TWI806709B - 鋼帶寬度的參數調控系統以及參數調控方法 - Google Patents

鋼帶寬度的參數調控系統以及參數調控方法 Download PDF

Info

Publication number
TWI806709B
TWI806709B TW111126757A TW111126757A TWI806709B TW I806709 B TWI806709 B TW I806709B TW 111126757 A TW111126757 A TW 111126757A TW 111126757 A TW111126757 A TW 111126757A TW I806709 B TWI806709 B TW I806709B
Authority
TW
Taiwan
Prior art keywords
width
parameter
historical data
parameters
model
Prior art date
Application number
TW111126757A
Other languages
English (en)
Other versions
TW202404714A (zh
Inventor
陳彥廷
楊詠宜
吳明璋
陳冠中
Original Assignee
中國鋼鐵股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中國鋼鐵股份有限公司 filed Critical 中國鋼鐵股份有限公司
Priority to TW111126757A priority Critical patent/TWI806709B/zh
Application granted granted Critical
Publication of TWI806709B publication Critical patent/TWI806709B/zh
Publication of TW202404714A publication Critical patent/TW202404714A/zh

Links

Images

Landscapes

  • Coating With Molten Metal (AREA)
  • Feedback Control In General (AREA)
  • Paper (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

一種鋼帶寬度的參數調控系統以及參數調控方法，該參數調控方法包括一數據收集步驟、一模型建立步驟、一模型預測步驟以及一預測值判斷步驟。該參數調控方法利用所建立的寬度預測模型以及最佳化演算法對預測值進行判斷是否超出範圍，以調控出最佳的製程參數。

