[go: up one dir, main page]

EP0994757B1 - Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes - Google Patents

Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes Download PDF

Info

Publication number
EP0994757B1
EP0994757B1 EP98940053A EP98940053A EP0994757B1 EP 0994757 B1 EP0994757 B1 EP 0994757B1 EP 98940053 A EP98940053 A EP 98940053A EP 98940053 A EP98940053 A EP 98940053A EP 0994757 B1 EP0994757 B1 EP 0994757B1
Authority
EP
European Patent Office
Prior art keywords
rolling
neural network
model
fsi
fri
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
EP98940053A
Other languages
English (en)
French (fr)
Other versions
EP0994757A1 (de
Inventor
Roland BRÜSTLE
Uwe Rietbrock
Clemens SCHÄFFNER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP0994757A1 publication Critical patent/EP0994757A1/de
Application granted granted Critical
Publication of EP0994757B1 publication Critical patent/EP0994757B1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/48—Tension control; Compression control
    • B21B37/52—Tension control; Compression control by drive motor control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2265/00—Forming parameters
    • B21B2265/12—Rolling load or rolling pressure; roll force
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2265/00—Forming parameters
    • B21B2265/20—Slip
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2275/00—Mill drive parameters
    • B21B2275/10—Motor power; motor current
    • B21B2275/12—Roll torque

Definitions

  • the invention relates to a method for controlling and / or Presetting of a roll stand for rolling a rolled strip According to the preamble of claim 1. It further relates to a corresponding device for carrying out the method.
  • a method according to the preamble of claim 1 and a Corresponding device are for example from the suaufsatz “Experiences with the use of neural networks in the Walzwerksautomatmaschine” by D. Lindhoff et al., Published in Stahl und Eisen, Volume 114 (1994), No. 4, pages 49 to 53, known.
  • From DE 195 27 521 C1 is a method of control and / or presetting a rolling stand for rolling a Metal band known in which the control and / or presetting of the roll stand in dependence on a rolling force, a rolling moment or an overfeed takes place, wherein the Rolling force, the rolling moment and / or the lead by means of a Roll model at least depending on the hardness of the Metal band and / or the friction between the metal band and the rolls of the rolling stand are calculated.
  • the object is achieved by a method with the Features of claim 1 and a device with the features of claim 6 solved.
  • reference symbols FS i denote the lead on the ith frame
  • MR i the rolling moment on the ith frame
  • FR i the rolling force on the ith frame
  • FT i the strip tension on the ith frame
  • eps i the relative decrease in thickness on the i -th framework
  • MS the material hardness, ie the hardness of the rolled strip
  • V i the belt speed after the ith frame
  • H i the strip thickness after the ith frame.
  • Reference numerals 1, 2, 3, 4 and 5 denote rolling stands, reference numerals 6 a uncoiler, reference numeral 7 a rolled strip and 8, a coiler.
  • FIG. 2 illustrates the physical relationships in a roll gap, which are advantageously included in the modeling with a rolling model.
  • the conditions in the nip are advantageously modeled by a strip model, where it is sufficient for reasons of symmetry to model only the upper or only the lower part of the roll stand, so that a boundary of the rolling model is the axis of symmetry 23 of the rolled strip 27.
  • the strip 27 is split in the region of the contact surface strip - roller in strips 28 (due to the clarity, only one strip is provided with a reference numeral) perpendicular to the direction of movement of the strip 27.
  • the material tension forces F Q are calculated in the horizontal and vertical directions and adjusted to each other via equilibrium conditions at the strip edges.
  • some material tension forces F Q are entered by way of example.
  • the vertical material tension forces F Q lead to a flattening 26 of the roller 21.
  • the calculation of the flattened roller radius R B is carried out iteratively with the aid of the strip model and a model which describes the deformation of the roller.
  • the flow sheath 20 is the location where the material is straight with the peripheral speed of the roller 21 moves. In front the flow sheath 20, the material moves slower, behind the flow sheath 20 faster than the peripheral speed the roller 21. Except at the location of the flow sheath 20 occurs accordingly everywhere between work roll 21 and material one Relative movement 24, 25 on. This relative movement 24, 25 leads to considerable friction forces.
  • FIG. 3 shows an improvement of the output variables of a rolling model 32 by changing input variables 32 of the rolling model 31 by means of a neural network based Information Processing 33.
  • the rolling model 31 determines depending on the Input variables 30 and 32 Output variables 34. These output variables are rolling force, rolling moment and / or overfeed.
  • the Inputs 32 are made by one on neural networks based information processing or a neural Network 33 as a function of input values 35 of the neural Network 33 is formed.
  • the input variables 30 and 32 are z. As the tensile force in the rolled strip, the bandwidth, the inlet thickness of the rolled strip, the hardness of the rolled strip and / or the friction between roller and rolled strip.
  • the input variables 35 of the neural network z.
  • B. material-specific Data such as B. the alloying shares, the inlet thickness, the outlet thickness and characteristics of a previous processing such as B. Thickness reduction or temperature in the preceding Processing.
  • FIG. 4 shows another possibility for improving the output variables a rolling model 41 by correcting the output variables 47 of the rolling model 41. Also the procedure as shown in FIG 4 is not the subject of the present invention Invention.
  • the rolling model 41 is determined as a function of Input variables 43, such as material hardness, friction between Rolls and rolled strip, tension, belt width or inlet thickness rolled strip, outputs 47. These outputs are rolling force, rolling moment and / or overfeed.
