中厚板厚度控制模型的自学习_王昭东
中厚板轧制过程中轧制力参数的动态修正
中厚板轧制过程中轧制力参数的动态修正
梁江民
【期刊名称】《现代冶金》
【年(卷),期】2005(033)005
【摘要】分析了一种中厚板的轧制力在线动态修正算法,该算法以实测轧制力为基础,通过道次实测轧制力和模型计算轧制力的值决定轧制力模型参数修正量的大小,真正做到以实测轧制力数据动态校正中厚板轧制力模型,大大提高了轧制力模型的预报精度并使其具有良好的自学习功能.该算法已经在现场获得应用,并具有良好的应用效果.
【总页数】3页(P5-7)
【作者】梁江民
【作者单位】南京钢铁联合有限公司中厚板卷厂,南京,210035
【正文语种】中文
【中图分类】TG331
【相关文献】
1.中厚板轧制过程中轧制力变化有限元模拟 [J], 喻海良;矫志杰;刘相华;赵宪明
2.中厚板轧制过程中的轧制力和轧制力矩数学模型 [J], 徐申
3.中厚板轧制过程中力能参数的预报模型 [J], 董洪波;康永林;孙浩;王丰祥;王春梅
4.修正遗传神经网络预测中厚板轧机轧制力 [J], 付天亮;王昭东;王国栋;吴尚超
5.虚拟轧制力检测在中厚板轧机的应用 [J], 马金
因版权原因，仅展示原文概要，查看原文内容请购买。
3800mm中厚板轧机平面形状控制功能的应用
3800mm中厚板轧机平面形状控制功能的应用杨海根(江西冶金职业技术学院,江西新余 338001)摘要对平面形状控制理论模型进行了简化,并将厚度变化区间内厚度变化量与长度简化成线性关系;确定平面形状控制参数,并检查修正了极限值。
利用自主开发的2级计算机控制系统在新钢3800mm中厚板轧机上实现了平面形状控制功能,获得了较好的控制效果。
关键词平面形状控制自动厚度控制控制模型Application of Plan View Pattern Control Functionfor 3800mm Plate Mill(YANG Hai-geng)(Jiangxi Vocational and Technical College of Metallurgy, Jiangxi Xinyu 338001) Abstract The theory control model for the plan view pattern control function was simplified ; the relation between the thickness and the length of the taper was simplified and a linear relationship was obtained The control parameters can be got and the result s should be checked and be corrected if over limit . Plane view pattern control function has been achieved with independently developed Level 2 computer control system and good control result has been obtained.Key words Plane view pattern control; automatic gauge control;control model ;,1 前言在中厚板的成材率损失中,切头尾损失和切边损失约占总损耗的23%和26% ,因此改善钢板平面形状,减少切损,可以有效提高中厚板的成材率。
2中厚板层流冷却温度控制模型的自学习
第40卷 第6期 2005年6月钢铁Iron and SteelVol.40,No.6 J une 2005中厚板层流冷却温度控制模型的自学习龚彩军, 于 明, 蔡晓辉, 王国栋, 刘相华(轧制技术及连轧自动化国家重点实验室(东北大学),辽宁沈阳110004)摘 要:对中厚板层流冷却过程的对流换热系数采用自学习修正计算,提高温度控制模型的精度。
通过对层流冷却后钢板表面的实测温度和计算温度进行处理,得到该钢板对流换热系数的修正系数。
对最近冷却钢板的对流换热系数的修正系数进行加权平均处理,得到下一块钢板对流换热系数的学习值。
采用自学习算法后,模型的控制精度提高了12%。
关键词:中厚板;层流冷却;温度控制模型;自学习算法中图分类号:T G335.5 文献标识码:A 文章编号:04492749X (2005)0620048203Self 2study of T emperature ControlModel for Plate Laminar CoolingGON G Cai 2jun , YU Ming , CA I Xiao 2hui , WAN G Guo 2dong , L IU Xiang 2hua(The State Key Laboratory of Rolling and Automation ,Northeastern University ,Shenyang 110004,China )Abstract :Self 2study of heat transfer coefficient was adopted to improve the precision of temperature control model for plate laminar cooling process.By processing measured and calculated temperature ,the modification coefficient of the current plate ’s heat transfer coefficient and self 2study value of the next plate ’s heat transfer coefficient are ob 2tained by weighted average of the modification coefficient.The model control precision has been increased 12%,since the arithmetic of self 2study adopted.K ey w ords :plate ;laminar cooling ;temperature control model ;algorithm of self 2study作者简介:龚彩军(19782),男,博士生; E 2m ail :gcjlm @ ; 修订日期:2004208216 中厚板是我国国民经济发展中不可或缺的钢铁材料品种,特别是在造船、建筑、石油化工和机械制造等国家重要的基础工业应用上中厚板产品的需求量非常大。
3500mm中厚板轧机自动控制系统
本文的主要工作是对改造后新四辊轧机的液压厚度控制系统进行研究，这部分被认为是本工程技术含量最高的部分。文章首先阐述了目前国内外中厚板轧机的厚度控制应用情况以及对轧机消除厚差的机理进行了分析，并对压
力AGC的三种模型：BISRA.AGC、动态设定型AGC及绝对AGC进行了详细的分析并加以理论推导，并对其优缺点进行了评价，为AGC控制模型的选择及现场分析调试提供了理论基础。
2.期刊论文 刘文斌 液压自动辊缝控制技术在3340中厚板轧机中的应用 -液压与气动2001(8)
介绍了首钢中厚板轧机3340 mm四辊轧机液压AGC系统的工作原理、控制策略和使用情况及存在的问题.
