CN112439796B - 一种基于大数据分析的轧制力自动判定方法 - Google Patents

一种基于大数据分析的轧制力自动判定方法 Download PDF

Info

Publication number
CN112439796B
CN112439796B CN201910816661.4A CN201910816661A CN112439796B CN 112439796 B CN112439796 B CN 112439796B CN 201910816661 A CN201910816661 A CN 201910816661A CN 112439796 B CN112439796 B CN 112439796B
Authority
CN
China
Prior art keywords
rolling force
deviation
rolling
diff
tail
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910816661.4A
Other languages
English (en)
Other versions
CN112439796A (zh
Inventor
陈晨
孙建林
曹德亮
孙俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Meishan Iron and Steel Co Ltd
Original Assignee
Shanghai Meishan Iron and Steel Co Ltd
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 Shanghai Meishan Iron and Steel Co Ltd filed Critical Shanghai Meishan Iron and Steel Co Ltd
Priority to CN201910816661.4A priority Critical patent/CN112439796B/zh
Publication of CN112439796A publication Critical patent/CN112439796A/zh
Application granted granted Critical
Publication of CN112439796B publication Critical patent/CN112439796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B21B38/08—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring roll-force
    • 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
    • B21B37/58—Roll-force control; Roll-gap control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2201/00—Special rolling modes
    • B21B2201/06—Thermomechanical rolling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

本发明涉及一种基于大数据分析的轧制力自动判定方法，所述方法包括以下步骤：步骤1)数据采集；步骤2)数据处理；步骤3)轧制力自动判定；步骤4)动态反馈处理；步骤5)结束。本发明不但可以通过在线的自动判定平台提升劳动效率，而且经过算法可以迅速做出诊断该带钢产生质量缺陷的原因，为轧线的故障诊断排查提供了快速精确的手段。