  • the output variables 47 of the rolling model 41 are replaced by a correction block 45 corrected in response to correction parameters 44.
  • Output variables of the correction block 45 are corresponding corrected values for rolling force FR, rolling moment MR and / or lead FS.
  • the Correction parameters 44 are by means of a neural network 42 determined as a function of input variables 46.
  • reference numeral 51 denotes a rolling model.
  • Input variables 64 and MS of the rolling model 51 are the material hardness MS as indicated by reference numeral 64 rolling stock or scaffold-specific data such. B. friction between Rolls and rolled strip, tension, belt width and inlet thickness of the rolled strip.
  • the material hardness MS is using a neural network, material network 50, depending on certain Input variables 60 are calculated. These input variables 60 can be: alloy parts, inlet thickness, outlet thickness, Temperature as well as information for the characterization of preprocessing such as B. previous degree of reduction or previous processing temperature.
  • Outputs 65 of the Rolling model 51 are values for rolling force, rolling moment and / or Overfeed.
  • correction block 53 in dependence corrected by correction parameters FRCP, MRCP, FSCP, by means of a neural network, scaffolding network 52, depending on of inputs 61.
  • input variables 61 are u. a. the tape thickness, the bandwidth as well roll-specific data.
  • Output variables 66 of the correction element 53 are corrected values for rolling force, rolling moment and / or Overfeed. These are fed to a further correction element 55, this by means of the correction parameters FRCD, MRCD and FSCD further corrected.
  • the correction parameters FRCD, MRCD, FSCD are using a neural network, daytime network 54, calculated as a function of input variables 62.
  • Input variables are u. a. Strip thickness, belt width and roll-specific Dates.
  • Output variables 67 of the correction element 55 are corrected values for rolling force, rolling moment and overfeed, by means of another correction element in dependence of correction parameters FRCS, MRCS and FSCS on Getting corrected.
  • the correction parameters FRCS, MRCS, FSCS be using a neural network, speed network 56, calculated as a function of input variables 63.
  • the input variables 63 are the speed of the rolled strip as well u. a. Tape thickness, bandwidth and roll specific data.
  • output 68 of the correction element 57 are corrected values for rolling force, rolling moment and overfeed, by means of a another correction element 59 as a function of a correction factor ⁇ for fine correction and adaptation to the current Rolled strip to be corrected.
  • Output variables of the correction element 59 are corrected values for rolling force FR, rolling moment MR and lead FS.
  • the correction members 53, 55, 57, 59 can z. B. multipliers. Basically, others come too Corrective strategies in question. Such correction strategies or joins of neural networks that are for the given Application can be used are known.
  • the material network 50 provides the material hardness MS z. In Form of the regression parameters MSI, MSO described in FIG and MSE.
  • the skeleton network 52 provides framework-specific correction factors FRCP, MRCP and FSCP for rolling force, rolling moment and Overfeed.
  • the material network 50 and the skeleton network 52 become advantageously trained with data, material and Represent the rolling stand over the life of the roll stand.
  • the daily network 54 supplies the correction factors FRCD, MRCD and FSCD for rolling force, rolling moment and overfeed, which is the relative small changes according to the daily form of the mill stand describe. Accordingly, the training of the day network is done 54 with young records, z. For example, records that are not older than three days.
  • the speed network 56 provides the speed-dependent Correction factors FRCS, MRCS and FSCS for rolling force, Rolling moment and advance. With the speed network 56 In particular, friction-specific deviations are compensated.
  • the friction between roller and rolled strip is very strong from the belt speed. The friction is i. a. like this smaller, the higher the belt speed is, as between Rolled strip and rolls with increasing speed Lubricating film forms.
  • FIG. 6 shows a training method for an inventive Structure according to FIG. 5.
  • MSE, MSI represent this and MSO the material hardness according to MS in FIG 5.
  • the meaning MSE, MSI and MSO is explained in FIG. FR, MR, FS, ⁇ , FRCL, MRCL, FSCL, FRCD, MRCD, FSCD, FRCS, MRCS and FSCS have the same meaning as in FIG 5.
  • the input variables 86, 87, 88, 89 correspond to the input variables 60, 61, 62, 63 in FIG 5.
  • Reference numerals 76, 77, 78 denote material networks with the associated training or learning algorithms.
  • Reference numeral 81 denotes a scaffolding net with an associated one Learning or training algorithm
  • Reference numeral 83 a speed network with associated Learning algorithm.
  • Reference numeral 70 denotes a data memory or a database, in the data AC, FRA, MRA and FSA stored, the characteristics of a representative Cross-section of all rolled in the corresponding mill / rolling mill Form bands.
  • FRA, MCA and FSA are the actual ones Values for rolling force, rolling moment and advance over one long period, e.g. over the life of the mill stand, considered. They are formed from the roll-specific data AC.
  • Function block 80 denotes an inverted one Walzmodell and a regression model, whereby by means of the inverted Roll model from the data AC the actual material hardness determined on the individual stands of the rolling mill is and where by means of the regression model of the Values for material hardness of the individual scaffolds the actual Values for the parameters MSE, MSI and MSO are formed.
  • MSO the material networks 76, 77, 78 are trained.
  • a rolling model calculates 79 values for rolling force, Rolling moment and advance.
