CN103128107A - 一种热连轧粗轧短行程曲线参数的在线计算方法 - Google Patents

Abstract

本发明一种热连轧粗轧短行程曲线参数的在线计算方法，属于热轧带钢自动控制技术领域。本发明采用多段折线形式，先采用神经元网络预测轧件头尾在未施加短行程控制情况下，经过本道次正向轧制以及后一道次反向轧制（如果本道次不是末道次）所产生的失宽量，其中在可逆轧制道次中交换轧件头尾参数，然后根据轧件头尾入口宽度的偏差和所预测的轧后失宽量，确定立辊轧制道次的短行程曲线参数。本发明所涉及的短行程曲线参数计算方法，适应性好，精度高，且便于调试和维护，有利于提高热连轧的成材率。

Description

一种热连轧粗轧短行程曲线参数的在线计算方法

技术领域：

本发明属于热轧带钢自动化控制技术领域，特别涉及热轧带钢头尾宽度控制过程中的模型方法。

背景技术：

在热连轧粗轧过程中，设有立辊和水平辊轧机，通过多道次可逆往返轧制将板坯轧成所需的中间坯宽度和厚度，然后再由精轧机组轧成热轧成品。立辊轧机只在正向轧制道次中投入，在规程设定时可通过分配合适的侧压量以获得所需的中间坯宽度。但是，在立辊轧制时，轧件头部及尾部变形过程处于非稳定状态，造成头尾形状出现失宽现象，经随后的水平轧制，其失宽程度更为严重。为了不影响后续加工过程，在进入精轧前，必须切除这部分不合格长度，从而增加了切头切尾损失，降低了成材率。为此，在轧钢自动化***中，可通过在线液压APC***，使立辊开口度在轧件头尾部一定长度范围内按照某种轨迹变化以补偿头尾失宽，此过程称之为短行程控制，而立辊开口度变化轨迹则是短行程曲线，如图1所示，其中W_H1、W_T1为单侧头、尾部端点立辊开口度修正量；W_H2、W_T2为单侧头、尾部中间点立辊开口度修正量；L_H1、L_T1为短行程头、尾部控制全长；L_H2、L_T2为短行程头、尾部中间点长度；S₀为定长度立辊开口度。

短行程曲线一般可采用多段折线、多项式曲线、高斯函数曲线等形式表示，比如图1所采用的是两段折线。根据现有的技术手段，不管采用何种形式的曲线，它们的定义参数基本上都是通过查表或者简单的经验公式确定。通常经验公式精度不高，其系数往往还需要通过查表来修正。由于热连轧涉及的材质、规格和工艺变化多样，而不同的工况下需要采用不同的短行程曲线，因此参数表一般需要划分成许多层别，每个层别的参数都需要在***调试和维护过程中人工不断优化调整，工作量非常大。另外，由于头尾失宽差异较大，且粗轧过程需要多道次往返轧制，短行程曲线参数的取值与工况之间的关系不明确，它们的优化调整往往都是凭个人经验，随意性大，精度难以保证。

为了克服以上问题，必须根据粗轧各道次轧件头尾失宽量的演变过程和相应的补偿策略，在线动态计算短行程曲线参数。专利“一种热连轧带钢头尾宽度控制辅助调节方法”（中国专利申请号为：200910088150.1）提到的只是采用离线仿真工具人工调整优化短行程曲线参数表，没有涉及参数的在线动态计算方法；文献1（基于有限元和优化的粗轧短行程控制曲线研究，计算力学学报，V29，No4）提到的是通过有限元分析优化短行程曲线的方法，计算量大无法实现在线运行，且没有考虑多道次往返轧制的影响；文献2（热轧带钢短行程智能控制综述，山东冶金，V31，No6）提到的是采用各种人工智能方法从大量实际生产数据样本中优化短行程曲线参数的方法，没有涉及轧件头尾失宽量的演变过程和补偿策略。