3.学位论文 朱铁成 中厚板轧机液压AGC技术的应用研究 2006
本文以作者所在单位中厚板轧机工艺升级改造工程为背景，介绍了工程改造的目的和意义以及改造前后产品质量发生的变化。
（．１，｛额定轧制力７００００。Ｎ，最大轧制力
７４０００ｋＮ：
（２）同板差和异板差如下
（３）镰刀弯≤５ｍｍ／１０ｍ
（４）宽度偏差≤１５ｒｎｍ／１０ｍ： （５）板凸度≤０．１５ｍｍ： （６）终轧温度偏差≤２０℃； （７）系统频响≥１８Ｈｚ； （８）具有ＭＡＳ轧制功能； （９）轧区内实现全自动轧钢； （１０）控制冷却开始温度为９３０－－７５０℃ （１１）控制冷却终冷温度为６５０－－５００℃ （１２）同板温度差≤２０℃； （１３）异板温度差≤２５℃。 轧线设备布置如图１所示。
３５００ｍｍ中厚板轧机自动控制系统
６０１
啦罄盘靶
捌 摆 稍 ｇ 螂 永 囤
寒辞群目
妇魁麓逝
～——————————————————一——————————————————一————————————————————————————一 ６０２提高钢材的市场竞争力——。２０。２年全国轧钢生产技术套议暨中国金属学会第七届轧钢年会论文集
中厚板淬火热弹性马氏体相变潜热模型
中厚板淬火热弹性马氏体相变潜热模型付天亮;王昭东;李勇;王国栋【摘要】采用扩展体积法预测中低碳中厚板淬火过程马氏体转变量,进而基于修正热弹性变温马氏体相变动力学,引入阻滞函数描述相界面阻力的热滞,建立马氏体转变动力函数并描述其与“理想”自由能函数和阻滞函数的关系.在此基础上,引入阻滞焓来表征阻滞界面所具有的焓,通过计算可逆弹性能和不可逆功,利用吉布斯函数变化计算相变潜热,建立相变潜热模型.用该模型进行的计算机模拟结果和实验结果吻合良好,表明这种理论处理方法可用来模拟中低碳中厚板淬火过程马氏体相变.【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2013(034)012【总页数】5页(P1734-1738)【关键词】中低碳中厚板;辊式淬火机;热弹性马氏体;阻滞函数;相变潜热【作者】付天亮;王昭东;李勇;王国栋【作者单位】东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳 110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳 110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳 110819;东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳 110819【正文语种】中文【中图分类】TG151.2中低碳中厚钢板淬火过程存在着复杂的组织转变，不但使钢的热物性参数发生变化导致通常所说的组织应力，还会因相变潜热的产生影响钢板温降规律，而两者均对钢板淬后性能、均匀性和板形产生影响.在对中厚板淬火过程进行建模时，要考虑的核心问题之一是如何较准确预测马氏体转变量，进而结合相变动力学计算相变潜热.近年来，国外学者在钢热处理过程组织转变建模及模拟方面进行了大量工作[1-2].本文针对中低碳中厚钢板，采用扩展体积法预测中低碳钢淬火过程马氏体转变量；基于修正热弹性变温马氏体转变动力学方程，引入阻滞函数，建立描述马氏体转变的动力函数；根据体系自由能变化，结合三维非稳态导热方程及综合换热系数模型计算马氏体转变过程相变潜热.1 基于扩展体积法的马氏体转变量计算模型在相变过程中，如果无视生成相的碰撞，认为生成相可以自由生长时的假想体积被称作“扩展体积”.扩展体积法基于三个假设：① 马氏体相变前后原子近邻拓扑关系不变，新相与母相保持共格且存在明确的位相关系；② 马氏体转变量取决于基体温度，与保温时间无关；③ 淬火时，马氏体体积分数的增加靠不断产生新的马氏体片，而不是靠原有马氏体片的生长.由于中低碳中厚板马氏体转变属于位移型相变且具有变温转变特征，假设①和②成立.又由于从马氏体形核至长大停止时间极短(约为10-7～10-8 s)[3]，假设③成立.假定生成相的晶核是随机分布的，从马氏体转变温度Ms开始，直到温度T为止(Mf<T<Ms，Mf为马氏体转变结束温度)生成了z个相.无论这些生成相是同一时刻一起生成还是逐次生成，马氏体未转变区域的分数(1-X)都可以被认为是任意选定的一个位置，而这个位置不属于任何生成相的概率，所以可用式(1)表示：式中：X为马氏体转变量；V0为材料整体的体积；z个生成相拥有的扩展体积分别为v1，v2，…，vz.由于生成相与研究体积相比非常小，有ln(1+x)≈x(x≪1)，将式(1)变换可得(2)式中Vex为扩展体积总量.对于第i个生成相，其是否长大停止取决于其所属研究体积内的过冷度，于是有(3)式中：Ti为该生成相所属研究体积内钢板温度；为第i个生成相在温度Ti时的生成相半径；Ri为该生成相在相变结束时的相半径.结合式(2)和式(3)，可得(4)于是有(5)由式(5)可知，研究体积内马氏体转变量与钢板内部温度微观分布密切相关.Ms点计算方法很多，如层错几率法[4]、亚点阵模型及人工神经网络法等[5].由于人工神经网络法能较好地表征合金元素间复杂的交互作用，本文用其来表示合金含量与Ms点的非线性关系.2 马氏体相变动力学函数的建立本文研究对象是中低碳中厚板淬火过程中的变温马氏体，由于热弹性马氏体相变动力学热滞回线与变温马氏体相变相似[6]，可借助热弹性马氏体相变规律建立变温马氏体相变动力学函数.热弹性马氏体转变有两个基本特点：可逆性和热滞.本文中，可逆性仅指转变可以向两个方向进行，即马氏体转变及其逆转变，但这两个方向的转变并不在同一条路径上，即存在着一个来源于相界面阻力的热滞.不同于传统的Ginzburg-Landau 马氏体相变动力学理论[7-8]，本文考虑以下出发点：① 仅用马氏体转变百分数作为转变的序参量；② 体系的自由能函数用一个二次多项式表示；③ 由于界面的阻滞是不可逆平衡过程，不能仅用作为可逆热力学函数的自由能函数或泛函来描述，因此相界面对转变的影响不体现在自由能函数中，而是引入一个不可逆过程热力学函数——阻滞函数来定量描述.于是，结合体系的自由能函数和阻滞函数，建立动力函数来描述热弹性马氏体转变的动力学.为研究无热滞且相变弹性能与转变量呈线性关系情况下的“理想”自由能函数，引入一个二次多项式，有Fs=a(T)+b(T)Ω+c(T)Ω2.(6)式中：Fs为热弹性马氏体在变温转变过程中的理想自由能；Ω为马氏体转变百分数；a，b，c相对于Ω来说为常数，但是温度的解析函数.此时，“理想”自由能的极小值完全决定了转变过程，有(7)这一条件决定了Ω和T之间的线性关系，只需c是T的线性函数，即令c=1/2(jT+k)，则L0=Ω+jT+k=0.(8)式中j，k为常数.由于式(6)确定的是一个无量纲的自由能函数Fs，需要对其物理意义进行阐述.令Fn是有量纲的自由能函数(J/mol)，N为单位转换因子，结合Kaufman和Cohen 的理论[9]有Fn= NFs=a(T)N+b(T)NΩ+c(T)NΩ2=G0+gchΩ+gclΩ+ginΩ.(9)式中：G0是百分之百母相时的自由能；gch，gcl，gin分别是百分之百马氏体时高出的化学自由能、弹性能和界面能.由于理想自由能函数只能导出Ω和T之间的可逆热力学关系，不能导出转变的热滞，本文引入阻滞函数来描述热滞这一不可逆行为，假设存在一个向正反两个方向阻碍界面的阻力，正方向为马氏体转变，反方向为马氏体逆转变.阻滞函数Fr用来描述推移界面、克服界面阻力所需的能量或所做的功.驱动马氏体转变或推动界面移动的力fd和抵抗界面移动的阻力fr为(10)式中：Fn为热弹性马氏体在变温转变过程中的理想自由能；Fr为有量纲的热弹性马氏体在变温转变过程的阻滞函数；Ω为马氏体转变量.