  • the input quantities correspond 90 the input variables 64 of FIG. 5
  • the skeleton network 81 becomes dependent on the input variables 87 the data AC, FRA, MRA and FSA as well as the output quantities of the Roll model 79 trains.
  • a correction block 53 (see FIG 5) are the output variables of the roll model 79 with the correction parameters FRCL, MRCL and FSCL, which are the skeleton network 81 issues, corrected.
  • Output variables of the daily network 82 are the correction parameters FRCD, MRCD and FSCD, the input variables in a correction block 55, by means of which the output variables of the correction block 53 are corrected.
  • the parameters DC, FRD, MRD and FSD from the database 71 the data AC, FRA, MRA and FSA, in contrast to to the data AC, FRA, MRA and FSA only rolling belts of the last one Represent the day or the last days.
  • the outputs of the correction block 55, the input variables 89 and the ACC data are input variables in the speed network 83 and its learning algorithm. Furthermore, go in the speed network 83 or its learning algorithm correction parameters FRCS, MSCS and FSCS using a Speed correction element 85 are determined. there transforms the velocity correcting member 85 to a Standard speed normalized correction parameters FRC, FSC and MSC with respect to the actual speed of the rolled strip.
  • the data ACC correspond to the data AC, but only represent the current rolled strip. Contains accordingly the database or the data memory 72 only the data for the current rolled strip.
  • Output variables of the velocity network 83 are correction parameters FRCS, MRCS, FSCS, which are in enter a further correction block 57. The output of this Correction block enters a further correction block 59.
  • a parameter ⁇ which is stored in a memory 84.
  • Output of the correction block 59 are corrected values for rolling force FR, rolling moment MR and lead FS.
  • the adaptive values for rolling force FRA, rolling moment MRA, leading FSA used for training the neural networks and the correction values FRC, FSC and MSC for training of the neural networks for rolling force, overfeed and rolling moment become dependent on estimated values determined, which are calculated by means of a rolling model depending on the known data sets.
  • the training of neural networks thus takes place in a long-term learning part 73, a day or short-term learning part 74 as well a speed learning part 75.
  • FIG. 7 shows an alternative training of the material network, wherein the material hardnesses are used for n rolling stands.
  • reference numeral 70 denotes a database corresponding to FIG. 6, AC roll-specific data (see FIG. 6), reference numeral 100 a material network with a learning algorithm, 101 a regression model, and reference numeral 102 a rolling model.
  • the material hardnesses MS 1... N at the individual stands and optionally the rolled strip temperature T strip and the total thickness reduction eps 1... N assigned to the individual rolling stands are output from the material network 100.
  • the regression parameters MSU, MSI, MSE the material network 100, which consists of one or more neural networks, outputs the material hardnesses MS 1...
  • the regression parameter MST is a parameter representing the temperature dependency, which can optionally be calculated if the temperature T strip of the rolled strip also enters the material network 100. This parameter is particularly advantageous if the method according to the invention is not used for cold rolling but for hot rolling.
  • B denotes the band width, H i-1 the band thickness before the ith frame, H i the band thickness behind the ith frame, FT i-1 the band tension before the ith frame, FT i the band tension behind the i-th frame scaffold and v Wi the peripheral speed of the work rolls in the i-th scaffold.
  • FRC FR is FR ⁇ ⁇ FRCS FRCD ⁇ FRCV
  • MRC MR is MR ⁇ ⁇ MRCS MRCD ⁇ MRCV
  • FSC FS is FS ⁇ ⁇ FSCS FSCD ⁇ FSCV where FR is , MR is and FS is the current values for rolling force, rolling moment and overfeed.
  • either the material hardness or the friction can be determined. It is further conceivable to determine both quantities by means of a neural network. However, it has been shown that it is usually is sufficient, only one of the two unknowns, material hardness or friction, by means of a neural network. If the material hardness z. B. according to the invention by means of a neural network and for friction (rough) Estimates are used, the material network is able to the errors with respect to the rolling force, the rolling moment or the lead caused by inaccurate knowledge of the friction between Rolled strip and roller arise, correct.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)

Description

Die Erfindung betrifft ein Verfahren zur Steuerung und/oder Voreinstellung eines Walzgerüstes zum Walzen eines Walzbandes nach dem Oberbegriff des Anspruchs 1. Sie betrifft ferner eine korrespondierende Einrichtung zur Durchführung des Verfahrens.
Ein Verfahren nach dem Oberbegriff des Anspruchs 1 und eine korrespondierende Einrichtung sind beispielsweise aus dem Fachaufsatz "Erfahrungen beim Einsatz neuronaler Netze in der Walzwerksautomatisierung" von D. Lindhoff et al., erschienen in Stahl und Eisen, Band 114 (1994), Heft 4, Seiten 49 bis 53, bekannt.
Aus der DE 44 16 317 A1 ist ein ähnliches Verfahren bekannt. Bei dieser Schrift erfolgt aber keine Korrektur der Walzkraft, des Walzmoments und/oder der Voreilung mittels eines weiteren neuronalen Netzes.
Aus der DE 195 27 521 C1 ist ein Verfahren zur Steuerung und/oder Voreinstellung eines Walzgerüsts zum Walzen eines Metallbandes bekannt, bei dem die Steuerung und/oder Voreinstellung des Walzgerüsts in Abhängigkeit von einer Walzkraft, einem Walzmoment oder einer Voreilung erfolgt, wobei die Walzkraft, das Walzmoment und/oder die Voreilung mittels eines Walzmodells zumindest in Abhängigkeit von der Härte des Metallbandes und/oder der Reibung zwischen dem Metallband und den Walzen des Walzgerüst berechnet werden.