本发明所基于的轧件头尾失宽量的神经元网络预测模型，技术成熟，只要通过一定数量的有限元模拟结果和宽度实测值对神经元网络进行训练，就能达到满意的预测精度。

发明内容：

针对现有的热连轧带钢头尾宽度控制模型存在的局限性，本发明提出一种新的热连轧粗轧短行程曲线参数的在线计算方法，短行程曲线采用多段折线形式，通过将短行程控制的轧件长度等分确定短行程曲线上各拐点的位置坐标，基于神经元网络预测轧件头尾失宽量，通过分析头尾失宽的演变过程，提出补偿策略，实现短行程曲线参数的在线计算，如图2所示。

本发明的技术方案：一种新的热连轧粗轧短行程曲线参数的在线计算方法，具体技术方案如下：

首先获取立辊半径RE、平辊半径RR以及各粗轧道次规程参数（入口厚度H[i]、入口宽度B[i]、侧压量△B[i]、压下量△H[i]、出口厚度h[i]、出口宽度b[i]）。

采用以下公式计算短行程控制的轧件长度L[i]：

$L\left[i\right]=a\·{\left(B\right[0\left]\right)}^b\·\frac{B\left[0\right]H\left[0\right]}{B\left[i\right]H\left[i\right]}---\left(1\right)$

其中，式中：B[0]为初始入口宽度，B[i]为入口宽度，H[i]为入口厚度，H[0]为初始入口厚度，a和b为常数，a取值范围[1.0，3.0]，b取值范围[1/2，2/3]。

对实施短行程控制的轧件长度L[i]按折线段数n（3≤n≤10）等分，得到头尾短行程曲线各折线段拐点的位置坐标xH[i][j]和xT[i][j]（采用相对于头尾端部的距离来表示，i为道次号，0≤i≤k-1，k为最大道次数，j为拐点序号，0≤j≤n+1）；

初始化所述各拐点处的轧件首道次入口宽度wH[0][j]和wT[0][j]为B[0]，未施加短行程控制情况下的实际侧压量△BH[0][j]和△BT[0][j]为△B[0]；

针对所述各拐点的轧件位置，在未施加短行程控制情况下，采用神经元网络预测本道次正向轧制后的各拐点失宽量，交换轧件头尾参数，预测后一道次反向轧制后的各拐点失宽量，本道次为末道次时，不再进行后一道次各拐点的失宽量预测，步骤如下：

1）对于第i道次的头部短行程曲线的第j个拐点，准备神经元网络的输入参数，包括头部各拐点位置坐标xH[i][j]、入口宽度wH[i][j]、侧压量△BH[i][j]以及其他轧制规程参数，调用用于头部失宽预测的神经元网络，得到经过i道次的立辊和水平辊轧制后的失宽量△wH[i][j]；

2）对于第i道次的尾部短行程曲线的第j个拐点，准备神经元网络的输入参数，包括尾部各拐点位置坐标xT[i][j]、入口宽度wT[i][j]、侧压量△BT[i][j]以及其他轧制规程参数，调用用于尾部失宽预测的神经元网络，得到经过i道次的立辊和水平辊轧制后的失宽量△wT[i][j]；

3）如果第i道次不为末道次，准备i+1道次的头部输入参数，包括头部各拐点位置坐标xH[i+1][j]、入口宽度wH[i+1][j]、侧压量△BH[i+1][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，并调用用于头部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wH[i+1][j]，其中：

wH[i+1][j]=B[i+1]+ΔwT[i][j]    (2)

ΔBH[i+1][j]=0；

准备i+1道次的尾部输入参数，包括尾部各拐点位置坐标xT[i+1][j]、入口宽度wT[i+1][j]、侧压量△BT[i+1][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，并调用用于尾部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wT[i+1][j]，其中：

wT[i+1][j]=B[i+1]+ΔwH[i][j]    (3)