当fd<fr时，体系处于静态；当fd=±fr时，体系处于转变态.对于考虑热滞且相变弹性能与转变量呈非线性关系的情况，马氏体转变和逆转变分别表示为(11)于是有(12)将自由能函数和阻滞函数相结合，可得出热弹性马氏体在变温转变过程中的动力函数.由于函数中包含不可逆热力学函数，因此动力函数也是不可逆的，其形式可定义为Fd=A(T)+B(T)Ω+C(T)Ω2+D(T)Ω3+Ω4.(13)式中：A(T)，B(T)，C(T)，D(T)相对于Ω为常数，但是温度的函数；Fd为热弹性马氏体在变温转变过程中的动力函数.令Fd存在的极小值点分别为L1和L2，极大值点为L3.转变状态可由动力函数极小值表示，有L1=0，L2=0；且=L1L2L3.(14)因为Fd是连续函数，极大值存在于两个极小值之间，即L3=0.动力函数取极小值时，式(13)由下述条件决定：(15)此时极值条件等价于式(11)的阻滞条件.动力函数取极大值时，式(13)由下述条件决定：(16)此时极值条件等价于式(7)的平衡条件.动力函数曲线如图1所示，如果没有界面阻滞，极大值将消失，两个极小值会重叠成一个极小值并出现在原来极大值的位置.即，如果不考虑阻滞，动力函数将退化成自由能函数.体系并非总是移向动力函数的极小值，而是移向图1中箭头方向.因为界面移动的方向改变，界面阻力的方向也改变，体系在两个极小值之间处于静态，而不是自由能最低的平衡态.图1 热弹性马氏体变温转变动力函数曲线Fig.1 Dynamic function curves of thermoelastic altering temperature martensitic transformation由式(7)，式(11)，式(14)可得出动力函数与理想自由能函数和阻滞函数间的关系：(17)Ortin和Planes指出，消耗于界面阻滞的能量没有转变为不可逆热，而是转变为存储的可逆弹性能和不可逆功.热弹性变温马氏体相变时释放或吸收的热量由三部分组成：相变潜热、存储的可逆弹性能和不可逆功[6].为了计算界面阻滞消耗的能量，必须知道阻滞界面具有的焓和熵.结合上文分析，式(12)获得的阻滞函数可分解为正比于温度的部分和与温度无关的部分，即Fr=Hr-TSr.(18)式中Hr和Sr与温度无关.由于Fr具有自由能单位，比较可知，Hr和Sr分别具有焓和熵的单位.由于Hr，Sr和Fr均不是可逆平衡态的热力学函数，本文将Hr称为阻滞焓，将Sr称为阻滞熵.阻滞函数可用来描述界面阻滞所消耗的能量，阻滞焓和阻滞熵分别定义为阻滞界面所具有的焓和熵.于是，通过求解阻滞焓，即可得出存储的可逆弹性能和不可逆功，进而通过上文求出的吉布斯自由能变化求出热弹性变温马氏体相变潜热，即Hα→M=Fb-Hr.(19)3 相变潜热计算求解相变潜热的必要条件是已知相变过程中钢板三维方向温度场，钢板温度场的求解采用三维非稳态导热方程，钢板表面综合换热系数可利用反传热法结合实验得出，其形式如下：式中：A1～A4，B1～B5均为系数；v为辊速；w为水量；k(v)=D1+D2v+…+Dnvn-1为斜率函数；f(v)=E1+E2v+…+Envn-1为截距函数；D1～Dn，E1～En为系数.4 计算结果及讨论为验证模型正确性，本文选用某厂Q690D为实验钢.化学成分(质量分数，%)为：0.129C，0.25Si，1.38Mn，0.21Ni，0.31Cr，0.25Mo，0.023Nb，0.012Ti.采用相变潜热模型结合中厚板淬火温降模型计算钢板半厚向温降曲线，与未考虑相变的计算结果比较.同时，利用该厂中厚板辊式淬火机，进行钢板淬火过程“黑匣子”实验，测定实验钢实际淬火温降曲线，并与计算结果比较.计算及实测参数：板厚50 mm，测温点6个，水温15.5 ℃，开淬温度920 ℃，终淬温度30 ℃，辊速3.0 m·min-1，心部平均冷速12.1 ℃·s-1.图2为Q690D未考虑相变潜热时沿半厚度方向20点计算温降曲线，图3为相应的考虑相变潜热的温降曲线，两图对比如图4所示.考虑相变潜热后，相变结束前(T>Mf)钢板厚向温降曲线较未考虑相变潜热时平缓，相变期间平均冷速为6.85 ℃/s，比未考虑相变潜热平均冷速低3.39 ℃/s.经计算可知相变结束时，因相变潜热引起的温升分别约为95 ℃(近表面)、118 ℃(1/4H，H为板厚)和127 ℃(1/2H).相变结束时考虑相变潜热温降曲线出现明显的拐点，钢板厚向冷速突然增大.图2 未考虑相变潜热时钢板半厚向20点计算温降曲线Fig.2 Plate half-thickness 20 points calculated temperature drop curves without considering latent heat of phase transformation图3 考虑相变潜热时钢板半厚向20点计算温降曲线Fig.3 Plate half-thickness 20 points calculated temperature drop curves considering latent heat of phase transformation图4 考虑相变潜热与未考虑相变潜热计算温降曲线对比Fig.4 Comparing temperature drop curves with and without considering latent heat of phase transformation当钢板发生相变时，相变潜热随之释放，在整个体系中有额外的热量补充，影响了钢板厚向温度梯度分布.冷却开始时，心部只向表面导热，随着相变的开始和进行，心部相变潜热的出现将导致热量补给增大，而心部向表面的热量散失则相对稳定，没有变化.随着相变程度的剧烈，温降曲线趋于平缓；当相变潜热的释放量等于心部的热量散失时，钢板心部冷速为0，对应温降曲线上的凹点；随着补给热量的继续增大，钢板出现温升现象.当相变过程逐渐完成时，马氏体释放的热量与心部散失再次出现平衡，此时对应温降曲线的凸点.相变完成后，与钢板近表面对流产生的大过冷度相抗衡的内热源消失，钢板厚向温度迅速下降，直至平衡，此时钢板整体温度随表面对流换热和内部导热平稳下降.图5为实测中厚板淬火温降曲线.对比图3，图5可知，考虑相变潜热后钢板半厚度温降曲线与实测值吻合较好，相对误差在8%以内.表明模型具有较高的精度，可以用来计算中低碳中厚板淬火过程的相变潜热.图5 实测钢板淬火温降曲线Fig.5 Measured temperature drop curves during quenching5 结论1) 采用扩展体积法建立中低碳中厚板淬火过程马氏体转变量计算模型.2) 引入阻滞函数描述热弹性变温马氏体相变过程中的热滞，结合理想自由能函数得到热弹性变温马氏体相变过程动力函数.该函数能较好地描述热弹性变温马氏体相变动力学特征.3) 定义阻滞焓来描述马氏体转变过程中阻滞界面所具有的焓.通过求解阻滞焓，可得出存储的可逆弹性能和不可逆功，进而通过体系吉布斯自由能变化得到热弹性变温马氏体相变潜热.4) 考虑相变潜热后，因相变潜热引起的实验钢板温升分别约为95 ℃(近表面)、118 ℃(1/4H)和127 ℃(1/2H)，中厚板淬火温降曲线先平缓后骤降，与实测值吻合较好，相对误差小于8%.参考文献：[1] Lusk M T，Lee Y K，Jou H J，et al.An internal state variable model for the low temperature tempering of low alloy steels[J].Journal of Shanghai Jiaotong University，2000，E5(1)：178-184.