Description

鋼帶寬度的參數調控系統以及參數調控方法
本發明係關於一種參數調控系統以及參數調控方法，特別是一種鋼帶寬度的參數調控系統以及參數調控方法。
在冷軋生產過程中，軋製力會受到鋼帶的變形抗力、來料厚度、摩擦因數以及前後張力分佈等諸多因素的影響而發生變化。與此同時，冷軋鋼帶自動厚度控制系統為了克服軋輥熱膨脹、軋輥磨損等無法精確預知因素所產生的不利影響，需要不斷的調整輥縫分佈，從而導致了軋製力在較大範圍內發生變化。軋製力的變化會影響到工作輥的彈性變形，從而影響到所軋鋼帶的板形。極端情況下，如果軋製力變化過大，還會導致鋼帶邊部張力劇增而發生斷帶事故。為了消除軋製力變化對鋼帶板形產生的不利影響，最有效的方法就是依據軋製力變化來對軋機彎輥裝置（包括工作輥、中間輥兩種軋機彎輥裝置）做相應的補償性調整，以此抵消軋製力變化帶來的板形影響。
其中，經過軋機軋製而成的鋼帶通常需要對其寬度進行量測，以判別生產出的鋼帶是否符合所要求的規格。現行的鋼帶寬度量測方法大多使用在C鋼構(C Frame)上，並利用三套邊降厚度偵測儀(Edge Drop Meter；EDM)來量測鋼帶寬度。
然而，現階段的鋼帶寬度調控參數大致仰賴人為經驗，其技術缺乏數據理論支持，當設備製程狀況有變異時，人為經驗較難即時反應以及進行相對應的修正。
因此，為克服現有技術中的缺點和不足，本發明有必要提供改良的一種鋼帶寬度的參數調控系統以及參數調控方法，以解決上述習用技術所存在的問題。
本發明之主要目的在於提供一種鋼帶寬度的參數調控系統以及參數調控方法，利用所建立的寬度預測模型同時配合最佳化演算法對預測值進行判斷是否超出範圍，以調控出最佳的製程參數。
為達上述之目的，本發明提供一種鋼帶寬度的參數調控方法，適於應用在一鋼捲產線，該鋼捲產線包含多個製程，該參數調控方法包括一數據收集步驟、一模型建立步驟、一模型預測步驟以及一預測值判斷步驟；在該數據收集步驟中，利用一資料庫將多個鋼捲經該等製程所產生的歷史數據進行儲存；在該模型建立步驟中，利用一處理器將一機器學習方法依據該歷史數據建立一寬度預測模型；在該模型預測步驟中，當一鋼捲在該鋼捲產線中生產時，利用該處理器將上游已完成的多個製程的參數以及下游未完成的至少一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值；在該預測值判斷步驟中，利用該處理器判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：
Figure 02_image001
Figure 02_image003
其中
Figure 02_image005
為一寬度預測值，
Figure 02_image007
為一目標寬度，n為一調控參數個數，
Figure 02_image009
是第i個調控參數，i為一正整數，
Figure 02_image011
是調控參數的一解，
Figure 02_image013
是調控參數的一初始設定，
Figure 02_image015
是
Figure 02_image009
歷史實績的一標準差。
在本發明之一實施例中，在該數據收集步驟中，該歷史數據的多個參數類別分別為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力。
在本發明之一實施例中，在該模型建立步驟之前，該參數調控方法另包含一離群濾除步驟，利用一公式將該歷史數據標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
Figure 02_image017
其中
Figure 02_image019
為該歷史數據的多個變數，
Figure 02_image021
為一平均值，
Figure 02_image023
為一標準差，
Figure 02_image025
的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
在本發明之一實施例中，在該模型建立步驟中，該機器學習方法是採用極限梯度提升樹（eXtreme Gradient Boosting tree）以及隨即森林樹（Random Forest）的一集成學習模型。
在本發明之一實施例中，在該模型預測步驟中，上游已完成的該等製程分別為煉鋼、熱軋以及冷軋軋延，下游未完成的該製程為冷軋退火。
為達上述之目的，本發明提供一種鋼帶寬度的參數調控系統，適於應用在一鋼捲產線，該鋼捲產線包含多個製程，該參數調控系統包括一資料庫以及一處理器；該資料庫配置為將多個鋼捲經該等製程所產生的歷史數據進行儲存；該處理器電性連接該資料庫，該處理器配置為將一機器學習方法依據該歷史數據建立一寬度預測模型；當一鋼捲在該鋼捲產線中生產時，利用該處理器將上游已完成的多個製程的參數以及下游未完成的至少一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值，接著利用該處理器判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：
Figure 02_image001
Figure 02_image003
其中
Figure 02_image005
為一寬度預測值，
Figure 02_image007
為一目標寬度，n為一調控參數個數，
Figure 02_image009
是第i個調控參數，i為一正整數，
Figure 02_image011
是調控參數的一解，
Figure 02_image013
是調控參數的一初始設定，
Figure 02_image015
是
Figure 02_image009
歷史實績的一標準差。
在本發明之一實施例中，該歷史數據的多個參數類別分別為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力。
