CN116140374A - 一种板带轧制过程质量综合预测与工艺调控方法 - Google Patents
一种板带轧制过程质量综合预测与工艺调控方法 Download PDFInfo
- Publication number
- CN116140374A CN116140374A CN202310395050.3A CN202310395050A CN116140374A CN 116140374 A CN116140374 A CN 116140374A CN 202310395050 A CN202310395050 A CN 202310395050A CN 116140374 A CN116140374 A CN 116140374A
- Authority
- CN
- China
- Prior art keywords
- strip steel
- strip
- model
- temperature
- rolling
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
-
- 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
- B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
- B21B37/44—Control of flatness or profile during rolling of strip, sheets or plates using heating, lubricating or water-spray cooling of the product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明公开一种板带轧制过程质量综合预测与工艺调控方法,包括以下步骤:采集轧制过程数据并进行存储,获得数据库;基于带钢变形机制,构建轧制机理模型;建立机理融合数据的自学习模型,进行板形检测与计算,获得板形测量结果;设计基于GA‑BP的板形补偿控制器,基于板形测量结果,通过板形补偿控制器进行板形补偿控制。本发明通过建立描述带钢在轧制与冷却过程中板形参量演变行为的数学模型,在精轧过程获得一定的板形量,以补偿冷却过后的板形缺陷,达到正确制定带钢的轧制与冷却工艺、获得预期板形和性能的目的。
Description
技术领域
本发明属于轧制控制技术领域,特别是涉及一种板带轧制过程质量综合预测与工艺调控方法。
背景技术
热轧带钢在精轧之后会经过轧后的快速冷却阶段,控制带钢的组织成分和性能。控制轧制之后的冷却控制,可以对冷却过程的相变进行控制,实现相变强化、细晶强化以及沉淀强化等多种强化方式的有效结合,在降低合金元素含量或碳含量而不影响带钢韧性的条件下,进一步提高钢材的强度,控轧控冷的方法已成为生产高性能钢不可缺少的技术。
热轧带钢的精轧过程涉及的金属横向流动行为以及冷却过程涉及的带钢温度变化和相变行为,都会造成带钢内部产生残余应力,影响带钢的板形质量;热轧层流冷却的目的是通过控制冷却速度、终冷温度以及冷却路径,以调整和控制带钢的温度场、显微组织场和应力场,使得带钢获得所需要的组织、性能和较小的残余应力。因此,集中研究在板形控制方面的轧制机理和性能控制方面的相变理论,达到提高带钢产品质量的目的。
发明内容
本发明的目的是提供一种板带轧制过程质量综合预测与工艺调控方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种板带轧制过程质量综合预测与工艺调控方法,包括以下步骤:
采集轧制过程数据并进行存储,获得数据库;
基于带钢变形机制,构建轧制机理模型;
建立机理融合数据的自学习模型,进行板形检测与计算,获得板形测量结果;
设计基于GA-BP的板形补偿控制器,基于所述板形测量结果,通过所述板形补偿控制器进行板形补偿控制。
所述轧制过程数据包括钢种成分、轧制力、弯辊力、辊缝值、窜辊量、轧制速度、带钢初轧温度、终轧温度,带钢初轧厚度、终轧厚度,带钢宽度,带钢凸度,带钢平直度,冷却水温,精轧后残余应力,卷取温度,卷取张力。
优选地,所述基于带钢变形机制,构建轧制机理模型过程包括:根据精轧区轧制工艺对板带质量的影响,构建精轧区机理模型;
所述根据精轧区轧制工艺对板带质量的影响,构建精轧区机理模型过程包括:
研究带钢的金属横向流动;获取改变带钢截面形状而不导致带钢翘曲的力学条件;
