WO1998017411A1 - Verfahren zum optimieren der bandbreitenverteilung an den enden eines eine walzstrasse durchlaufenden bandes - Google Patents

Verfahren zum optimieren der bandbreitenverteilung an den enden eines eine walzstrasse durchlaufenden bandes Download PDF

Info

Publication number
WO1998017411A1
WO1998017411A1 PCT/DE1997/002433 DE9702433W WO9817411A1 WO 1998017411 A1 WO1998017411 A1 WO 1998017411A1 DE 9702433 W DE9702433 W DE 9702433W WO 9817411 A1 WO9817411 A1 WO 9817411A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameters
strip
neural network
driving curve
curve
Prior art date
Application number
PCT/DE1997/002433
Other languages
English (en)
French (fr)
Inventor
Einar Broese
Otto Gramckow
Thomas Martinetz
Günter SÖRGEL
Michiaki Taniguchi
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to US09/297,230 priority Critical patent/US6418354B1/en
Priority to CA002269489A priority patent/CA2269489C/en
Publication of WO1998017411A1 publication Critical patent/WO1998017411A1/de

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • B21B37/22—Lateral spread control; Width control, e.g. by edge rolling

Definitions

  • the invention relates to a method for optimizing the strip width distribution at the ends of a strip passing through a rolling mill.
  • One of the main problems when rolling strips is to achieve a rectangular basic shape with a constant width over the length of the strip.
  • Vertical compression rolls in the rolling mill are used to control the strip width.
  • the upsetting rollers are driven with a constant pitch, the belt generally becomes narrower at the belt ends, i.e. the belt head and the belt foot, than in the middle section due to the asymmetrical material flow and other effects.
  • the position of the upsetting rollers can be adjusted while the strip is running, whereby the adjustment as the strip ends pass in the form of short strokes, so-called “short strokes", is further increased relative to the middle part.
  • This adjustment of the strip head and the strip base is carried out accordingly a driving curve ("Short stroke control (SSC) driving curve”), which can be defined by predetermined parameters.
  • SSC short stroke control
  • the object of the invention is to produce a desired bandwidth distribution at the belt ends as well as possible by specifying a driving curve for the setting position of the compression rollers. According to the invention, the object is achieved by the methods specified in independent claims 1, 2, 3 and 4.
  • the determination of the parameters for the formation of the driving curve, according to which the setting position of the upsetting rollers is adjusted as the strip ends pass, is thus carried out on the basis of predictions about the rolling process by neural networks, whereby on-line training of the neural networks on the rolling process the predictions are constantly improving.
  • Separate neural networks are preferably used for the tape head and the tape foot. Separate neural networks can be used for successive runs of the same band, that is to say with several upsetting stitches. If the number of compression stitches is permanently fixed, a single neural network can also be used to determine the parameters for the driving curves of the compression rollers in the successive compression stitches.
  • FIG. 1 shows an example of the width distribution of a rolled strip and a driving curve derived therefrom for the upsetting rollers for correcting the width distribution
  • Figure 2 shows an example of the basic control structure of a rolling mill with a unit for determining parameters for defining the driving curve
  • FIG. 9 shows a more detailed concept based on the example according to FIG. 8 for determining the driving curve parameters.
  • the diagram in Figure 1 shows an example of ⁇ the width distribution y of a strip over its length 1 when passing through a rolling mill, in addition to horizontal and vertical flat rolling to strip thickness control edging rolls for bandwidth controller includes.
  • a travel curve f which in the example shown consists of two, separately for the belt head and the belt foot and for each pass of the same belt , so every compression stitch, adjustable straight sections.
  • the driving curve f is described by four parameters in the form of two adjustment correction values a x and a 2 and two length coordinates 1 1 and 1 2 .
  • the adjustment correction values a x and a 2 relate to the roller spacing, so that the travel of the two upsetting rollers is half as large.
  • Figure 2 shows the basic control structure for a
  • Rolling mill 3 in which an optimization of the actual strip width distribution y of a strip 4 passing through the rolling mill 3 takes place in accordance with a predetermined target strip width distribution y B ⁇ ll .
  • the rolling mill 3 is a roughing mill which has one or more horizontal stands with flat rolls 5, a vertical stand with upsetting rolls 6 being arranged upstream of the last and, if required, further horizontal stands, here the last two horizontal stands.
  • relevant process parameters x of the rolling process are calculated in advance in a pre-calculation unit 7 on the basis of setpoints SW and primary data PD and with access to mathematical models 8 of the rolling process, and a basic automation 9 is given up, which thus presets the Walz Given 3 carries out.
  • a measured value detection device 10 relevant measured variables of the rolling process are continuously detected by means of a measured value detection device 10.
  • the measured variables are fed to the basic automation 9 for the fulfillment of control functions and to a post-calculation unit 11.
  • the post-calculation unit 11 accesses the same mathematical models 8 as the pre-calculation unit 7 and adapts the associated model parameters on the basis of the measured variables representing the actual course of the rolling process. In this way, the prediction for the next strip 4 to be rolled is continuously improved and adapted to the real process.
  • the parameters s for the driving curve f are first determined in a unit 13 as a function of the predetermined target bandwidth distribution y eoll and the pre-calculated process parameters x and with access to at least one neural network 14 which provides a prediction of the compression processes at the ends of the strip .
  • the actual bandwidth distribution y ist is measured at the exit of the rolling mill 3 by means of a width measuring device 15 and with this and the process parameters x recalculated in the recalculation unit 11 after an adaptation of the neural network 14 performed.
  • the number of neural networks 14 used is concerned, separate neural networks are preferably used for the tape head and the tape foot.
  • 4 separate neural networks can be used for successive runs of the same band. If the number of upsetting stitches varies from band to band, the use of separate neural networks for the larger stitch numbers is disadvantageous because there is less training data.
  • FIGS. 3 and 4 show a first possibility of realizing the unit 13 in two operating states.
  • a neural forward model 140 is used as the neural network, which maps the compression process in its natural cause / effect relationship.
  • the input variables of the neural network 140 in its training phase consist of the recalculated process parameters x after and the parameters s is the driving curve, which is converted by means of a conversion unit 16 from the measured driving curve f i ⁇ , according to which the compression rollers 6 are moved during the rolling process. be determined.
  • the neural network 140 provides a prediction for the bandwidth distribution y, which is compared with the measured actual bandwidth distribution y iBt .
  • the neural network 140 is adapted as a function of the error ⁇ y determined in this way, so that it provides the most accurate possible prediction of the bandwidth distribution y thus achieved for predetermined parameters s of the driving curve and existing process parameters x.