在本發明之一實施例中，在該寬度預測模型建立之前，利用一公式將該歷史數據標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
Figure 02_image017
其中
Figure 02_image019
為該歷史數據的多個變數，
Figure 02_image021
為一平均值，
Figure 02_image023
為一標準差，
Figure 02_image025
的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
在本發明之一實施例中，該機器學習方法是採用極限梯度提升樹（eXtreme Gradient Boosting tree）以及隨即森林樹（Random Forest）的一集成學習模型。
在本發明之一實施例中，上游已完成的該等製程分別為煉鋼、熱軋以及冷軋軋延，下游未完成的該製程為冷軋退火。
如上所述，本發明鋼帶寬度的參數調控系統是採用該鋼捲產線的多個製程的歷史數據來建立該寬度預測模型，以對成品出料寬度進行預測而獲得該預測值，同時配合該最佳化演算法對該預測值進行判斷是否超出該設定範圍，以調控出最佳的製程參數，進而能夠降低鋼帶寬度超出管制值導致的產品剔退率，或者寬度不足導致的切刀裁邊失敗損失。
為了讓本發明之上述及其他目的、特徵、優點能更明顯易懂，下文將特舉本發明實施例，並配合所附圖式，作詳細說明如下。再者，本發明所提到的方向用語，例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等，僅是參考附加圖式的方向。因此，使用的方向用語是用以說明及理解本發明，而非用以限制本發明。
請參照圖1所示，為根據本發明的實施例的一種鋼帶寬度的參數調控系統，適於應用在一鋼捲產線，該鋼捲產線包含多個製程，例如，該等製程分別為煉鋼101、熱軋102、冷軋軋延103以及冷軋退火104，該參數調控系統包括一資料庫2以及一處理器3。本發明將於下文詳細說明各元件的細部構造、組裝關係及其運作原理。
續參照圖1所示，該資料庫2配置為將多個鋼捲經該等製程所產生的歷史數據進行儲存，其中該資料庫2為數據存取裝置。在本實施例中，該歷史數據的多個參數類別可以為該煉鋼101、該熱軋102、該冷軋軋延103以及該冷軋退火104的至少19個參數類別，其中參數類別例如為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力等等，該等參數類別的參數可視為製程的變數X1、X2…X13，而最終成品寬度（mm）則為Y（即成品出料寬度），如圖2所示。
續參照圖1所示，該處理器3電性連接該資料庫2，該處理器3配置為將一機器學習方法依據該歷史數據建立一寬度預測模型M，在本實施例中，該機器學習方法是採用極限梯度提升樹（eXtreme Gradient Boosting tree）以及隨即森林樹（Random Forest）的一集成學習模型。另外，在該寬度預測模型M建立之前，利用一公式將該歷史數據標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
Figure 02_image017
其中
Figure 02_image019
為該歷史數據的多個變數，
Figure 02_image021
為一平均值，
Figure 02_image023
為一標準差，
Figure 02_image025
的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
當一鋼捲在該鋼捲產線中生產時，利用該處理器3將上游已完成的多個製程的參數以及下游未完成的至少一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值。在本實施例中，上游已完成的該等製程分別為煉鋼101、熱軋102以及冷軋軋延103，下游未完成的該製程為冷軋退火104。
接著，利用該處理器3判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：
Figure 02_image001
Figure 02_image003
其中
Figure 02_image005
為一寬度預測值，
Figure 02_image007
為一目標寬度，n為一調控參數個數，
Figure 02_image009
是第i個調控參數，i為一正整數，
Figure 02_image011
是調控參數的一解，
Figure 02_image013
是調控參數的一初始設定，
Figure 02_image015
是
Figure 02_image009
歷史實績的一標準差。
具體來說，為了讓成品的鋼帶寬度符合客戶規範或者有足夠的預留量供切刀裁邊，本發明在得知上游已完成的多個製程的參數的情況下，先透過所建立的寬度預測模型M來進行預測，假如預測值偏離目標寬度過多時，即超出設定範圍，則進行調控參數的計算，透過應用最佳化演算法（本實施例使用基因演算法）以迭代方式找出讓多目標函數（multi- objective function，如
Figure 02_image027
及
Figure 02_image029
）最小的調控參數解，例如以最佳化演算法調整可調控的冷軋退火104的參數。
依據上述的設計，鋼帶寬度是鋼捲產品最終檢驗的品質指標，由串製程，例如煉鋼101、熱軋102、冷軋軋延103以及冷軋退火104，生產參數耦合作用而成，為了在上游製程參數發生變異時透過下游製程的參數調控進行補償，以便減少寬度變異命中目標，本發明導入機器學習方法從過往的串製程的歷史數據中，建立寬度迴歸預測的寬度預測模型M，當鋼捲要進入下游製程產線生產時，能夠以該寬度預測模型M事先預測的出料寬度（即預測值），再運用該最佳化演算法搜尋出最佳的製程參數予以調控，藉以降低鋼帶寬度超出管制值導致的產品剔退率，或者寬度不足導致的切刀裁邊失敗損失。