[2] Inoue T，Arimoto K.Implementation of program for simulating heat treatment processes and some results[J].Industrial Heating，1995，62(4)：41-45.[3] 陈景榕，李承基.金属与合金中的固态相变[M].北京：冶金工业出版社，1997：132-135.(Chen Jing-rong，Li Cheng-ji.Solid phase transformation in metal and alloy[M].Beijing：Metallurgical Industry Press，1997：132-135.)[4] 张骥华，金学军，徐祖耀.Fe-Mn-Si合金γ→ε马氏体相变Ms的热力学预测[J].中国科学，1999，29(5)：385-389.(Zhang Ji-hua，Jin Xue-jun，Xu Zu-yao.Fe-Mn-Si alloy Msthermodynamics prediction during γ→ε martensitictransformation[J].Science China，1999，29(5)：385-389.)[5] 由伟，方鸿生，白秉哲.用反向传播人工神经网络预测低碳低合金钢的马氏体转变开始温度[J].金属学报，2003，39(6)：630-634.(You Wei，Fang Hong-sheng，Bai Bing-zhe.Predicting the martensitic transformation start temperature using back-propagation artificial neural networks[J].Acta Metallurgica Sinica，2003，39(6)：630-634.)[6] Ortin J，Planes A.Thermodynamic analysis of thermal measurements in thermoelastic martensitic transformations[J].Acta Metallurgica，1988，36(8)：1873-1889.[7] Colloques J P，Falk ndau theory and martensitic phase transition[C]//International Conference on Martensitic Transformations.Leuven：Journal de Physique Archives Press，1982：C4-3-C4-15.[8] Colloques J P，Falk F.Martensitic domain boundaries in shape-memory alloys as solitary waves[C]//International Conference on Martensitic Transformations.Leuven：Journal de Physique Archives Press，1982：C4-203-C4-208.[9] Salzbrenner R J，Morris C.On the thermodynamics of thermoelastic martensitic transformation[J].Acta Metallurgica，1979，27(6)：739-748.。
深度学习在中厚板轧后超快速冷却系统中的研究与应用
控制精度由控冷模型中温度场模型的精准度所决 定. 其中ꎬ水冷传热系数是影响温度场模型的核心 参数. 在实际生产中ꎬ影响水冷传热系数的因素多 且复杂ꎬ如板材规格、化学成分、冷却水温及水流 密度等ꎬ层流冷却过程具有很强的动态随机性ꎬ是 复杂的非线性过程ꎬ很难用精确的数学模型对水 冷传热系数进行描述和控制[２] . 只有当温控模型 具备较强的自学习能力时ꎬ才能适应复杂的工业 生产条件. 对此ꎬ只能通过建立自学习模型来优化 控冷模型. 国内外很多学者都致力于温控模型的
Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｍｅｔｈｏｄ ｆｏｒ Ｐｌａｔｅ
Ｕｌｔｒａ Ｆａｓｔ Ｃｏｏｌｉｎｇ
ＺＨＡＮＧ Ｔｉａｎꎬ ＺＨＡＮＧ Ｚｉ￣ｈａｏꎬ ＴＩＡＮ Ｙｏｎｇꎬ ＷＡＮＧ Ｚｈａｏ￣ｄｏｎｇ
( Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｒｏｌｌｉｎｇ ａｎｄ Ａｕｔｏｍａｔｉｏｎꎬ Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｓｈｅｎｙａｎｇ １１０８１９ꎬ Ｃｈｉｎａ. Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ: ＺＨＡＮＧ Ｚｉ￣ｈａｏꎬ Ｅ￣ｍａｉｌ: ２１５０７０８９７＠ ｑｑ. ｃｏｍ)
Ａｂｓｔｒａｃｔ: Ｔｈｅ ｈｅａｔ ｔｒａｎｓｆｅｒ ｃｏｅｆｆｉｃｉｅｎｔ ( ＨＴＣ) ｉｓ ａ ｋｅｙ ｐａｒａｍｅｔｅｒ ｔｏ ｄｅｔｅｒｍｉｎｅ ｃｏｎｔｒｏｌ ｐｒｅｃｉｓｉｏｎ ｉｎ ａ ｃｏｏｌｉｎｇ￣ｃｏｎｔｒｏｌｌｅｄ ｍｏｄｅｌ. Ｈｏｗｅｖｅｒꎬ ｔｈｅ ｃｏｒｒｅｃｔｉｏｎ ｆｏｒ ｔｈｅ ＨＴＣ ｉｓｎ’ ｔ ａｌｗａｙｓ ｓｔａｂｌｅ ａｎｄ ｒｏｂｕｓｔｎｅｓｓ ｂｙ ａ ｔｒａｄｉｔｉｏｎａｌ ｓｅｌｆ￣ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ. Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｓｕｃｈ ｐｒｏｂｌｅｍｓꎬｔｈｅ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｔｈｅ ｓｅｌｆ￣ｌｅａｒｎｉｎｇ ＨＴＣ ｗｅｒｅ ｂｕｉｌｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ. Ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｈｙｐｅｒ ｐａｒａｍｅｔｅｒ ａｎｄ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅ ｎｅｔｗｏｒｋ ｆｒａｍｅ ａｒｅ ｓｔｕｄｉｅｄ. Ｔｈｅｒｅｆｏｒｅꎬ ｔｈｅ ｓｔａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｃｏｏｌｉｎｇ ｃｏｎｔｒｏｌ ｍｏｄｅｌ ｃａｎ ｂｅ ｇｒｅａｔｌｙ ｅｎｈａｎｃｅｄ. Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ３ ５００ ｍｍ ｐｌａｔｅ ｍｉｌｌ ｐｌａｎｔ ｐｒｏｖｅｓ ｔｈｅ ｂｅｔｔｅｒ ａｃｃｕｒａｃｙ ａｎｄ ｒｏｂｕｓｔｎｅｓｓ ｏｆ ｔｈｅ ｍｏｄｅｌꎬ ｗｈｉｃｈ ｃａｎ ｍｅｅｔ ｔｈｅ ｒｅｑｕｉｒｅｍｅｎｔｓ ｏｆ ａｃｔｕａｌ ｏｎ￣ｓｉｔｅ ｐｒｏｄｕｃｔｉｏｎ. Ｋｅｙ ｗｏｒｄｓ: ｄｅｅｐ ｌｅａｒｎｉｎｇꎻ ｐｌａｔｅꎻ ｕｌｔｒａ ｆａｓｔ ｃｏｏｌｉｎｇꎻ ｈｅａｔ ｔｒａｎｓｆｅｒ ｃｏｅｆｆｉｃｉｅｎｔꎻ ｈｉｔ ｒａｔｅ
中厚板侧弯模型及控制策略的研究与应用的开题报告
中厚板侧弯模型及控制策略的研究与应用的开题报告一、选题背景中厚板是一种广泛应用于船舶、建筑、机械制造等领域的材料。
然而，在加工中厚板时，存在一定的侧弯问题，特别是对于长度较长的板材，侧弯问题更加显著。