  • FIG. 4 shows how the optimal parameters s opt of a driving curve are determined, with which a predetermined target bandwidth distribution y eoll is achieved.
  • starting values s ⁇ tart are first specified for the driving curve parameters s by a computing unit and are fed to the adapted neural network 140 together with the pre-calculated process parameters x.
  • This provides a prediction for the bandwidth distribution y, which is compared with the target bandwidth distribution y ⁇ on .
  • Bandwidth distribution y ⁇ oll a predetermined limit value
  • the start values s etart are changed by an amount ⁇ s.
  • the neural network 140 provides a new prediction for the bandwidth distribution y, which is again compared with the target bandwidth distribution y soll .
  • the parameters are changed stepwise s for the travel curve as long as the amount .DELTA.s until the deviation between the predicted bandwidth distribution y and to the target bandwidth distribution y the predetermined limit value no longer exceeds.
  • the parameters s determined in this way correspond to the desired optimal parameters s opt of the driving curve with which the setting position of the upsetting rollers 6 is controlled.
  • two neural networks 140 and 141 are used, of which the first neural network 140, as in the example in FIGS. 3 and 4, a forward neural model and the second neural network 141 describes the reversal of the natural cause / effect relationship is the backward neural model.
  • FIG. 5 shows, in a first operating state of the unit 13 the first neural network 140 is trained in the same way as has already been described with reference to FIG. 3.
  • the embodiment shown in Figure 7 for the unit 13 includes a neural network is a neural reverse model 141 corresponding to the delivered in Figures 5 and 6.
  • This neural network 141 in the adapted state in response to a predetermined desired bandwidth distribution is y and the pre-calculated process parameters x a prediction for the parameters s of the driving curve, according to which the position of the upsetting rollers 6 is adjusted during the belt pass.
  • the measured actual bandwidth distribution y actual and the recalculated process parameters x are fed as input variables after the neural network 141, the network response s of which are determined using the conversion unit 16 from the measured driving curve f actual actual driving curve parameters s is compared.
  • the neural network 141 is adapted as a function of the error ⁇ s determined in the process.
  • the embodiment shown in Figure 8 for the unit 13 is the prerequisite basis that if an error occurs in the width of distribution, ie with a deviation Dy between the target bandwidth distribution y eoll and the measured actual bandwidth distribution y lst the running curve f ⁇ et for Upsetting rollers 6 must be changed by the amount of this deviation ⁇ y in order to compensate for the error.
  • a neural backward model can therefore be used as the neural network 142. To the target bandwidth distribution y is fixed once and for all, for. B. for a rectangular shape
  • the neural network 142 supplies a prediction for the parameters s of the driving curve f based on the pre-calculated process parameters x, on the basis of which the compression rollers 6 are preset.
  • the desired target bandwidth distribution y target is compared with the measured actual bandwidth distribution y iet .
  • the measured driving curve f i ⁇ t is corrected into a target driving curve f soll , whose associated parameters s should be determined by means of a conversion unit 18.
  • the neural network 142 provides because of it now supplied recalculated process parameter X according to a prediction for the traveling curve parameters s, with parameters s eoll the target f traveling curve to be compared, the thus obtained error .DELTA.s is used for adaptation of the neural network 142 .
  • the conversion interface between the driving curve f and its parameters s in the example shown the conversion unit 18, can of course also be set differently by converting the parameters s predicted by the neural network 142 into a predicted driving curve f and the predicted driving curve f is compared with the target travel curve f ⁇ oll . This also follows from the following example.
  • FIG. 9 shows a more detailed concept based on the example of FIG. 8 for determining the driving curve f for the upsetting rollers 6.
  • the process parameters x and x according to which the driving curve f is determined include the bandwidth b (i), strip thickness d (i) and strip temperature T (i) after each compression stitch i
  • the employment correction values a x d) and a 2 (i) are calculated as the product of the network outputs o k lying between -1 and +1 and the respective width decreases ⁇ b (i) of band 4. This has the effect that none of the employment correction values a ⁇ i) and a 2 (i) can be greater than the respective decrease in width ⁇ b (i).
  • the length coordinates l x ) and l 2 (i) are specified as experience values by a device 19.
  • the length coordinate 1 2 (1) which corresponds to the length of the area of action of the upsetting rollers 6 in the first upsetting stitch on the belt 4, is set, for example, to 3 times the slab width and to 2 times the slab width for the belt foot.
  • the values for the length coordinates determined in this way relate to the strip 4 after it has left the rolling mill 3 when the strip width distribution is measured.
  • these values must therefore still be passed through during each belt pass Rolling mill 3 strip stretching to the strip length before the respective pass i in relation to the length of the strip 4 after leaving the rolling mill 3 can be converted.
  • This conversion takes place on the basis of the temperature T (i), width b (i) and thickness d (i) of the strip 4 before the respective upsetting stitch i, the temperature, width and thickness of the strip 4 after leaving the rolling train 3 and the expansion coefficient ⁇ .
  • the driving curve parameters a x (i) and a 2 ) predicted by the neural network 142 on the basis of the pre-calculated process parameters x and the driving curve parameters l ⁇ i) and l 2 (i) specified via the unit 19 are sent to the basic automation 9 for setting the rolling train 3 to hand over.
  • the width distribution y actual and the travel curve f actual of the compression rollers 6 are measured point by point using the measured value detection device 10 and the width measuring device 15.
  • the error Dy between the predetermined desired bandwidth distribution y is first n and the measured actual bandwidth distribution y ⁇ t and then the desired travel curve f set from the measured travel curve f 1BT and the error Dy here z.
  • seven predetermined support points j are calculated. The calculation is performed for the data points so f n, - the target -Fahrkurve f ⁇ oll in total for all upsetting bites i; that is, the target travel curve f BO n is the sum of the target travel curves f sol id) of the individual upsetting stitches i.
  • the neural network 142 delivers on the basis of those fed to it after the strip 4 has passed through the rolling mill 3 recalculated process parameters x according to predictions about the employment correction values a ⁇ i) and a 2 (i), from which in a unit 21 at the support points j support values f j resulting from the predicted employment correction values a ⁇ i) and a 2 (i) in total be calculated for all upsetting stitches i resulting in predicted total travel curve f.
  • the error ⁇ f j becomes the square error summed up over all support points
  • the rolling mill 3 of the exemplary embodiment shown in FIG. 1 is a roughing mill.
  • this is measured at the end of the cooling section and fed to the device 13 for determining the driving curve parameters s.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Metal Rolling (AREA)
  • Feedback Control In General (AREA)
  • Milling Processes (AREA)

