热轧粗轧宽度控制优化与改进

宝钢不锈钢公司1780mm热轧生产线上的宽度控制主要采用了粗轧设定数学模型(RSU)及自动宽度控制模型(AWC)。针对生产过程中出现宽度控制模型的设定计算值和实侧值时常有较大的误差、学习系数经常处于不稳定的波动状态等问题,深入分析了粗轧设定宽展模型,对宽展模型中水平宽展系数及立辊宽展系数进行了优化,并改进了宽度自学习方式。结果表明,1780mm热轧生产线带钢的宽度精度显著提高,由改进前的92%提高到目前的98%以上。     

热连轧粗轧区FES宽展模型及其优化

为了满足某厂1580热连轧机宽度控制精度需求,提高宽展模型的广泛适用性,利用ANSYS/LS-DYNA有限元软件,对热轧粗轧区立轧--平轧过程进行了模拟.根据模拟数据,系统地分析了轧件宽度、厚度、轧辊直径、立辊侧压量和厚度压下量对"狗骨"宽展、自然宽展和绝对宽展的影响规律.利用模拟数据并结合现场数据构造了FES(finite element simulation)"狗骨"宽展模型和自然宽展模型,并建立了PSO-BP神经网络(粒子群BP神经网络).最后,FES宽展模型与PSO--BP神经网络相结合预报第1、3和5道次的宽展,其预报值与实测值误差在1mm以内的均达到了99%以上,达到了宽度控制的精度要求.     

粗轧过程中轧制力和宽展的预测与分析

 板带轧制数学模型是实现自动控制的基础,高精度的数学模型是提升产品质量和市场竞争力的重要保障。在热连轧粗轧过程控制中,轧制力和宽展是关键参数,其模型精度不仅会影响粗轧轧制规程的设定,而且会影响最终热连轧带钢产品凸度。以矩形板坯热连轧粗轧过程为研究对象,针对轧制变形区建立了三维运动许可加权速度场,在此基础上充分考虑自然宽展效应,基于刚塑性材料的第一变分原理,采用可变上限积分法对塑性变形、剪切功率和摩擦功率进行积分获得变形区总功率泛函。利用Matlab优化工具箱对总功率泛函进行最小化,得到了轧制力、宽度分布的理论解。最后利用理论模型计算数据回归得到了板坯宽展及速度场中的加权系数模型。将基于所提出模型的轧制力和宽展预测值与现场实测值及部分有关学者所建立模型的预测值进行了对比,结果验证了所建立模型的准确性。研究得到的宽展模型和速度场加权系数表达式可以方便、灵活、快速地应用到粗轧现场中,为更高质量热连轧带钢产品的生产奠定了坚实基础。     

基于数据分析的热轧精轧宽展预测性改进

为了提高产品质量及满足用户的指标要求，主要研究热轧产线精轧宽展数值在不同种类、不同规格、不同环境变量下的变化规律，从而将相应的过程数据进行采集、清洗、统计和剖析，借助数据分析的方法拟合公式，代替原有机理模型输出精轧宽展计算值，完成产品宽度自动化、自适应控制。     

基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数，研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例，现场实测数据仿真验证表明，该模型明显优于传统的数学预测模型，具有很高的预测精度。     

半无头轧制工艺下的精轧宽展预测

为了提高半无头轧制精轧宽展的预测精度，采用BP神经网络方法代替传统数学模型进行宽展预测，并采用改进的BP神经网络算法提高学习速度，与传统数学模型方法得到的预测精度作比较，结果表明采用此方法预测精度更优。     

热轧宽度模型控制的优化研究与应用

1780热轧宽度问题从2007年6月份开始日趋严重,宽度不合,余材量不断增大,针对这一情况,从提高精轧宽展稳定性、粗轧目标宽度准确性及粗轧宽度控制精度三方面优化宽度控制模型,从而使宽度问题得以受控.     

热轧H型钢腹板偏心原因分析及改进措施

结合大型H型钢生产线的工艺特点,确定了影响轧件偏心的显著因子,分别是AGC没有调试、加热操作不当、精轧宽展系数计算不准、滑板更换不及时、立辊装配轴向间隙过大、开轧温度波动、精轧轧制线调整不当、轧机轴向调整不当。通过相应的改进措施,腹板偏心合格率由94.6%提高至99%。     

连铸坯倒角对粗轧宽展的影响及宽度模型改进

带倒角的结晶器能够改善连铸板坯角部在矫直段的高温延展性,显著减少角横裂的发生。然而,连铸坯的倒角对粗轧过程宽展量有很大影响。通过建立粗轧过程板坯形变的有限元仿真模型,系统研究了轧制过程中板坯倒角尺寸和形状对轧件宽展量的影响。结果表明,连铸坯倒角边长越大,相同的立辊侧压量下所产生的狗骨回展量越小,同时在水平轧制时所产生的自然宽展也越小,而倒角角度的变化对粗轧宽展的影响不显著。针对现有的宽展公式没有考虑轧件存在倒角的问题,给出了一个含有倒角参数的修正项公式。通过与现场实测数据和原宽度模型计算结果对比,对于带倒角的连铸坯轧制情况,修正后的宽展模型预报精度显著提高。     