优选地,所述基于带钢变形机制,构建轧制机理模型过程还包括:基于冷却区冷却工艺对板形的影响,构建冷却区机理模型;
所述基于冷却区冷却工艺对板形的影响,构建冷却区机理模型的过程包括,
建立内应力模型,以轧后的残余应力为初始条件,确定冷却后卷取前的带钢残余应力;
建立相变模型,预测在冷却后的组织成分,为所述内应力模型的计算提供相变数据;
建立带钢温度场模型,为所述相变模型和内应力模型的计算提供温度数据。
优选地,所述建立内应力模型,以轧后的残余应力为初始条件,确定冷却后卷取前的带钢残余应力的过程包括:
屈服应力的取值不仅与材料的组织成分有关,还与温度有关:
当相变诱发应变时,释放带钢内部的部分残余应力,减少应变:
优选地,所述建立相变模型,预测在冷却后的组织成分,为内应力模型的计算提供相变数据过程包括:
基于温度改变时金属发生的固态相变,获得带钢内部改变的组织成分数据:
其中,和/>分别为某相转变的体积分数和最大体积分数转变值,/>为奥氏体晶体直径,/>为时间,/>为相变孕育时间,/>为残余应变,/>分别表示奥氏体向铁素体、珠光体、贝氏体转变,/>为奥氏体转变为铁素体、珠光体、贝氏体时的转换系数,T为带钢温度,铁素体和珠光体转变的n值为1,贝氏体转变的n值为1.4,铁素体转变时参数/>为4,珠光体和贝氏体转变时参数/>为100,k为相变对残余应变的影响系数,[%C]和[%Mn]为奥氏体中的碳元素和锰元素的质量分数。
优选地,所述建立带钢温度场模型,为相变模型和内应力模型的计算提供温度数据过程包括:
建立空冷区温降模型和水冷区温降模型;基于所述空冷区温降模型和水冷区温降模型建立卷取温度模型;
当带钢头部到达卷取温度检测点时,根据实测卷取温度与目标卷取温度产生的偏差,对集管进行修正,建立修正模型;
基于所述卷取温度模型、反馈补偿模型、修正模型建立带钢温度场模型,获得总的冷却喷水段数目;
其中,所述空冷区温降模型:
所述水冷区温降模型:
其中,为水冷区带钢温降,/>为带钢进入水冷区时的温度,/>为冷却水的温度,/>为对流换热系数,/>为水冷段长度,/>为换热回归系数,/>为冷却水量,/>为i时刻带钢表面温度,/>为带钢宽度,/>为带钢长度;
所述卷取温度模型为:
其中,为预设定冷却水段数目,/>为带钢速度影响系数,/>为轧制基准速度,为卷取温度影响系数,/>为水温补偿系数,/>为精轧出口标准温度,/>为卷取目标温度,/>卷取标准温度,/>为冷却水量带走的热量;
所述反馈补偿模型为:
所述修正模型为:
所述总的冷却喷水段数目为:
优选地,所述建立机理融合数据的自学习模型的过程包括:
基于指数平滑法,建立用于某块带钢段出冷却区时刻的带钢段之间的短期自学习模型;
基于指数平滑法,考虑当前带钢的参数控制对下一块带钢的影响,建立用于全部带钢完全出了冷却区时刻的带钢之间的长期自学习模型;
根据所述带钢段之间的短期自学习模型与带钢之间的长期自学习模型建立机理融合数据的自学习模型;
所述带钢段之间的短期自学习模型:
所述带钢之间的长期自学习模型:
优选地,所述设计基于GA-BP的板形补偿控制器的过程包括,
设定输入层为对板带质量有主要影响的轧制过程参数和轧制机理模型的计算结果,输出层单元为带钢厚度、凸度、平直度;隐层为只对单隐层的节点数进行寻优的单隐层,建立GA-BP模型:
将输入层的数据与输出层的数据作为遗传神经网络的输入和期望输出,将所述GA-BP模型的预测结果定义为实际输出,计算实际输出与期望输出的误差,并取其均方差作为目标函数;将所述目标函数转化为极大值处理,获得适应度函数;基于所述适应度函数和GA-BP模型建立GA-BP板形补偿控制器。
优选地,基于所述板形测量结果,通过所述板形补偿控制器进行板形补偿控制的过程包括,
当带钢头部通过冷却区域到达卷取机前时,将带钢的板形测量结果反馈给GA-BP板形补偿控制器,并结合传入的带钢数据,得到在精轧阶段需要获得的板形值,并将控制指令传送到执行机构上,控制所述执行机构的执行参数,实现精轧阶段的轧制中浪板形,补偿冷却后边浪板形。
本发明的技术效果为:
本发明将轧制控制技术和冷却控制技术结合起来,以精轧过程板形量补偿冷却过后的板形缺陷,结合多尺度耦合板形控制策略,通过控制轧制温度、变形制度等工艺参数以及轧后的冷却条件,达到提高带钢的强韧性和物理性能、获得合理的综合性能、保持良好的板形的目的。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的总体实验流程示意图;
图2为本发明实施例中的GA-BP工作流程图;