Abstract

Beim Walzen von Bändern (4) in einer Walzstrasse (3) dienen vertikale Stauchwalzen (6) zur Einstellung der Bandbreite, wobei es jedoch an den Bandenden aufgrund des dort unsymmetrischen Materialflusses zu einer Verringerung der Breite kommt. Um dem entgegenzuwirken, wird die Anstellposition der Stauchwalzen (6) beim Durchlauf der Bandenden entsprechend einer durch vorgegebene Parameter (s) definierten Fahrkurve (f) verstellt. Die Parameter (s) werden auf der Grundlage von durch neuronale Netze (14) getroffenen Vorhersagen über den Walzprozeß ermittelt.

Description

Beschreibung
Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
Die Erfindung betrifft ein Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes.
Eines der Hauptprobleme beim Walzen von Bändern, z. B. Bandstahl, ist das Erzielen einer rechteckigen- Grundform mit einer über die Länge des Bandes konstanten Breite. Zur Steuerung der Bandbreite dienen vertikale Stauchwalzen in der Walzstraße. Werden die Stauchwalzen mit konstanter Anstellung gefahren, so wird das Band in der Regel an den Bandenden, also dem Bandkopf und dem Bandfuß, aufgrund des unsymmetrischen Materialflusses und anderer Effekte schmaler als im Mittelteil. Um dem entgegenzuwirken, ist die Anstellposition der Stauchwalzen während des Banddurchlaufs verstellbar, wo- bei die Anstellung beim Durchlauf der Bandenden in Form kurzer Ausschläge, sogenannter „Short strokes" , relativ zum Mittelteil weiter aufgefahren wird. Diese Anstellungskorrektur am Bandkopf und am Bandfuß erfolgt entsprechend einer Fahrkurve („Short stroke control- (SSC-) Fahrkurve" ) , die durch vorgegebene Parameter definiert werden kann.
Aufgabe der Erfindung ist es, eine gewünschte Bandbreitenverteilung an den Bandenden durch Vorgabe einer Fahrkurve für die Anstellposition der Stauchwalzen möglichst gut zu erzeu- gen. Gemäß der Erfindung wird die Aufgabe durch die in den unabhängigen Ansprüchen 1, 2, 3 und 4 angegebenen Verfahren gelöst .
Vorteilhafte Weiterbildungen der erfindungsgemäßen Verfahren sind den Unteransprüchen zu entnehmen.
Die Ermittlung der Parameter zur Bildung der Fahrkurve, entsprechend der die Anstellposition der Stauchwalzen beim Durchlauf der Bandenden verstellt wird, erfolgt also auf der Grundlage von Vorhersagen über den Walzprozeß durch neuronale Netze, wobei durch ein on-line-Training der neuronalen Netze an dem Walzprozeß die Vorhersagen ständig verbessert werden. Dabei werden für den Bandkopf und den Bandfuß vorzugsweise getrennte neuronale Netze verwende . Für aufeinanderfolgende Durchläufe desselben Bandes, also bei mehreren Stauchstichen, können getrennte neuronale Netze verwendet werden. Ist die Anzahl der Stauchstiche ständig fest vorgegeben, so kann auch ein einziges neuronales Netz verwendet werden, um die Para- meter für die Fahrkurven der Stauchwalzen in den aufeinanderfolgenden Stauchstichen zu ermitteln.
Zur weiteren Erläuterung der Erfindung wird im folgenden auf die Figuren der Zeichnung Bezug genommen; im einzelnen zeigen
Figur 1 ein Beispiel für die Breitenverteilung eines gewalzten Bandes und eine daraus abgeleitete Fahrkurve für die Stauchwalzen zur Korrektur der Breitenverteilung, Figur 2 ein Beispiel für die prinzipielle Steuerungsstruktur einer Walzstraße mit einer Einheit zur Ermittlung von Parametern zur Definition der Fahrkurve, die
Figuren 3 bis 8 unterschiedliche Beispiele für die Realisierung der Einheit zur Ermittlung der Fahrkurvenparameter und
Figur 9 ein auf dem Beispiel nach Figur 8 beruhendes detaillierteres Konzept zur Ermittlung der Fahrkurvenparameter.
Das Diagramm in Figur 1 zeigt beispielhaft ■ die Breitenverteilung y eines Bandes über seine Länge 1 beim Durchlaufen einer Walzstraße, die neben horizontalen Flachwalzen zur Banddickenregelung auch vertikale Stauchwalzen zur Bandbreiten- Steuerung enthält. Bei konstanter Anstellung der Stauchwalzen kommt es aufgrund unsymmetrischer Materialflüsse im Band zu einer Verringerung der Bandbreite an den Bandenden, also dem Bandkopf und dem Bandfuß. Um dem entgegenzuwirken und eine rechteckige Grundform des Bandes zu erhalten, wird die An- Stellposition der Stauchwalzen beim Durchlaufen der Bandenden entsprechend einer Fahrkurve f verstellt, die bei dem gezeigten Beispiel aus zwei, getrennt für den Bandkopf und den Bandfuß sowie für jeden Durchlauf desselben Bandes, also jeden Stauchstich, einstellbaren geraden Abschnitten besteht. Die Fahrkurve f wird dabei durch vier Parameter in Form zweier Anstellungskorrekturwerte ax und a2 und zweier Längenkoordinaten 11 und 12 beschrieben. Die Anstellungskorrekturwerte ax und a2 beziehen sich auf den Walzenabstand, so daß der Fahrweg der beiden Stauchwalzen jeweils halb so groß ist. Natürlich ist es möglich, die Fahrkurve in anderer Weise und durch mehr Parameter zu beschreiben.
Es geht nun darum, die Parameter a1# a2, l und 12 der Fahr- kurve f so zu bestimmen, daß eine Verstellung der Anstell- Positionen der Stauchwalzen entsprechend der durch die Parameter definierten Fahrkurve zu einer vorgegebenen Soll-Bandbreitenverteilung, hier also einer rechteckigen Grundform, des Bandes an seinen Bandenden führt. Dies geschieht, wie im folgenden anhand mehrerer Beispiele erläutert wird, mit Hilfe von neuronalen Netzen, wobei jedoch einzelne Parameter, hier z. B. die Längenkoordinaten lx und 12, auch als Erfahrungs- werte vorgegeben werden können.
Figur 2 zeigt die prinzipielle Steuerungsstruktur für eine
Walzstraße 3, in der eine Optimierung der tatsächlichen Bandbreitenverteilung ylβt eines die Walzstraße 3 durchlaufenden Bandes 4 entsprechend einer vorgegebenen Soll-Bandbreitenverteilung yBθll erfolgt. Bei der Walzstraße 3 handelt es sich um eine Vorstraße, die ein oder mehrere Horizontalgerüste mit Flachwalzen 5 aufweist, wobei dem letzten und nach Bedarf auch weiteren Horizontalgerüsten, hier den beiden letzten Horizontalgerüsten, jeweils ein Vertikalgerüst mit Stauchwalzen 6 vorgeordnet ist. Vor jedem Einlauf eines Bandes 4 in die Walzstraße 3 werden in einer Vorausberechnungseinheit 7 aufgrund von Sollwerten SW und Primärdaten PD und unter Zugriff auf mathematische Modelle 8 des Walzprozesses relevante Prozeßparameter x des Walzprozesses vorausberechnet und einer Basisautomatisierung 9 aufgegeben, die damit eine Voreinstel- lung der Walzstraße 3 vornimmt. Während des Walzprozesses werden mittels einer Meßwerterfassungseinrichtung 10 laufend relevante Meßgrößen des Walzprozesses erfaßt. Die Meßgrößen werden der Basisautomatisierung 9 zur Erfüllung von Regelungsfunktionen sowie einer Nachberechnungseinheit 11 zuge- führt . Die Nachberechnungseinheit 11 greift auf dieselben mathematischen Modelle 8 wie die Vorausberechnungseinheit 7 zu und adaptiert die zugehörigen Modellparameter aufgrund der den tatsächlichen Verlauf des Walzprozesses repräsentierenden Meßgrößen. Auf diese Weise wird die Vorausberechnung für das jeweils nächste zu walzende Band 4 ständig verbessert und an das reale Prozeßgeschehen angepaßt .