ΔBT[i+1][j]=0。

然后对于所述各拐点，根据所预测的失宽量，采用以下公式计算其相应的短行程曲线参数yH[i][j]和yT[i][j]：

第i道次不为末道次：

yH[i][j]=(B[i]-wH[i][j])·kW-ΔwT[i+1]·kH

yT[i][j]=(B[i]-wT[i][j])·kW-ΔwH[i+1]·kT

第i道次为末道次：

yH[i][j]=(B[i]-wH[i][j])·kW-ΔwT[i]·kH

yT[i][j]=(B[i]-wT[i][j])·kW-ΔwH[i]·kT

其中，kH、kT为头尾宽度失宽量补偿系数，取值范围为[0，1]；

kW为头尾宽度波动补偿系数，取值范围为[0，1]；

对于下一个立辊轧制道次（i+2），采用以下步骤计算该道次的所述各拐点处的轧件入口宽度和侧压量：

1）在施加短行程控制情况下，计算第i道次的所述各拐点处的实际侧压量：

$\mathrm{\&Delta;}{\mathrm{BH}}^{\&prime;}\left[i\right]\left[j\right]=\left\{\begin{array}{cc}\mathrm{\&Delta;B}\left[i\right]-\mathrm{yH}\left[i\right]\left[j\right]& \mathrm{\&Delta;B}\left[i\right]\&GreaterEqual;\mathrm{yH}\left[i\right]\left[j\right]\\ 0& \mathrm{\&Delta;B}\left[i\right]<\mathrm{yH}\left[i\right]\left[j\right]\end{array}\right.$

$\mathrm{\&Delta;}{\mathrm{BT}}^{\&prime;}\left[i\right]\left[j\right]=\left\{\begin{array}{cc}\mathrm{\&Delta;B}\left[i\right]-\mathrm{yT}\left[i\right]\left[j\right]& \mathrm{\&Delta;B}\left[i\right]\&GreaterEqual;\mathrm{yT}\left[i\right]\left[j\right]\\ 0& \mathrm{\&Delta;B}\left[i\right]<\mathrm{yT}\left[i\right]\left[j\right]\end{array}\right.$

2）在施加短行程控制情况下，采用神经元网络预测所述各拐点处轧件经过第i道次和第i+1道次轧制后的失宽量△wH[i+1][j]和△wT[i+1][j]；

3）计算第i+2道次，即下一个立辊轧制道次的所述各拐点处的轧件入口宽度和侧压量：

wH[i+2][j]=B[i+2]+ΔwT[i+1][j]

wT[i+2][j]=B[i+2]+ΔwH[i+1][j]

ΔBH[i+2][j]=ΔB[i+2]

ΔBT[i+2][j]=ΔB[i+2]

然后重复上一个立辊轧制道次（i）的计算步骤计算本道次正向轧制以及后一道次反向轧制（如果本道次不是末道次）所产生的失宽量，确定短行程曲线参数yH[i+2][j]和yT[i+2][j]。

本发明的特点之一是，基于神经元网络预测的轧件头尾失宽量，考虑多道次往返轧制使短行程头尾参数交换的影响，通过分析轧件头尾失宽量的演变过程，并采用补偿策略，实现对热连轧粗轧短行程曲线参数的在线动态计算。和现有的短行程曲线模型相比，本发明可以根据不同工况条件实时计算短行程曲线参数，适应性好，精度高，极大减少了在***调试和维护中需要投入的人工工作量。

本发明的特点之二是，通过分析轧件头尾失宽量的演变过程，并采用一定的补偿策略，建立短行程曲线参数和工况之间的对应关系。有利于根据生产要求，对短行程曲线参数进行调整，针对性强。

附图说明：

图1短行程控制基本原理示意图。

图2本发明的短行程曲线参数计算方法流程图。

图3-图4计算的头尾失宽量。

图5-图7计算的头尾短行程控制曲线。

具体实施方式：

下面结合具体实施方式对本发明的技术方案做进一步说明。

以厚度为234mm、宽度为1550mm、钢种为HQ235B的板坯，生产厚度为55mm、宽度为1510mm的中间坯为例，粗轧共轧制5个道次，采用多道次可逆往返轧制。