图3为本发明实施例中的自学习模型原理图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种板带轧制过程质量综合预测与工艺调控方法,包括以下步骤:
步骤1、采集并存储轧制过程数据,建立数据库,包括钢种成分、轧制力、弯辊力、辊缝值、窜辊量、轧制速度、带钢初轧温度、终轧温度,带钢初轧厚度、终轧厚度,带钢宽度,带钢凸度,带钢平直度,冷却水温,精轧后残余应力,卷取温度,卷取张力。
步骤2、研究带钢变形机制,构建轧制机理模型过程包括以下步骤:
步骤2.1、研究精轧区轧制工艺对板带质量的影响,构建精轧区机理模型:
带钢一般会发生优先降低内部最大残余应力的金属横向流动,改变带钢的截面形状:
板形控制机理指改变带钢截面形状而不导致带钢翘曲的力学条件:
步骤2.2、研究冷却区冷却工艺对板形的影响,构建冷却区机理模型过程包括:
步骤2.2.1、建立带钢温度场模型,为相变模型和内应力模型的计算提供温度数据:
在精轧出口处和卷取机前,设立测温点;在建立带钢温度场模型时,选用这两处的测温点矫正带钢冷却时的温度场;
在层流冷却过程中存在着复杂的热交换、相变和热应力变化过程,而且它们之间存在耦合关系。要定量认识带钢经过层流冷却***后,板形的变化情况,就必须对这个过程中带钢与冷却介质和周围环境的热交换及其带钢内部的热传导、带钢的相变和带钢内部应力分布有一个清楚的认识。
空冷区温降模型:
水冷区温降模型:
其中,为水冷区带钢温降,/>为带钢进入水冷区时的温度,/>为冷却水的温度,/>为对流换热系数,/>为水冷段长度,/>为换热回归系数,/>为冷却水量,/>为i时刻带钢表面温度,/>为带钢宽度,/>为带钢长度;
卷取温度对带钢的组织性能的影响可以理解为对转变温度的影响,对钢的组织性能影响十分显著;当卷取温度过高时,会使再结晶晶粒变大,屈服极限、抗拉强度降低;当卷取温度过低时,带钢的屈服强度提高,对材料成形性能不利。
带钢卷取温度的控制实质是控制冷却水段的数目,取决于带钢终轧温度,带钢厚度,带钢速度以及目标卷取温度,以如下线性方程表示冷却水段数目与相关工艺参数之间的关系:
构建的卷取温度模型为:
其中,为预设定冷却水段数目,/>为带钢速度影响系数,/>为轧制基准速度,为卷取温度影响系数,/>为水温补偿系数,/>为精轧出口标准温度,/>为卷取目标温度,/>卷取标准温度,/>为冷却水量带走的热量;
当带钢头部到达卷取温度检测点时,假设实测卷取温度与目标卷取温度产生偏差,此时需要对集管进行修正:
根据以上模型,总的冷却喷水段数目为:
步骤2.2.2、建立相变模型,预测在冷却后的组织成分,为内应力模型的计算提供相变数据:
金属在温度改变时,会发生从一种相状态到另一种相状态的转变,称为固态相变。固态相变发生后,不仅改变了带钢内部的组织成分,还会改变内部应力,影响带钢的板形。
其中,和/>分别为某相转变的体积分数和最大体积分数转变值,/>为奥氏体晶体直径,/>为时间,/>为相变孕育时间,/>为残余应变,/>分别表示奥氏体向铁素体、珠光体、贝氏体转变,/>为奥氏体转变为铁素体、珠光体、贝氏体时的转换系数,T为带钢温度,铁素体和珠光体转变的n值为1,贝氏体转变的n值为1.4,铁素体转变时参数/>为4,珠光体和贝氏体转变时参数/>为100,k为相变对残余应变的影响系数,[%C]和[%Mn]为奥氏体中的碳元素和锰元素的质量分数。
步骤2.2.3、建立内应力模型,以轧后的残余应力为初始条件,确定卷取前的带钢残余应力:
屈服应力的取值不仅与材料的组织成分有关,还与温度有关:
当相变诱发应变时,会释放带钢内部的部分残余应力,体现在对应变的减少上:
步骤3、设计基于GA-BP的板形补偿控制器,如图2所示,包括以下步骤:
步骤3.1、从数据库中采集轧制数据以及冷却集管开启组合状态;
步骤3.2、建立GA-BP模型:
设定的输入层为对对板带质量有主要影响的轧制过程参数和轧制机理模型的计算结果:钢种成分、轧制力、弯辊力、辊缝值、窜辊量、轧制速度、终轧厚度、带钢宽度、带钢长度、金属横向流动值、翘曲极限值、温度值、相变值、应力值、粗调开阀数、精调开阀数、冷却温降值、冷却时间和冷却集管的开启组合状态;设定的输出层单元为带钢厚度、凸度、平直度;隐层为单隐层,只对单隐层的节点数进行寻优:
以采集的输入层和输出层的数据作为遗传神经网络的输入和期望输出,将模型的预测结果定义为实际输出,计算实际输出与期望输出的误差,并取其均方差作为目标函数:
将目标函数转化为极大值处理,得到适应度函数:
步骤3.3:建立GA-BP板形补偿控制器:
当带钢头部通过冷却区域到达卷取机前时,将带钢的板形测量结果反馈给GA-BP板形补偿控制器,并结合传入的带钢数据,得到在精轧阶段需要获得的板形值,并将控制指令传送到液压缸、电机等执行机构上,控制轧制力的大小,带钢的速度,弯辊力的大小,辊缝值的大小等,达到在精轧阶段轧制一定中浪的板形,补偿冷却后边浪板形的目的。
步骤4、构建机理融合数据的自学习模型,建立多尺度耦合板形控制策略,如图3所示,包括以下步骤:
步骤4.1、构建机理融合数据的自学习模型包括:
轧制过程是一个复杂的过程,数学模型只是在一定的假设条件下对轧制过程的近似描述,必然存在着误差。此外,轧制过程中生产工况比如冷却水流状态、水温、和带钢移动速度等参数的不断变化以及测量设备的误差等,都会对板形控制精度造成影响。采用自学习可以减小实测值与预报值之间偏差,并根据偏差对模型中的重要参数进行修正,以提高模型对以后带钢的控制精度;包括带钢段之间的短期自学习模型与带钢之间的长期自学习模型:
带钢段之间的短期自学***滑法:
带钢之间的长期自学***滑法:
步骤4.2、建立多尺度耦合板形控制策略包括:
根据钢种的轧制工艺要求,以精轧区带钢的工艺值为初始条件,结合冷却区所建的温度模型和相变模型耦合计算得到的结果传递到内应力模型中,可以得到卷取前的残余应力值,结合翘曲极限计算结果,提前确定轧制工艺,包括轧制力的大小,弯辊力的大小,辊缝值的大小等以及冷却过程阀门的开启状态;并在带钢通过冷却区时,将带钢的板形情况反馈给板形补偿控制器,调节相应的执行机构,使精轧过程获得一定的板形量以补偿冷却过后的板形缺陷,达到获取良好板形的目的。
自学***直度仪器和第一应力测定仪,在冷却区输出口与卷取机组之间放置第二多通道C射线凸度仪器、第二激光平直度仪器和第二应力测定仪,记录板形的测量值,并对带钢板形进行实时检测;根据板形的测量值可以看出经过冷却的带钢边浪效果会加重,所以需要在精轧阶段轧制有一定中浪的板形,当带钢头部到达卷取机前时,将结果反馈给板形补偿控制器,计算在精轧阶段需要的板形值,并将控制指令传送到液压缸、电机等执行机构上,控制轧制力的大小,带钢的速度,弯辊力的大小,辊缝值的大小等,达到在精轧阶段轧制一定中浪板形的目的,以保证冷却后的板形;
通过以上控制方法,设定调节轧制力的大小,带钢的速度,弯辊力的大小,辊缝值的大小等轧制工艺以及设定粗调和精调所需冷却水段数,即冷却集管的数目,以达到保证带钢的板形与组织性能的目的。
本发明将轧制控制技术和冷却控制技术结合起来,以精轧过程板形量补偿冷却过后的板形缺陷,结合多尺度耦合板形控制策略,通过控制轧制温度、变形制度等工艺参数以及轧后的冷却条件,达到提高带钢的强韧性和物理性能、获得合理的综合性能、保持良好的板形的目的。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种板带轧制过程质量综合预测与工艺调控方法,其特征在于,包括以下步骤:
采集轧制过程数据并进行存储,获得数据库;
基于带钢变形机制,构建轧制机理模型;
建立机理融合数据的自学习模型,进行板形检测与计算,获得板形测量结果;
设计基于GA-BP的板形补偿控制器,基于所述板形测量结果,通过所述板形补偿控制器进行板形补偿控制。
2.根据权利要求1所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述轧制过程数据包括钢种成分、轧制力、弯辊力、辊缝值、窜辊量、轧制速度、带钢初轧温度、终轧温度,带钢初轧厚度、终轧厚度,带钢宽度,带钢凸度,带钢平直度,冷却水温,精轧后残余应力,卷取温度,卷取张力。
4.根据权利要求1所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述基于带钢变形机制,构建轧制机理模型过程还包括:基于冷却区冷却工艺对板形的影响,构建冷却区机理模型;
所述基于冷却区冷却工艺对板形的影响,构建冷却区机理模型的过程包括,
建立内应力模型,以轧后的残余应力为初始条件,确定冷却后卷取前的带钢残余应力;
建立相变模型,预测在冷却后的组织成分,为所述内应力模型的计算提供相变数据;
建立带钢温度场模型,为所述相变模型和内应力模型的计算提供温度数据。
5.根据权利要求4所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述建立内应力模型,以轧后的残余应力为初始条件,确定冷却后卷取前的带钢残余应力的过程包括:
屈服应力的取值不仅与材料的组织成分有关,还与温度有关:
当相变诱发应变时,释放带钢内部的部分残余应力,减少应变:
6.根据权利要求4所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述建立相变模型,预测在冷却后的组织成分,为内应力模型的计算提供相变数据过程包括:
基于温度改变时金属发生的固态相变,获得带钢内部改变的组织成分数据:
7.根据权利要求4所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述建立带钢温度场模型,为相变模型和内应力模型的计算提供温度数据过程包括:
建立空冷区温降模型和水冷区温降模型;基于所述空冷区温降模型和水冷区温降模型建立卷取温度模型;
当带钢头部到达卷取温度检测点时,根据实测卷取温度与目标卷取温度产生的偏差,对集管进行修正,建立修正模型;
基于所述卷取温度模型、反馈补偿模型、修正模型建立带钢温度场模型,获得总的冷却喷水段数目;
其中,所述空冷区温降模型:
所述水冷区温降模型:
其中,/>为水冷区带钢温降,/>为带钢进入水冷区时的温度,/>为冷却水的温度,/>为对流换热系数,/>为水冷段长度,/>为换热回归系数,/>为冷却水量,/>为i时刻带钢表面温度,/>为带钢宽度,/>为带钢长度;
所述卷取温度模型为:
其中,/>为预设定冷却水段数目,/>为带钢速度影响系数,/>为轧制基准速度,/>为卷取温度影响系数,/>为水温补偿系数,/>为精轧出口标准温度,/>为卷取目标温度,/>卷取标准温度,/>为冷却水量带走的热量;
所述反馈补偿模型为:
所述修正模型为:
所述总的冷却喷水段数目为:
8.根据权利要求1所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述建立机理融合数据的自学习模型的过程包括:
基于指数平滑法,建立用于某块带钢段出冷却区时刻的带钢段之间的短期自学习模型;
基于指数平滑法,考虑当前带钢的参数控制对下一块带钢的影响,建立用于全部带钢完全出了冷却区时刻的带钢之间的长期自学习模型;
根据所述带钢段之间的短期自学习模型与带钢之间的长期自学习模型建立机理融合数据的自学习模型;
所述带钢段之间的短期自学习模型:
所述带钢之间的长期自学习模型:
9.根据权利要求1所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,所述设计基于GA-BP的板形补偿控制器的过程包括,
设定输入层为对板带质量有主要影响的轧制过程参数和轧制机理模型的计算结果,输出层单元为带钢厚度、凸度、平直度;隐层为只对单隐层的节点数进行寻优的单隐层,建立GA-BP模型:
将输入层的数据与输出层的数据作为遗传神经网络的输入和期望输出,将所述GA-BP模型的预测结果定义为实际输出,计算实际输出与期望输出的误差,并取其均方差作为目标函数;将所述目标函数转化为极大值处理,获得适应度函数;基于所述适应度函数和GA-BP模型建立GA-BP板形补偿控制器。
10.根据权利要求1所述的板带轧制过程质量综合预测与工艺调控方法,其特征在于,基于所述板形测量结果,通过所述板形补偿控制器进行板形补偿控制的过程包括,
当带钢头部通过冷却区域到达卷取机前时,将带钢的板形测量结果反馈给GA-BP板形补偿控制器,并结合传入的带钢数据,得到在精轧阶段需要获得的板形值,并将控制指令传送到执行机构上,控制所述执行机构的执行参数,实现精轧阶段的轧制中浪板形,补偿冷却后边浪板形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395050.3A CN116140374B (zh) | 2023-04-14 | 2023-04-14 | 一种板带轧制过程质量综合预测与工艺调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395050.3A CN116140374B (zh) | 2023-04-14 | 2023-04-14 | 一种板带轧制过程质量综合预测与工艺调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116140374A true CN116140374A (zh) | 2023-05-23 |
CN116140374B CN116140374B (zh) | 2023-07-14 |
Family