如上所述，本發明鋼帶寬度的參數調控系統是採用該鋼捲產線的多個製程的歷史數據來建立該寬度預測模型M，以對成品出料寬度進行預測而獲得該預測值，同時配合該最佳化演算法對該預測值進行判斷是否超出該設定範圍，以調控出最佳的製程參數，進而能夠降低鋼帶寬度超出管制值導致的產品剔退率，或者寬度不足導致的切刀裁邊失敗損失。
請參照圖3並配合圖1所示，根據本發明的實施例提供一種鋼帶寬度的參數調控方法，係藉由上述鋼帶寬度的參數調控系統來進行操作，該參數調控方法包括一數據收集步驟S201、一離群濾除步驟S202、一模型建立步驟S203、一模型預測步驟S204以及一預測值判斷步驟S205。本發明將於下文詳細說明各元件的操作步驟及運作原理。
續參照圖3並配合圖1所示，在該數據收集步驟S201中，利用一資料庫2將多個鋼捲經該等製程所產生的歷史數據進行儲存。在本實施例中，該歷史數據的多個參數類別可以為該煉鋼101、該熱軋102、該冷軋軋延103以及該冷軋退火104的至少19個參數類別，其中參數類別例如為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力等等，該等參數類別的參數可視為製程X1、X2、X3…變數，而最終成品寬度則為Y。
續參照圖3並配合圖1所示，在該離群濾除步驟S202，利用一公式將該歷史數據標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
Figure 02_image017
其中
Figure 02_image019
為該歷史數據的多個變數，
Figure 02_image021
為一平均值，
Figure 02_image023
為一標準差，
Figure 02_image025
的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
續參照圖3並配合圖1所示，在該模型建立步驟S203中，利用一處理器3將一機器學習方法依據該歷史數據建立一寬度預測模型。在本實施例中，該機器學習方法是採用極限梯度提升樹（eXtreme Gradient Boosting tree）以及隨即森林樹（Random Forest）的一集成學習模型。
續參照圖3並配合圖1所示，在該模型預測步驟S204中，當一鋼捲在該鋼捲產線中生產時，利用該處理器3將上游已完成的多個製程的參數以及下游未完成的至少一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值。在本實施例中，上游已完成的該等製程分別為煉鋼、熱軋以及冷軋軋延，下游未完成的該製程為冷軋退火。
續參照圖2並配合圖1所示，在該預測值判斷步驟S205中，利用該處理器3判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：
Figure 02_image001
Figure 02_image003
其中
Figure 02_image005
為一寬度預測值，
Figure 02_image007
為一目標寬度，n為一調控參數個數，
Figure 02_image009
是第i個調控參數，i為一正整數，
Figure 02_image011
是調控參數的一解，
Figure 02_image013
是調控參數的一初始設定，
Figure 02_image015
是
Figure 02_image009
歷史實績的一標準差。
具體來說，為了讓成品的鋼帶寬度符合客戶規範或者有足夠的預留量供切刀裁邊，本發明在得知上游已完成的多個製程的參數的情況下，先透過所建立的寬度預測模型M來進行預測，假如預測值偏離目標寬度過多時，即超出設定範圍，則進行調控參數的計算，透過應用最佳化演算法（本實施例使用基因演算法）以迭代方式找出讓多目標函數（multi- objective function，如
Figure 02_image027
及
Figure 02_image029
）最小的調控參數解，例如以最佳化演算法調整可調控的冷軋退火104的參數。
依據上述的設計，鋼帶寬度是鋼捲產品最終檢驗的品質指標，由串製程，例如煉鋼101、熱軋102、冷軋軋延103以及冷軋退火104，生產參數耦合作用而成，為了在上游製程參數發生變異時透過下游製程的參數調控進行補償，以便減少寬度變異命中目標，本發明導入機器學習方法從過往的串製程的歷史數據中，建立寬度迴歸預測的寬度預測模型M，當鋼捲要進入下游製程產線生產時，能夠以該寬度預測模型M事先預測的出料寬度（即預測值），再運用該最佳化演算法搜尋出最佳的製程參數予以調控，藉以降低鋼帶寬度超出管制值導致的產品剔退率，或者寬度不足導致的切刀裁邊失敗損失。
如上所述，本發明鋼帶寬度的參數調控系統是採用該鋼捲產線的多個製程的歷史數據來建立該寬度預測模型M，以對成品出料寬度進行預測而獲得該預測值，同時配合該最佳化演算法對該預測值進行判斷是否超出該設定範圍，以調控出最佳的製程參數，進而能夠降低鋼帶寬度超出管制值導致的產品剔退率，或者寬度不足導致的切刀裁邊失敗損失。
雖然本發明已以實施例揭露，然其並非用以限制本發明，任何熟習此項技藝之人士，在不脫離本發明之精神和範圍內，當可作各種更動與修飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
101:煉鋼 102:熱軋 103:冷軋軋延 104:冷軋退火 2:資料庫 3:處理器 M:寬度預測模型 X1-X13:變數 Y:最終成品寬度 S201:數據收集步驟 S202:離群濾除步驟 S203:模型建立步驟 S204:模型預測步驟 S205:預測值判斷步驟
圖1是根據本發明的實施例的一種鋼帶寬度的參數調控系統的示意圖。 圖2是根據本發明的實施例的一種鋼帶寬度的參數調控系統顯示多個製程的參數類別的圖表。 圖3是根據本發明的實施例的一種鋼帶寬度的參數調控方法的流程圖。
S201:數據收集步驟
S202:離群濾除步驟
S203:模型建立步驟
S204:模型預測步驟
S205:預測值判斷步驟