侧弯会严重影响加工质量和产量，提高成本，因此需要对中厚板的侧弯进行研究与控制。
二、研究目的本研究旨在建立中厚板侧弯模型，并探究有效的控制策略，提高中厚板的加工质量和产量，降低成本。
三、研究内容1.调研分析中厚板侧弯成因和影响因素；2.建立中厚板侧弯数学模型；3.探究有效的控制策略，如机械压弯、热处理等；4.模拟实验验证模型及控制策略的有效性；5.撰写论文并进行学术交流。
四、研究方法1.文献调研法，对中厚板侧弯成因和影响因素进行分析；2.理论分析法，建立中厚板侧弯数学模型；3.实验研究法，开展模拟实验验证模型及控制策略的有效性；4.数据分析法，运用统计方法对模拟实验数据进行分析。
五、预期成果1.中厚板侧弯模型的建立；2.有效的中厚板侧弯控制策略；3.多篇高水平论文的发表；六、研究意义1.提高中厚板加工的效率和质量；2.降低生产成本；3.推动中厚板行业的发展。
七、研究进度安排第一年：调研分析中厚板侧弯成因和影响因素；第二年：建立中厚板侧弯数学模型，探究有效的控制策略；第三年：模拟实验验证模型及控制策略的有效性，并撰写论文并进行学术交流。
八、参考文献1.李占功，张志强，李兰江.中厚板侧弯的研究[J].锻压技术，2015，40(9)：1-4.2.佘治国，黄秋兴，李波.中厚板侧弯的形成原因及其预防控制[J].冶金自动化，2018，44(9)：49-53.3.王大伟，王锋，王浩.中厚板侧弯控制技术的研究现状和趋势[J].船舶工程，2020，42(6)：199-204.。
中厚板轧机厚度自动控制系统研究及应用
（ Ｓ ｈ ａ ｎ ｇ ｇ ａ ｎ ｇ Ｇ ｒ ｏ ｕ ｐ Ｊ ｉ ｇ ａ ｎ ｇ Ｈ ｏ ｌ ｄ ｉ ｎ ｇ Ｃ ｏ ｍ ｐ ａ ｎ ｙ Ｌ ｉ ｍ ｉ ｔ ｅ ｄ ， Ｊ ｉ ｎ ａ ｎ ２ ５ ０ １ ０ １ ， Ｃ ｈ ｉ ｎ ａ ）
１ 引 言
据 射线测厚仪 的钢板厚度测量结果 ，利用反馈
计 算 功 能使 用轧 机 Ｚ Ｐ Ｃ功 能 调 节 钢 板 异 板 差 ， 达 到钢 板Biblioteka 际厚 度接 近设 定厚 度 。
３ 影响厚度控制精度 的因素【 １ 】
３ ． １ 过 程 自动 化 （ Ｌ ２ ） Ｅ Ｇ Ｃ和 Ｈ Ｇ Ｃ位 置 控 制 点设 定
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ｔｈ ｅ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｇ ａ ｕ ｇ ｅ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｓ ｙ ｓ ｔ ｅ ｍ ｗｏ ｒ ｋ ｅ ｄ ｕ ｎ ｓ ｔ ａ ｂ ｌ ｙ ａ ｔ ｆ ｅ ｒ ｔ ｈ ｅ ｃ ｏ ｍ ｍｉ ｓ ｓ ｉ ｏ ｎ ｉ ｎ ｇ ｏ ｆ ｆ ｉ ｎ ｉ ｓ ｈ ｉ ｎ ｇ ｍｉ ｌ ｌ ｏ ｆ Ｃｅ ｒ ｔ ａ ｉ ｎ Ｈｅ ａ ｖ ｙ ａ ｎ ｄ Ｍｅ ｄｉ ｕ ｍ Ｐｌ ａ ｔ ｅ Ｍｉ ｌ ｌ ，ｗｉ ｔ ｈ ｍａ ｉ ｎ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ｏ ｆ ｂ ｉ ｇ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｂ ｅ ｔ ｗｅ ｅ ｎ ｐ ｒ ｅ ｓ ｅ ｔ ａ ｎ ｄ ａ ｃ ｔ ｕ ａ ｌ ｇ ａ ｕ ｇ ｅ ｓ ａ ｎ ｄ ｂ ｉ ｇ ｉ ｎ ｔ ｒ ａ －ｐ ｌ ａ ｔ ｅ ｇ ａ ｕ ｇ ｅ ｄ ｅ ｖ ｉ ａ ｔ ｉ ｏ ｎ ．Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ａ ｄ ｄ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ，Ｌｅ ｖ ｅ ｌ １ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｐ ｒ ｏ ｇ ｒ ａ ｍ ｗａ ｓ ｏ ｐ ｔ ｉ ｍｉ ｚ ｅ ｄ ｏ ｎ ｂ ｉ ｔ ｉ ｎ ｇ ｓ ｔ ｅ ｅ ｌ ｉ ｍｐａ ｃ ｔ ｃ ｏ ｍｐ ｅ ｎ ｓ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ， ＥＧＣ ｄ ｒ ｉ ｔ ｆ ｃ ｏ ｍｐ ｅ ｎ ｓ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ａ ｎ ｄ ｍａ ｉ ｎ ｂ ａ ｌ ａ ｎ ｃ ｅ ｐ ｒ ｅ ｓ ｓ ｕ ｒ ｅ ｌ ｆ ｕ ｃ ｔ ｕ ａ ｔ ｉ ｏ ｎ．Ａｓ ａ ｒ ｅ ｓ ｕ ｌ ｔ ，ｔ ｈ ｅ ｇ ｏ ａ ｌ ｏ ｆ ａ ｃ ｈ ｉ ｅ ｖ ｉ ｎ ｇ ｐ ｒ ｅ ｃ ｉ ｓ ｅ ｌ ｙ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｇ ａ ｕ ｇ ｅ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｔ ｉ ｆ ｎ ｉ ｓ ｈ ｉ ｎ ｇ ｍｉ ｌ ｌ ａ ｎ ｄ ｉ ｎ ｃ ｒ ｅ ａ ｓ ｉ ｎ ｇ ｒ ｏ ｌ ｌ ｉ ｎ ｇ ｙ ｉ ｅ ｌ ｄ ｗａ ｓ ａ ｃ ｃ ｏ ｍｐ ｌ ｉ ｓ ｈ ｅ ｄ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ｆ ｉ ｎ ｉ ｓ ｈ ｉ ｎ ｇ ｍｉ ｌ ｌ ；ｔ ｈ ｉ ｃ ｋ ｎ ｅ ｓ ｓ ；ｓ ｙ ｓ ｔ ｅ ｍ； ｔ ｈ ｉ ｃ ｋｎ ｅ ｓ ｓ ｃ ｏ ｍｐ ｅ ｎ ｓ ａ ｔ ｉ ｏ ｎ
中厚板轧制力自学习过程层别跳变的自整定方法
中厚板轧制力自学习过程层别跳变的自整定方法丁敬国;曲丽丽;胡贤磊;刘相华【摘要】在中厚板轧制力预报过程中,为防止自学习系数沿着厚度层别发生跳变,提出了中厚板轧制力自学习过程层别跳变的自整定方法.针对厚度层别表中的每一个厚度节点计算其半宽带,然后根据半宽带计算厚度节点的有效区域,最后找到当前轧制厚度的有效区域并确定它所对应厚度节点的权值,从而得出自整定后的自学习系数.实际应用结果表明,应用该方法后轧制力的预报精度及板形控制效果有了很大的提高和改善,具有良好的应用价值.【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2011(032)001【总页数】4页(P64-66,71)【关键词】中厚板;自整定;层别跳变;自学习;轧制力【作者】丁敬国;曲丽丽;胡贤磊;刘相华【作者单位】东北大学,轧制技术及连轧自动化国家重点实验室,辽宁,沈阳,110819;沈阳鼓风机通风设备有限责任公司,辽宁,沈阳,110041;东北大学,轧制技术及连轧自动化国家重点实验室,辽宁,沈阳,110819;东北大学,轧制技术及连轧自动化国家重点实验室,辽宁,沈阳,110819【正文语种】中文【中图分类】TG335.5中厚板生产过程中,轧制力控制精度对负荷分配及厚度控制精度至关重要,随着原材料价格的不断上涨及钢铁行业竞争日益激烈,用户对产品厚度、板形精度的要求越来越高,提高轧制力预设定精度也越来越迫切·由于模型本身结构的限制和现场环境千变万化,通过实测轧制力进行自学习是一个不可缺少的环节,在轧制力自学习过程中,需要沿厚度方向进行层别划分,并采用指数平滑处理的方法确定各个层别的自学习系数·然而在负荷分配过程中,由于读取自学习系数会经常出现层别跳变现象,导致轧制力预报精度下降,负荷分配的合理性也受到一定影响[1-3]·本文采用中厚板轧制力自学习过程层别跳变的自整定方法,消除道次间自学习系数的震荡现场,从而大大提高轧制力预报精度·1 