阅读说明：本技术 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 (Method for predicting influence of hot rolling coiling temperature and finish rolling temperature on flattening deformation resistance based on big data ) 是由 白振华 魏宝民 何召龙 王孝剑 华长春 于 2020-05-19 设计创作，主要内容包括：本发明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。包括收集一定生产周期内的带钢宽度、带钢入口厚度、带钢出口厚度、带钢的实际碳当量、带钢入口变形抗力、带钢的弹性模量、泊松比；以及标准热轧卷取温度、实际热轧卷取温度、标准热轧终轧温度、实际热轧终轧温度、轧机的前张力、工作辊直径、轧机的后张力、摩擦系数、带钢延伸率、变形抗力影响系数、前,后张力加权系数、轧机的实际轧制力；基于上述数据计算得到带钢变形抗力预测值。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,通过建立数学模型,有效解决平整轧制过程中带钢变形抗力的预测问题。(The invention provides a method for predicting the influence of hot rolling coiling temperature and finish rolling temperature on flattening deformation resistance based on big data. Collecting the width of strip steel, the thickness of a strip steel inlet, the thickness of a strip steel outlet, the actual carbon equivalent of the strip steel, the deformation resistance of the strip steel inlet, the elastic modulus of the strip steel and the Poisson ratio in a certain production period; the standard hot rolling coiling temperature, the actual hot rolling coiling temperature, the standard hot rolling finishing temperature, the actual hot rolling finishing temperature, the front tension of a rolling mill, the diameter of a working roll, the rear tension of the rolling mill, the friction coefficient, the elongation of strip steel, the influence coefficient of deformation resistance, the weighting coefficient of the front tension and the rear tension and the actual rolling force of the rolling mill; and calculating to obtain a predicted value of the deformation resistance of the strip steel based on the data. The method can effectively solve the prediction problem of the deformation resistance of the strip steel in the temper rolling process by establishing a mathematical model according to the actual condition of a strip steel production field and fully combining the characteristic of influence of hot rolling characteristics on the deformation resistance of the strip steel during rolling.)

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

技术领域

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。

发明内容

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B_i{i＝1,2,3,···,i,···,n}，带钢入口厚度h_0i{i＝1,2,3,···,i,···,n}，带钢出口厚度h_1i{i＝1,2,3,···,i,···,n}，带钢的实际碳当量C_aci{i＝1,2,3,···,i,···,n}，带钢入口变形抗力σ_0i{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T_Cmi，实际热轧卷取温度T_Caci，标准热轧终轧温度T_Fmi，实际热轧终轧温度T_Faci，轧机的前张力F_0i，工作辊直径D_zi，轧机的后张力F_1i，摩擦系数μ_i，带钢延伸率ε_i，变形抗力影响系数k₃；工况影响系数a_1i,a_2i，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＝{Δα_1i，Δα_2i}，收敛精度η；

D)计算任意一组理论轧制力p_i：

D1)令i＝1；

D2)计算带钢出口变形抗力σ_1i：

σ_1i＝σ_0i+(T_Fmi-T_Faci)*α₁+(T_Cmi-T_Caci)*α₂

D3)计算带钢当量变形抗力σ_si：

σ_si＝k₃σ_1i-(k₁F_0i+k₂F_1i)

D4)计算轧制变形区中轧辊与带材接触弧长度L_i：

D5)计算单位宽度轧制力f_i：

D6)计算理论计算的轧制力P_i：

P_i＝f_iB_i

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B_i{i＝1,2,3,···,i,···,n}，带钢入口厚度h_0i{i＝1,2,3,···,i,···,n}，带钢出口厚度h_1i{i＝1,2,3,···,i,···,n}，带钢的实际碳当量C_aci{i＝1,2,3,···,i,···,n}，带钢入口变形抗力σ_0i{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T_Cmi，实际热轧卷取温度T_Caci，标准热轧终轧温度T_Fmi，实际热轧终轧温度T_Faci，轧机的前张力F_0i，工作辊直径D_zi，轧机的后张力F_1i，摩擦系数μ_i，带钢延伸率ε_i，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p_i’(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＝{Δα_1i，Δα_2i}，收敛精度η；

随后，在步骤(D)中，计算任意一组理论轧制力p_i：

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σ_1i：

σ_1i＝σ_0i+(T_Fmi-T_Faci)*α₁+(T_Cmi-T_Caci)*α₂

随后，在步骤(D3)中，计算带钢当量变形抗力σ_szi：

σ_si＝k₃σ_1i-(k₁F_0i+k₂F_1i)

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L_zi：

随后，在步骤(D5)中，计算单位宽度轧制力f_i：

随后，在步骤(D6)中，计算理论计算的轧制力P_i：

P_i＝f_iB_i

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。