Zur Voreinstellung einer Walzstraße bzw. eines Walzgerüstes vor Einfädeln des zu walzenden Walzbandes bzw. zur Steuerung der Walzstraße bzw. des Walzgerüstes nach Einfädeln des Walzbandes müssen Größen wie Walzkraft, Walzmoment oder Voreilung oder mehrere dieser Größen bekannt sein. Es ist möglich, diese Größen mittels eines Walzmodells zu ermitteln, in das als Eingangsgrößen die Bandhöhe, der Einlauf des Walzbandes, die Bandbreite, der Bandzug, die Materialhärte und/oder die Reibung zwischen Walzen und Walzband eingehen. Es hat sich jedoch gezeigt, dass bei einem derartigen Verfahren die Qualitätsanforderungen, insbesondere für höherwertige Stähle, häufig nicht eingehalten werden können. Entsprechend ist es Aufgabe der Erfindung, die Qualität eines gewalzten Stahls, insbesondere durch Einhalten von Dicken oder Härtetoleranzen, zu erhöhen.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Anspruchs 1 und eine Einrichtung mit den Merkmalen des Anspruchs 6 gelöst.
Weitere vorteilhafte und erfinderische Einzelheiten ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen, anhand der Zeichnungen und in Verbindung mit den Unteransprüchen. Im einzelnen zeigen:
FIG 1
die physikalischen Verhältnisse einer Walzstraße sowie den Zusammenhang zwischen Dickenreduktion und Materialhärte,
FIG 2
die physikalischen Verhältnisse in einem Walzspalt,
FIG 3
ein Vorgehen am Eingang des Walzmodells,
FIG 4
ein Vorgehen am Ausgang des Walzmodells,
FIG 5
ein erfindungsgemäßes Vorgehen am Ein- und Ausgang des Walzmodells,
FIG 6
ein Trainingsverfahren für neuronale Netze in einer besonders vorteilhaften Ausgestaltung,
FIG 7
ein alternatives Trainingsverfahren für ein neuronales Netz zur Bestimmung der Materialhärte und
FIG 1 zeigt die physikalischen Verhältnisse einer Walzstraße sowie den Zusammenhang zwischen Dickenreduktion und Materialhärte. Dabei bezeichnen Bezugszeichen FSi die Voreilung am i-ten Gerüst, MRi das Walzmoment am i-ten Gerüst, FRi die Walzkraft am i-ten Gerüst, FTi den Bandzug am i-ten Gerüst, epsi die relative Dickenabnahme am i-ten Gerüst, MS die Materialhärte, d. h. die Härte des Walzbandes, Vi die Bandgeschwindigkeit nach dem i-ten Gerüst und Hi die Banddicke nach dem i-ten Gerüst. Die relative Dickenabnahme epsi ergibt sich dabei aus: epsi = H0 - Hi H0 mit H0: Banddicke beim Abhaspeln und
   Hi: Banddicke nach dem i-ten Gerüst, i = 1,2,3,4,5 bei 5 Gerüsten.
Die Voreilung FSi am i-ten Gerüst ist definiert als FSi = Vi Vwi mit Vwi = Umfangsgeschwindigkeit der i-ten Walze.
Wird die Walze kreisförmig angenommen, so ergibt sich die Umfangsgeschwindigkeit der i-ten Walze gemäß: Vwi = 2π • RAW • ni mit
RAW = Walzenradius der i-ten Walze und
ni = Drehzahl der i-ten Walze.
Bezugszeichen 1, 2, 3, 4 und 5 bezeichnen Walzgerüste, Bezugszeichen 6 einen Abhaspel, Bezugszeichen 7 ein Walzband und Bezugszeichen 8 einen Aufhaspel.
FIG 1 zeigt ferner den Zusammenhang zwischen Materialhärte MS und Dickenabnahme eps bzw. Dickenreduktion. Dieser Zusammenhang wird besonders geeignet durch die Funktion MS = MS(eps) = MSO + MSI • epsMSE beschrieben.
FIG 2 verdeutlicht die physikalischen Zusammenhänge in einem Walzspalt, die vorteilhafterweise Eingang in die Modellierung mit einem Walzmodell finden. Die Verhältnisse im Walzspalt werden vorteilhafterweise durch ein Streifenmodell modelliert, wobei es aus Symmetriegründen ausreicht, nur den oberen oder nur den unteren Teil des Walzgerüstes zu modellieren, so dass eine Grenze des Walzmodells die Symmetrieachse 23 des Walzbandes 27 ist. Das Band 27 wird im Bereich der Kontaktfläche Band - Walze in Streifen 28 (aufgrund der Übersichtlichkeit ist nur ein Streifen mit einem Bezugszeichen versehen) senkrecht zur Bewegungsrichtung des Bandes 27 zerlegt. Innerhalb jedes Streifens 28 werden die Materialspannungskräfte FQ in horizontaler und vertikaler Richtung berechnet und über Gleichgewichtsbedingungen an den Streifenrändern aneinander angepasst. In FIG 2 sind einige Materialspannungskräfte FQ exemplarisch eingetragen. Die vertikalen Materialspannungskräfte FQ führen zu einer Abplattung 26 der Walze 21. Die Berechnung des abgeplatteten Walzenradius RB erfolgt iterativ mit Hilfe des Streifenmodells und eines Modells, das die Verformung der Walze beschreibt.
