一种轧制过程带钢表面粗糙度的预测方法技术

本发明专利技术提供一种轧制过程带钢表面粗糙度的预测方法，属于板带轧制技术领域。本方法在批量采集工业生产现场数据的基础上，获得了工作辊的初始表面粗糙度、带钢的表面粗糙度以及带钢的生产工艺参数等数据，采用回归分析的方法，利用最小二乘法计算回归系数，并通过F检验逐一剔除掉对因变量影响不显著的自变量，进而得到带钢表面粗糙度的预测模型。该方法考虑的工艺因素更全面，且原理简单，计算过程方便，能够充分利用现场实际工艺参数。

Method for predicting strip surface roughness in rolling process

The invention provides a method for predicting the surface roughness of strip steel in rolling process, belonging to the technical field of plate and strip rolling. This method in batch acquisition based on field data of industrial production, the initial work roll surface roughness surface roughness, and the strip steel production process parameters and other data, using the method of regression analysis, the regression coefficients calculated by least square method, and through the F test by excluding no significant effects on the dependent variable the independent variables, and then obtain the strip surface roughness prediction model. The method is more comprehensive, simple in principle and convenient in calculation. It can make full use of the actual process parameters at the site.

【技术实现步骤摘要】
一种轧制过程带钢表面粗糙度的预测方法
本专利技术涉及板带轧制
，特别是指一种轧制过程带钢表面粗糙度的预测方法。
技术介绍
表面形貌是冷轧带钢最重要的表面质量指标之一，对高档汽车面板和家电面板的冲压性能、辊涂或喷涂后漆面与基体结合力有重要影响。为实现我国高档汽车面板和家电面板的全面自主化和国产化，钢铁下游行业主要钢材产品升级中，对汽车业和家电业的带钢明确提出了“提高产品表面质量和质量稳定性”的要求。根据带钢轧制过程的生产特点，轧制工艺参数主要根据轧件的材料、力学性能和板形等的需求由计算机最佳设定并加以控制，在轧制工艺参数的设定和调整中，而尚未考虑到对带钢表面形貌的控制。目前，钢铁企业主要通过控制冷轧和平整工序中毛化工作辊的初始表面形貌来控制带钢表面形貌。然而带钢表面形貌的生成还受到轧制工艺参数和带钢来料特征等因素的影响，这些因素在轧制过程中往往会发生较大的变化，使得带钢的表面粗糙度无法满足质量要求。文献1(白振华，王骏飞.冷连轧机成品板面粗糙度控制技术的研究[J].钢铁，2006，41(11)：46-49)和文献2(周庆田，白振华，王骏飞.冷连轧过程板面粗糙度模型及其应用的研究[J].中国机械工程，2007，18(14)：1743-1746)中，在经过大量现场试验和理论研究的基础上，各建立了一套冷连轧机成品板面粗糙度模型，将其应用到宝钢2030五机架冷连轧机板面粗糙度的控制中。但是两种模型的基本原理类似，对于冷连轧生产过程中工作辊的表面粗糙度的衰减，均认为主要与工作辊的原始粗糙度与换辊后的轧制公里数有关，忽略了轧制工艺参数、带钢材质和规格等因素的影响。在轧制过程中，带钢表面形貌受多种因素的影响，使轧辊与钢板表面形貌之间并不具备严格传递的关系，在不同的轧制条件和轧制不同钢板的情况下，表面形貌的传递效率不同，这使钢板表面形貌的预报存在很大的困难。如果忽略某些因素对表面形貌的影响，将引起预报模型对真实值的预报失真。因此，有必要在分清这些因素对表面粗糙度影响程度的基础上，建立钢板表面形貌的回归模型，使得预测结果更为准确。
技术实现思路
