热轧非稳态过程轧制力自学习模型优化

doi:10.12068/j.issn.1005-3026.2019.10.008

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (10): 1408-1412.DOI: 10.12068/j.issn.1005-3026.2019.10.008

热轧非稳态过程轧制力自学习模型优化

彭文¹，姬亚锋²，陈小睿¹，张殿华¹

(1. 东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳110819; 2. 太原科技大学机械工程学院，山西太原030024)

收稿日期:2018-10-29 修回日期:2018-10-29 出版日期:2019-10-15 发布日期:2019-10-10
通讯作者: 彭文
作者简介:彭文(1987－)，男，山东青州人，东北大学副研究员；张殿华(1963－)，男，内蒙古赤峰人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(51704067，51634002)；中央高校基本科研业务专项资金资助项目(N180704006)；轧制技术及连轧自动化国家重点实验室开放课题(2017RALKFKT009).

Optimization of Rolling Force Self-learning Model in Unsteady Process of Hot Rolling

PENG Wen¹， JI Ya-feng²， CHEN Xiao-rui¹， ZHANG Dian-hua¹

1. State Key Laboratory of Rolling and Automation， Northeastern University， Shenyang 110819， China; 2. School of Mechanical Engineering， Taiyuan University of Science and Technology， Taiyuan 030024， China.

Received:2018-10-29 Revised:2018-10-29 Online:2019-10-15 Published:2019-10-10
Contact: PENG Wen
About author:-
Supported by:
-

摘要/Abstract

摘要： 为提高热连轧非稳态过程轧制力的预测精度，提出了一种轧制力自学习模型优化方法. 将模型自学习系数分解为层别学习系数和轧制状态学习系数，表征机架间轧制力预报偏差的遗传特性及实际轧辊状态对模型预报的影响.在系数更新过程中，根据层别距离分别对学习系数进行更新，减小了轧制规格切换时轧制力的预报误差.所提方法已成功应用于某热连轧过程，与原模型相比，优化后的自学习方法的预测偏差从2.8%降低到1.4%，均方差从3.3%降低到1.7%，有效提高了非稳态过程轧制力的预测精度和鲁棒性.

关键词: 热轧, 轧制力, 非稳态过程, 层别距离, 预测偏差

Abstract: In order to improve the predicted precision of rolling force in unsteady process， an optimization method for rolling force self-learning model was proposed. The self-learning coefficient in the model was decomposed into the layer learning coefficient and rolling state learning coefficient， which characterized the genetic characteristics of rolling force prediction deviation between racks， and the effect of actual roll state on the model prediction. In the process of coefficient updating， the learning coefficients were updated according to the layer distance so that the prediction error of rolling force could be reduced， especially when the rolling specifications were switched. The proposed self-learning method has been successfully applied into a hot rolling process. Compared with the original model， the predicted deviation of the optimized self-learning method is reduced from 2.8% to 1.4%， and the mean square error is reduced from 3.3% to 1.7%， which effectively improve the accuracy and robustness of rolling force in unsteady process.

Key words: hot rolling, rolling force, unsteady process, layer distance, prediction deviation

中图分类号:

TG335.5

彭文，姬亚锋，陈小睿，张殿华. 热轧非稳态过程轧制力自学习模型优化[J]. 东北大学学报:自然科学版, 2019, 40(10): 1408-1412.

PENG Wen， JI Ya-feng， CHEN Xiao-rui， ZHANG Dian-hua. Optimization of Rolling Force Self-learning Model in Unsteady Process of Hot Rolling[J]. Journal of Northeastern University Natural Science, 2019, 40(10): 1408-1412.