Description

一种基于大数据分析的轧制力自动判定方法
技术领域
本发明涉及一种判定方法，具体涉及一种基于大数据分析的轧制力自动判定方法，属于热轧方法技术领域。
背景技术
在热连轧中有时会出现轧制前半部分带钢的轧制力和后半部分的轧制力有较大偏差，或者轧制力设定值和轧制力的实际值有较大偏差的情况，都会导致带钢的板型标准差不达标、带钢有浪形、带钢局部偏厚或偏薄等不同类型的缺陷。这种现象的发生也会被轧制模型的自学习模块所调用，并导致自学习模型中的学习参数大幅度调整，对后期轧制同规格的带钢产生较大的影响。
产生轧制力偏差的原因主要有两点：1、连铸区域在进行钢水原料更换时，为防止成本增加和氧化铁的产生，承载钢水的设备没有进行完全清洗而是直接将下一个计划的钢水直接放置其容器中。这就导致了有些钢坯是混钢成分，前段混合了上一个计划和本次计划的原料。混钢原料导致板坯轧制成等厚度钢卷所需要的轧制力不相同，所以会出现局部带钢实际轧制力与设定轧制力偏差值较大，或者带钢头尾的实际轧制力偏差值较大；2、轧制计划制作过程中有时会出现出钢记号和钢种规格不匹配，在这种情况下精轧设定模型的计算所调用的配置参数必然与钢种规格不匹配。这就导致了每个机架的设定轧制力与实际轧制力会出现较大的偏差。
发明内容
本发明正是针对现有技术中存在的问题，提供一种基于大数据分析的轧制力自动判定方法，该方法通过在线的质量自动判定平台实现对轧制力的在线诊断，及时封锁由于轧制力偏差导致的缺陷钢卷。
为了实现上述目的，本发明的技术方案如下，一种基于大数据分析的轧制力自动判定方法，所述方法包括以下步骤：
步骤1)数据采集；
步骤2)数据处理；
步骤3)轧制力自动判定；
步骤4)动态反馈处理；
步骤5)结束。本发明提出了一种基于大数据的轧制力自动判定方法考虑到不同规格的带钢由于材质或者规格出现轧制力偏差，通过算法实现对该类型偏差的带钢进行自动封锁判定的目的。
作为本发明的一种改进，所述步骤1)数据采集；具体如下：对热连轧精轧n个机架的每个机架进行周期性的轧制力数据采样，1米一个采样点。不同规格的带钢由于长度不一致，采样数量也会不一样。
作为本发明的一种改进，所述步骤2)数据处理，具体如下，
对n个机架采集到的数据做偏差处理会得到n组数组，每个数组包含一个机架的数据采样集，数据处理算法如下：
步骤21)计算n个机架的轧制力偏差值；
diff[i]＝|forceact[i]-forceset[i]|；
其中forceact[i]为实际轧制力数组，forceset[i]为设定轧制力数组，diff1[i]为轧制力偏差值数组，i为临时变量，T为采样点总数量，0<i<T；
步骤22)取头部m个点存入数组data1[j]中，其中
Figure GDA0003742517930000021
采样点总数量，取尾部m个点存入数组data2[j]中，头尾偏差值；
diff2[j]＝data1[j]-data2[j]。
作为本发明的一种改进，所述步骤3)轧制力自动判定，具体如下：
步骤31)：轧制力偏差判定,理想状态轧制带钢时，轧制力的设定值与实际值是相等的，在实际轧制过程中，质量判定***做如下实时判定：
计算轧制力的偏差均值：
Figure GDA0003742517930000022
若0<diffave<150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
若diffave>150(吨)，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤32)局部轧制力偏差判定，取10个点为局部轧制力偏差判定，则共有T-10组数据，每组数据计算方法为
Figure GDA0003742517930000023
若0<diffgroup[g]<150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
若diffgroup[g]>150(吨)，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤33)首段与尾段轧制力偏差判定，取首段与尾段各20个点为首尾轧制力偏差判定共有2组数据，首段轧制力偏差均值计算
Figure GDA0003742517930000031
尾段轧制力偏差均值计算
Figure GDA0003742517930000032
若0<|diffhead-difftail|<100(吨)，说明轧制力首尾偏差在正常范围内，判定为合格；
若|diffhead-difftail|>100(吨)，说明轧制力首尾偏差超出正常范围，判定为不合格，封锁原因为钢坯是混钢成分；
步骤34)轧制力总判定，当上述步骤中出现一个不合格则总判定为不合格，当所有判定为合格时判定为合格。
作为本发明的一种改进，所述步骤4)动态反馈处理，具体如下，当判定结果为不合格时，说明该块带钢的轧制力自学习模型不应该主动学习并变更学习参数，同时将判定结果反馈给轧线的轧制力自学习模型。
相对于现有技术，本发明具有如下优点，1)该技术方案有助于相关工作人员分析出现缺陷的带钢产生的原因，有效的排除由于轧制力封锁产生的带钢厚度和板型等质量问题；2)对带钢进行实时在线的轧制力自动判定，既能保存处理轧制过程中的数据信息，又无需人工操作且更加精准。
附图说明
图1为***各模块逻辑关系图；
图2为轧制力偏差图；
图3为动态反馈流程图。
具体实施方式：
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：参见图1-图3，一种基于大数据分析的轧制力自动判定方法，所述方法包括以下步骤：
步骤1)数据采集；
步骤2)数据处理；
步骤3)轧制力自动判定；
步骤4)动态反馈处理；
步骤5)结束。
