基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法与流程

本发明涉及平整轧制技术领域，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变形抗力影响预测方法。

背景技术：

金属材料在载荷作用下抵抗破坏的性能，称为机械性能(或称为力学性能)。金属材料使用性能的好坏，决定了它的使用范围与使用寿命，金属材料的机械性能是零件的设计和选材重要依据，机械性能是金属材料常用指标的一个集合，而对于带钢而言，变形抗力是衡量带钢产品质量的一个重要指标。

回归神经元网络是一种计算模型，系统通过采集数据并通过学习的方法建立数据模型，即人为的为系统提供大量的样本数据，系统通过样本数据不断学习，在此基础上建立相应的数学模型，从而建立网络结构。自学习的过程一般为系统采集生产过程中的实测数据，然后对这些数据进行学习，系统选取数据的方式是选取一定生产周期的生产数据进行分析学习。

在带钢的生产过程中，热轧的卷取温度和终轧温度对带钢的变形抗力影响较大，因此，为提高带钢的产品质量，必须充分结合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带钢变形抗力影响的特点，摸索出一套可以充分运用的基于大数据理论的热轧特性对平整变形抗力的影响预测方法。

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变形抗力影响预测方法。本发明主要利用带钢生产过程中的热轧特性对变形抗力影响的特点，通过一定生产周期数据的学习，实现平整轧制过程中带钢变形抗力的预测。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变形抗力影响预测方法，包括如下步骤：

a)收集一定生产周期内的n组带钢规格参数、力学性能参数等生产数据并定义数据组编号i{i＝1,2,3,···,i,···,n}，包括带钢宽度bi{i＝1,2,3,···,i,···,n}，带钢入口厚度h0i{i＝1,2,3,···,i,···,n}，带钢出口厚度h1i{i＝1,2,3,···,i,···,n}，带钢的实际碳当量caci{i＝1,2,3,···,i,···,n}，带钢入口变形抗力σ0i{i＝1,2,3,···,i,···,n}，带钢的弹性模量e，泊松比v；

b)收集一定生产周期内的n组的平整机组工艺参数并定义数据组编号i，包括标准热轧卷取温度tcmi，实际热轧卷取温度tcaci，标准热轧终轧温度tfmi，实际热轧终轧温度tfaci，轧机的前张力f0i，工作辊直径dzi，轧机的后张力f1i，摩擦系数μi，带钢延伸率εi，变形抗力影响系数k3；工况影响系数a1i,a2i，前，后张力加权系数k1,k2，一般来说，k1＝k2＝0.5，轧机的实际轧制力pi’(i＝1,2,3,···,i,···,n)；

c)定义实际温度影响系数数组x＝{α1，α2}，给定温度影响系数数组初始值x0＝{α10，α20}，给定搜索步长初始值δx＝{δα1i，δα2i}，收敛精度η；

d)计算任意一组理论轧制力pi：

d1)令i＝1；

d2)计算带钢出口变形抗力σ1i：

σ1i＝σ0i+(tfmi-tfaci)*α1+(tcmi-tcaci)*α2

d3)计算带钢当量变形抗力σsi：

σsi＝k3σ1i-(k1f0i+k2f1i)

d4)计算轧制变形区中轧辊与带材接触弧长度li：

d5)计算单位宽度轧制力fi：

d6)计算理论计算的轧制力pi：

pi＝fibi

d7)判断i＜n，如果成立则令i＝i+1转入步骤d2)；若不成则转入步骤e)；

e)计算优化目标函数f(x)：

f)判断powell条件是否成立？若成立，则转入步骤g)；若不成立，则更新数组x及其搜索步长δx，转入步骤d)；

g)输出温度影响系数，计算带钢变形抗力预测值:

式中，b—材料参数，b≈0.005；

h)输出带钢变形抗力预测值，完成平整机组基于大数据理论的热轧特性对变形抗力优化的影响预报。

本发明具有以下优点：

本发明能够根据带钢生产现场的实际情况，充分结合热轧特性对带钢轧制时变形抗力影响的特点，通过对建立适当的数学模型，有效解决了平整轧制过程中带钢变形抗力的预测问题，为现场机组的生产控制提供了一定的理论基础。

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变形抗力影响预测方法计算流程图。

图2为平整机组理论轧制力计算方法流程图。

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。

本实施例以某平整机组为例，结合图1，对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变形抗力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所示的基于大数据的热轧卷取温度与终轧温度对平整变形抗力影响预测方法的计算流程图，首先，在步骤(a)中，收集一定生产周期内的n组带钢规格参数、力学性能参数等生产数据并定义数据组编号i{i＝1,2,3,···,i,···,n}，包括带钢宽度bi{i＝1,2,3,···,i,···,n}，带钢入口厚度h0i{i＝1,2,3,···,i,···,n}，带钢出口厚度h1i{i＝1,2,3,···,i,···,n}，带钢的实际碳当量caci{i＝1,2,3,···,i,···,n}，带钢入口变形抗力σ0i{i＝1,2,3,···,i,···,n}，带钢的弹性模量e，泊松比v；

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并定义数据组编号i，包括标准热轧卷取温度tcmi，实际热轧卷取温度tcaci，标准热轧终轧温度tfmi，实际热轧终轧温度tfaci，轧机的前张力f0i，工作辊直径dzi，轧机的后张力f1i，摩擦系数μi，带钢延伸率εi，变形抗力影响系数k3；前，后张力加权系数k1,k2，一般来说，k1＝k2＝0.5，轧机的实际轧制力pi’(i＝1,2,3,···,i,···,n)；

随后，在步骤(c)中定义实际温度影响系数数组x＝{α1，α2}，给定温度影响系数数组初始值x0＝{α10，α20}，给定搜索步长初始值δx＝{δα1i，δα2i}，收敛精度η；

随后，在步骤(d)中，计算任意一组理论轧制力pi：

首先，在步骤(d1)中，令i＝1；

随后，在步骤(d2)中，计算带钢出口变形抗力σ1i：

σ1i＝σ0i+(tfmi-tfaci)*α1+(tcmi-tcaci)*α2

随后，在步骤(d3)中，计算带钢当量变形抗力σszi：

σsi＝k3σ1i-(k1f0i+k2f1i)

随后，在步骤(d4)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(d5)中，计算单位宽度轧制力fi：

随后，在步骤(d6)中，计算理论计算的轧制力pi：

pi＝fibi

随后，在步骤(d7)中，判断i＜n，如果成立则令i＝i+1转入步骤d2)；若不成则转入步骤e)；

随后，在步骤(e)中，计算优化目标函数f(x)：

随后，在步骤(f)中，判断powell条件是否成立？若成立，则转入步骤g)；若不成立，则更新数组x及其搜索步长δx，转入步骤d)；

随后，在步骤(g)中，输出温度影响系数，计算带钢变形抗力预测值:

式中，b—材料参数，b≈0.005；

最后，在步骤(h)中，输出带钢变形抗力预测值，完成平整机组基于大数据理论的热轧特性对变形抗力优化的影响预报。

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。

表1实施例1中平整变形抗力预测结果

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，本发明通过对建立适当的数学模型，有效解决了平整轧制过程中带钢变形抗力的预测问题，为现场机组的生产控制提供了一定的理论基础。

表2实施例2中平整变形抗力预测结果

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。