本专利技术要解决的技术问题是提供一种轧制过程带钢表面粗糙度的预测方法，该方法在对相关工艺参数进行因变量和自变量构建的基础上，通过多元线性回归和显著性检验的方法，依次剔除掉对因变量影响不显著的自变量，保留对因变量影响显著的因素，最终得到带钢表面粗糙度的预测数学模型，并利用该模型对生产现场的实际生产过程进行带钢表面粗糙度的预测计算。该方法具体步骤如下：(1)获得生产现场轧辊服役期内的工艺参数实测数据共计n组，n≥1，每组数据包括：工作辊的初始表面粗糙度Ra0，单位μm；带钢的表面粗糙度Ra，单位μm；带钢宽度w，单位mm；带钢的厚度h，单位mm；带钢的变形抗力q，单位MPa；带钢对应的工作辊轧制里程L，单位m；带钢的表面形貌控制机架的压下量Δh，单位mm；带钢的表面形貌控制机架的入口张力F1，单位kN；带钢的表面形貌控制机架的出口张力F2，单位kN；带钢的表面形貌控制机架的轧制力F，单位kN；带钢的表面形貌控制机架的轧制速度v，单位m·s-1，然后由带钢宽度w和带钢的表面形貌控制机架的轧制力F计算得到带钢的表面形貌控制机架的单位宽度轧制力f，单位kN·mm-1，具体计算方法为：f＝F/w；(2)计算回归分析的因变量和自变量，因变量Y为根据步骤(1)中得到的带钢的表面粗糙度Ra与工作辊的初始表面粗糙度Ra0计算得到的比值Y＝Ra/Ra0；自变量为由步骤(1)中得到的带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f和带钢的表面形貌控制机架的轧制速度v，进行计算得到的41个自变量，依次表示为X1，X2，……，X41，且X1，X2，……，X41依次等于h、h2、h3、lnh、(lnh)2、(lnh)3、L、ln(L+1)、[ln(L+1)]2、[ln(L+1)]3、Δh、Δh2、Δh3、ln(Δh+1)、[ln(Δh+1)]2、[ln(Δh+1)]3、hΔh、(hΔh)2、(hΔh)3、f、f0.5、f2、f3、v、v2、v3、ln(v+1)、[ln(v+1)]2、[ln(v+1)]3、1000f/q、(1000f/q)2、(1000f/q)3、F2/F1、(F2/F1)2、(F2/F1)3、ln(F2/F1+1)、ln(F2/F1+1)2、ln(F2/F1+1)3、Δh·F2/F1、v·F2/F1和f·F2/F1；(3)回归方程的数学表达形式为：Yi＝A0+A1X1i+A2X2i+L+A41X41i，其中，下标i代表利用步骤(1)中的第i组实测数据，1≤i≤n；Yi为第i组数据的因变量Ra/Ra0；X1i，X2i，……，X41i为第i组实测数据的41个自变量具体数值；A0，A1，A2，…Aj，…，A41是42个待定参数，0≤j≤41；(4)将n组实测数据代入步骤(3)中的回归方程，利用最小二乘法计算得到待定参数A0，A1，A2，…Aj，…，A41的具体数值，即为回归系数；(5)利用F检验法对回归方程的自变量进行显著性检验，从非显著的自变量中剔除Fj最小的一个自变量，然后重新建立余下自变量的回归方程并进行显著性检验和Fj最小的自变量剔除，重复构建方程、显著性检验和非显著的自变量剔除过程，直到余下的所有自变量都显著为止；(6)得到带钢表面粗糙度的预测数学模型为：Ra＝(a0+a1x1+a2x2+…+aβxβ)Ra0，其中，β为41个自变量中对因变量影响显著未被剔除的自变量的个数，1≤β≤41；x1，x2，……，xβ依次等于X1，X2，……，X41中对因变量影响显著未被剔除的自变量；a0＝A0，a1，a2，……，aβ依次等于A1，A2，……，A41中对因变量影响显著未被剔除的自变量所对应的系数；(7)利用步骤(6)得到的带钢表面粗糙度的预测数学模型，根据实际生产过程中的工作辊的初始表面粗糙度Ra0、带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f、带钢的表面形貌控制机架的轧制速度v，计算带钢的粗糙度Ra。其中，步骤(4)中利用最小二乘法计算得到A0，A1，A2，……，A41和步骤(5)中利用F检验法对回归方程的自变量进行显著性检验，是利用EXCEL中的回归分析模块，或者利用SPSS中的逐步回归分析模块，或者利用Matlab编程进行实现。步骤(1)中带钢的表面粗糙度Ra的测量，是沿着带钢宽度方向，在上表面和下表面等间距各测k个点，1≤k≤10，Ra取所有测量结果的平均值。步骤(1)中获得生产现场轧辊服役期内的工艺参数实测数据共计n组中的n≥20，以保证预测结果的可靠性。本专利技术的上述技术方案的有益效果如下：(1)考虑的工艺因素更全面；(2)原理简单，利用EXCEL中的回归分析模块，或者利用SPSS中的逐步回归分析模块，或者利用Matlab编程使得计算过程方便；(3)充分本文档来自技高网...

