供了一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,包括如下步骤:
获取电工钢成分数据、工艺数据和在线铁损检测值,利用预先建立的在线检测铁损-屈服强度转换模型,计算在线转换的屈服强度值;
基于所述在线转换的屈服强度值,利用预先建立的机械性能表征参数转换模型,计算机械性能表征参数;
基于所述机械性能表征参数与目标值之间的差值,以及成分数据和工艺数据,利用预先建立的成品退火工序工艺制度调整模型,得到退火参数调整数据并进行在线动态调整,实现电工钢机械性能在线控制。
2.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,所述在线检测铁损-屈服强度转换模型的构建过程包括:
基于预先准备的机械性能模型转换主题表数据生成多个样本,每个样本包括带钢中部分包钢卷的在线铁损检测数据、中部分包位置取样的机械性能离线检测数据、成分数据和工艺数据;
针对所述多个样本内进行异常数据清洗和数据串接处理,利用机器学习方法构建在线检测铁损-屈服强度转换模型。
3.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,所述机械性能表征参数转换模型的构建过程包括:
基于预先准备的机械性能模型转换主题表数据,从钢种和厚度两个维度进行分组,以屈服强度为变量,构建机械性能表征参数转换模型。
4.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,基于退火参数调整数据进行在线动态调整的过程包括:
当所述机械性能表征参数超出预设的目标控制范围时,基于所述退火参数调整数据进行动态在线调整。
5.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,间隔预设的时间触发更新所述退火参数调整数据。
6.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,所述机械性能表征参数包括屈服强度、抗拉强度、延伸率和维氏硬度。
7.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,所述退火参数调整数据包括退火温度和/或退火工艺速度。
8.根据权利要求1所述的一种基于在线铁损检测的电工钢机械性能在线控制方法,其特征在于,所述在线铁损检测值的获取包括如下步骤:
通过在线铁损检测仪,获取成品退火工序中带钢全长方向的连续的在线铁损检测值。
9.一种电子设备,其特征在于,包括:一个或多个处理器以及存储器,所述存储器内储存有一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
10.一种计算机可读存储介质,其特征在于,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-8任一所述基于在线铁损检测的电工钢机械性能在线控制方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311737250.9A CN117778704A (zh) | 2023-12-15 | 2023-12-15 | 一种基于在线铁损检测的电工钢机械性能在线控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311737250.9A CN117778704A (zh) | 2023-12-15 | 2023-12-15 | 一种基于在线铁损检测的电工钢机械性能在线控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117778704A true CN117778704A (zh) | 2024-03-29 |
Family
ID=90390079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311737250.9A Pending CN117778704A (zh) | 2023-12-15 | 2023-12-15 | 一种基于在线铁损检测的电工钢机械性能在线控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117778704A (zh) |
-
2023
- 2023-12-15 CN CN202311737250.9A patent/CN117778704A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2742158B1 (de) | Verfahren zum betrieb einer konti-glühe für die verarbeitung eines walzguts | |
US8108064B2 (en) | System and method for on-line property prediction for hot rolled coil in a hot strip mill | |
CN111666653B (zh) | 一种带钢精轧模型设定精度的在线评判方法 | |
CN108126988B (zh) | 棒材负偏差在线测量方法和系统 | |
US11319611B2 (en) | Method for rolling and/or heat treating a metal strip | |
CN102151704B (zh) | 一种以温度为直控参数的高速线材斯太尔摩线冷却方法 | |
CN107179749A (zh) | 热镀锌产品全流程质量控制方法 | |
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
CN103750552B (zh) | 一种智能取样方法及其在香烟质量控制的应用 | |
CN106862283B (zh) | 热轧超快冷过程控制系统 | |
CN107008758A (zh) | 冷轧带钢高精度板形表面粗糙度在线控制方法及系统 | |
JPWO2008012881A1 (ja) | 圧延ラインの材質予測および材質制御装置 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
CN114818456B (zh) | 一种冷连轧带钢全长变形抗力预测方法及优化方法 | |
CN109108094A (zh) | 一种螺纹钢细晶轧制智能控制技术 | |
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 | |
CN110052507A (zh) | 一种带钢卷取厚度控制方法及装置 | |
CN117778704A (zh) | 一种基于在线铁损检测的电工钢机械性能在线控制方法 | |
Lan et al. | Prediction of Microstructure and Mechanical Properties of Hot Rolled Steel Strip: Part I‐Description of Models | |
Dian-yao et al. | Self-learning and its application to laminar cooling model of hot rolled strip | |
CN109248924A (zh) | 一种冷轧带钢机械性能在线闭环控制方法 | |
CN117195460A (zh) | 基于动态规划算法的冷轧产品取样方法及系统 | |
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 | |
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 | |
CN114101338B (zh) | 一种基于全流程数据的冷轧硅钢厚度控制方法、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 |