《平整过程带钢机械性能在线检测控制方法.pdf》由会员分享，可在线阅读，更多相关《平整过程带钢机械性能在线检测控制方法.pdf（9页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201310436580.4 (22)申请日 2013.09.24 B21B 37/00(2006.01) (71)申请人 宝山钢铁股份有限公司 地址 201900 上海市宝山区富锦路 885 号 (72)发明人 顾廷权 姜正连 (74)专利代理机构 上海科琪专利代理有限责任 公司 31117 代理人 伍贤喆 朱丽琴 (54) 发明名称 平整过程带钢机械性能在线检测控制方法 (57) 摘要 本发明涉及板带轧制领域， 尤其涉及一种板 带平整质量控制方法。一种平整过程带钢机械性 能在线检测控制方法， 首先选用模型输入量、 模型 输出量， 建立。
2、平整工艺相关参数与带钢机械性能 之间对应关系的三层 BP 神经网络模型 ； 针对某一 钢种规格带钢收集记录 n 组平整工艺相关参数的 实测值和带钢机械性能参数的实测值作为神经网 络模型的训练样本， 采用 BP 方法对神经网络进行 学习训练， 即得到该钢种规格带钢的机械性能预 报模型 ； 利用机械性能预报模型实现对平整过程 带钢机械性能的在线控制。本发明并根据机械性 能预报值的判定结果对平整工艺参数进行调整， 实现对带钢机械性能参数的在线控制， 以获得带 钢材料较小的曲强比， 从而保持带钢良好的成型 性能。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利。
3、要求书1页 说明书5页 附图2页 (10)申请公布号 CN 104438350 A (43)申请公布日 2015.03.25 CN 104438350 A 1/1 页 2 1. 一种平整过程带钢机械性能在线检测控制方法， 其特征是， 包括以下步骤 ： 步骤一、 首先选用平整工艺相关参数作为模型输入量， 以带钢机械性能参数作为模型 输出量， 建立平整工艺相关参数与带钢机械性能之间对应关系的三层 BP 神经网络模型 ； 步骤二、 针对某一钢种规格带钢长度方向上的某一选定位置， 收集记录该处的平整工 艺相关参数的实测值， 经过平整后的带钢进入机组取样段时， 对该处带钢进行取样， 通过离 线破坏测试方。
4、法进行测试得到带钢机械性能参数的实测值 ； 步骤三、 多次重复步骤二， 得到该钢种规格带钢的 n 组平整工艺相关参数和带钢机械 性能参数 ； 步骤四、 将步骤三得到的 n 组数据作为神经网络模型的训练样本， 采用 BP 方法对神经 网络进行学习训练， 即得到该钢种规格带钢的机械性能预报模型 ； 步骤五、 将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统， 输入平整 工艺相关参数的实测值实现对带钢机械性能参数的预报， 对所得到的带钢机械性能参数预 报值进行判定， 根据判定结果对平整延伸率进行相应的调整， 实现对平整过程带钢机械性 能的在线控制。 2. 如权利要求 1 所述的平整过程带钢机。
5、械性能在线检测控制方法， 其特征是 : 所述步 骤一中， 作为模型输入量的参数共有 11 个， 分别为钢种炭当量 Cd、 退火温度 Te、 单位宽度平 整轧制力p、 平整入口张应力0、 平整出口应张力1、 平整速度v、 工作辊直径DW、 平整液浓 度 C、 带钢厚度 h、 平整辊轧制公里数 L、 平整延伸率实际值 ； 作为模型输出量的参数共有 两个， 分别为带钢屈服强度 s、 抗拉强度 b； 建立模型输入量与模型输出量对应关系的三 层 BP 神经网络模型时设置 19 个单元的中间层， 即三层 BP 神经网络模型中输入层 11 个单 元， 中间层 19 个单元， 输出层 2 个单元。 3. 如权。