设定的粗轧每道次入口、出口带钢厚度和宽度如表1所示（单位为mm，均为热值）。

表1各道次入口、出口带钢厚度和宽度

	第1道次	第2道次	第3道次	第4道次	第5道次
						入口厚度H[i]/mm	234.531	186.219	139.141	100.056	72.887
出口厚度h[i]/mm	186.219	139.141	100.056	72.887	55.825
						入口宽度B[i]/mm	1560.141	1547.002	1555.632	1525.656	1529.145
出口宽度b[i]/mm	1547.002	1555.632	1525.656	1529.145	1517.014
						侧压量△B[i]/mm	31.397	0	52.328	0	20.932
压下量△H[i]/mm	48.312	47.078	39.085	27.169	17.062

立辊半径RE=575mm，平辊半径RR=595mm。

采用以下公式（1）确定实施短行程控制的轧件长度L[i]：

$L\left[i\right]={\left(B\right[0\left]\right)}^{0.5}\&CenterDot;\frac{B\left[0\right]H\left[0\right]}{B\left[i\right]H\left[i\right]}---\left(1\right)$

对短行程控制的轧件长度4等分，得到头尾短行程曲线各折线段拐点的位置坐标xH[i][j]和xT[i][j]，单位为m，如表2-表6所示：

表2首道次各拐点位置坐标

xH[0][0]	0	xT[0][0]	0
				xH[0][1]	0.28	xT[0][1]	0.28
xH[0][2]	0.57	xT[0][2]	0.57
				xH[0][3]	0.85	xT[0][3]	0.85
xH[0][4]	1.13	xT[0][4]	1.13

表3第2道次各拐点位置坐标

xH[1][0]

0

xT[1][0]

0

xH[1][1]	0.37	xT[1][1]	0.37
				xH[1][2]	0.74	xT[1][2]	0.74
xH[1][3]	1.11	xT[1][3]	1.11
				xH[1][4]	1.48	xT[1][4]	1.48

表4第3道次各拐点位置坐标

xH[2][0]	0	xT[2][0]	0
				xH[2][1]	0.52	xT[2][1]	0.52
xH[2][2]	1.04	xT[2][2]	1.04
				xH[2][3]	1.56	xT[2][3]	1.56
xH[2][4]	2.08	xT[2][4]	2.08

表5第4道次各拐点位置坐标

xH[3][0]	0	xT[3][0]	0
				xH[3][1]	0.77	xT[3][1]	0.77
xH[3][2]	1.54	xT[3][2]	1.54
				xH[3][3]	2.30	xT[3][3]	2.30
xH[3][4]	3.07	xT[3][4]	3.07

表6第5道次各拐点位置坐标

xH[4][0]	0	xT[4][0]	0
				xH[4][1]	1.24	xT[4][1]	1.24
xH[4][2]	2.49	xT[4][2]	2.49
				xH[4][3]	3.73	xT[4][3]	3.73
xH[4][4]	4.98	xT[4][4]	4.98

对首道次各拐点处的轧件入口宽度wH[0][j]和wT[0][j]、未施加短行程控制情况下的侧压量△BH[0][j]和△BT[0][j]进行初始化，初始化结果见表7、表8：

表7首道次轧件入口宽度初始值

wH[0][0]	1560.141	wT[0][0]	1560.141
				wH[0][1]	1560.141	wT[0][1]	1560.141
wH[0][2]	1560.141	wT[0][2]	1560.141
				wH[0][3]	1560.141	wT[0][3]	1560.141
wH[0][4]	1560.141	wT[0][4]	1560.141

表8未施加短行程控制情况下的首道次侧压量初始值

△BH[0][0]

31.397

△BT[0][0]

31.397

△BH[0][1]	31.397	△BT[0][1]	31.397
				△BH[0][2]	31.397	△BT[0][2]	31.397
△BH[0][3]	31.397	△BT[0][3]	31.397
				△BH[0][4]	31.397	△BT[0][4]	31.397

对于首道次的头部短行程曲线，准备神经元网络主要的输入参数xH[i][j]、wH[i][j]、△BH[i][j]，见表2、表7、表8，其余神经元网络参数如辊径等均为常量，在此不再列举。调用用于头部失宽预测的神经元网络，得到经过首道次的立辊和水平辊轧制后的失宽量△wH[i][j]，如表9、图3所示：