所述步骤1)数据采集；具体如下：对热连轧精轧n个机架的每个机架进行周期性的轧制力数据采样，1米一个采样点。不同规格的带钢由于长度不一致，采样数量也会不一样。
所述步骤2)数据处理，具体如下，
对n个机架采集到的数据做偏差处理会得到n组数组，每个数组包含一个机架的数据采样集，数据处理算法如下：
步骤21)计算n个机架的轧制力偏差值；
diff[i]＝|forceact[i]-forceset[i]|；
其中forceact[i]为实际轧制力数组，forceset[i]为设定轧制力数组，diff1[i]为轧制力偏差值数组，i为临时变量，T为采样点总数量，0<i<T；
步骤22)取头部m个点存入数组data1[j]中，其中
Figure GDA0003742517930000041
采样点总数量，取尾部m个点存入数组data2[j]中，头尾偏差值；
diff2[j]＝data1[j]-data2[j]。
所述步骤3)轧制力自动判定，具体如下：
步骤31)：轧制力偏差判定,理想状态轧制带钢时，轧制力的设定值与实际值是相等的，在实际轧制过程中，质量判定***做如下实时判定：
计算轧制力的偏差均值：
Figure GDA0003742517930000042
若0<diffave<150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
若diffave>150(吨)，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤32)局部轧制力偏差判定，取10个点为局部轧制力偏差判定，则共有T-10组数据，
每组数据计算方法为
Figure GDA0003742517930000043
若0<diffgroup[g]<150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
若diffgroup[g]>150(吨)，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤33)首段与尾段轧制力偏差判定，取首段与尾段各20个点为首尾轧制力偏差判定共有2组数据，首段轧制力偏差均值计算
Figure GDA0003742517930000044
尾段轧制力偏差均值计算
Figure GDA0003742517930000045
若0<|diffhead-difftail|<100(吨)，说明轧制力首尾偏差在正常范围内，判定为合格；
若|diffhead-difftail|>100(吨)，说明轧制力首尾偏差超出正常范围，判定为不合格，封锁原因为钢坯是混钢成分；
步骤34)轧制力总判定，当上述步骤中出现一个不合格则总判定为不合格，当所有判定为合格时判定为合格。
所述步骤4)动态反馈处理，具体如下，当判定结果为不合格时，说明该块带钢的轧制力自学习模型不应该主动学习并变更学习参数，同时将判定结果反馈给轧线的轧制力自学习模型。
应用实施例：
以某钢厂企业热轧板厂钢卷号为2100290800的热轧钢卷产品为例。该带钢的出钢记号为 GT5360A2，板坯厚度230mm，板坯宽度1200mm，目标厚度11.75mm，目标宽度1150mm。控制步骤如下：
步骤1)数据采集；
对热连轧精轧7个机架的每个机架进行周期性的轧制力数据采样，5米一个采样点共384 个组数据。
步骤2)数据处理；
对7个机架采集到的数据做偏差处理会得到7组数组，每个数组包含一个机架的数据采样集。数据处理算法如下：
步骤21)：计算7个机架的轧制力偏差值
diff[i]＝|forceact[i]-forceset[i]|
其中forceact[i]为实际轧制力数组，forceset[i]为设定轧制力数组，diff1[i]为轧制力偏差值数组，i为临时变量，T为采样点总数量384，0<i<T。
步骤22)：取头部m个点存入数组data1[j]中，其中
Figure GDA0003742517930000051
取尾部m个点存入数组 data2[j]中，头尾偏差值
diff2[j]＝data1[j]-data2[j]
步骤3)轧制力自动判定，
步骤31)：轧制力偏差判定。理想状态轧制带钢时，轧制力的设定值与实际值是相等的。在实际轧制过程中，质量判定***做如下实时判定：
计算轧制力的偏差均值：
Figure GDA0003742517930000052
该带钢的轧制力偏差均在0～150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
步骤32)局部轧制力偏差判定，取10个点为局部轧制力偏差判定，则共有T-10组数据，每组数据计算方法为
Figure GDA0003742517930000061
该带钢的局部轧制力偏差均在0～150(吨)，说明轧制力偏差均值在正常范围内，判定为合格；
步骤33)首段与尾段轧制力偏差判定。取首段与尾段各20个点为首尾轧制力偏差判定共有2组数据，首段轧制力偏差均值计算
Figure GDA0003742517930000062
尾段轧制力偏差均值计算
Figure GDA0003742517930000063
该带钢的|diffhead-difftail|>100(吨)，说明轧制力首尾偏差超出正常范围，判定为不合格，封锁原因为钢坯是混钢成分。
步骤34)轧制力总判定。带钢的轧制力数据偏差提取出来，可以看出带钢的轧制力偏差前半部分普遍偏高，轧制力判定为不合格。
步骤4)动态反馈处理。当判定结果为不合格时，说明该块带钢的轧制力自学习模型不应该主动学习并变更学习参数。同时将判定结果反馈给轧线的轧制力自学习模型。
步骤5)结束。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (2)