6、利要求 2 所述的平整过程带钢机械性能在线检测控制方法， 其特征是 ： 所述步 骤五中对平整延伸率进行调整， 当带钢为薄带钢即带钢厚度小于或等于 0.3mm 时， 如果屈 服强度预报值超过屈服强度目标值上限， 则通过优先减小平整入口张应力 0、 平整出口应 张力 1来减小平整延伸率， 当 0、 1超下限时再通过减小单位宽度平整轧制力 p 来减小 平整延伸率 ； 如果抗拉强度预报值低于抗拉强度目标值下限， 则通过优先增大平整入口张 应力 0、 平整出口应张力 1来增大平整延伸率， 当 0、 1超上限时再通过增大单位宽度 平整轧制力 p 来增大平整延伸率。 4. 如权利要求 2 所述的平整过程带钢。
7、机械性能在线检测控制方法， 其特征是 ： 所述步 骤五中对平整延伸率进行调整， 当带钢为厚带钢即带钢厚度大于 0.3mm 时， 如果屈服强度 预报值超过屈服强度目标值上限， 则通过优先减小单位宽度平整轧制力 p 来减小平整延伸 率， 当 p 超下限再通过减小平整入口张应力 0、 平整出口应张力 1来减小平整延伸率 ； 如 果抗拉强度预报值低于抗拉强度目标值下限， 则通过优先增大单位宽度平整轧制力 p 来增 大平整延伸率， 当 p 超上限再通过增大平整入口张应力 0、 平整出口应张力 1来增大平 整延伸率。 5. 如权利要求 1 所述的平整过程带钢机械性能在线检测控制方法， 其特征是 : 所述步。
8、 骤四之前还包括对所得到的 n 组平整工艺相关参数和带钢机械性能参数进行合理性检查 的步骤。 权 利 要 求 书 CN 104438350 A 2 1/5 页 3 平整过程带钢机械性能在线检测控制方法 技术领域 0001 本发明涉及板带轧制领域， 尤其涉及一种板带平整质量控制方法。 背景技术 0002 在目前冷轧带钢生产实践中， 对带钢机械性能进行监控的通常方式是， 在相关的 冷轧后处理机组出口， 对带钢进行抽检取样， 然后在分析测试实验室对样板进行离线测试 获取带钢的机械性能参数， 并与下游用户的技术要求进行比较。如果带钢机械性能不满足 下游用户的要求， 则在后续的生产中对同类带钢的生产工艺。
9、参数或材料合金元素成份等进 行必要调整。然后再抽检取样、 离线分析测试、 在线调整制造工艺参数或材料成份等， 直到 带钢的机械性能完全满足下游用户要求为止。 这种离线检测所获得的机械性能参数只能够 有限地用于指导生产工艺调整或材料成份调整， 并且具有较长的时间滞后性。同时由于抽 检取样和离线检测具有非连续性， 不可能在线获取正在生产过程中的带钢性能参数， 而且 一般情况下只能对成卷带钢的头部或尾进行取样检测， 难以保证带钢在整卷长度方向上各 处的机械性能指标都是在用户要求的范围之内。 0003 为了获得少材料缺陷的冷轧镀锌带钢， 日本专利 JP09118926A 提出了一种热轧板 卷晶粒是否粗。
10、大的检测和处理方法， 即在酸洗之后采用非接触式磁头在线检测热轧板卷的 巴克豪森噪声电压值， 据此判断带头带尾材料晶粒是否粗大。如果带头或带尾存在晶粒粗 大的部分， 则在进入冷轧和退火之前将有材料缺陷的带头或带尾部分带钢切除掉。 0004 近年来， 随着检测技术的快速发展， 在线检测冷轧带钢的机械性能已成为可能。 各 国都在致力于解决无损的在线检测技术。 发明内容 0005 本发明所要解决的技术问题是提供一种平整过程带钢机械性能在线检测控制方 法， 该方法能利用平整工艺相关参数间接得到该钢种规格带钢的机械性能参数预报值， 并 根据预报值的判定结果对平整工艺相关参数进行调整， 实现对带钢机械性能参。
