本发明涉及轧钢过程中平整轧制领域,尤其涉及一种基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法。
背景技术:
在平整轧制过程中,摩擦系数是轧制压力预报的基础,其计算精度直接影响到轧制压力、板形、延伸率等参数的预报与设定精度,对成品带材质量具有举足轻重的影响。对平整轧制过程而言,上游工序的终轧温度与卷曲温度将会在一定程度上影响摩擦系数。
人工神经网络是一种模拟脑神经对外部环境进行学习过程而建立起来的人工智能模式识别方法,具有自适应学习功能和处理复杂非线性现象的特点,用它实现终轧温度与卷曲温度参数与平整轧制中摩擦系数的直接映射,可提高预报结果的准确度。
在带钢的平整生产过程中,上游工序的卷取温度和终轧温度对摩擦系数影响较大,因此,为提高带钢的产品质量,必须充分结合平整轧制现场的实际生产情况,在充分运用现场实际生产数据的前提下,结合热轧卷取温度和终轧温度对摩擦系数影响的特点,摸索出一套可以充分运用的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法。
技术实现要素:
根据上述提出的技术问题,而提供一种基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法。本发明采用的技术手段如下:
一种基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法,包括如下步骤:
a)收集一定生产频次(频次为n)的带钢力学性能参数等,包括带钢入口厚度h0i,带钢出口厚度h1i,带钢入口变形抗力σ0i,带钢出口变形抗力σ1i,带钢宽度bi(i=1,2,3,···,i,···,n);
b)收集一定生产周期内的n组的平整机组工艺参数,包括机架的出口轧制速度vi,机架速度对摩擦系数的影响系数
c)计算平整初始摩擦系数μ0i:
d)定义摩擦系数温度影响系数数组x={β1,β2,γ1,γ2},给定数组初始值x0={β10,β20,γ10,γ20},给定搜索步长初始值δx={δβ1i,δβ2i,δγ1i,
δγ2i},收敛精度α;
e)计算平整摩擦系数:
f)计算任意一组理论轧制力pi与轧制功率ni:
f1)令i=1;
f2)计算带钢当量变形抗力σsi:
σsi=k3σ1i-(k1f0i+k2f1i)
f3)计算轧制变形区中轧辊与带材接触弧长度li:
f4)计算单位宽度轧制力fi:
f5)计算理论计算的轧制力pi:
pi=fibi
f6)计算理论的轧制力矩mi:
f7)计算理论的轧制功率ni:
f8)判断i<n,如果成立则令i=i+1转入步骤f2);若不成立则转入步骤g);
g)计算优化目标函数f(x):
h)判断powell条件是否成立?若成立,则转入步骤i);若不成立,则更新数组x及其搜索步长δx,转入步骤e);
i)输出平整机组热轧特性对摩擦系数的影响系数,完成平整机组基于大数据理论的热轧特性对摩擦系数的影响预报。
本发明具有以下优点:
本发明能够根据带钢平整轧制的现场生产情况,充分结合平整机组的设备特点,通过对产品一定生产频次的数据分析,求得终轧温度与卷曲温度对平整摩擦系数的影响系数,当在后续的生产过程中遇到相应的产品时能够对该产品的平整轧制过程中的摩擦系数进行预测,有效解决了平整轧制过程中摩擦系数的预测问题,为现场平整机组力学性能控制奠定了基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法流程图。
图2为本发明理论轧制力、轧制功率计算方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面,以某平整机组为例,结合图1,对基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法进行详细说明。
实施例1
以某平整机组为例,按照图1、图2所示的基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法的计算流程图,首先,在步骤(a)中,收集一定生产频次(频次为n)的带钢力学性能参数等,包括带钢入口厚度h0i,带钢出口厚度h1i,带钢入口变形抗力σ0i,带钢出口变形抗力σ1i,带钢宽度bi(i=1,2,3,···,i,···,n);
随后,在步骤(b)中,收集一定生产周期内的n组的平整机组工艺参数,包括机架的出口轧制速度vi,机架速度对摩擦系数的影响系数
随后,在步骤(c)中,计算平整初始摩擦系数:
计算平整初始摩擦系数μ0i:
随后,在步骤(d)中,定义摩擦系数温度影响系数数组x={β1,β2,γ1,γ2},给定数组初始值x0={β10,β20,γ10,γ20},给定搜索步长初始值δx={δβ1i,δβ2i,δγ1i,δγ2i},收敛精度α;
随后,在步骤(e)中,计算平整摩擦系数:
f)计算任意一组理论轧制力pi与轧制功率ni:
首先,在步骤f1)中,令i=1;
随后,在步骤f2)中,计算带钢当量变形抗力σsi:
σsi=k3σ1i-(k1f0i+k2f1i)
随后,在步骤f3)中,计算轧制变形区中轧辊与带材接触弧长度lzi:
随后,在步骤f4)中,计算单位宽度轧制力fi:
随后,在步骤f5)中,计算理论计算的轧制力pi:
pi=fibi
随后,在步骤f6)中,计算理论的轧制力矩mi:
随后,在步骤f7)中,计算理论的轧制功率ni:
最后,在步骤f8)中,判断i<n,如果成立则令i=i+1转入步骤f2);若不成立则转入步骤g);
随后,在步骤(g)中,计算优化目标函数f(x):
随后,在步骤(h)中,判断powell条件是否成立?若成立,则转入步骤i);若不成立,则更新数组x及其搜索步长δx,转入步骤e);
最后,在步骤(i)中,输出平整机组热轧特性对摩擦系数的影响系数,完成平整机组基于大数据理论的热轧特性对摩擦系数的影响预报。
最后,为了方便比较,表1给出实施例1中平整机组在采用本发明所述基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法摩擦系数预测结果。
表中,平整摩擦系数预测值为步骤i的结果,平整摩擦系数实测值是通过对实际生产过程中的测量出轧制压力和轧制功率反算出的结果。
表1实施例1中平整机组摩擦系数预测结果
实施例2
实施例2的具体流程与实施例1相同,表2给出实施例2中平整机组在采用基于大数据理论的热轧特性对平整变形抗力的影响预报方法后预测结果,综合实施例1和实施例2的结果,可以看出,本发明通过对产品一定生产频次的数据分析,求得终轧温度与卷曲温度对平整摩擦系数的影响系数,当在后续的生产过程中遇到相应的产品时能够对该产品的平整轧制过程中的摩擦系数进行预测,有效解决了平整轧制过程中摩擦系数的预测问题,为现场平整机组力学性能控制奠定了基础。
表2实施例2中平整机组摩擦系数预测结果
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。