Zur Steuerung der Anstellung der Stauchwalzen 6 enthält die Basisautomatisierung 9 eine entsprechende Steuereinrichtung 12. Diese erzeugt in Abhängigkeit von ihr zugeführten Parametern s, z. B. s=(a1,a2) entsprechend Figur 1, eine Fahrkurve f, entsprechend der die Anstellposition der Stauchwalzen 6 beim Durchlauf der Bandenden verstellt wird. Die Ermittlung der Parameter s für die Fahrkurve f erfolgt in einer Einheit 13 zunächst in Abhängigkeit von der vorgegebenen Soll-Bandbreitenverteilung yeoll und den vorausberechneten Prozeßparametern x und unter Zugriff auf mindestens ein neuronales Netz 14, das eine Vorhersage über die Stauchvorgänge an den Bandenden liefert. Zur Verbesserung und Anpassung der Vorhersagen des neuronalen Netzes 14 an das tatsächliche Prozeßgeschehen, wird am Ausgang der Walzstraße 3 mittels einer Breitenmeßeinrichtung 15 die tatsächliche Bandbreitenverteilung yist gemessen und mit dieser und den in der Nachberechnungseinheit 11 nachberechneten Prozeßparametern xnach eine Adaption des neuronalen Netzes 14 vorgenommen. Was die Anzahl der verwendeten neuronalen Netze 14 betrifft, so werden vorzugsweise für den Bandkopf und den Bandfuß getrennte neuronale Netze verwendet. Darüber hinaus können für aufeinanderfolgende Durchläufe desselben Bandes 4 getrennte neuronale Netze verwendet werden. Ist die Anzahl der Stauchstiche von Band zu Band variabel, so ist jedoch die Verwendung getrennter neuronaler Netze für die größeren Stichnummern unvorteilhaft, weil dort weniger Trainingsdaten anfallen.
Die Figuren 3 und 4 zeigen eine erste Realisierungsmöglichkeit der Einheit 13 in zwei Betriebszuständen. Als neuronales Netz wird dabei ein neuronales Vorwärtsmodell 140 verwendet, das den Stauchvorgang in seiner natürlichen Ursache/Wirkung- Beziehung abbildet. Die Eingangsgrößen des neuronalen Netzes 140 in seiner Trainingsphase (Figur 3) bestehen aus den nachberechneten Prozeßparametern xnach und den Parametern sist der Fahrkurve, die mittels einer Umrechnungseinheit 16 aus der gemessenen Fahrkurve fiβ , entsprechend der die Stauchwalzen 6 beim Walzprozeß verfahren werden, ermittelt werden. Das neuronale Netz 140 liefert eine Vorhersage für die Bandbreitenverteilung y, die mit der gemessenen tatsächlichen Bandbreitenverteilung yiBt verglichen wird. In Abhängigkeit von dem dabei ermittelten Fehler Δy erfolgt eine Adaption des neuronalen Netzes 140, so daß dieses für vorgegebene Parameter s der Fahrkurve und vorliegende Prozeßparameter x eine möglichst exakte Vorhersage der damit erzielten Bandbreitenverteilung y liefert. Figur 4 zeigt, wie die optimalen Parameter sopt einer Fahrkurve ermittelt werden, mit der eine vorgegebene Soll-Bandbreitenverteilung yeoll erzielt wird. Dazu werden zunächst von einer Recheneinheit 17 Startwerte sβtart für die Fahrkurven- parameter s vorgegeben und zusammen mit den vorausberechneten Prozeßparametern x dem adaptierten neuronalen Netz 140 zugeführt. Dieses liefert eine Vorhersage für die Bandbreitenverteilung y, die mit der Soll-Bandbreitenverteilung yβon verglichen wird. Überschreitet dabei die Abweichung zwischen der vorhergesagten Bandbreitenverteilung y und der Soll-
Bandbreitenverteilung yβoll einen vorgegebenen Grenzwert, so werden die Startwerte setart um einen Betrag Δs verändert. Das neuronale Netz 140 liefert mit den neuen Parametern s=sstart+Δs eine neue Vorhersage für die Bandbreitenvertei- lung y, die wieder mit der Soll-Bandbreitenverteilung ysoll verglichen wird. Dabei werden die Parameter s für die Fahrkurve so lange schrittweise um den Betrag Δs verändert, bis die Abweichung zwischen der vorhergesagten Bandbreitenverteilung y und der Soll-Bandbreitenverteilung ysoll den vorgegebenen Grenzwert nicht mehr überschreitet. Die so ermittelten Parameter s entsprechen den gesuchten optimalen Parametern sopt der Fahrkurve, mit der die Anstellposition der Stauchwalzen 6 gesteuert wird.
Bei dem in den Figuren 5 und 6 gezeigten Beispiel einer Realisierung der Einheit 13 werden zwei neuronale Netze 140 und 141 verwendet, von denen das erste neuronale Netz 140 wie schon bei dem Beispiel in den Figuren 3 und 4 ein neuronales Vorwärtsmodell und das zweite neuronale Netz 141 ein die Um- kehrung der natürlichen Ursache/Wirkung-Beziehung beschrei- bendes neuronales Rückwärtsmodell ist. Wie Figur 5 zeigt, wird in einem ersten Betriebszustand der Einheit 13 das erste neuronale Netz 140 in derselben Weise trainiert, wie dies anhand von Figur 3 bereits beschrieben worden ist.
Nach Abschluß des Trainings des ersten neuronalen Netzes 140 wird entsprechend Figur 6 mittels des zweiten neuronalen Netzes 141 aufgrund einer vorgegebenen Soll-Bandbreitenverteilung ysoll und der vorausberechneten Prozeßparameter x eine Vorhersage für die Parameter s der Fahrkurve erzeugt, entsprechend der die Stauchwalzen 6 beim Banddurchlauf verstellt werden. Die daraus resultierende gemessene Bandbreitenverteilung ylst wird mit der Soll-Bandbreitenverteilung ysoll verglichen, wobei der dabei erhaltene Fehler Δy durch das adaptier- te erste neuronale Netz 140 zurückpropagiert und zur Adaption der veränderbaren Netzgewichte w(NN141) des zweiten neuronalen Netzes 141 nach dem Gradientenabstiegsverfahren herangezogen wird:
δ Δy d Δy d y d s
<? w(NN141) d y d s CJ W(NN141)
Das in Figur 7 gezeigte Ausführungsbeispiel für die Einheit 13 enthält als neuronales Netz ein neuronales Rückwärtsmodell 141 entsprechend dem in den Figuren 5 und 6. Dieses neuronale Netz 141 liefert im adaptierten Zustand in Abhängigkeit von einer vorgegebenen Soll-Bandbreitenverteilung ysoll und den vorausberechneten Prozeßparametern x eine Vorhersage für die Parameter s der Fahrkurve, entsprechend der die Anstellposition der Stauchwalzen 6 beim Banddurchlauf verstellt wird. Zur Adaption des neuronalen Netzes 141 an das tatsächliche Prozeßgeschehen werden nach dem Banddurchlauf die gemessene tatsächliche Bandbreitenverteilung ylst und die nachberechneten Prozeßparameter xnach dem neuronalen Netz 141 als Eingangsgrößen zugeführt, dessen Netzwerkantwort s mit den über die Umrechnungseinheit 16 aus der gemessenen Fahrkurve flst ermittelten tatsächlichen Fahrkurvenparametern slst verglichen wird. In Abhängigkeit von dem dabei ermittelten Fehler Δs erfolgt eine Adaption des neuronalen Netzes 141.
Dem in Figur 8 gezeigten Ausführungsbeispiel für die Einheit 13 liegt die Voraussetzung zugrunde, daß bei einem Fehler in der Breitenverteilung, also bei einer Abweichung Δy zwischen der Soll-Bandbreitenverteilung yeoll und der gemessenen tat- sächlichen Bandbreitenverteilung ylst die Fahrkurve fιet für die Stauchwalzen 6 um den Betrag dieser Abweichung Δy geändert werden muß, um den Fehler zu kompensieren. Als neuronales Netz 142 kann daher ein neuronales Rückwärtsmodell verwendet werden. Die Soll-Bandbreitenverteilung ysoll ist ein für allemal festgelegt, z. B. für eine Rechteckform der