11、数的在线控 制， 以获得带钢材料较小的曲强比， 从而保持带钢良好的成型性能。 0006 本发明是这样实现的 ： 一种平整过程带钢机械性能在线检测控制方法， 包括以下 步骤 ： 步骤一、 首先选用平整工艺相关参数作为模型输入量， 以带钢机械性能参数作为模型 输出量， 建立平整工艺参数与带钢机械性能之间对应关系的三层 BP 神经网络模型 ； 步骤二、 针对某一钢种规格带钢长度方向上的某一选定位置， 收集记录该处的平整工 艺相关参数的实测值， 经过平整后的带钢进入机组取样段时， 对该处带钢进行取样， 通过离 线破坏测试方法进行测试得到带钢机械性能参数的实测值 ； 步骤三、 多次重复步骤二， 得到该钢。
12、种规格带钢的 n 组平整工艺相关参数和带钢机械 性能参数 ； 步骤四、 将步骤三得到的 n 组数据作为神经网络模型的训练样本， 采用 BP 方法对神经 说 明 书 CN 104438350 A 3 2/5 页 4 网络进行学习训练， 即得到该钢种规格带钢的机械性能预报模型 ； 步骤五、 将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统， 输入平整 工艺相关参数的实测值实现对带钢机械性能参数的预报， 对所得到的带钢机械性能参数预 报值进行判定， 根据判定结果对平整延伸率进行相应的调整， 实现对平整过程带钢机械性 能的在线控制。 0007 所述步骤一中， 作为模型输入量的参数共有11个， 。
13、分别为钢种炭当量Cd、 退火温度 Te、 单位宽度平整轧制力 p、 平整入口张应力 0、 平整出口应张力 1、 平整速度 v、 工作辊直 径DW、 平整液浓度C、 带钢厚度h、 平整辊轧制公里数L、 平整延伸率实际值 ； 作为模型输出 量的参数共有两个， 分别为屈服强度 s、 抗拉强度 b； 建立模型输入量与模型输出量对应 关系的三层 BP 神经网络模型时设置 19 个单元的中间层， 即三层 BP 神经网络模型中输入层 11 个单元， 中间层 19 个单元， 输出层 2 个单元。 0008 所述步骤五中对平整延伸率进行调整， 当带钢为薄带钢即带钢厚度小于或等于 0.3mm 时， 如果屈服强度预。
14、报值超过屈服强度目标值上限， 则通过优先减小平整入口张应力 0、 平整出口应张力 1来减小平整延伸率， 当 0、 1超下限时再通过减小单位宽度平整 轧制力 p 来减小平整延伸率 ； 如果抗拉强度预报值低于抗拉强度目标值下限， 则通过优先 增大平整入口张应力 0、 平整出口应张力 1来增大平整延伸率， 当 0、 1超上限时再通 过增大单位宽度平整轧制力 p 来增大平整延伸率。 0009 所述步骤五中对平整延伸率进行调整， 当带钢为厚带钢即带钢厚度为大于 0.3mm 时， 如果屈服强度预报值超过屈服强度目标值上限， 则通过优先减小单位宽度平整轧制力 p 来减小平整延伸率， 当 p 超下限再通过减小。
15、平整入口张应力 0、 平整出口应张力 1来减 小平整延伸率 ； 如果抗拉强度预报值低于抗拉强度目标值下限， 则通过优先增大单位宽度 平整轧制力 p 来增大平整延伸率， 当 p 超上限再通过增大平整入口张应力 0、 平整出口应 张力 1来增大平整延伸率。 0010 所述步骤四之前还包括对所得到的 n 组平整工艺相关参数和带钢机械性能参数 进行合理性检查的步骤。 0011 本发明平整过程带钢机械性能在线检测控制方法利用事前已知的或者通过在线 实时监测得到的平整工艺相关参数作为模型输入量， 通过取样离线测试得到对应的带钢机 械性能参数作为模型输出量， 在积累了足够数量某一钢种规格的数据后采用 BP 。