Die Fließscheide 20 ist der Ort, an dem sich das Material gerade mit der Umfangsgeschwindigkeit der Walze 21 bewegt. Vor der Fließscheide 20 bewegt sich das Material langsamer, hinter der Fließscheide 20 schneller als die Umfangsgeschwindigkeit der Walze 21. Außer am Ort der Fließscheide 20 tritt demnach überall zwischen Arbeitswalze 21 und Material eine Relativbewegung 24, 25 auf. Diese Relativbewegung 24, 25 führt zu erheblichen Reibkräften.
FIG 3 zeigt eine Verbesserung der Ausgangsgrößen eines Walzmodells 32 durch Veränderung von Eingangsgrößen 32 des Walzmodells 31 mittels einer auf neuronalen Netzen basierenden Informationsverarbeitung 33. Die Vorgehensweise gemäß FIG 3 als solche ist dabei nicht Gegenstand der vorliegenden Erfindung. Dabei ermittelt das Walzmodell 31 in Abhängigkeit der Eingangsgrößen 30 und 32 Ausgangsgrößen 34. Diese Ausgangsgrößen sind Walzkraft, Walzmoment und/oder Voreilung. Die Eingangsgrößen 32 werden mittels einer auf neuronalen Netzen basierenden Informationsverarbeitung oder eines neuronalen Netzes 33 in Abhängigkeit von Eingangsgrößen 35 des neuronalen Netzes 33 gebildet. Die Eingangsgrößen 30 und 32 sind z. B. die Zugkraft im Walzband, die Bandbreite, die Einlaufdicke des Walzbandes, die Härte des Walzbandes und/oder die Reibung zwischen Walze und Walzband. Von diesen wird vorteilhafterweise eine, insbesondere die Härte des Walzbandes, durch das neuronale Netz 33 ermittelt. In diesem Fall sind die Eingangsgrößen 35 des neuronalen Netzes z. B. materialspezifische Daten wie z. B. die Legierungsanteile, die Einlaufdicke, die Auslaufdicke sowie Kenndaten über eine vorherige Verarbeitung wie z. B. Dickereduktion oder Temperatur bei der vorhergehenden Verarbeitung.
FIG 4 zeigt eine andere Möglichkeit zur Verbesserung der Ausgangsgrößen eines Walzmodells 41 durch Korrektur der Ausgangsgrößen 47 des Walzmodells 41. Auch die Vorgehensweise gemäß FIG 4 ist als solche nicht Gegenstand der vorliegenden Erfindung. Das Walzmodell 41 ermittelt in Abhängigkeit von Eingangsgrößen 43, wie etwa Materialhärte, Reibung zwischen Walzen und Walzband, Zugspannung, Bandbreite oder Einlaufdicke des Walzbandes, Ausgangsgrößen 47. Diese Ausgangsgrößen sind Walzkraft, Walzmoment und/oder Voreilung. Die Ausgangsgrößen 47 des Walzmodells 41 werden durch einen Korrekturblock 45 in Abhängigkeit von Korrekturparametern 44 korrigiert. Ausgangsgrößen des Korrekturblocks 45 sind entsprechend korrigierte Werte für Walzkraft FR, Walzmoment MR und/oder Voreilung FS. Es ist besonders vorteilhaft, die Ausgangsgrößen 47 des Walzmodells 41 durch Multiplikation mit den Korrekturparametern 44 zu korrigierten Werten für Walzkraft FR, Walzmoment MR oder Voreilung FS zu verknüpfen. Die Korrekturparameter 44 werden mittels eines neuronalen Netzes 42 in Abhängigkeit von Eingangsgrößen 46 ermittelt.
FIG 5 zeigt eine besonders vorteilhafte Ausgestaltung der Erfindung. Dabei bezeichnet Bezugszeichen 51 ein Walzmodell. Eingangsgrößen 64 und MS des Walzmodells 51 sind die Materialhärte MS sowie angedeutet durch Bezugszeichen 64 bestimmte walzband- bzw. gerüstspezifische Daten wie z. B. Reibung zwischen Walzen und Walzband, Zugspannung, Bandbreite und Einlaufdicke des Walzbandes. Die Materialhärte MS wird mittels eines neuronalen Netzes, Materialnetz 50, in Abhängigkeit bestimmter Eingangsgrößen 60 berechnet. Diese Eingangsgrößen 60 können sein: Legierungsanteile, Einlaufdicke, Auslaufdicke, Temperatur sowie Informationen zur Charakterisierung der Vorverarbeitung wie z. B. vorhergehender Reduktionsgrad oder vorhergehende Verarbeitungstemperatur. Ausgangsgrößen 65 des Walzmodells 51 sind Werte für Walzkraft, Walzmoment und/oder Voreilung. Diese werden in einem Korrekturblock 53 in Abhängigkeit von Korrekturparametern FRCP, MRCP, FSCP korrigiert, die mittels eines neuronalen Netzes, Gerüstnetz 52, in Abhängigkeit von Eingangsgrößen 61 berechnet werden. Diese Eingangsgrößen 61 sind u. a. die Banddicke, die Bandbreite sowie walzspezifische Daten. Ausgangsgrößen 66 des Korrekturgliedes 53 sind korrigierte Werte für Walzkraft, Walzmoment und/oder Voreilung. Diese werden einem weiteren Korrekturglied 55 zugeführt, das diese mittels der Korrekturparameter FRCD, MRCD und FSCD weiter korrigiert. Die Korrekturparameter FRCD, MRCD, FSCD werden mittels eines neuronalen Netzes, Tagesnetz 54, in Abhängigkeit von Eingangsgrößen 62 berechnet. Diese Eingangsgrößen sind u. a. Banddicke, Bandbreite sowie walzspezifische