轧制力自学习过程1.1 轧制力模型轧制力模型采用西姆斯公式,如式(1)所示:其中:kl为自学习系数;F为轧制力;W为轧件宽度;R′为轧辊压扁半径;Δh为压下量;σ为变形抗力;Qp为变形区形状影响系数;kσ为变形抗力修正系数;kT为开轧温度修正系数;km为变形区形状影响函数修正系数·对于变形抗力σ,它的主要影响因素有钢种、温度、变形率以及变形速率等[4-7],采用如下模型:式中:α和β为硬度系数;ε为变形率;˙ε为变形速率;m,n分别为变形率和变形速率影响系数;σ为变形抗力;T为轧件温度·1.2 自学习过程当钢板道次轧制完成后,由压头检测到实测的轧制力后,根据后计算轧制力得出自学习系数为式中:k′l为新的短期自学习系数;α为平滑系数;fmeas为实测数据,kN;frecal为后计算轧制力,kN;kl为旧的短期自学习系数·对于厚度层别采用自然对数的形式来进行划分·如图1所示,横坐标为轧件的厚度,mm,纵坐标为轧件厚度的自然对数,由于这里lnh只是进行厚度族划分的一个中间过渡量,所以不用考虑其单位·图1 厚度层别划分示意图Fig.1 Division of thick layers厚度族划分的具体步骤是:首先确定轧制过程中厚度的上下限,这里设为5和330 mm,然后取它们的自然对数并均分为15份,可以得到16个厚度节点,最后分别取这16个节点的e指数,即得到厚度族的各个厚度节点,每相邻的节点间即为厚度族的一族·2 层别跳变的自整定方法过程控制系统启动规程预计算时,系统从层别表中读取轧制力自学习系数然后进行负荷分配计算,然而,在实际中厚板生产中,由于受到温度、速度、设备以及检测仪表等多方面因素的影响[8-10],自学习系数会经常发生层别跳变现象,如图2所示·图2 自学习系数层别跳变示意图Fig.2 Schematic of learnin g coefficient vs.thickness layer skippin g自学习系数层别跳变对负荷分配的合理性以及厚度控制精度有很大影响,因此可采用自整定方法来消除自学习系数层别跳变现象·对于层别表中的每一个厚度节点 i,定义节点厚度为hi,lnhi的半宽带为Whf,则对于lnhi的有效区域可取为(lnhi-Whf/3.0,lnhi+Whf/3.0)·当前道次的实际厚度定义为hps,lnhps的取值落在lnhi的有效区域以内时,获得权值ωi:式中:Δxi为lnhps与lnhi之间的差值·定义厚度节点i所对应的自学习系数取值为Ki,各个节点的 Ki与权值ωi乘积之和为对于实际厚度hps所对应的自学习系数为经过自整定后,自学习系数如图3所示·图3 自整定后自学习系数对比图Fig.3 Learning coefficient before and after self-adjusting3 现场应用以国内某3 500 mm中板厂为应用背景,以坯料规格为220 mm×1700mm×2 010 mm(厚×宽×长),成品规格为16 mm×2 600 mm(厚×宽)的高强船板 CCS-AH36为例,轧机最大轧制力为55 000 kN,轧辊直径为1 038 mm,常温下轧辊原始凸度为0.05 mm,自整定方法投用前后的轧制规程对比如表1所示·从表1可以看到,在自整定方法投用前,规程的最后两个道次发生了自学习系数层别跳变现象,导致最后两个道次轧制力预报偏差较大且板形控制效果较差;在自整定方法投用后,自学习系数发生跳变的现象发生明显改善,轧制力预报精度及对板形的控制效果有了大幅度提高·采集一个月现场实际数据统计投用前后轧制参数控制效果对比如表2所示·表1 自整定投用前后规程对比表Table 1 Comparison between rolling schedules before and after selt-adjusting道次投用前辊缝mm投用后辊缝mm投用前设定轧制力kN投用前实测轧制力kN投用后设定轧制力kN投用后实测轧制力kN备注1 197.33 196.97 20 178.6 21 215.5 20778.3 21472.4 转钢2 176.56 176.06 22 143.4 21 031.6 21829.5 21145.1 3 159.12 158.77 22 843.020 826.5 21832.5 20762.6 4 144.44 144.55 21 562.1 20 224.1 20991.8 20521.5 转钢5 115.74 113.45 34 128.1 36 353.2 36385.5 35737.6 6 90.64 87.46 35 676.5 34 215.2 36044.2 35836.8 7 69.33 66.87 34 192.7 35 045.7 36993.4 37257.6 8 47.87 45.24 36 113.5 36 619.5 36574.6 37168.3 待温9 38.34 35.26 35 982.4 36 128.4 36773.8 36112.5 除鳞10 31.46 27.31 34 141.1 35 489.9 36045.7 37284.4 11 23.86 21.84 33 113.2 34 541.2 31890.1 30856.2 12 18.91 18.37 34 421.8 32 712.8 30447.7 31195.2 13 16.61 16.02 30 116.5 27 907.9 28667.4 29103.5 14 14.25 14.47 27 340.9 31 340.9 26856.9 27041.6 终轧表2 控制效果对比Table 2 Comparison between control effects of rolling paramerers befor and after self-adjusting %?4 结论1)介绍了中厚板轧制力自学习过程沿厚度的层别划分方式,分析了自学习系数发生层别跳变的原因·2)提出了中厚板轧制力自学习过程层别跳变的自整定方法,通过半宽带计算厚度节点的有效区域以确定各个节点的权值,从而得出自整定后的自学习系数·3)实际应用结果表明,应用该方法后轧制力的预报精度及板形控制效果有了很大的提高和改善,具有良好的应用价值·参考文献:[1] Ziarko W.Variable precision rough set model[J].Journal of Computer and Sciences,1993,46(1):39-59.[2] Ishii T,Wada S,Miyokawa M,et al.Recent technology in hot stripmill[C]∥Proceedings of the 7th International Conference on Steel Rolling.Tokyo:The Iron and Steel Institute of Japan,1998:711-716.[3] Guilandoust M T,Morris A J,Tham M T.An adaptive estimation algorithm for inferential control[J].Ind Eng Chem Res,1988,27:1658-1664.[4] Ramoni M,Sebastiami P.Robust Bayes classifiers[J].Artificial Intelligence,2001,125(1/2):209-226.