ID=86341049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395050.3A Active CN116140374B (zh) | 2023-04-14 | 2023-04-14 | 一种板带轧制过程质量综合预测与工艺调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116140374B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117139382A (zh) * | 2023-10-26 | 2023-12-01 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种热轧板带钢轧制的凸度自学习方法和*** |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62158816A (ja) * | 1985-12-28 | 1987-07-14 | Nippon Steel Corp | 熱間圧延鋼材の製造方法 |
JPH02179829A (ja) * | 1988-12-28 | 1990-07-12 | Nippon Steel Corp | 熱間圧延鋼板の冷却制御装置 |
KR20020052723A (ko) * | 2000-12-26 | 2002-07-04 | 이구택 | 상변태를 고려한 학습을 통한 열연판의 권취온도 제어방법 |
JP2007061873A (ja) * | 2005-08-31 | 2007-03-15 | Sumitomo Metal Ind Ltd | 鋼板の製造方法 |
CN101391268A (zh) * | 2008-11-07 | 2009-03-25 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
JP2009208115A (ja) * | 2008-03-04 | 2009-09-17 | Kobe Steel Ltd | 圧延制御パラメータの算出方法及び算出装置、圧延シミュレーション装置 |
CN102500626A (zh) * | 2011-11-22 | 2012-06-20 | 东北大学 | 一种基于测温仪的板带热连轧卷取温度控制方法 |
CN104511483A (zh) * | 2013-09-26 | 2015-04-15 | 宝山钢铁股份有限公司 | 一种热轧带钢板形补偿轧制方法 |
JP2015147249A (ja) * | 2014-01-09 | 2015-08-20 | Jfeスチール株式会社 | 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法 |
JPWO2015122010A1 (ja) * | 2014-02-17 | 2017-03-30 | 東芝三菱電機産業システム株式会社 | 圧延プロセスの学習制御装置 |
CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
CN110404978A (zh) * | 2019-07-29 | 2019-11-05 | 武汉钢铁有限公司 | 一种高精度控制热轧带钢微中浪轧制的方法 |
CN114888094A (zh) * | 2022-04-21 | 2022-08-12 | 东北大学 | 基于冷却过程残余应力预测的轧制板形补偿方法 |
CN115525033A (zh) * | 2022-09-21 | 2022-12-27 | 太原科技大学 | 一种基于ds证据理论的带钢板形调控方法 |
CN115647038A (zh) * | 2022-10-20 | 2023-01-31 | 广西广盛新材料科技有限公司 | 带钢生产时翘头控制方法、装置、设备及介质 |
CN115815342A (zh) * | 2022-11-16 | 2023-03-21 | 北京科技大学 | 一种基于机理和数据融合模型的冷轧轧制力预测方法 |
-
2023
- 2023-04-14 CN CN202310395050.3A patent/CN116140374B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62158816A (ja) * | 1985-12-28 | 1987-07-14 | Nippon Steel Corp | 熱間圧延鋼材の製造方法 |