表9首道次轧制后头部失宽量

△wH[0][0]	-14.582
		△wH[0][1]	-12.082
△wH[0][2]	-9.862
		△wH[0][3]	-7.822
△wH[0][4]	-4.332

对于首道次的尾部短行程曲线，准备神经元网络主要的输入参数xT[0][j]、wT[0][j]、△BT[0][j]，见表2、表7、表8，其余神经元网络参数如辊径等均为常量，在此不再列举。调用用于尾部失宽预测的神经元网络，得到经过首道次的立辊和水平辊轧制后的失宽量△wT[0][j]，如表10、图4所示：

表10首道次轧制后尾部失宽量

△wT[0][0]	-4.722
		△wT[0][1]	-4.202
△wT[0][2]	-2.672
		△wT[0][3]	-1.222
△wT[0][4]	-0.282

第2道次为反向轧制，交换轧件头尾参数。第2道次头部的主要输入参数有xH[1][j]、wH[1][j]、△BH[1][j]。xH[1][j]的取值见表3。采用公式（2）计算wH[1][j]，计算结果见表11。第2道次侧压量△BH[1][j]的取值见表11。调用用于头部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wH[1][j]，如表11、图4所示。

wT[i+1][j]=B[i+1]+ΔwH[i][j]    (2)

表11第2道次头部入口参数

wH[1][0]	1542.280	△BH[1][0]	0	△wH[1][0]	-2.812
						wH[0][1]	1542.800	△BH[1][1]	0	△wH[1][1]	-2.122
wH[1][2]	1544.330	△BH[1][2]	0	△wH[1][2]	-1.012
						wH[1][3]	1545.780	△BH[1][3]	0	△wH[1][3]	-0.192
wH[1][4]	1546.720	△BH[1][4]	0	△wH[1][4]	-0.058

第2道次的尾部的主要输入参数有xT[1][j]、wT[1][j]、△BT[1][j]。xT[1][j]的取值见表3。采用公式（3）计算wT[1][j]，计算结果见表12。第2道次侧压量△BT[1][j]的取值见表12。调用用于尾部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wT[1][j]，如表12、图3所示。

wT[i+1][j]=B[i+1]+ΔwH[i][j]    (3)

表12第2道次尾部输入参数

wT[1][0]	1532.420	△BT[1][0]	0	△wT[1][0]	-9.522
						wT[1][1]	1534.920	△BT[1][1]	0	△wT[1][1]	-7.742
wT[1][2]	1537.140	△BT[1][2]	0	△wT[1][2]	-5.952
						wT[1][3]	1539.180	△BT[1][3]	0	△wT[1][3]	-4.332
wT[1][4]	1542.670	△BT[1][4]	0	△wT[1][4]	-2.942

采用以下公式计算首道次短行程参数yH[0][j]和yT[0][j]，计算结果如表13、图5所示：

yH[i][j]=(B[i]-wH[i][j])·1.0-ΔwT[i+1]·0.6

yT[i][j]=(B[i]-wT[i][j])·1.0-ΔwH[i+1]·0.6

表13首道次短行程参数

yH[0][0]	5.713	yT[0][0]	1.687
				yH[0][1]	4.645	yT[0][1]	1.273
yH[0][2]	3.571	yT[0][2]	0.607
				yH[0][3]	2.599	yT[0][3]	0.115
yH[0][4]	1.765	yT[0][4]	0.035

在施加短行程控制情况下，采用以下公式计算首道次所述各拐点处的实际侧压量，计算结果如表14所示：

$\mathrm{\&Delta;}{\mathrm{BH}}^{\&prime;}\left[i\right]\left[j\right]=\left\{\begin{array}{cc}\mathrm{\&Delta;B}\left[i\right]-\mathrm{yH}\left[i\right]\left[j\right]& \mathrm{\&Delta;B}\left[i\right]\&GreaterEqual;\mathrm{yH}\left[i\right]\left[j\right]\\ 0& \mathrm{\&Delta;B}\left[i\right]<\mathrm{yH}\left[i\right]\left[j\right]\end{array}\right.$