[5] Quintero-Marmol E,Luyben W L,Georgakis C.Application of an extended Luenberger observerto the control of multicomponent batchdistillation[J].Ind Eng Chem Res,1991,30(8):1870-1880.[6] Guilandoust M T,Morris A J,Tham M T.Adaptive inferentialcontrol[J].IEEE Trans Automatic Control,1987,134(3):171-179.[7] Sato C,Ohtani T,Nishitani H.Modeling,simulation and nonlinear control of a gas-phase polymerization process[J].Computers ChemEngng,2000,24(2/3/4/5/6/7):945-951.[8] Evans R D,Anderson D E,Zanni J M,et al.Plate mill automation atU.S.Steel,Gary Works[J].Iron and Steel Engineer,1993,70(3):44-49.[9] Murphy T M,Johns R L.On-line plate mill process control computer replacement[J].Iron and Steel Engineer,1993,70(6):23-24.[10] Heesen G J,Burggraaf D H.New process control system of Hoogovens'hot strip mill:key to improved product quality[J].Ironmaking and Steelmaking,1991,18(3):190-195.。
一种中厚板热处理生产线物料跟踪控制系统[发明专利]
![一种中厚板热处理生产线物料跟踪控制系统[发明专利]](https://img.taocdn.com/s3/m/66f5c1f0866fb84ae55c8d62.png)
专利名称：一种中厚板热处理生产线物料跟踪控制系统专利类型：发明专利
发明人：付天亮,王昭东,李勇,李家栋,刘宇佳,刘长久
申请号：CN201310627760.0
申请日：20131202
公开号：CN103667674A
公开日：
20140326
专利内容由知识产权出版社提供
摘要：本发明公开了一种中厚板热处理生产线物料跟踪控制系统，该系统由生产实时监控系统、通讯系统和数据库系统三部分组成，生产实时监控系统获取必需的设备运行状况信息，并将这些信息组态成趋势记录；同时，生产实时监控系统还显示中厚板位置跟踪信息、生产信息和必要的操作命令；通讯系统实现生产实时监控系统与数据中心之间的实时通信服务；数据库系统实现生产数据管理和过程跟踪功能；采用触发机制实现中厚板热处理生产线的全线物料跟踪。
本发明通过三部分的系统整合，建立了集成生产调度、产品跟踪、报表等管理功能的统一平台，实现了中厚板热处理生产线生产管理、物料跟踪和组织调度功能。
申请人：东北大学
地址：110819 辽宁省沈阳市和平区文化路3巷11号
国籍：CN
代理机构：中国有色金属工业专利中心
更多信息请下载全文后查看。
轧制宽薄中厚板时抑制浪形的开环控制方法[发明专利]
![轧制宽薄中厚板时抑制浪形的开环控制方法[发明专利]](https://img.taocdn.com/s3/m/5a5f929601f69e3142329445.png)
专利名称：轧制宽薄中厚板时抑制浪形的开环控制方法专利类型：发明专利
发明人：刘相华,王国栋,胡贤磊,王君,王昭东,张殿华,牛文勇申请号：CN200310119006.2
申请日：20031210
公开号：CN1546248A
公开日：
20041117
专利内容由知识产权出版社提供
摘要：一种轧制宽薄中厚板时抑制浪形的开环控制方法，其步骤有：根据坯料规格和成品尺寸，分配各轧制道次压下量，并计算各道次轧制力、温度、厚度比和允许的平直度变化；如当前道次出口厚度大于等于30mm，则采用AGC方式进行自动调节控制；如本道次出口厚度小于30mm，则分析轧制力波动对平直度的影响，如此影响超出允许范围且对厚度影响较小，则将AGC方式转化为APC方式(自动位置控制)，否则仍采用AGC方式进行控制；本发明是针对板形采用开环控制方式的中厚板轧机，减少AGC系统对板形的干扰，同时还不影响厚度控制的效果，提高轧制过程的稳定性，本方法特别适用于轧制宽薄中厚板，尤其是对于纵刚度较小的中厚板轧机。
申请人：东北大学
地址：110004 辽宁省沈阳市和平区文化路3号巷11号
国籍：CN
代理机构：沈阳东大专利代理有限公司
代理人：梁焱
更多信息请下载全文后查看。
中厚板厚度的在线软测量方法
中厚板厚度的在线软测量方法
胡贤磊;赵忠;矫志杰;邱红雷;何纯玉;刘相华
【期刊名称】《钢铁研究学报》
【年(卷),期】2006(18)7
【摘要】根据中厚板的轧制特点,建立了比较完善的轧件出口厚度的软测量方法,它考虑了辊系弹性变形的影响,并引入辊缝零点漂移自学习算法,修正了轧辊磨损、热膨胀和机械间隙变化带来的影响,使轧件出口厚度的软测量模型更加完善。
同时分析了实时轧制力和辊缝数据的处理方法对厚度计算的影响。
在中厚板厂的应用结果表明,这种软测量方法精度较高,适合在实时中厚板轧制过程中应用。
【总页数】4页(P55-58)
【关键词】中厚板;软测量;弹跳方程
【作者】胡贤磊;赵忠;矫志杰;邱红雷;何纯玉;刘相华
【作者单位】东北大学轧制技术及连轧自动化国家重点实验室
【正文语种】中文
【中图分类】TG335.5
【相关文献】
1.一种适用于在线检测的纳米薄膜厚度精确测量方法 [J], 姬弘桢;邹娟娟;崔宝双
2.一种吸波材料涂层厚度的在线测量方法 [J], 管绍朋;徐得名
3.基于CCD的在线厚度测量方法研究 [J], 刘瑾;杨海马;张菁
4.薄膜厚度的石英晶体差动在线测量方法 [J], 李占锋;尚丽平
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
7 72
东北大学学报(自然科学版) 第 27 卷
式中 , F 为轧制力 , kN ;R 0 为轧辊初始半径 , mm ;
Δh 为 压下 量 , mm ;W 为 轧 件 宽 度 , m m ;C = 16(π1·-Eν2)=2.2 ×10-2 mm2/ kN , ν为轧 件波松 比 , E 为轧辊弹性模量 , kN/ mm2·
of rolling force
3 在线应用效果分析
得修正的硬度系数 , 在多次轧制该规格产品时 , 对 和当前轧制规格相同的前 m 次轧制的自学习结
果进行处理 , 进行长期自学习·在实际生 产中 m 一般取 6 , 则第 m +1 次轧制的硬度系数为
k1(m +1)= a6 k 1(m )+a5 k 1(m -1)+
×261-i
×
.0 -min 1 .0 -m
1 in
.0 ,
t6 86
-ti 400
1
.0 ,
t 6 -ti 86 400
,
(12)
式中 , N i 为第 i 批次钢的块数 ;t i 为第 i 批次钢的
轧制时间 , min
1
.0 ,
t6 86
-t i 400
为求小函数·
2 .7 轧制力自学习效果分析
厚控制的重要研究内容·
1 弹跳模型以及弹跳模型的自学习
1 .1 弹跳模型的建立
弹跳模型的主要任务是辊缝设定和道次出口
厚度的软测量(即利用弹跳方程 、实测轧制力 、实
测辊缝等参数反算道次出口厚度)·中厚板轧制过 程中影响弹跳模型精度的主要因素有轧机本身刚
度 、轧件宽度 、油膜厚度 、轧辊磨损 、轧辊热膨胀