模块化精轧技术在不锈钢高线中的应用

采用数值分析、有限元分析、实验室试验等方法研究了高速线材精轧变形宽展影响因素及宽展模型、模块化精轧机耦合刚度及刚度模型、高速轧制时咬钢速降控制策略。针对某不锈钢高速线材生产线精轧机组长期存在的稳定性差、收放料型不准确导致的产品尺寸精度波动大的问题进行升级改造,通过高适应性孔型系统、高刚度模块化高速轧机、高速轧制速降控制技术实现了模块化精轧技术在不锈钢高线中的应用。针对爬坡段易划伤问题,将滑动摩擦式爬坡导槽优化为滚动摩擦式三辊导槽,并将精轧前侧活套调整为立活套。改造后生产结果表明,模块精轧机运行稳定,锥箱振动值小于2.8 mm/s,精轧机组出口料型尺寸精度较改造前提高20%以上,最终产品尺寸精度及表面质量均得到了明显改善。     

热轧带钢精轧过程中传热分析

通过对热轧带钢精轧过程中传热关系的分析，利用有限差分法建立了带钢精轧过程二维温度场的数值计算模型。结合唐钢热轧生产线的实际条件，对精轧过程中影响该模型温度场的轧制参数进行了深入的研究。从而优化了模型的建立，提高了数值模型模拟结果的可靠性。     

武钢热轧1700mm生产线精轧设定模型

热连轧中,精轧设定直接关系着成品带钢的尺寸和性能等,因此显得尤为重要,但是因为其涉及到压力、速度、流量、温度等大量物理参数而难度很大。国内一直依赖进口的精轧设定模型。武钢热轧1700 mm生产线在2008—2009年技术改造过程中,独立开发了完整的具有知识产权的精轧设定模型。     

邯钢CSP生产线CVC挡块失效分析

对邯钢新区连铸连轧厂精轧机组CVC窜辊系统挡块断裂失效的原因进行了分析,提出了相应的解决方法.     

基于深度学习的热轧带钢头部厚度的命中预测

 针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。     

Prediction of Rolling Load, Recrystallization Kinetics, and Microstructure During Hot Strip Rolling

 The recrystallization kinetics and grain size models were developed for the C Mn and niobium containing steels to describe the metallurgical phenomenon such as softening, grain growth, and strain accumulation. Based on the recrystallization kinetics equations, the mean flow stress and the rolling load of each pass were predicted and the optimum rolling schedule was proposed for hot strip rolling. The austenite grain refinement is associated with the addition of niobium, the decrease of starting temperature of finish rolling, and the reduction of finished thickness. The mean flow stress curve with a continuous rising characteristic can be usually observed in the finish rolling of niobium containing steel, which is formed as a result of the heavy incomplete softening and strain accumulation. The predicted rolling loads are in good agreement with the measured ones.     

热连轧精轧机组温度控制数学模型研究

从现场实际出发研究了精轧各个环节的温度变化过程,分析了带钢热连轧终轧温度与各影响因素之间的关系.同时将温度模型程序化,采用计算机系统进行分析和计算,提出了行之有效的温度模型方案.该温度模型对其它热轧生产线同样适用.     

中厚板MAS轧制过程的有限元模拟

采用有限元软件ANSYS／LS-DYNA对MAS轧制过程及随后的展宽和精轧过程进行了模拟计算,分析了各变形阶段钢板的形状变化及不同MAS轧制参数对钢板边部形状的影响。结果表明：MAS轧制可以改善轧后钢板边部形状。钢板边部形状的改变不仅与MAS轧制的补偿面积有关,而且与MAS轧制段长度和压下量的比值有关,若MAS轧制参数选取不当,钢板边部会发生“过补偿”现象。根据计算结果选取MAS轧制参数,在中厚板轧机上进行了现场生产试验,效果良好。     

Finite Element Analysis of Flange Spread Behavior in H‐beam Universal Rolling

Flange spread is one of the most important factors in the production of H‐beams with the universal rolling mill. Although some prediction models for flange spread have been proposed, the constants in the model equations should be determined for each product size, which requires much experimental work. In this research, finite element analysis was carried out in various rolling conditions and a technique for deciding the model constants by the analysis was investigated. First, rolling experiments using pure lead were carried out to confirm the correctness of the flange spread model. Finite element analyses were then executed for rolling conditions corresponding to the experiments. The flange spread in the numerical analyses showed very good agreement with the experimental results, confirming the accuracy of the numerical simulation. At the same time, the possibility of determining the model constants by numerical analysis was demonstrated. Other related properties of universal rolling were also investigated with the data from the finite element analysis. Changes in the web and flange thicknesses after exiting the roll gap were quantitatively simulated. The cross‐flow behavior between the web and flange was investigated, and the effect of rolling conditions on the cross‐flow ratio was obtained. This research demonstrates that finite element simulation is a powerful tool for investigating and modeling deformation in H‐beam universal rolling.     

基于粗轧镰刀弯的精轧跑偏预控模型及应用

带钢热轧跑偏问题是影响带钢生产与板形质量的重要因素。轧制生产过程中,由于粗轧中间坯头部弯曲导致的精轧堆钢事故频发,不仅严重危害生产稳定性,还造成资源的严重浪费和企业的经济损失。为了解决上述问题,针对粗轧非对称板形影响因素,结合实测粗轧中间坯以及工艺过程数据,建立中间坯头部预控模型,并利用加权最小二乘法与模型自学习对模型增益系数进行优化,最终建立了基于粗轧镰刀弯的精轧跑偏预控模型。将模型计算值应用于现场生产后,有效降低了精轧带钢头部跑偏,具有较好的参考价值和指导意义。