16、方法对神 经网络进行学习训练， 间接得到该钢种规格带钢的机械性能参数预报值， 使平整机起到带 钢机械性能传感器的作用， 并根据预报值的判定结果对平整工艺相关参数进行调整， 实现 对带钢机械性能参数的在线控制 ； 在一定程度上能降低带钢机械性能波动， 避免出现屈服 强度偏高、 抗拉强度偏低等情况， 以获得带钢材料较小的曲强比， 从而保持带钢良好的成型 性能 ； 本方法可以广泛应用于与国内外数量众多的各冷轧板带热镀锌机组、 连续退火机组 以及平整机组， 推广应用前景广阔。 附图说明 0012 图 1 为本发明平整过程带钢机械性能在线检测控制方法中三层 BP 神经网络模型 图 ； 图 2 为实施例中。
17、神经网络模型屈服强度训练误差散点图 ； 说 明 书 CN 104438350 A 4 3/5 页 5 图 3 为实施例中神经网络模型抗拉强度训练误差散点图。 具体实施方式 0013 下面结合具体实施例， 进一步阐述本发明。 应理解， 这些实施例仅用于说明本发明 而不用于限制本发明的范围。 此外应理解， 在阅读了本发明表述的内容之后， 本领域技术人 员可以对本发明作各种改动或修改， 这些等价形式同样落于本申请所附权利要求书所限定 的范围。 0014 实施例 1 一种平整过程带钢机械性能在线检测控制方法， 包括以下步骤 ： 步骤一、 首先选用平整工艺相关参数作为模型输入量， 以带钢机械性能参数作为。
18、模型 输出量， 建立平整工艺相关参数与带钢机械性能之间对应关系的三层 BP 神经网络模型 ； 在 本实施例中作为模型输入量的参数共有11个， 分别为钢种炭当量Cd、 退火温度Te、 单位宽度 平整轧制力p、 平整入口张应力0、 平整出口应张力1、 平整速度v、 工作辊直径Dw、 平整液 浓度 C、 带钢厚度 h、 平整辊轧制公里数 L、 平整延伸率实际值 ； 作为模型输出量的参数共 有两个， 分别为屈服强度 s、 抗拉强度 b； 建立模型输入量与模型输出量对应关系的三层 BP 神经网络模型时设置 19 个单元的中间层， 即三层 BP 神经网络模型中输入层 11 个单元， 中间层 19 个单元，。
19、 输出层 2 个单元 ； 步骤二、 针对某一钢种规格带钢长度方向上的某一选定位置， 收集记录该处的平整工 艺相关参数的实测值， 经过平整后的带钢进入机组取样段时， 对该处带钢进行取样， 通过离 线破坏测试方法进行测试得到带钢机械性能参数的实测值 ； 步骤三、 多次重复步骤二， 得到该钢种规格带钢的 n 组平整工艺相关参数和带钢机械 性能参数， ； 式中， i 参数组序号， si第 i 组屈服强度， bi第 i 组抗拉强度， i第 i 组平整延伸率实际值， pi单位宽度平整轧制力， 0i第 i 组平整入口张应力， 1i第 i 组平整出口张应力， vi第 i 组平整速度， Dwi第 i 组工作辊直。
20、径， Cdi第 i 组炭当量， Tei第 i 组退火温度， Ci第 i 组平整液浓度， Li第 i 组平整辊轧制公里数， hi第 i 组带钢厚度 ； 步骤四、 为了避免某些突变的错误数据影响到最后的预报结果， 首先对所得到的 n 组 平整工艺相关参数和带钢机械性能参数进行合理性检查 , 使用 “3 原则” ， 即将远离参数 说 明 书 CN 104438350 A 5 4/5 页 6 均值超过 3 个标准差 的值判别为离群点。对每组数据的每个参数作离群判别， 如果一组 数据的某个参数为离群值， 则将这一组数据清除， 然后将步骤三得到的 n 组数据作为神经 网络模型的训练样本， 采用 BP 方法。