Bandenden, so daß das neuronale Netz 142 eine gegenüber den vorangehend beschriebenen Beispielen reduzierte Aufgabenstellung besitzt und ihm zur Vorhersage der Fahrkurvenparameter s als Eingangsgrößen nur die Prozeßparameter x bzw. xnaoh zugeführt werden.
Vor dem Bandeinlauf liefert das neuronale Netz 142 aufgrund der vorausberechneten Prozeßparameter x eine Vorhersage für die Parameter s der Fahrkurve f, aufgrund derer eine Vorein- Stellung der Stauchwalzen 6 erfolgt. Nach dem Banddurchlauf wird die gewünschte Soll-Bandbreitenverteilung ysoll mit der gemessenen tatsächlichen Bandbreitenverteilung yiet verglichen. Mit der dabei erhaltenen Abweichung Δy wird die gemessene Fahrkurve fiβt in eine Soll-Fahr- kurve fsoll korrigiert, deren zugehörige Parameter ssoll mittels einer Umrechnungseinheit 18 ermittelt werden. Das neuronale Netz 142 liefert aufgrund der ihm jetzt zugeführten nachberechneten Prozeßparameter Xnach eine Vorhersage für die Fahrkurvenparameter s, die mit den Parametern seoll der Soll- Fahrkurve fsoll verglichen werden, wobei der so erhaltene Fehler Δs zur Adaption des neuronalen Netzes 142 herangezogen wird. Die Umrechnungsschnittstelle zwischen der Fahrkurve f und ihren Parametern s, bei dem gezeigten Beispiel die Umrechnungseinheit 18, kann natürlich auch anders gelegt wer- den, indem die von dem neuronalen Netz 142 vorhergesagten Parameter s in eine vorhergesagte Fahrkurve f umgerechnet werden und die vorhergesagte Fahrkurve f mit der Soll-Fahrkurve fβoll verglichen wird. Dies ergibt sich auch aus dem folgenden Beispiel.
Figur 9 zeigt ein auf dem Beispiel der Figur 8 beruhendes detaillierteres Konzept zur Bestimmung der Fahrkurve f für die Stauchwalzen 6. Entsprechend der Darstellung in Figur 1 soll dabei für jeden von insgesamt drei Stauchstichen i(=l,2,3) die Fahrkurve f (i) jeweils aus zwei geraden Abschnitten bestehen, die insgesamt durch die vier Parameter a^i), a2(i), lid) und l2(i) beschrieben werden. Die zur Bestimmung der Fahrkurve f relevanten Prozeßparameter x bzw. xnach umfassen die Bandbreite b(i), Banddicke d(i) und Bandtemperatur T(i) nach jedem Stauchstich i, die Breitenabnahme Δb(i) und Dickenabnahme Δd(i) des Bandes 4 nach jedem Stauchstich i sowie einen Koeffizienten α als Maß für die Materialhärte (Umformwiderstand) des Bandes 4.
Die Vorhersage der Fahrkurvenparameter ax(i) und a2(i), also der Anstellungskorrekturwerte, erfolgt für alle drei Stauchstiche i durch ein neuronales Netz 142, das dementsprechend sechs Netzausgänge ok(=0...5) auf eist. Dabei errechnen sich die Anstellungskorrekturwerte axd) und a2(i) als Produkt aus den zwischen -1 und +1 liegenden Netzausgängen ok und den jeweiligen Breitenabnahmen Δb(i) des Bandes 4. Das hat die Wirkung, daß keiner der Anstellungskorrekturwerte a^i) und a2(i) größer als die jeweilige Breitenabnahme Δb(i) werden kann.
Die Längenkoordinaten lx ) und l2(i) werden durch eine Einrichtung 19 als Erfahrungswerte vorgegeben. Dabei wird die Längenkoordinate 12(1), welche der Länge des Einwirkbereiches der Stauchwalzen 6 im ersten Stauchstich auf das Band 4 ent- spricht, für den Bandkopf beispielsweise auf die 3fache und für den Bandfuß auf die 2fache Brammenbreite festgesetzt. Für die nachfolgenden Stauchstiche wird die Länge des Einwirkbereiches der Stauchwalzen 6 jedesmal halbiert, so daß gilt l2(2)=l/2 12(1) und l2(3)=l/4 12(1). Die übrigen Längenkoordi- naten werden mit l1(i)=l/3 l2(i) festgelegt. Die so bestimmten Werte für die Längenkoordinaten beziehen sich auf das Band 4 nach seinem Austritt aus der Walzstraße 3, wenn die Bandbreitenverteilung gemessen wird. Für die Ansteuerung der Stauchwalzen 6 in den einzelnen Stauchstichen i müssen daher diese Werte noch wegen der bei jedem Banddurchlauf durch die Walzstraße 3 erfolgenden Bandstreckung auf die Bandlänge vor dem jeweiligen Stich i im Verhältnis zur Länge des Bandes 4 nach dem Verlassen der Walzstraße 3 umgerechnet werden. Diese Umrechnung erfolgt auf der Grundlage der Temperatur T(i), Breite b(i) und Dicke d(i) des Bandes 4 vor dem jeweiligen Stauchstich i, der Temperatur, Breite und Dicke des Bandes 4 nach Verlassen der Walzstraße 3 und des Ausdehnungskoeffizienten α.
Die durch das neuronale Netz 142 aufgrund der vorausberechneten Prozeßparameter x vorhergesagten Fahrkurvenparameter ax(i) und a2 ) und die über die Einheit 19 vorgegebenen Fahrkurvenparameter l^i) und l2(i) werden an die Basisautomatisierung 9 zur Einstellung der Walzstraße 3 übergeben. Beim Walzen des Bandes 4 in der Walzstraße 3 werden mittels der Meßwerterfassungseinrichtung 10 und der Breitenmeßeinrichtung 15 punktweise die Breitenverteilung ylst und die Fahrkurve flst der Stauchwalzen 6 gemessen. In einer Einheit
20 wird zunächst der Fehler Δy zwischen der vorgegebenen Soll-Bandbreitenverteilung yson und der gemessenen tatsächlichen Bandbreitenverteilung yιεt und dann die Soll-Fahrkurve fsoll aus der gemessenen Fahrkurve f1Bt und dem Fehler Δy an hier z. B. sieben vorgegebenen Stützstellen j(=0...6) berechnet. Dabei erfolgt die Berechnung der Stützwerte fson,- der Soll -Fahrkurve fεoll in Summe für alle Stauchstiche i; d. h. , die Soll-Fahrkurve fBOn ist die Summe der Soll -Fahrkurven fsolid) der einzelnen Stauchstiche i.
Das neuronale Netz 142 liefert aufgrund der ihm nach dem Durchlauf des Bandes 4 durch die Walzstraße 3 zugeführten nachberechneten Prozeßparameter xnach Vorhersagen über die Anstellungskorrekturwerte a^i) und a2(i), aus denen in einer Einheit 21 an den Stützstellen j Stützwerte fj der sich aus den vorhergesagten Anstellungskorrekturwerten a^i) und a2(i) in Summe für alle Stauchstiche i ergebenden vorhergesagten Summen-Fahrkurve f berechnet werden.
In einer Einheit 22 wird durch Vergleich der Stützwerte fεon,j der Summen-Soll-Fahrkurve fBθll mit den Stützwerten fj der vorhergesagten Summen-Fahrkurve f der Fehler Δfj=fsoll j-fj ermittelt. Aus dem Fehler Δfj wird in einer weiteren Einheit 23 der über alle Stützstellen aufsummierte quadratische Fehler
Figure imgf000015_0001
gebildet, der zur Adaption des neuronalen Netzes 142 nach dem Gradientenabstiegsverfahren herangezogen wird.
Wie bereits oben erwähnt, handelt es sich bei der Walzstraße 3 des in Figur 1 gezeigten Ausführungsbeispiels um eine Vorstraße. Um auch den Einfluß nachfolgender Behandlungslinien, wie Fertigstraße und Kühlstrecke, auf die Bandbreitenverteilung zu berücksichtigen, wird diese am Ende der Kühlstrecke gemessen und zur Ermittlung der Fahrkurvenparameter s der Einrichtung 13 zugeführt.