Daten. Ausgangsgrößen 67 des Korrekturgliedes 55 sind korrigierte Werte für Walzkraft, Walzmoment und Voreilung, die mittels eines weiteren Korrekturgliedes in Abhängigkeit von Korrekturparameter FRCS, MRCS und FSCS weiter korrigiert werden. Die Korrekturparameter FRCS, MRCS, FSCS werden mittels eines neuronalen Netzes, Geschwindigkeitsnetz 56, in Abhängigkeit von Eingangsgrößen 63 berechnet. Die Eingangsgrößen 63 sind die Geschwindigkeit des Walzbandes sowie u. a. Banddicke, Bandbreite und walzspezifische Daten. Ausgangsgröße 68 des Korrekturgliedes 57 sind korrigierte Werte für Walzkraft, Walzmoment und Voreilung, die mittels eines weiteren Korrekturgliedes 59 in Abhängigkeit eines Korrekturfaktors β zur Feinkorrektur und Anpassung an das aktuelle Walzband korrigiert werden. Ausgangsgrößen des Korrekturgliedes 59 sind korrigierte Werte für Walzkraft FR, Walzmoment MR und Voreilung FS. Die Korrekturglieder 53, 55, 57, 59 können z. B. Multiplikatoren sein. Grundsätzlich kommen auch anderen Korrekturstrategien in Frage. Derartige Korrekturstrategien bzw. Verknüpfungen von neuronalen Netzen, die für die vorgegebene Anwendung einsetzbar sind, sind bekannt.
Das Materialnetz 50 liefert die Materialhärte MS z. B. in Form der in FIG 1 beschriebenen Regressionsparameter MSI, MSO und MSE. Das Gerüstnetz 52 liefert gerüstspezifische Korrekturfaktoren FRCP, MRCP und FSCP für Walzkraft, Walzmoment und Voreilung. Das Materialnetz 50 und das Gerüstnetz 52 werden vorteilhafterweise mit Daten trainiert, die Material und Walzgerüst über die Lebensdauer des Walzgerüstes repräsentieren.
Das Tagesnetz 54 liefert die Korrekturfaktoren FRCD, MRCD und FSCD für Walzkraft, Walzmoment und Voreilung, die die relativ kleinen Änderungen entsprechend der Tagesform des Walzgerüstes beschreiben. Entsprechend erfolgt das Training des Tagesnetzes 54 mit jungen Datensätzen, z. B. Datensätzen, die nicht älter sind als drei Tage.
Das Geschwindigkeitsnetz 56 liefert die geschwindigkeitsabhängigen Korrekturfaktoren FRCS, MRCS und FSCS für Walzkraft, Walzmoment und Voreilung. Mit dem Geschwindigkeitsnetz 56 werden insbesondere reibungsspezifische Abweichungen kompensiert. Die Reibung zwischen Walze und Walzband hängt stark von der Bandgeschwindigkeit ab. Die Reibung ist i. a. um so kleiner, je höher die Bandgeschwindigkeit ist, da sich zwischen Walzband und Walzen mit zunehmender Geschwindigkeit ein Schmierfilm ausbildet.
FIG 6 zeigt ein Trainingsverfahren für eine erfindungsgemäße Struktur entsprechend FIG 5. Dabei repräsentieren MSE, MSI und MSO die Materialhärte entsprechend MS in FIG 5. Die Bedeutung von MSE, MSI und MSO ist in FIG 1 erklärt. FR, MR, FS, β, FRCL, MRCL, FSCL, FRCD, MRCD, FSCD, FRCS, MRCS und FSCS haben die gleiche Bedeutung wie in FIG 5. Die Eingangsgrößen 86, 87, 88, 89 entsprechen den Eingangsgrößen 60, 61, 62, 63 in FIG 5. Bezugszeichen 76, 77, 78 bezeichnen Materialnetze mit den zugehörigen Trainings- bzw. Lernalgorithmen. Bezugszeichen 81 bezeichnet ein Gerüstnetz mit einem zugehörigen Lern- bzw. Trainingsalgorithmus, Bezugszeichen 82 ein Tagesnetz mit zugehörigem Lern- bzw. Trainingsalgorithmus und Bezugszeichen 83 ein Geschwindigkeitsnetz mit zugehörigem Lernalgorithmus. Bezugszeichen 70 bezeichnet einen Datenspeicher bzw. eine Datenbasis, in den Daten AC, FRA, MRA und FSA abgespeichert sind, die Kenndaten für einen repräsentativen Querschnitt aller im entsprechenden Walzgerüst/Walzstraße gewalzten Bänder bilden. FRA, MCA und FSA sind die tatsächlichen Werte für Walzkraft, Walzmoment und Voreilung über einen langen Zeitraum, z.B. über die Lebensdauer des Walzgerüstes, betrachtet. Sie werden aus dem walzspezifischen Daten AC gebildet. Der Funktionsblock 80 bezeichnet ein invertiertes Walzmodell und ein Regressionsmodell, wobei mittels des invertierten Walzmodells aus den Daten AC die tatsächliche Materialhärte an den einzelnen Gerüsten der Walzstraße ermittelt wird und wobei mittels des Regressionsmodells aus den Werten für Materialhärte der einzelnen Gerüste die tatsächlichen Werte für die Parameter MSE, MSI und MSO gebildet werden. Mittels der vom Regressionsmodell 80 ermittelten Werte MSO, MSI und MSE werden die Materialnetze 76, 77, 78 trainiert. Mittels der Werte MSE, MSI und MSO, die vom Materialnetz 76, 77, 78 ausgegeben werden, sowie weiterer Eingangsgrößen 90 berechnet ein Walzmodell 79 Werte für Walzkraft, Walzmoment und Voreilung. Dabei entsprechen die Eingangsgrößen 90 den Eingangsgrößen 64 aus FIG 5.