1.一种基于大数据分析的轧制力自动判定方法，其特征在于，所述方法包括以下步骤：
步骤1)数据采集；
步骤2)数据处理；
步骤3)轧制力自动判定；
步骤4)动态反馈处理；
步骤5)结束；
所述步骤1)数据采集，具体如下：对热连轧精轧n个机架的每个机架进行周期性的轧制力数据采样，1米一个采样点；
所述步骤2)数据处理，具体如下，
对n个机架采集到的数据做偏差处理会得到n组数组，每组数组包含一个机架的数据采样集，数据处理算法如下：
步骤21)计算n个机架的轧制力偏差值：
diff[i]＝|forceact[i]-forceset[i]|；
其中forceact[i]为实际轧制力数组，forceset[i]为设定轧制力数组，diff[i]为轧制力偏差值数组，i为临时变量，T为采样点总数量，0<i<T；
步骤22)取头部m个点存入数组data1[j]中，其中
Figure FDA0003742517920000011
采样点总数量，取尾部m个点存入数组data2[j]中，头尾偏差值：
diff2[j]＝data1[j]-data2[j]；
所述步骤3)轧制力自动判定，具体如下：
步骤31)：轧制力偏差判定，理想状态轧制带钢时，轧制力的设定值与实际值是相等的，在实际轧制过程中，判定***做如下实时判定：
计算轧制力偏差均值：
Figure FDA0003742517920000012
若0<diffave<150吨，说明轧制力偏差均值在正常范围内，判定为合格；
若diffave>150吨，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤32)局部轧制力偏差判定，取10个点为局部轧制力偏差判定，每组数据计算方法为
Figure FDA0003742517920000021
若0<diffgroup[g]<150吨，说明轧制力偏差均值在正常范围内，判定为合格；
若diffgroup[g]>150吨，说明轧制力偏差均值超出正常范围，判定为不合格，封锁原因是出钢记号和钢种规格不匹配；
步骤33)首段与尾段轧制力偏差判定，取首段与尾段各20个点为首尾轧制力偏差判定，共有2组数据，首段轧制力偏差均值
Figure FDA0003742517920000022
尾段轧制力偏差均值
Figure FDA0003742517920000023
若0<|diffhead-difftail|<100吨，说明轧制力首尾偏差在正常范围内，判定为合格；
若|diffhead-difftail|>100吨，说明轧制力首尾偏差超出正常范围，判定为不合格，封锁原因为钢坯是混钢成分；
步骤34)轧制力总判定，当上述步骤中出现一个不合格则总判定为不合格，当所有判定为合格时判定为合格。
2.根据权利要求1所述的基于大数据分析的轧制力自动判定方法，其特征在于，所述步骤4)动态反馈处理，具体如下，当判定结果为不合格时，说明该带钢的轧制力自学习模型不应该主动学习并变更学习参数，同时将判定结果反馈给轧线的轧制力自学习模型。
CN201910816661.4A 2019-08-30 2019-08-30 一种基于大数据分析的轧制力自动判定方法 Active CN112439796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910816661.4A CN112439796B (zh) 2019-08-30 2019-08-30 一种基于大数据分析的轧制力自动判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910816661.4A CN112439796B (zh) 2019-08-30 2019-08-30 一种基于大数据分析的轧制力自动判定方法