$\mathrm{\&Delta;}{\mathrm{BT}}^{\&prime;}\left[i\right]\left[j\right]=\left\{\begin{array}{cc}\mathrm{\&Delta;B}\left[i\right]-\mathrm{yT}\left[i\right]\left[j\right]& \mathrm{\&Delta;B}\left[i\right]\&GreaterEqual;\mathrm{yT}\left[i\right]\left[j\right]\\ 0& \mathrm{\&Delta;B}\left[i\right]<\mathrm{yT}\left[i\right]\left[j\right]\end{array}\right.$

表14首道次实际侧压量

△BH[0][0]	25.684	△BT[0][0]	29.710
				△BH[0][1]	26.752	△BT[0][1]	30.124
△BH[0][2]	27.826	△BT[0][2]	30.790
				△BH[0][3]	28.798	△BT[0][3]	31.282
△BH[0][4]	29.632	△BT[0][4]	31.362

在施加短行程控制情况下，采用神经元网络重新预测所述各拐点处轧件经过首道次和第2道次轧制后的失宽量△wH[1][j]和△wT[1][j]，预测结果如表15、图3、图4所示：

表15经过首道次和第2道次轧制后的失宽量

△wH[1][0]	-1.162	△wT[1][0]	-4.252
				△wH[1][1]	-1.032	△wT[1][1]	-3.552
△wH[1][2]	-0.622	△wT[1][2]	-2.752
				△wH[1][3]	-0.112	△wT[1][3]	-1.962
△wH[1][4]	-0.028	△wT[1][4]	-0.832

采用以下公式计算第3道次各拐点的轧件入口宽度和侧压量，计算结果如表16、表17所示：

wH[i+2][j]=B[i+2]+ΔwT[i+1][j]

wT[i+2][j]=B[i+2]+ΔwH[i+1][j]

ΔBH[i+2][j]=ΔB[i+2]

ΔBT[i+2][j]=ΔB[i+2]

表16第3道次轧件入口宽度

wH[2][0]	1551.380	wT[2][0]	1554.470
				wH[2][1]	1552.080	wT[2][1]	1554.600
wH[2][2]	1552.880	wT[2][2]	1555.010
				wH[2][3]	1553.670	wT[2][3]	1555.520
wH[2][4]	1554.800	wT[2][4]	1555.604

表17未施加短行程控制情况下的第3道次侧压量

△BH[2][0]	52.328	△BT[2][0]	52.328
				△BH[2][1]	52.328	△BT[2][1]	52.328
△BH[2][2]	52.328	△BT[2][2]	52.328
				△BH[2][3]	52.328	△BT[2][3]	52.328
△BH[2][4]	52.328	△BT[2][4]	52.328

重复首道次和第2道次短行程参数的计算步骤，依次可以得到第3道次和第5道次的短行程曲线参数，计算结果见表18、表19、图6、图7：

表18第3道次短行程参数

yH[2][0]	9.520	yT[2][0]	6.420
				yH[2][1]	6.650	yT[2][1]	3.520
yH[2][2]	4.610	yT[2][2]	1.170
				yH[2][3]	3.420	yT[2][3]	0.440
yH[2][4]	2.670	yT[2][4]	0.080

表19第5道次短行程参数

yH[4][0]	3.970	yT[4][0]	1.900
				yH[4][1]	2.900	yT[4][1]	1.070
yH[4][2]	2.070	yT[4][2]	0.240
				yH[4][3]	1.370	yT[4][3]	0.050
yH[4][4]	0.960	yT[4][4]	0.010

Claims (4)

1.一种热连轧粗轧短行程曲线参数的在线计算方法，采用多段折线形式，基于神经元网络预测的轧件头尾失宽量，其特征在于包括以下步骤：

1）获取立辊半径RE、平辊半径RR以及各粗轧道次规程参数入口厚度H[i]、入口宽度B[i]、侧压量△B[i]、压下量△H[i]、出口厚度h[i]、出口宽度b[i]；i为道次号，0≤i≤k-1，k为最大道次数；