JPH02179829A (ja) * | 1988-12-28 | 1990-07-12 | Nippon Steel Corp | 熱間圧延鋼板の冷却制御装置 |
KR20020052723A (ko) * | 2000-12-26 | 2002-07-04 | 이구택 | 상변태를 고려한 학습을 통한 열연판의 권취온도 제어방법 |
JP2007061873A (ja) * | 2005-08-31 | 2007-03-15 | Sumitomo Metal Ind Ltd | 鋼板の製造方法 |
JP2009208115A (ja) * | 2008-03-04 | 2009-09-17 | Kobe Steel Ltd | 圧延制御パラメータの算出方法及び算出装置、圧延シミュレーション装置 |
CN101391268A (zh) * | 2008-11-07 | 2009-03-25 | 东北大学 | 一种钢板控轧控冷过程温度制度的逆向优化方法 |
CN102500626A (zh) * | 2011-11-22 | 2012-06-20 | 东北大学 | 一种基于测温仪的板带热连轧卷取温度控制方法 |
CN104511483A (zh) * | 2013-09-26 | 2015-04-15 | 宝山钢铁股份有限公司 | 一种热轧带钢板形补偿轧制方法 |
JP2015147249A (ja) * | 2014-01-09 | 2015-08-20 | Jfeスチール株式会社 | 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法 |
JPWO2015122010A1 (ja) * | 2014-02-17 | 2017-03-30 | 東芝三菱電機産業システム株式会社 | 圧延プロセスの学習制御装置 |
CN108637020A (zh) * | 2018-05-09 | 2018-10-12 | 北京科技大学 | 一种自适应变异pso-bp神经网络带钢凸度预测方法 |
CN110404978A (zh) * | 2019-07-29 | 2019-11-05 | 武汉钢铁有限公司 | 一种高精度控制热轧带钢微中浪轧制的方法 |
CN114888094A (zh) * | 2022-04-21 | 2022-08-12 | 东北大学 | 基于冷却过程残余应力预测的轧制板形补偿方法 |
CN115525033A (zh) * | 2022-09-21 | 2022-12-27 | 太原科技大学 | 一种基于ds证据理论的带钢板形调控方法 |
CN115647038A (zh) * | 2022-10-20 | 2023-01-31 | 广西广盛新材料科技有限公司 | 带钢生产时翘头控制方法、装置、设备及介质 |
CN115815342A (zh) * | 2022-11-16 | 2023-03-21 | 北京科技大学 | 一种基于机理和数据融合模型的冷轧轧制力预测方法 |
Non-Patent Citations (7)
Title |
---|
YU-WANG CHEN等: "Development of hybrid evolutionary algorithms for production scheduling of hot strip mill", COMPUTERS & OPERATIONS RESEARCH, vol. 39 * |
刘宏民;贾春玉;单修迎;: "智能方法在板形控制中的应用", 燕山大学学报, vol. 2, no. 01, pages 163 * |
徐林等: "基于多值编码GA-BP混合算法的板形板厚综合预测控制", 东南大学学报(自然科学版), vol. 35, pages 132 - 136 * |
牛晶: "自学习带钢卷曲温度的精准监控的研究", 中小企业管理与科技, no. 11, pages 319 * |
王洪彬;孙正旭;孙丽荣;苏艳萍;: "层流冷却过程中带钢温度场的数值模拟", 冶金设备, no. 06 * |
罗永军,王长松,刘江,张杰,孙克,李江洁: "热连轧精轧机组的板形最优控制", 冶金设备, no. 02 * |
裴红平;王京;: "提高带钢热连轧卷取温度控制质量的措施", 冶金自动化, no. 04, pages 34 - 36 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117139382A (zh) * | 2023-10-26 | 2023-12-01 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种热轧板带钢轧制的凸度自学习方法和*** |