Publications (2)

Publication Number Publication Date
CN112439796A CN112439796A (zh) 2021-03-05
CN112439796B true CN112439796B (zh) 2022-09-06

Family

ID=74735266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910816661.4A Active CN112439796B (zh) 2019-08-30 2019-08-30 一种基于大数据分析的轧制力自动判定方法

Country Status (1)

Country Link
CN (1) CN112439796B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102294364A (zh) * 2010-06-22 2011-12-28 宝山钢铁股份有限公司 极薄板平整机的轧制力预设定方法
CN103100564A (zh) * 2011-11-10 2013-05-15 上海优控科技有限公司 一种新型的轧制过程自适应控制方法
CN104070070B (zh) * 2013-03-27 2017-02-08 宝山钢铁股份有限公司 通过张力补偿提升精轧带钢轧制力和厚度精度的控制方法
CN104324951B (zh) * 2013-07-22 2016-08-24 宝山钢铁股份有限公司 单机架启动轧制力设定和控制方法
CN104338757B (zh) * 2013-07-31 2017-07-28 宝山钢铁股份有限公司 一种控制轧机启动轧制阶段轧制力的方法
CN104898430B (zh) * 2015-06-03 2017-07-18 北京首钢自动化信息技术有限公司 基于数据挖掘的单机架冷轧轧制力模型参数优化方法
CN108326049B (zh) * 2017-12-22 2019-06-07 中冶南方工程技术有限公司 一种冷连轧轧制力的自学习方法
CN108311544B (zh) * 2018-03-07 2019-09-03 首钢集团有限公司 一种轧制力参数自学习方法及装置

Also Published As

Publication number Publication date
CN112439796A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN108787749B (zh) 一种热轧生产计划预警方法
CN107931329B (zh) 一种改善csp双流换规格轧制力模型精度的控制方法
CN102553940B (zh) 一种应用炉前测宽仪进行板坯宽度控制的方法
CN107179749A (zh) 热镀锌产品全流程质量控制方法
CN111666653B (zh) 一种带钢精轧模型设定精度的在线评判方法
CN102591286A (zh) 在线轧制计划动态预分析自调整***及其方法
CN110434172B (zh) 一种炉卷和精轧机组连轧的负荷分配计算方法
CN107442574A (zh) 一种五机架冷连轧机组自动化***甩架轧制的控制方法
CN109201745A (zh) 一种冷轧板的同板差控制方法
WO2012034884A1 (de) Echtzeit-ermittlungsverfahren für temperatur und geometrie eines metall-warmbandes in einer fertigstrasse
CN114888092B (zh) 一种基于跨工序数据平台的冷轧变形抗力预测方法
CN111229829B (zh) 一种棒材全倍尺处理设备及工艺
CN112439796B (zh) 一种基于大数据分析的轧制力自动判定方法
EP2603332A1 (de) Ermittlungsverfahren für steuergrössen einer walzstrasse mit mehreren walzgerüsten zum walzen eines metallbandes
CN104772340A (zh) 热轧来料凸度及楔形异常波动预警控制方法
CN107695107B (zh) 一种双机架粗轧机设定数据的跟踪管理方法
CN109550794B (zh) 一种用于热轧精轧出口温度的前馈控制方法
CN110014043A (zh) 一种用于带钢表面分级动态可调整除鳞压力控制方法
CN111080835B (zh) 基于灰色综合关联度的热轧带钢楔形缺陷诊断方法及***
DE69811615T2 (de) Verfahren zur Steuerung des Ziehens von Walzgut
CN109593951B (zh) 基于炉温的热镀产品脱锌缺陷动态控制方法
CN114734014B (zh) 一种微合金钢板坯角部裂纹控制的冷却方法及***
CN111482466B (zh) 一种轧机加速度的设定方法
CN114029346A (zh) 一种适用于自由规程轧制的精轧机组辊缝调平修正方法
CN110842024B (zh) 一种剪切带钢的方法及装置

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
GR01 Patent grant
GR01 Patent grant