Claims (10)

  1. 一種鋼帶寬度的參數調控方法，適於應用在一鋼捲產線，該鋼捲產線包含多個製程，該參數調控方法包括：一數據收集步驟，利用一資料庫將多個鋼捲經該等製程所產生的歷史數據進行儲存；一模型建立步驟，利用一處理器將一機器學習方法依據該歷史數據建立一寬度預測模型；一模型預測步驟，當一鋼捲在該鋼捲產線生產中，利用該處理器將上游已完成的多個製程的參數以及下游未完成的一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值；以及一預測值判斷步驟，利用該處理器判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：minimize f 1=|Y pred -Y target |
    Figure 111126757-A0305-02-0013-1
     其中Y pred 為一寬度預測值，Y target 為一目標寬度，n為一調控參數個數，x i 是第i個調控參數，i為一正整數，
    Figure 111126757-A0305-02-0013-7
    是調控參數的一解，x_preset i 是調控參數的一初始設定，
    Figure 111126757-A0305-02-0013-8
    是x i 歷史實績的一標準差。
  2. 如請求項1所述之參數調控方法，其中在該數據收集步驟中，該歷史數據的多個參數類別分別為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力。
  3. 如請求項1所述之參數調控方法，其中在該模型建立步驟之前，該參數調控方法另包含一離群濾除步驟，利用一公式將該歷史數據 標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
    Figure 111126757-A0305-02-0014-3
     其中X為該歷史數據的多個變數，μ為一平均值，σ為一標準差，X standardized 的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
  4. 如請求項1所述之參數調控方法，其中在該模型建立步驟中，該機器學習方法是採用極限梯度提升樹以及隨即森林樹的一集成學習模型。
  5. 如請求項1所述之參數調控方法，其中在該模型預測步驟中，上游已完成的該等製程分別為煉鋼、熱軋以及冷軋軋延，下游未完成的該製程為冷軋退火。
  6. 一種鋼帶寬度的參數調控系統，適於應用在一鋼捲產線，該鋼捲產線包含多個製程，該參數調控系統包括：一資料庫，配置為將多個鋼捲經該等製程所產生的歷史數據進行儲存；一處理器，電性連接該資料庫，該處理器配置為將一機器學習方法依據該歷史數據建立一寬度預測模型；以及當一鋼捲在該鋼捲產線中生產時，利用該處理器將上游已完成的多個製程的參數以及下游未完成的一製程的參數導入該寬度預測模型中，以獲得一成品出料寬度的一預測值，接著利用該處理器判斷該預測值是否超出一設定範圍，若否，則進行後續製程；若是，則以一最佳化演算法搜索一最佳調控參數來進行後續製程，其中該最佳化演算法的公式為：minimize f 1=|Y pred -Y target |
    Figure 111126757-A0305-02-0015-4
     其中Y pred 為一寬度預測值，Y target 為一目標寬度，n為一調控參數個數，x i 是第i個調控參數，i為一正整數，
    Figure 111126757-A0305-02-0015-9
    是調控參數的一解，x_preset i 是調控參數的一初始設定，
    Figure 111126757-A0305-02-0015-10
    是x i 歷史實績的一標準差。
  7. 如請求項6所述之參數調控系統，其中該歷史數據的多個參數類別分別為：一合金成分、一入料厚度、一入料寬度、一溫度以及一張力。
  8. 如請求項6所述之參數調控系統，其中在該寬度預測模型建立之前，利用一公式將該歷史數據標準化，並且將標準化的歷史數據中的至少一離群值進行濾除，其中該公式為：
    Figure 111126757-A0305-02-0015-6
     其中X為該歷史數據的多個變數，μ為一平均值，σ為一標準差，X standardized 的絕對值大於P的歷史數據視為該離群值，其中P為一正整數。
  9. 如請求項6所述之參數調控系統，其中該機器學習方法是採用極限梯度提升樹以及隨即森林樹的一集成學習模型。
  10. 如請求項6所述之參數調控系統，其中上游已完成的該等製程分別為煉鋼、熱軋以及冷軋軋延，下游未完成的該製程為冷軋退火。
TW111126757A 2022-07-15 2022-07-15 鋼帶寬度的參數調控系統以及參數調控方法 TWI806709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW111126757A TWI806709B (zh) 2022-07-15 2022-07-15 鋼帶寬度的參數調控系統以及參數調控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111126757A TWI806709B (zh) 2022-07-15 2022-07-15 鋼帶寬度的參數調控系統以及參數調控方法