Claims

Patentansprüche
1. Verfahren zum Optimieren der Bandbreitenverteilung (y) an den Enden eines eine Walzstraße (3) durchlaufenden Bandes (4) durch Verstellen der Anstellposition von Stauchwalzen (6) beim Durchlauf der Bandenden entsprechend einer durch vorgegebene Parameter (s) beschriebenen Fahrkurve (f) , wobei aufgrund von Prozeßparametern ( nach) des Walzprozesses und aufgrund der Parameter (s1Bt) der Fahrkurve (fιet) mittels eines neuronalen Netzes (140) eine Vorhersage über die Bandbreitenverteilung (y) gemacht wird und der Fehler (Δy) zwischen der vorhergesagten Bandbreitenverteilung (y) und der gemessenen tatsächlichen Bandbreitenverteilung (y1Bt) zur Adaption des neuronalen Netzes (140) im Sinne einer Verringerung des Feh- lers (Δy) herangezogen wird und wobei mit dem adaptierten neuronalen Netz (140) iterativ optimale Werte (sopt) für die Parameter (s) der Fahrkurve (f) ermittelt werden, für die die vorhergesagte Bandbreitenverteilung (y) minimal von einer vorgegebenen Soll-Bandbreitenverteilung (ysoιι) abweicht und entsprechend denen dann die Anstellposition der Stauchwalzen (6) verstellt wird. (Figuren 2, 3, 4)
2. Verfahren zum Optimieren der Bandbreitenverteilung (y) an den Enden eines eine Walzstraße (3) durchlaufenden Bandes (4) durch Verstellen der Anstellposition von Stauchwalzen (6) beim Durchlauf der Bandenden entsprechend einer durch vorgegebene Parameter (s) beschriebenen Fahrkurve (f) , wobei aufgrund von Prozeßparametern (xnach) des Walzprozesses und aufgrund der gemessenen tatsächlichen Bandbreitenverteilung (Yist) mittels eines neuronalen Netzes (141) eine Vorhersage über die Parameter (s) der Fahrkurve (f) gemacht wird und der
Fehler (Δs) zwischen den vorhergesagten Parametern (s) der Fahrkurve (f) und den tatsächlichen Parametern (sist) der Fahrkurve (fist) , entsprechend der die Anstellposition der Stauchwalzen (6) verstellt wurde, zur Adaption des neuronalen Netzes (141) im Sinne einer Verringerung des Fehlers (Δs) herangezogen wird und wobei mit dem adaptierten neuronalen Netz (141) aufgrund der Prozeßparameter (x) des Walzprozesses und einer vorgegebenen Soll-Bandbreitenverteilung (yβoll) op- timale Werte für die Parameter (s) der Fahrkurve (f) ermittelt werden, entsprechend der die Anstellposition der Stauchwalzen (6) verstellt wird. (Figuren 2, 7)
3. Verfahren zum Optimieren der Bandbreitenverteilung (y) an den Enden eines eine Walzstraße (3) durchlaufenden Bandes (4) durch Verstellen der Anstellposition von Stauchwalzen (6) beim Durchlauf der Bandenden entsprechend einer durch vorgegebene Parameter (s) beschriebenen Fahrkurve (f) , wobei aufgrund von Prozeßparametern (xnach) des Walzprozesses und auf- grund der tatsächlichen Parameter (siθt) der Fahrkurve (fiet) , entsprechend der die Anstellposition der Stauchwalzen (6) verstellt wurde, mittels eines ersten neuronalen Netzes (140) eine Vorhersage über die Bandbreitenverteilung (y) gemacht wird und der Fehler (Δy) zwischen der vorhergesagten Band- breitenverteilung (y) und der gemessenen tatsächlichen Bandbreitenverteilung (yist) zur Adaption des ersten neuronalen Netzes (140) im Sinne einer Verringerung des Fehlers (Δy) herangezogen wird, wobei ferner aufgrund der Prozeßparameter (x) des Walzprozesses und einer vorgegebenen Soll-Bandbrei- tenverteilung (yeon) mittels eines zweiten neuronalen Netzes (141) eine Vorhersage über optimale Werte für die Parameter (s) der Fahrkurve (f) gemacht wird, entsprechend der die Anstellposition der Stauchwalzen (6) verstellt wird, und wobei der Fehler (Δy) zwischen der Soll-Bandbreitenverteilung (Ysoii) und der tatsächlichen gemessenen Bandbreitenverteilung (Yisc) durch das adaptierte erste neuronale Netz (140) zurückpropagiert und zur Adaption des zweiten neuronalen Netzes (141) im Sinne einer Verringerung des Fehlers (Δy) herangezogen wird. (Figuren 2, 5, 6)
4. Verfahren zum Optimieren der Bandbreitenverteilung (y) an den Enden eines eine Walzstraße (3) durchlaufenden Bandes (4) durch Verstellen der Anstellposition von Stauchwalzen (6) beim Durchlauf der Bandenden entsprechend einer durch vorge- gebene Parameter (s) beschriebenen Fahrkurve (f) , wobei aufgrund von Prozeßparametern (x) des Walzprozesses mittels eines neuronalen Netzes (142) eine Vorhersage über optimale Werte für die Parameter (s) der Fahrkurve (f) gemacht wird, entsprechend der die Anstellposition der Stauchwalzen (6) verstellt wird, wobei aus der gemessenen Fahrkurve (flβt) und dem Fehler (Δy) zwischen einer vorgegebenen Soll-Bandbreitenverteilung (ysoll) und der tatsächlichen gemessenen Bandbreitenverteilung (yist) eine Soll-Fahrkurve (fBOιι) ermittelt wird, und wobei der Fehler (Δs) zwischen den vorhergesagten optimalen Werten für die Parameter (s) der Fahrkurve (f) und den aus der Soll-Fahrkurve (fBOn) ermittelten zugehörigen Parametern (sBθll) oder der Fehler zwischen der aus den vorhergesagten optimalen Werten für die Parameter (s) der Fahrkurve (f) bestimmten vorhergesagten Fahrkurve und der Soll- Fahrkurve (fBoll) zur Adaption des neuronalen Netzes (142) im Sinne einer Verringerung dieses Fehlers herangezogen wird. (Figuren 2, 8, 9)
5. Verfahren nach einem der vorangehenden Ansprüche, da- durch gekennzeichnet, daß für den Bandkopf und den Bandfuß getrennte neuronale Netze verwendet werden.
6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß die Fahrkurve (f) für die Verstellung der Anstellposition der Stauchwalzen (6) bei jedem Durchlauf eines Bandendes aus zwei geraden Abschnitten besteht, die durch zwei Anstellungskorrekturwerte (a1# a2) und zwei Längenkoordinaten (11; 12) in Bandlängsrichtung definiert sind, wobei die Längenkoordinaten (llf 12) als Erfah- rungswerte vorgegeben werden und die Anstellungskorrekturwerte (a1( a2) die Parameter der Fahrkurve (f) bilden. (Figur 1)
7. Verfahren nach einem der vorangehenden Ansprüche, da- durch gekennzeichnet, daß für aufeinanderfolgende
Durchläufe desselben Bandes getrennte neuronale Netze verwendet werden.
8. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß für eine fest vorgegebene Anzahl aufeinanderfolgender Durchläufe (i) desselben Bandes ein und dasselbe neuronale Netz (142) verwendet wird. (Figur 9)
9. Verfahren nach einem der vorangehenden Ansprüche, da- durch gekennzeichnet, daß als Prozeßparameter (x, xnach) die Bandbreite (b(i)), Banddicke (d(i)) und Bandtemperatur (T(i)) nach jedem Durchlauf (i) , die Breitenabnahme (Δb(i)) und Dickenabnahme (Δdd)) des Bandes (4) bei jedem Durchlauf (i) und ein Maß (Koeffizient oc) für den Umformwiderstand des Bandmaterials verwendet werden. (Figur 9)
PCT/DE1997/002433 1996-10-23 1997-10-21 Verfahren zum optimieren der bandbreitenverteilung an den enden eines eine walzstrasse durchlaufenden bandes WO1998017411A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US09/297,230 US6418354B1 (en) 1996-10-23 1997-10-21 Optimizing the band width at the band ends on a mill train
CA002269489A CA2269489C (en) 1996-10-23 1997-10-21 Method of optimizing the band width distribution at the ends of a band passing through a mill train