CN117139382B (zh) * | 2023-10-26 | 2024-01-19 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种热轧板带钢轧制的凸度自学习方法和*** |
CN117655118A (zh) * | 2024-01-29 | 2024-03-08 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
CN117655118B (zh) * | 2024-01-29 | 2024-04-19 | 太原科技大学 | 多模融合的带钢板形控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116140374B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116140374B (zh) | 一种板带轧制过程质量综合预测与工艺调控方法 | |
CN110404978B (zh) | 一种高精度控制热轧带钢微中浪轧制的方法 | |
CN102632082B (zh) | 基于性能预报模型的热轧带钢力学性能的动态控制方法 | |
US20170002440A1 (en) | Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model | |
CN105817489B (zh) | 一种热轧带钢层流冷却工艺 | |
KR100944314B1 (ko) | 권취 온도 제어 장치 및 제어 방법 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
US20060117549A1 (en) | Method for process control or process regulation of a unit for moulding, cooling and/or thermal treatment of metal | |
JP5428292B2 (ja) | 高強度冷延鋼板の製造方法 | |
CN1094077C (zh) | 在轧制和冷却过程中控制轧件冷却的由模型支持的方法 | |
JP6068146B2 (ja) | 設定値計算装置、設定値計算方法、及び設定値計算プログラム | |
WO2022054500A1 (ja) | 材料特性値予測システム及び金属板の製造方法 | |
JP5350579B2 (ja) | 連続式溶融めっき用熱延鋼板の材質安定化方法 | |
Du et al. | Construction of a machine-learning-based prediction model for mechanical properties of ultra-fine-grained Fe–C alloy | |
CN114888094B (zh) | 基于冷却过程残余应力预测的轧制板形补偿方法 | |
JP5803810B2 (ja) | プロセス制御システム、プロセス制御方法、及びコンピュータプログラム | |
JP2022024340A (ja) | 鋼帯の材質予測方法、材質制御方法、製造方法および材質予測モデルの生成方法 | |
CN104841701B (zh) | 热轧带钢大降速轧制时的薄板卷取温度控制方法 | |
JP4598586B2 (ja) | 冷却制御方法、装置、及びコンピュータプログラム | |
RU2729801C1 (ru) | Способ производства проката из стали | |
JP2005297015A (ja) | 巻取温度制御装置 | |
US11230749B2 (en) | Method for operating an annealing furnace | |
JP4598580B2 (ja) | 冷却制御方法、装置、及びコンピュータプログラム | |
JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
JPH044911A (ja) | 鋼板材質予測方法 |
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 |