Publications (2)

Publication Number Publication Date
TWI806709B true TWI806709B (zh) 2023-06-21
TW202404714A TW202404714A (zh) 2024-02-01

Family

ID=87803215

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111126757A TWI806709B (zh) 2022-07-15 2022-07-15 鋼帶寬度的參數調控系統以及參數調控方法

Country Status (1)

Country Link
TW (1) TWI806709B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201803656A (zh) * 2016-07-26 2018-02-01 東芝三菱電機產業系統股份有限公司 修邊機的控制裝置
US20190201954A1 (en) * 2017-12-28 2019-07-04 Hyundai Steel Company Coil width control method and apparatus
CN110756592A (zh) * 2019-09-29 2020-02-07 武汉钢铁有限公司 控制热轧带钢尾部宽度的方法及装置
CN112139253A (zh) * 2019-06-26 2020-12-29 宝山钢铁股份有限公司 一种热轧宽度余量自动控制方法
CN113083908A (zh) * 2021-03-31 2021-07-09 北京首钢股份有限公司 一种热轧调宽坯宽度控制方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201803656A (zh) * 2016-07-26 2018-02-01 東芝三菱電機產業系統股份有限公司 修邊機的控制裝置
US20190201954A1 (en) * 2017-12-28 2019-07-04 Hyundai Steel Company Coil width control method and apparatus
CN112139253A (zh) * 2019-06-26 2020-12-29 宝山钢铁股份有限公司 一种热轧宽度余量自动控制方法
CN110756592A (zh) * 2019-09-29 2020-02-07 武汉钢铁有限公司 控制热轧带钢尾部宽度的方法及装置
CN113083908A (zh) * 2021-03-31 2021-07-09 北京首钢股份有限公司 一种热轧调宽坯宽度控制方法及装置

Also Published As

Publication number Publication date
TW202404714A (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
KR101617375B1 (ko) 냉간 압연기에서 수행되는 피드포워드 두께 제어 방법
CN111842507B (zh) 一种实现板坯中心线偏差控制的方法
CN103949481B (zh) 兼顾热轧带钢轧制稳定性和质量的平坦度分段控制方法
CN103464471A (zh) 一种热连轧精轧机组agc自适应控制方法
CN109926453A (zh) 确定单机架可逆冷轧机升降速轧制效率系数的方法
CN104942019A (zh) 一种带钢冷轧过程宽度自动控制方法
CN110851994B (zh) 一种冷轧带材在线板形目标曲线调整方法
CN117655118B (zh) 多模融合的带钢板形控制方法和装置
US4294094A (en) Method for automatically controlling width of slab during hot rough-rolling thereof
TWI806709B (zh) 鋼帶寬度的參數調控系統以及參數調控方法
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
CN111558615B (zh) 钛板在热连轧线的精轧轧制压力控制方法
CN110639960B (zh) 一种热轧全自动抽钢方法
CN108543814B (zh) 一种带钢终轧温度的控制方法
JP2007050413A (ja) 板幅制御方法および装置
JP6670261B2 (ja) タンデム圧延ミル制御装置およびタンデム圧延ミル制御方法
JP7230880B2 (ja) 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法
CN111570532B (zh) 热轧卷取温度与终轧温度对平整摩擦系数影响预测方法
EP3888810B1 (en) Method of controlling flatness of strip of rolled material, control system and production line
CN114054513A (zh) 一种双机架平整机中带钢张力的控制方法及装置
JP3520868B2 (ja) 鋼板の製造方法
KR20030017014A (ko) 보조 롤을 이용한 냉연판 형상개선장치 및 그 방법
CN103722025A (zh) 一种冷轧生产线炉内张力波动快速预警方法
JP4227686B2 (ja) 冷間圧延時のエッジドロップ制御方法
CN102581027A (zh) 冷轧带钢板形横向整体优化控制系统