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19644132A DE19644132B4 (de) 1996-10-23 1996-10-23 Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
DE19644132.3 1996-10-23

Publications (1)

Publication Number Publication Date
WO1998017411A1 true WO1998017411A1 (de) 1998-04-30

Family

ID=7809818

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1997/002433 WO1998017411A1 (de) 1996-10-23 1997-10-21 Verfahren zum optimieren der bandbreitenverteilung an den enden eines eine walzstrasse durchlaufenden bandes

Country Status (7)

Country Link
US (1) US6418354B1 (de)
KR (1) KR100347198B1 (de)
CN (1) CN1104975C (de)
CA (1) CA2269489C (de)
DE (1) DE19644132B4 (de)
RU (1) RU2157284C1 (de)
WO (1) WO1998017411A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102303050A (zh) * 2011-06-03 2012-01-04 攀钢集团有限公司 一种粗轧宽度自学习的方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001347318A (ja) * 2000-06-08 2001-12-18 Mitsubishi Heavy Ind Ltd 板幅調整装置及び板幅調整方法
DE10036971A1 (de) * 2000-07-28 2002-02-28 Siemens Ag Verfahren zur Ferndiagnose eines technologischen Prozesses
DE10116273A1 (de) * 2001-03-31 2002-10-10 Sms Demag Ag Verfahren zum Betreiben einer Walzstraße sowie eine entsprechend ausgebildete Walzstraße
KR20040035977A (ko) * 2002-10-14 2004-04-30 주식회사 포스코 열간압연작업에서의 슬라브 폭조정방법
DE10339766A1 (de) * 2003-08-27 2005-04-07 Siemens Ag Verfahren und Einrichtung zur Steuerung einer Anlage zur Herstellung von Stahl
AT500764A1 (de) * 2004-05-19 2006-03-15 Voest Alpine Ind Anlagen Verfahren zur berechnung der geometrischen form von walzgut
CN101403890B (zh) * 2008-11-08 2010-06-09 山西太钢不锈钢股份有限公司 利用神经元网络分类建模法提高模型预报精度的方法
CN102974622B (zh) * 2012-12-21 2015-03-11 山西太钢不锈钢股份有限公司 带钢头尾宽度短行程控制的参数补偿方法及控制方法
CN103920722B (zh) * 2013-01-11 2016-02-24 宝山钢铁股份有限公司 一种热连轧机飞剪带钢定位方法
CN103678893B (zh) * 2013-12-03 2016-08-17 太原理工大学 一种用于特殊钢种的规则建模方法
CN104249084B (zh) * 2014-09-26 2016-06-01 成都金自天正智能控制有限公司 一种提高热连轧生产时带钢头尾部宽度精度的方法
CN109513749B (zh) * 2018-11-01 2020-06-02 北京首钢股份有限公司 一种热轧带钢头尾部宽度控制方法及装置
CN112974543B (zh) * 2019-12-12 2022-09-09 上海梅山钢铁股份有限公司 一种热轧薄规格带钢的船型曲线的优化方法
JP7447779B2 (ja) * 2020-12-21 2024-03-12 東芝三菱電機産業システム株式会社 圧延材の形状制御システム
CN113695404B (zh) * 2021-09-03 2024-01-23 北京北科麦思科自动化工程技术有限公司 一种带钢热连轧宽度控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0623417A (ja) * 1992-07-06 1994-02-01 Nippon Steel Corp 熱間粗圧延における板幅制御装置
JPH07303909A (ja) * 1994-05-16 1995-11-21 Nippon Steel Corp 熱間粗圧延における板幅セットアップ自動修正装置
DE19522494A1 (de) * 1994-07-07 1996-01-18 Siemens Ag Verfahren zum Walzen eines Metallbandes