【技术保护点】
一种轧制过程带钢表面粗糙度的预测方法，其特征在于：该方法具体步骤如下：(1)获得生产现场轧辊服役期内的工艺参数实测数据共计n组，n≥1，每组数据包括：工作辊的初始表面粗糙度R

【技术特征摘要】
1.一种轧制过程带钢表面粗糙度的预测方法，其特征在于：该方法具体步骤如下：(1)获得生产现场轧辊服役期内的工艺参数实测数据共计n组，n≥1，每组数据包括：工作辊的初始表面粗糙度Ra0，单位μm；带钢的表面粗糙度Ra，单位μm；带钢宽度w，单位mm；带钢的厚度h，单位mm；带钢的变形抗力q，单位MPa；带钢对应的工作辊轧制里程L，单位m；带钢的表面形貌控制机架的压下量Δh，单位mm；带钢的表面形貌控制机架的入口张力F1，单位kN；带钢的表面形貌控制机架的出口张力F2，单位kN；带钢的表面形貌控制机架的轧制力F，单位kN；带钢的表面形貌控制机架的轧制速度v，单位m·s-1，然后由带钢宽度w和带钢的表面形貌控制机架的轧制力F计算得到带钢的表面形貌控制机架的单位宽度轧制力f，单位kN·mm-1，具体计算方法为：f＝F/w；(2)计算回归分析的因变量和自变量，因变量Y为根据步骤(1)中得到的带钢的表面粗糙度Ra与工作辊的初始表面粗糙度Ra0计算得到的比值Y＝Ra/Ra0；自变量为由步骤(1)中得到的带钢的厚度h、带钢的变形抗力q、带钢对应的工作辊轧制里程L、带钢的表面形貌控制机架的压下量Δh、带钢的表面形貌控制机架的入口张力F1、带钢的表面形貌控制机架的出口张力F2、带钢的表面形貌控制机架的单位宽度轧制力f和带钢的表面形貌控制机架的轧制速度v，进行计算得到的41个自变量，依次表示为X1，X2，……，X41，且X1，X2，……，X41依次等于h、h2、h3、lnh、(lnh)2、(lnh)3、L、ln(L+1)、[ln(L+1)]2、[ln(L+1)]3、Δh、Δh2、Δh3、ln(Δh+1)、[ln(Δh+1)]2、[ln(Δh+1)]3、hΔh、(hΔh)2、(hΔh)3、f、f0.5、f2、f3、v、v2、v3、ln(v+1)、[ln(v+1)]2、[ln(v+1)]3、1000f/q、(1000f/q)2、(1000f/q)3、F2/F1、(F2/F1)2、(F2/F1)3、ln(F2/F1+1)、ln(F2/F1+1)2、ln(F2/F1+1)3、Δh·F2/F1、v·F2/F1和f·F2/F1；(3)回归方程的数学表达形式为：Yi＝A0+A1X1i+A2X2i+L+A41X41i，其中，下标i代表利用步骤(1)中的第i组实测...

【专利技术属性】
技术研发人员：李洪波，张杰，张鑫，尤媛，孔宁，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11