2）对实施短行程控制的轧件长度L[i]按折线段数n等分，3≤n≤10，得到头尾短行程曲线各折线段拐点的位置坐标xH[i][j]和xT[i][j]，采用相对于头尾端部的距离来表示，H表示头部，T表示尾部，i为道次号，0≤i≤k-1，k为最大道次数，j为拐点序号，0≤j≤n+1；

3）初始化所述各拐点处的轧件首道次入口宽度wH[0][j]和wT[0][j]为B[0]，未施加短行程控制情况下的侧压量△BH[0][j]和△BT[0][j]为△B[0];

4）针对所述各拐点的轧件位置，在未施加短行程控制情况下，采用神经元网络预测本道次正向轧制后的各拐点失宽量，交换轧件头尾参数，预测后一道次反向轧制后的各拐点失宽量，本道次为末道次时，不再进行后一道次各拐点的失宽量预测；

5）根据上述步骤所预测的各拐点失宽量，带入以下公式是确定其相应的短行程曲线参数yH[i][j]和yT[i][j]：

第i道次不为末道次：

,

       第i道次为末道次：

,

其中，式中：

、

为头尾出口宽度失宽量补偿系数，取值范围为[0，1]；

为头尾入口宽度波动补偿系数，取值范围为[0，1]；

6）对于下一个立辊轧制道次的短行程曲线参数计算，先确定该道次的所述各拐点处的轧件入口宽度和侧压量，然后重复步骤4）和步骤5）。

2.根据权利要求1所述的热连轧粗轧短行程曲线参数的在线计算方法，其特征在于，所述步骤2）中的实施短行程控制的轧件长度L按公式(1)确定：

      (1)

其中，

和

为常数，取值范围[1.0，3.0]，

取值范围[1/2，2/3]。

3.根据权利要求1所述的热连轧粗轧短行程曲线参数的在线计算方法，其特征在于，所述步骤4）中的采用神经元网络预测各拐点失宽量的具体步骤如下：

4.1）对于第i道次的头部短行程曲线的第j个拐点，准备神经元网络的输入参数，包括各拐点位置坐标xH[i][j]、入口宽度wH[i][j]、侧压量△BH[i][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，调用用于头部失宽预测的神经元网络，得到经过i道次的立辊和水平辊轧制后的失宽量△wH[i][j]；

4.2）对于第i道次的尾部短行程曲线的第j个拐点，准备神经元网络的输入参数，包括尾部各拐点位置坐标xT[i][j]、入口宽度wT[i][j]、侧压量△BT[i][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，调用用于尾部失宽预测的神经元网络，得到经过i道次的立辊和水平辊轧制后的失宽量△wT[i][j]； 

4.3）如果第i道次不为末道次，准备i+1道次的头部输入参数，包括头部各拐点位置坐标xH[i+1][j]、入口宽度wH[i+1][j]、侧压量△BH[i+1][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，并调用用于头部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wH[i+1][j]，其中：

      (2)

；

准备i+1道次的尾部输入参数，包括尾部各拐点位置坐标xT[i+1][j]、入口宽度wT[i+1][j]、侧压量△BT[i+1][j]以及其他轧制规程参数：立辊半径RE、平辊半径RR、入口厚度H[i]、压下量△H[i]、出口厚度h[i]和出口宽度b[i]，并调用用于尾部失宽预测的神经元网络，得到经过水平辊反向轧制后的失宽量△wT[i+1][j]，其中：

    

  (3)

。

4.根据权利要求1所述的热连轧粗轧短行程曲线参数的在线计算方法，其特征在于，所述步骤6）中的计算下一个立辊轧制道次的所述各拐点处的轧件入口宽度和侧压量的具体步骤如下：

6.1）在施加短行程控制情况下，计算第i道次的所述各拐点处的实际侧压量：

，

；

6.2）在施加短行程控制情况下，采用神经元网络预测所述各拐点处轧件经过第i道次和第i+1道次轧制后的失宽量△wH[i+1][j]和△wT[i+1][j]；

6.3）计算第i+2道次，即下一个立辊轧制道次的所述各拐点处的轧件入口头和尾部宽度和侧压量，公式如下：

。

Images