Das Gerüstnetz 81 wird in Abhängigkeit der Eingangsgrößen 87 der Daten AC, FRA, MRA und FSA sowie der Ausgangsgrößen des Walzmodells 79 trainiert. Mittels eines Korrekturblocks 53 (vgl. FIG 5) werden die Ausgangsgrößen des Walzmodells 79 mit den Korrekturparametern FRCL, MRCL und FSCL, die das Gerüstnetz 81 ausgibt, korrigiert.
Mit den Ausgangsgrößen des Korrekturblocks 53, den Eingangsgrößen 88 sowie den Daten DC, FRD, MRD und FSD wird das Tagesnetz 82 trainiert. Ausgangsgrößen des Tagesnetzes 82 sind die Korrekturparameter FRCD, MRCD und FSCD, die Eingangsgrößen in einem Korrekturblock 55 sind, mittels dessen die Ausgangsgrößen des Korrekturblocks 53 korrigiert werden. Die Parameter DC, FRD, MRD und FSD aus der Datenbasis 71 entsprechen den Daten AC, FRA, MRA und FSA, wobei sie im Gegensatz zu den Daten AC, FRA, MRA und FSA nur Walzbänder des letzten Tages bzw. der letzten Tage repräsentieren.
Die Ausgangsgrößen des Korrekturblocks 55, die Eingangsgrößen 89 sowie die Daten ACC sind Eingangsgrößen in das Geschwindigkeitsnetz 83 bzw. dessen Lernalgorithmus. Ferner gehen in das Geschwindigkeitsnetz 83 bzw. dessen Lernalgorithmus Korrekturparameter FRCS, MSCS und FSCS ein, die mittels eines Geschwindigkeitskorrekturgliedes 85 ermittelt werden. Dabei transformiert das Geschwindigkeitskorrekturglied 85 auf eine Normgeschwindigkeit normierte Korrekturparameter FRC, FSC und MSC in bezug auf die aktuelle Geschwindigkeit des Walzbandes. Die Daten ACC entsprechen den Daten AC, wobei sie jedoch nur das aktuelle Walzband repräsentieren. Entsprechend enthält die Datenbasis bzw. der Datenspeicher 72 nur die Daten für das aktuelle Walzband. Ausgangsgrößen des Geschwindigkeitsnetzes 83 sind Korrekturparameter FRCS, MRCS, FSCS, die in einen weiteren Korrekturblock 57 eingehen. Der Ausgang dieses Korrekturblocks geht in einen weiteren Korrekturblock 59 ein.
Ebenfalls Eingangsgröße des Korrekturblocks 59 bildet ein Parameter β, der in einem Speicher 84 abgespeichert ist. Ausgang des Korrekturblocks 59 sind korrigierte Werte für Walzkraft FR, Walzmoment MR und Voreilung FS. Die zum Training der neuronalen Netze verwendeten adaptiven Werte für Walzkraft FRA, Walzmoment MRA, Voreilung FSA bzw. die für das Training der neuronalen Netze verwendeten Korrekturwerte FRC, FSC und MSC für Walzkraft, Voreilung und Walzmoment werden in Abhängigkeit von Schätzwerten
Figure 00100001
Figure 00100002
Figure 00100003
ermittelt, die mittels eines Walzmodells in Abhängigkeit der bekannten Datensätze berechnet werden.
Das Training der neuronalen Netze erfolgt also in einem Langzeitlernteil 73, einem Tages- oder Kurzzeitlernteil 74 sowie einem Geschwindigkeitslernteil 75.
FIG 7 zeigt ein alternatives Training des Materialnetzes, wobei die Materialhärten für n Walzgerüste verwendet werden. Dabei bezeichnet Bezugszeichen 70 eine Datenbasis entsprechend FIG 6, AC walzspezifische Daten (vgl. FIG 6), Bezugszeichen 100 ein Materialnetz mit Lernalgorithmus, 101 ein Regressionsmodell und Bezugszeichen 102 ein Walzmodell. Dabei werden die Materialhärten MS1...n an den einzelnen Gerüsten sowie optional die Walzbandtemperatur Tstrip und die den einzelnen Walzgerüsten zugeordneten Gesamtdickenreduktion eps1...n vom Materialnetz 100 ausgegeben. Anstelle der Regressionsparameter MSU, MSI, MSE gibt das Materialnetz 100, das aus einem oder mehreren neuronalen Netzen besteht, die Materialhärten MS1...n aus, die anschließend mittels eines Regressionsmodells 101 zu Regressionsparametern MSO, MSI und MSE umgeformt werden. Der Regressionsparameter MST ist ein die Temperaturabhängigkeit repräsentierender Parameter, der optional berechnet werden kann, wenn auch die Temperatur Tstrip des Walzbandes in das Materialnetz 100 eingeht. Dieser Parameter ist insbesondere dann vorteilhaft, wenn das erfindungsgemäße Verfahren nicht für das Kaltwalzen, sondern für das Warmwalzen eingesetzt wird.
