热连轧厚规格带钢轧制及卷取工艺改进

通过对热连轧厚规格带钢轧制及卷取工艺的研究,找出了废钢产生的原因。通过合理设定计算卷取机参数,增大精轧机组入口厚度,降低终轧温度,改进厚规格带钢层流冷却控制模型,建立了合理的工艺规程,使废钢率由２．９１０％降至１．１２６％。     

变辊缝法热连轧机组带钢厚度与轧制力智能纠偏系统

对带钢厚度偏差和轧制力偏差进行BP智能预测，并提出变辊缝法偏差校正算法实现偏差校正。离线模拟与在线应用的结果表明，提高机组带钢厚度偏差命中率20％和轧制力偏差命中率8％。     

带钢热连轧过程轧制力三维有限元模拟

在现代计算机控制的带钢生产中,轧制力的设定极其重要.根据宝钢轧制力模型和现场实测数据,结合热连轧过程中带钢三维变形和热力耦合的特点,应用DEFORM-3D软件建立了带钢热连轧前两个道次的有限元模型,模拟了热连轧过程中两个道次的轧制力变化,并与宝钢模型计算值和实测值进行了对比.结果表明,有限元法计算的轧制力与现场实测数据接近,两者误差在5.0%以内,同时有限元法的计算精度高于宝钢轧制力模型,特别是在第一道次,轧制力计算精度高出4.0%,该模拟为现场轧制工艺参数的调整优化提供了重要的参考价值.     

基于改进ABC-SVR的铝热连轧轧制力预报

在铝热连轧轧制过程的二级设定中,轧制力的准确性直接影响辊缝的设定和辊缝自适应时间,最终将影响成品的厚度精度。该文采用支持向量回归机(SVR)和传统数学模型相结合的方式预测轧制力,在模型预测中采用改进的人工蜂群(ABC)算法对SVR中的参数进行寻优,保证预测轧制力的准确性。将模型应用于某1+4铝热连轧现场的二级设定中,轧制效果良好,准确度远高于传统数学模型。     

基于改进ABC-SVR的铝热连轧轧制力预报

在铝热连轧轧制过程的二级设定中,轧制力的准确性直接影响辊缝的设定和辊缝自适应时间,最终将影响成品的厚度精度。该文采用支持向量回归机(SVR)和传统数学模型相结合的方式预测轧制力,在模型预测中采用改进的人工蜂群(ABC)算法对SVR中的参数进行寻优,保证预测轧制力的准确性。将模型应用于某"1+4"铝热连轧现场的二级设定中,轧制效果良好,准确度远高于传统数学模型。     

450mm热连轧机组轧制带钢拓宽分析

讨论了邯郸钢铁公司一轧厂450mm热连轧带钢的拓宽问题；对该机组及其φ500mm开坯机进行了现场测试，并在计算机上进行了带钢拓宽模拟轧制，得出了该机组的最大轧制负荷及其带钢的拓宽限度。     

1580 mm热连轧带钢精轧轧制力模型研究与改进

为了提高首钢京唐1 580 mm产线精轧轧制力预报精度,对精轧轧制力模型进行了研究,结合现场生产的典型问题,即同一钢种族内化学成分波动、薄规格带钢头部大张力引起精轧模型自学习趋势异常及变形抗力自学习层别跳变引起的轧制力设定偏差,对轧制力基础模型和自学习模型进行了改进。修正了钢种族的划分方法、回归整定了化学成分对变形抗力的影响因子、增加了实测张力修正精轧自学习的方法以及建立了基于双线性插值方法来获取变形抗力自学习系数的方法。改进措施实施后,各机架的轧制力预报精度均有不同程度的提高,且带钢通长的厚度标准差由12.22μm降低至10.5μm以内,指标精度得到显著提升。     

热连轧活套张力异常的分析与解决

介绍了唐山钢铁股份有限公司1810mm热连轧生产线的活套控制原理,分析了起套过程中和正常轧制时活套张力异常的原因,并提出了解决办法,其中合理设定AMTC参数、避免连铸坯厚度频繁改变、正确计算活套量等是关键。     

传统热连轧机轧制1.0 mm薄规格带钢的实践

介绍了河钢集团承钢公司1 780 mm传统热连轧生产线成功批量生产1.2 mm带钢的生产实践,基于此,通过对冶炼成分、加热温度、轧制力、轧制温度及卷取温度等因素的进一步优化和控制,批量轧制出1.0 mm薄规格带钢,带钢板形良好,性能均匀。     

冷轧带钢轧制力计算方法的比较

介绍了三种常用的冷轧带钢轧制力计算方法间的比较及一种新带钢变形的实时计算方法。     

铁素体热轧轧制力模型的改进

为了实现ＩＦ钢铁素体区热轧,通过对宝钢２０５０ｍｍ热连轧机轧制力预测模型的分析,并结合实验结果,对精轧轧制力模型进行了改进。改进后的模型对温度采用了分段处的方法,并引进了静态软件影响参数,使铁素体区轧制力预测精度显著提高。     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

热轧窄带拉带原因分析与改进

通过对马钢窄带钢生产中拉带产生原因的分析,得出其主要影响因素为精轧机组压下规程不合理,电机速降严重,以及活套套量不稳定,从而提出了相应对策,较好地解决了这一问题。     

全连续式热轧窄带钢生产工艺优化

介绍了莱钢500mm热带生产线的钢坯输送、加热、轧制、成品收集及自动控制等方面的工艺改进措施，使生产线的工艺结构及工艺环境得到优化，并提出了今后的工作重点。     

Analysis of asymmetrical hot strip rolling by the slab method

Two analytical models based on the slab method are proposed to examine the behavior of sheet at the roll gap during the asymmetrical hot strip rolling process. In model I, the effect of shear stress in vertical plane at the roll gap is considered, whereas this effect is neglected in model II. Neutral points between rolls and strip, rolling pressure distributions along the contact art length of rolls, rolling forces, and rolling torques can be calculated easily by these proposed analytical models. The results including rolling pressure distributions, rolling forces, and rolling torques by both models are compared. The rolling pressure distribution predicted by model I shows that a “pressure well” develops in the cross shear region. On the other hand, no “pressure well” is predicted in model II. Furthermore, the rolling forces predicted by model I are always lower than those measured in the experiment, whereas those predicted by model II are always higher. However, the averages of the values predicted by model I and II are in fairly good agreement with the experimental data. Thus this analytical approach can offer useful knowledge in designing the pass schedules of the asymmetrical hot strip rolling processes.     

热轧润滑的效果——热轧润滑技术讲座（二）

介绍了热轧润滑技术在国内外热连轧机上的应用效果,即可明显减少辊耗,降低轧制力,轧制力矩,提高作业率,因而经济效益非常明显;同时提出进一步改善热轧润滑效果需要重视的问题。     

热轧薄带的生产现状及展望

根据钢铁工业所面临的变化和结构调整的实际情况，论述了目前国内外热轧薄带的生产实践及现状，分析了热轧薄带钢作为冷轧带钢替代物的趋势，展望了热轧薄带的发展方向。     

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。