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4248072A (en) * 1978-07-25 1981-02-03 Aichi Steel Works, Limited Method of and apparatus for producing plate material having uniform width and lengthwise thickness variation
JPS59189011A (ja) * 1983-04-12 1984-10-26 Ishikawajima Harima Heavy Ind Co Ltd 圧延材の蛇行及び横曲り制御方法及びその装置
JPS6224809A (ja) 1985-07-23 1987-02-02 Nippon Steel Corp 熱間圧延における板幅制御方法
DE3821990A1 (de) * 1988-06-30 1990-01-11 Schloemann Siemag Ag Regelung fuer profilstrassen
US5193066A (en) * 1989-03-14 1993-03-09 Kabushiki Kaisha Kobe Seiko Sho Equipment for adjusting the shape of a running band-like or plate-like metal material in the width direction
JPH04252302A (ja) * 1991-01-28 1992-09-08 Kawasaki Steel Corp 連続圧延機における制御モデルの同定方法及び連続圧延機の制御方法
JP3136183B2 (ja) * 1992-01-20 2001-02-19 株式会社日立製作所 制御方法
JPH06224809A (ja) * 1993-01-22 1994-08-12 Toshiba Corp 携帯型無線通信装置
JPH07124618A (ja) * 1993-11-05 1995-05-16 Toshiba Corp 竪型圧延機の板幅制御装置
DE19505694C1 (de) * 1995-02-20 1996-07-04 Siemens Ag Einrichtung zur Dickenregelung von Walzgut
WO1996028770A1 (de) * 1995-03-16 1996-09-19 Siemens Aktiengesellschaft Verfahren und vorrichtung zur führung eines prozesses
DE19642918C2 (de) * 1996-10-17 2003-04-24 Siemens Ag System zur Berechnung des Enddickenprofils eines Walzbandes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0623417A (ja) * 1992-07-06 1994-02-01 Nippon Steel Corp 熱間粗圧延における板幅制御装置
JPH07303909A (ja) * 1994-05-16 1995-11-21 Nippon Steel Corp 熱間粗圧延における板幅セットアップ自動修正装置
DE19522494A1 (de) * 1994-07-07 1996-01-18 Siemens Ag Verfahren zum Walzen eines Metallbandes

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HIROSHI UMEDA ET AL: "APPLICATION OF PREDICTIVE CONTROL THEORY IN HOT STRIP MILL", PROCEEDINGS OF THE 1995 IEEE IECON: INTERNATIONAL CONFERENCE ON INDUSTRIAL ELECTRONICS, CONTROL, AND INSTRUMENTATION, ORLANDO, NOV. 6 - 10, 1995 SIGNAL PROCESSING AND CONTROL, ROBOTICS VISION AND SENSORS, EMERGIN TECHNOLOGIES, AND FACTORY AUTOMATION, vol. 2 OF 2, 6 November 1995 (1995-11-06), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 786 - 791, XP000559308 *
LINDHOFF D ET AL: "ERFAHRUNGEN BEIM ENSATZ NEURONALER NETZE IN DER WALZWERKSAUTOMATISIERUNG", STAHL UND EISEN, vol. 114, no. 4, 18 April 1994 (1994-04-18), pages 49 - 53, 208, XP000449399 *
MARTINETZ T ET AL: "NEURONALE NETZE ZUR STEUERUNG VON WALZSTRASSEN", AUTOMATISIERUNGSTECHNISCHE PRAXIS - ATP, vol. 38, no. 10, October 1996 (1996-10-01), pages 28, 30 - 32, 34 - 36, 41/42, XP000640083 *
PATENT ABSTRACTS OF JAPAN vol. 018, no. 227 (M - 1597) 25 April 1994 (1994-04-25) *
PATENT ABSTRACTS OF JAPAN vol. 096, no. 003 29 March 1996 (1996-03-29) *
SHAW D A ET AL: "LTV STEEL INDIANO HARBOR WORKS' 84-IN. HOT STRIP MILL AUTOMATIC WIDTH CONTROL USING HYDRAULIC EDGER", IRON AND STEEL ENGINEER, vol. 71, no. 8, 1 August 1994 (1994-08-01), pages 43 - 51, XP000465144 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102303050A (zh) * 2011-06-03 2012-01-04 攀钢集团有限公司 一种粗轧宽度自学习的方法

Also Published As

Publication number Publication date
RU2157284C1 (ru) 2000-10-10
DE19644132B4 (de) 2005-07-07
CA2269489C (en) 2007-03-20
CA2269489A1 (en) 1998-04-30
US6418354B1 (en) 2002-07-09
KR20000052719A (ko) 2000-08-25
CN1234755A (zh) 1999-11-10
DE19644132A1 (de) 1998-04-30
KR100347198B1 (ko) 2002-08-03
CN1104975C (zh) 2003-04-09

Similar Documents

Publication Publication Date Title
WO1998017411A1 (de) Verfahren zum optimieren der bandbreitenverteilung an den enden eines eine walzstrasse durchlaufenden bandes
DE69102280T2 (de) Verfahren und anlage zum herstellen von direkt einer warmwalzstrasse erzeugter stahlbandcoils mit kaltwalzeigenschaften.
DE112012006981B4 (de) Verfahren zur Herstellung von Bandstahl mit verschiedenen Zieldicken in der Längsrichtung mit einer kontinuierlichen Warmwalzstraße
EP0121148B1 (de) Verfahren zum Herstellen von Walzband mit hoher Bandprofil- und Bandplanheitsgüte
DE19522494C2 (de) Verfahren zum Walzen eines Metallbandes
DE4309986A1 (de) Verfahren und Vorrichtung zum Walzen eines Walzbandes
DE10156008A1 (de) Steuerverfahren für eine einer Kühlstrecke vorgeordnete Fertigstraße zum Walzen von Metall-Warmband
DE60016999T2 (de) Verfahren und Vorrichtung zum Regeln der Bandform beim Bandwalzen
EP0715019A2 (de) Verfahren und Vorrichtung zum Behandeln einer Materialbahn
DE2457696A1 (de) Regelsystem fuer bandtemperatur
EP3271092B1 (de) Verfahren zum herstellen von metallbändern
DE3006544C2 (de) Vorrichtung zur Steuerung der Breite einer Bramme beim Warmvorwalzen
WO2013110399A1 (de) Verfahren zur bearbeitung von walzgut in einem warmwalzwerk
DE69913538T2 (de) Verfahren und Vorrichtung zur Planheitsregelung
DE19503363A1 (de) Einrichtung und Verfahren zum Regeln der Planheit und/oder Spannungsverteilung von gewalzten Metallbändern
DE3943093C2 (de) Verfahren zur Regelung der Planheit eines in einem Walzgerüst hergestellten Bandes und Vorrichtung zu seiner Durchführung
WO1996028770A1 (de) Verfahren und vorrichtung zur führung eines prozesses
EP0734795B1 (de) Verfahren zur Dickenvorsteuerung beim Folienwalzen
DE4391396C2 (de) Verfahren zum Walzen von H-Profilstahl
DE3401894A1 (de) Verfahren zum herstellen von walzband mit hoher bandprofil- und bandplanheitsguete
DE19644131C2 (de) Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
DE3425129A1 (de) Verfahren zur walzenkuehlung an einem kaltwalzwerk
DE1527610B2 (de) Vorrichtung zum Walzen von etwa gleiche Querschnittshöhe und -breite aufweisenden Knüppeln, Stangen u.a. Stabstahlerzeugnissen
DE60113132T2 (de) Blechbreitenregelung beim warmbandwalzen
EP3566790B1 (de) Verfahren zur dynamischen walzspaltregelung beim flexiblen walzen von metallbändern

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 97199181.2

Country of ref document: CN

AK Designated states

Kind code of ref document: A1

Designated state(s): CA CN KR MX RU US

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
ENP Entry into the national phase

Ref document number: 2269489

Country of ref document: CA

Ref document number: 2269489

Country of ref document: CA

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1019997003517

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: PA/a/1999/003811

Country of ref document: MX

WWE Wipo information: entry into national phase

Ref document number: 09297230

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 1019997003517

Country of ref document: KR

WWG Wipo information: grant in national office

Ref document number: 1019997003517

Country of ref document: KR