参考文献

[1]孙一康.冷热轧板带轧机的模型与控制［M］.北京:冶金工业出版社，2010:245-248.(Sun Yi-kang.Model and control of cold and hot strip rolling ［M］.Beijing:Metallurgical Industry Press，2010:245-248.)
[2]Lenard J G.Primer on flat rolling ［M］.London:Elsevier，2007.
[3]Peng W，Zhang D H，Zhao D W.Application of parabolic velocity field for the deformation analysis in hot tandem rolling ［J］.International Journal of Advanced Manufacturing Technology，2017，91(5/6/7/8):2233-2243.
[4]章顺虎，王晓南，赵德文，等.角平分屈服准则解析热轧厚板展宽轧制力［J］.辽宁科技大学学报，2016，39(6):418-423.(Zhang Shun-hu，Wang Xiao-nan，Zhao De-wen，et al.Analysis of broadside rolling force for hot heavy plate using angle bisector yield criterion ［J］.Journal of University of Science and Technology Liaoning，2016，39(6):418-423.)
[5]李维刚，陈水宣，刘相华.热轧带钢精轧过程考虑相变的轧制力模型［J］.东北大学学报(自然科学版)，2013，34(10):1425-1429.(Li Wei-gang，Chen Shui-xuan，Liu Xiang-hua.Rolling force model considering phase transformation for hot strips during finishing process［J］.Journal of Northeastern University(Natural Science)，2013，34(10):1425-1429.)
[6]王健，肖宏，张晶旭.热带钢精轧机组轧制力预设定模型自学习研究［J］.中南大学学报(自然科学版)，2014，45(10):3398-3407.(Wang Jian，Xiao Hong，Zhang Jing-xu.Research on self-learning of hot strip finishing setup model for rolling force ［J］. Journal of Central South University(Science and Technology)，2014，45(10):3398-3407.)
[7]Peng W，Liu Z Y，Yang X L，et al.Optimization of temperature and force adaptation algorithm in hot strip mill ［J］.Journal of Iron and Steel Research，International，2014，21(3):300-305.
[8]丁敬国，曲丽丽，胡贤磊，等.中厚板轧制力自学习过程层别跳变的自整定方法［J］.东北大学学报(自然科学版)，2011，32(1):64-66，71.(Ding Jing-Guo，Qu Li-li，Hu Xian-lei，et al.Self-adjusting for plate thickness layer skipping in rolling force learning process ［J］.Journal of Northeastern University(Natural Science)，2011，32(1):64-66，71.)
[9]Son J S，Lee D M，Kim I S，et al.A study on on-line learning neural network for prediction for rolling force in hot-rolling mill ［J］.Journal of Materials Processing Technology，2005，164 /165:1612-1617.
[10]陈治明，罗飞，黄晓红，等.基于混沌优化支持向量机的轧制力预测［J］.控制与决策，2009，24(6):808-812.(Chen Zhi-ming，Luo Fei，Huang Xiao-hong，et al.Rolling force prediction based on chaotic optimized support vector machine ［J］.Control and Decision，2009，24(6):808-812.)
[11]Vladimir P.Model for prediction of strip temperature in hot strip steel mill ［J］.Applied Thermal Engineering，2007，27(14/15):2404.
[12]Park C J，Hwang I C.Width control systems with roll force automatic width control and finishing vertical mill automatic width control in hot strip mill［J］.Journal of Materials Processing Technology，2008，206(1/2/3):143-151.
[13]Pen G W，Liu Z Y，Yang X L，et al．Optimization of temperature and force adaptation algorithm in hot strip mill［J］.Journal of Iron and Steel Research(International)，2014，21(3):300-305.
[14]马更生，彭文，刘元铭，等.带钢精轧阶段高精度宽度控制策略［J］.轧钢，2017，34(3):61-63.(Ma Geng-sheng，Peng Wen，Liu Yuan-ming，et al.High precision controls trategy of strip width in hot finishing rolling ［J］.Steel Rolling，2017，34(3):61-63.)
[15]Davies R，Coole T，Osipyw D.The application of time series modeling and Monte Carlo simulation:forecasting volatile inventory requirements［J］.Applied Mathematics，2014，5(8):1152-1168.
[16]Zhao T Y，Xiao H.Improved model to solve influence coefficients of work roll deflection［J］.Journal of Central South University of Technology，2010，17(5):1000-1005.
[17]Peng W，Chen S Z，Gong D Y，et al.Adaptive threading strategy based on rolling characteristics analysis in hot strip rolling［J］.Journal of Central South University，2017，24(9):1560-1572.

热轧非稳态过程轧制力自学习模型优化

Optimization of Rolling Force Self-learning Model in Unsteady Process of Hot Rolling

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	朱庆丰，闫渤，冯志鑫，左玉波. 2195铝合金不同速度热轧过程数值模拟及实验研究[J]. 东北大学学报（自然科学版）, 2023, 44(4): 502-509.
[2]	彭文，辛洪伞，李旭东，孙杰. 基于因子分析的板带热轧产品质量缺陷诊断[J]. 东北大学学报（自然科学版）, 2022, 43(6): 809-814.
[3]	李天祥，李海军，王昭东，王国栋. 热芯大压下轧制厚板坯缩孔及表面开裂的数值模拟[J]. 东北大学学报（自然科学版）, 2021, 42(7): 913-919.
[4]	何彧，宋克臣，张德富，颜云辉. 融合多层级特征的弱监督钢板表面缺陷检测算法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 687-692.
[5]	祖国胤，张影，魏振雄，满婷. Fe-Al微叠层复合材料的制备及界面表征[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1554-1561.
[6]	彭良贵，邢俊芳，陈国涛，龚殿尧. 传热与相变耦合的卷取温度模型自适应方法[J]. 东北大学学报:自然科学版, 2020, 41(1): 62-67.
[7]	任家宽，阎冬，陈俊，刘振宇. QT工艺对一种B-Nb低碳贝氏体钢组织及强韧性的影响[J]. 东北大学学报:自然科学版, 2019, 40(11): 1561-1567.
[8]	纪英俊，勇晓玥，刘英林，刘士新. 基于随机森林的热轧带钢质量分析与预测方法[J]. 东北大学学报:自然科学版, 2019, 40(1): 11-15.
[9]	李振垒，陈冬，袁国，王国栋. 变速轧制下超快冷系统工艺温度在线实时修正策略[J]. 东北大学学报:自然科学版, 2019, 40(1): 37-42.
[10]	王振华，龚殿尧，李广焘，张殿华. 遗传算法优化神经网络的热轧带钢弯辊力预报模型[J]. 东北大学学报:自然科学版, 2018, 39(12): 1717-1722.
[11]	李振垒，陈冬，康健，袁国. 在线控冷对热轧L360管线管组织和性能的影响[J]. 东北大学学报:自然科学版, 2018, 39(11): 1588-1592.
[12]	韩怀宾，赵宪明，王维，万长杰. 穿水冷却对GCr15轴承钢组织和力学性能的影响[J]. 东北大学学报:自然科学版, 2018, 39(10): 1390-1395.
[13]	利成宁，袁国，康健，王国栋. 异步热轧对低合金钢显微组织及力学性能的影响[J]. 东北大学学报:自然科学版, 2017, 38(7): 941-945.
[14]	龚殿尧，徐建忠，宋向荣，余四清. 热轧中宽带钢凸度控制模型开发与应用[J]. 东北大学学报:自然科学版, 2017, 38(4): 512-516.
[15]	陈树宗，李旭，彭文，张殿华. 基于数值积分与功率损耗测试的冷轧电机功率模型[J]. 东北大学学报:自然科学版, 2017, 38(3): 361-365.