差别是较大的 , 造成各公式计算结果不同的主要
原因在于对于接触摩擦规律的不同假设及是否引
用“近似塑性条件” , 而对轧制变形区几何形状的
不同简化 , 只给公式的形式带来差别 , 但对最终计 算结果影响不大[ 2] ·为此轧制力计算采用西姆斯 公式[ 3, 4] :
P =1.155σ· Q p · W · R′· Δh , (3)
明弹跳方程的预测精度愈高·
收稿日期 :2005-09-08 基金项目 :国家“ 十五” 重大技术装备研制项目(ZZ0113A 010202)· 作者简介 :王昭东(1968 -), 男 , 安徽淮北人 , 东北大学副教授 ;王国栋(1942 -), 男, 辽宁大连人 , 东北大学教授 , 博士生导师 , 中国
a4k 1(m -2)+… +a1 k1(m -5), (11)
式中 , k1(i)为第 i 个批次最后块钢的短期自学习
硬度系数 ;ai 为对第 i 个批次的硬度系数所取的 权重 ;第 m 个批次表示刚轧制完毕的规格·
为了适应中厚板生产特点 , 权重的选取与数 据取得时间的先后和该批次钢的数量有关 , 给新 数据和钢的块数多的批次以较大的权重 , 从而使 自学习结果更可 靠[ 7] ·对于短期 自学习的 结果 , 只认为在 24 h 内轧制的才有效 , 在 24 h 以前轧制
℃之间 , 所以在实际操作时 , 一般只调整 k 1 即可 达到模型修正的效果·根据式(8)有
k 1 =ln
P 1 .155 · ε0.13 · ﹒ε0 .21 · Q p · W ·
R′(H
-h )
-
k2 T
,
(9)
式中 , P 和 T 可以通过压头和测温仪测量 ;R′可 以通过式(4)计算 ;W 可以通过推床测量(也可忽 略轧制过程中宽度变化)·由于在实际轧制过程中 很难通过测厚仪(或手工卡量)获得每道次的出口 厚度 , 所以只能通过弹跳方程计算得 到 H 和 h , 1 .4 的研究表明该方法的精度可以满足现场控制 的需要· 2 .5 硬度系数的短期自学习
中厚板轧机过程机控制的目的之一是轧制到
目标厚度 , 控制异板差· 下面通过实测数据分析 本文的研究内容在现场的应用效果 , 见图 3·
的批次权重取 0·如果在 24 h 内轧制相同规格的 次数小于 3 , 则不进行长期自学习·实际生产中采 用的 ai 表达式为
25 %左右 , 所以在计算轧制力时必须弹 性 压 扁 的 计 算 采 用 Hit chcock 公式的简化形式[ 5] :
R′= R 0
1
+ΔCh
·F ·W
,
(4)
直是轧制理论研究的核心·根据中厚板轧制过程 的特点采用如下形式的应力状态影响函数[ 2, 6] :
改 , 算法简单 , 易于在线应用·在实际生产中 , 一般 只需卡量同一批次的前几块钢 , 即可使弹跳模型
达到要求的精度· 1 .3 弹跳模型自学习效果分析
对弹跳方程精度的衡量标准是统计测量厚度
和计算厚度的偏差的大小 , 统计结果如图 1 所示· 该偏差即为对弹跳方程的修正量 , 偏差值愈小 , 说
所以短期自学习只对连续轧制同一炉号的坯料时
有效 , 其学习结果不记入数据库 , 只是通过过程机
记录下来供长期自学习使用 , 这样避免了学习结 果的振荡[ 6～ 9] · 2 .6 硬度系数的长期自学习
由于中厚板轧制的特点是小批量多规格 , 所
以每轧制一个批次产品时通过短期自学习可以获
图 2 轧制力预测值与测量值对比 Fig .2 Comparison of predicted and measured values
胀补偿量 , mm ;S r 为轧辊磨损补偿量 , mm ;Δ0 为
弹跳模型修正量 , mm· 1 .2 弹跳模型自学习策略
由于现场各种条件的影响 , 加上轧辊磨损热
膨胀和油膜厚度预测 误差以及宽度 补偿量的偏
差 , 弹跳模型预测值与实际值存在一定差值·在终 轧后 , 可以测量得到轧件厚度 , 将该厚度与通过弹
型的自学习·轧制力模型的自学习主要是修正钢种硬 度系数 , 分短 期自学习 和长期自学 习两部分 , 分别用于修正本批 次钢和本规格钢的 硬度系 数 , 短 期自学 习结果 是长期自 学习的 数据来 源 , 长 期
自学习结果保存进 数据库供以后计算使 用·研究结 果应用 于南钢 中板厂后 , 厚 度控制命 中率提 高 了 13.3 %· 关 键 词 :中厚板 ;厚度控制 ;弹跳模型 ;轧制力模型 ;自学习算法
中图分类号 :TG 335.5 文献标识码 :A
厚度控制精度是中厚板轧制一个重要衡量指
标·从过程控制模型设定角度看 , 与厚度精度密切 相关的模型有两个 :轧机弹跳模型和轧制力模型· 这两个模型中又包含许多相关的计算模型 , 其中
任何一个模型的预测偏差都会造成厚度控制精度
的下降·如何利用实际生产过程中得到的道次温 度 、轧制力等重要参数提高模型预测精度成为板
跳方程计算得到的厚度进行比较可以修正弹跳模
型的预测偏差·假设测量得到的厚度为 h′, 通过 弹跳方程得到的厚度为 h , 则
Δ′0 = Δ0 +α(h′-h),
(2)
式中 , α为增益系数 , 0 ≤α≤1 , α的选取与测量厚 度的可靠度相关·
该自学习方法的优点是将修正后的 Δ0 直接
用于弹跳模型即可 , 不需要对模型系数做任何修
将轧制力公式展开可得 :
(6)
P =1 .155 · ex p k 1 +kT2 ·﹒ε0.13 · ε0 .21 ×
Q p · W · R′·(H -h)·
(7)
将变形抗力计算公式中的 exp(k 1 +k 2/ T)称
为温度函数影响项 h(T), k 1 , k 2 称为硬度影响系
数·则
h(T )=k1
式中 , Qp 为应力状态影响函数 ;W 为轧件宽度 , mm ;R′为轧辊压扁半径 , mm ;Δh 为压下量 , mm ;
σ为变形抗力 , M Pa· 2 .1 轧辊压扁半径的计算
由于轧辊表面受到轧制的作用而产生压扁 ,
使得接触弧长增加 , 导致轧制力的增加·在轧制过 程中 , 由于轧辊压扁引起的轧制力变化最大可达
第27 卷第7期 2006 年 7 月
东 北 大 学 学 报 (自 然 科 学 版 ) Journal of Nort heastern University(Natural Science)
文章编号 :1005-3026(2006)07-0771-04
Vol.27 , No .7 Jul .2 0 0 6
图 2 显示了 钢种为 Q235 , 厚度等于 12 m m
的几个批次的最后道次的预测轧制力和实际轧制
力的比较 , 从图中可以看出 , 最后一个道次的轧制
力误差基本都控制在 6 %之内·
其中 , α为增益系数 , 其取值与检测仪表可信度和
k 1m(n)-k1c(n)的值有关·由于中厚板轧制现场 条件比较恶劣 , 对于许多因素模型难以准确预测 ,
+k2 T
=ln
P 1 .155 · ε0.13 · ﹒ε0 .21 · Q p · W ·
R′(H -h) ·
(8)
第 7 期 王昭东等 :中厚板厚度控制模型的自学习
7 73
一般来说 , 对轧制力修正就是对 h (T )的修 正·在精轧轧制过程中 , 温降一般在 100 ℃～ 150
中厚板厚度控制模型的自学习
王昭东 , 田 勇 , 赵 忠 , 王国栋
(东北大学 轧制技术及连轧自动化国家重点实验室 , 辽宁 沈阳 110004)
摘 要 :结合 南钢 2 500 mm 精轧机组改造项目 , 根据中厚板 生产工艺 特点 , 确 定合理的 弹跳
模型和轧制力模型·考虑 到弹跳 模型 具有较 高精 度以 及其自 学习 不依赖 于轧 制力 模型精 度的 特 点 , 首先进行弹跳模型的自学习 , 再利用修正后的弹跳模型计算轧 件出口厚 度 , 将其 用于轧制 力模