本发明涉及冷轧连退技术领域,尤其涉及一种酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法。
背景技术:
在冷轧的过程中,摩擦系数是带钢力学性能预报的基础,其计算精度直接影响到轧变形抗力、板形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。对轧制过程而言,上游工序的热轧时的终轧温度与卷曲温度将会在一定程度上影响摩擦系数。
在带钢的冷轧过程中,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,而提供一种酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法。本发明采用的技术手段如下:
一种酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法,包括如下步骤:
a)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,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,带钢的杨氏模量e,带钢的泊松比v,带钢出口变形抗力σ1i,带钢入口宽度bi,带钢出口宽度bi,其中,i{i=1,2,3,···,i,···,n}表示数据组编号;
b)收集一定生产频次的酸轧机组的设备参数,包括机组标准热轧终轧温度与实际热轧终轧温度tfmi,tfaci,机组标准热轧卷取温度与实际热轧卷取温度tcmi,tcaci,轧机的出口轧制速度vi,轧机速度对摩擦系数的影响系数
c)计算初始摩擦系数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)计算摩擦系数μi:
f)计算任意一组理论轧制力pi:
f1)令i=1;
f2)计算轧辊的压扁系数d0:
f3)计算轧机的压扁半径ri’:
f4)计算外摩擦影响系数qpi:
f5)计算弹性压缩区轧制力p1i:
f6)计算弹性回复区轧制力p2i:
f7)计算单位轧制力pavei:
pavei=(p1i+p2i)/10000
f8)计算理论计算的轧制力pi:
pi=pavei*bi
f9)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)计算任意一组理论轧制功率ni:
g1)令i=1;
g2)计算轧机的接触弧长度的水平投影li:
g3)计算轧机的带钢与轧辊接触面积si:
g4)计算轧机的力臂系数wi:
g5)计算轧机的功率系数ψi:
ψi=0.705-0.108wi+0.083/wi
g6)计算轧机的力矩mi:
mi=piliψi
g7)计算轧机的理论计算的轧制功率ni:
ni=1.013mini
g8)判断i<n,如果成立则令i=i+1转入步骤g2);若不成立则转入步骤h);
h)计算优化目标函数f(x):
i)判断powell条件是否成立?若成立,则转入步骤j);若不成立,则更新数组x及其搜索步长δx,转入步骤e);
j)输出酸轧机组热轧特性对摩擦系数的影响系数,完成酸轧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:
本发明根据带钢生产现场的实际情况,充分结合酸轧机组的设备特点,考虑到不同的生产条件下,带钢所需的热轧温度不同,对轧制过程中的摩擦系数影响也不同,因此,基于大数据理论的热轧特性对平整摩擦系数影响预测方法主要在于对前期一定生产周期的产品数据进行分析得到相应的计算模型参数,通过对模型的计算求得热轧的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冷轧过程中的摩擦系数进行预测,有效解决了机组摩擦系数的预测问题,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为本发明酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法流程图。
图2是酸轧机组理论轧制力计算方法流程图。
图3是酸轧机组理论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。
实施例1
如图1~3所示,以某酸轧机组为例,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,带钢入口宽度bi,带钢出口宽度bi
(i=1,2,3,···,i,···,n);
随后,在步骤(b)中,收集一定生产频次的酸轧机组的设备参数,包括机组标准热轧终轧温度与实际热轧终轧温度tfmi,tfaci,机组标准热轧卷取温度与实际热轧卷取温度tcmi,tcaci,轧机的出口轧制速度vi,轧机速度对摩擦系数的影响系数
随后,在步骤(c)中,计算初始摩擦系数:
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,计算摩擦系数:
随后,在步骤(f)中,计算任意一组理论轧制力pi:
首先,在步骤(f1)中,令i=1;
随后,在步骤(f2)中,计算轧辊的压扁系数d0:
随后,在步骤(f3)中,计算轧机的压扁半径ri’:
随后,在步骤(f4)中,计算外摩擦影响系数qpi:
随后,在步骤(f5)中,计算弹性压缩区轧制力p1i:
随后,在步骤(f6)中,计算弹性回复区轧制力p2i:
随后,在步骤(f7)中,计算单位轧制力pavei:
pavei=(p1i+p2i)/10000
随后,在步骤(f8)中,计算理论计算的轧制力pi:
pi=pavei*bi
最后,在步骤(f9)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,计算任意一组理论轧制功率ni:
首先,在步骤(g1)中,令i=1;
随后,在步骤(g2)中,计算轧机的接触弧长度的水平投影li:
随后,在步骤(g3)中,计算轧机的带钢与轧辊接触面积si:
随后,在步骤(g4)中,计算轧机的力臂系数wi:
随后,在步骤(g5)中,计算轧机的功率系数ψi:
ψi=0.705-0.108wi+0.083/wi
随后,在步骤(g6)中,计算轧机的力矩mi:
mi=piliψi
随后,在步骤(g7)中,计算轧机的理论计算的轧制功率ni:
ni=1.013mini
最后,在步骤(g8)中,判断i<n,如果成立则令i=i+1转入步骤g2);若不成立则转入步骤h);
随后,在步骤(h)中,计算优化目标函数f(x):
随后,在步骤(i)中,判断powell条件是否成立?若成立,则转入步骤j);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(j)中,输出酸轧机组热轧特性对摩擦系数的影响系数,完成酸轧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中机组在采用酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法后预测结果。
表中,摩擦系数预测值为步骤i的结果,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摩擦系数中预测结果
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中机组在采用酸轧机组基于大数据理论的热轧特性对摩擦系数影响预测方法后预测结果,综合实施例1和实施例2的结果,可以看出,本发明通过对模型的计算求得热轧的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冷轧过程中的摩擦系数进行预测,有效解决了机组摩擦系数的预测问题,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摩擦系数中预测结果
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。