21、对神经网络进行学习训练， 即得到该钢种规格带钢的机 械性能预报模型， ； 步骤五、 将经过学习训练好的机械性能预报模型嵌入平整机自动控制系统， 平整工艺 相关参数的实测值实现对带钢机械性能参数的预报， 对所得到的带钢机械性能参数预报值 进行判定， 根据判定结果对平整延伸率进行相应的调整， 实现对平整过程带钢机械性能的 在线控制。 0015 在本实施例中， 对平整延伸率进行进行调整时将带钢分为薄带钢和厚带钢两类， 其中薄带钢的厚度小于或等于 0.3mm， 厚带钢的厚度大于 0.3mm。 0016 当带钢为薄带钢时， 如果屈服强度预报值超过屈服强度目标值上限， 则通过优先 减小平整入口张应力 0、。
22、 平整出口应张力 1来减小平整延伸率， 当 0、 1超下限时再通 过减小单位宽度平整轧制力 p 来减小平整延伸率 ； 如果抗拉强度预报值低于抗拉强度目标 值下限时， 则通过优先增大平整入口张应力 0、 平整出口应张力 1来增大平整延伸率， 当 0、 1超上限时再通过增大单位宽度平整轧制力 p 来增大平整延伸率。 0017 当带钢为厚带钢时， 如果屈服强度预报值超过屈服强度目标值上限， 则通过优先 减小单位宽度平整轧制力 p 来减小平整延伸率， 当 p 超下限再通过减小平整入口张应力 0、 平整出口应张力 1来减小平整延伸率 ； 如果抗拉强度预报值低于抗拉强度目标值下 限时， 则通过优先增大单位。
23、宽度平整轧制力p来增大平整延伸率， 当p超上限再通过增大平 整入口张应力 0、 平整出口应张力 1来增大平整延伸率。 0018 以此来在一定程度上避免带钢的屈服强度偏高、 抗拉强度偏低， 以获得该钢种规 格带钢较小的曲强比， 从而保持带钢良好的成型性能。 0019 本实施例的步骤三中共收集了某平整机组生产的 06Cr19Ni10 板卷实际平整工艺 相关参数和对应的实测机械性能参数共 289 组， 作为训练样本， 对 BP 神经网络模型进行训 练， 模型训练误差如图 2、 图 3 所示， 289 组样本误差均在 1% 以内， 说明模型训练结果是可靠 的。 0020 模型预报精度验证。收集另外 1。
24、0 组 06Cr19Ni10 带钢的实际平整工艺相关参数和 对应的实测机械性能参数， 作为检验经过训练之后模型预报精度的测试样本， 将 10 组实际 平整工艺相关参数带入到带钢的机械性能预报模型中进行预报， 得到带钢机械性能参数预 报值结果如表 1 所示， 说 明 书 CN 104438350 A 6 5/5 页 7 从表 1 的结果可以看出模型的相对预报精度较高， 除了第 7 组以外都在 20% 以内， 机械 性能预报模型的精度基本满足要求。 0021 为了检验上述带钢机械性能检测与控制模型的实际效果， 在本项技术实施之前、 实施之后， 分别收集了某平整机组生产较多的某钢种不锈钢板实际机械性能数据各 21 组， 两组数据中屈服强度最大值、 抗拉强度最小值以及屈强比平均值如表 2 所示。 0022 表 2 机械性能控制试验结果 可以看出， 实施本项技术后， 带钢的实际曲强比有所减小， 屈服强度最大值有所减小， 抗拉强度有所增大。 说 明 书 CN 104438350 A 7 1/2 页 8 图 1 说 明 书 附 图 CN 104438350 A 8 2/2 页 9 图 2 图 3 说 明 书 附 图 CN 104438350 A 9 。