Die Bestimmung der Schätzwerte
Figure 00110001
,
Figure 00110002
und
Figure 00110003
, aus denen die Werte FRC, MRC und FSC, die zum Training der neuronalen Netze verwendet werden (vgl. FIG 6), berechnet werden, wird im folgenden verdeutlicht. Sind MSO, MSI und MSE Eingangsgrößen des Walzmodells, so gilt für das i-te Gerüst
Figure 00110004
Analog gilt für das Walzmoment
Figure 00110005
und für die Voreilung
Figure 00110006
, und bezeichnen die Schätzwerte der jeweiligen Modelle.
B bezeichnet die Bandbreite, Hi-1 die Banddicke vor dem i-ten Gerüst, Hi die Banddicke hinter dem i-ten Gerüst, FTi-1 den Bandzug vor dem i-ten Gerüst, FTi den Bandzug hinter dem i-ten Gerüst und vWi die Umfangsgeschwindigkeit der Arbeitswalzen im i-ten Gerüst.
FRC, MRC und FSC berechnen sich aus FRC = FR ist FR·FRCS·FRCD·FRCV MRC = MR ist MR·MRCS·MRCD·MRCV FSC = FS ist FS·FSCS·FSCD·FSCV dabei sind FRist, MRist und FSist die aktuellen Werte für Walzkraft, Walzmoment und Voreilung.
FRA, MRA und FSA berechnen sich aus: FRA = FR ist FR MRA = MR ist MR FSA = FS ist FS
Bis auf die Parameter MSO, MSI und MSE sowie die Reibung µ liegen für alle Eingangsgrößen Istwerte vor. Die Reibwerte µ werden jedoch z. B. tabellarisch hinterlegt. Es ist aber auch möglich, die Reibung µ mit einem neuronalen Netz in analoger Weise wie die Materialhärte zu bestimmen.
Mit dem erfindungsgemäßen Verfahren können entweder die Materialhärte oder die Reibung ermittelt werden. Es ist ferner denkbar, beide Größen mittels eines neuronalen Netzes zu ermitteln. Es hat sich jedoch gezeigt, dass es in der Regel ausreichend ist, nur eine der beiden Unbekannten, Materialhärte oder Reibung, mittels eines neuronalen Netzes zu ermitteln. Wird die Materialhärte z. B. erfindungsgemäß mittels eines neuronalen Netzes ermittelt und für die Reibung (grobe) Schätzwerte eingesetzt, so ist das Materialnetz in der Lage, die Fehler in bezug auf die Walzkraft, das Walzmoment oder die Voreilung, die durch ungenaue Kenntnis der Reibung zwischen Walzband und Walze entstehen, zu korrigieren. Versuche haben gezeigt, dass bei schlechten Schätzwerten für die Reibung und Verwendung des erfindungsgemäßen Verfahrens das neuronale Netz einen schlechten Schätzwert für die Materialhärte ermittelt, dass diese Abweichung von der tatsächlichen Materialhärte jedoch den Fehler beim Reibwert kompensiert. Auf diese Weise wird durch das erfindungsgemäße Verfahren zwar ein suboptimaler Wert für die Materialhärte erhalten, jedoch ein besonders präziser Wert für Walzkraft, Walzmoment und Voreilung. Für eine Steuerung bzw. eine Voreinstellung, bei der die zu erwartenden Werte für Walzkraft, Walzmoment und Voreilung, nicht aber der eigentliche Wert der Materialhärte, relevant ist, ist es in den meisten Fällen ausreichend, nur ein Materialnetz, nicht aber ein Reibungsnetz, einzusetzen.

Claims (6)

  1. Verfahren zur Steuerung und/oder Voreinstellung eines Walzgerüsts (1 - 5) zum Walzen eines Metallbandes (7),
    wobei die Steuerung und/oder Voreinstellung des Walzgerüsts (1 - 5) in Abhängigkeit von einer Walzkraft (FRi), einem Walzmoment (MRi) und/oder einer Voreilung (FSi) erfolgt,
    wobei die Walzkraft (FRi), das Walzmoment (MRi) und/oder die Voreilung (FSi) mittels eines Walzmodells (51) zumindest in Abhängigkeit von der Härte (MS) des Metallbandes (7) und/oder der Reibung zwischen dem Metallband (7) und den Walzen des Walzgerüsts (1 - 5) berechnet werden,
    wobei mindestens eine der Eingangsgrößen (FRi, MRi, FSi, FT0 - FT5, H0 - H4, MS) des Walzmodells (51) mittels eines neuronalen Netzes (50) ermittelt oder korrigiert wird,
    wobei die Walzkraft (FRi), das Walzmoment (MRi) und/oder die Voreilung (FSi) mittels eines weiteren neuronalen Netzes (52, 54, 56) korrigiert werden,
    dadurch gekennzeichnet,
    dass das weitere neuronale Netz (52, 54, 56) ein Gerüstnetz (52) umfasst, das mit walzspezifischen Daten, die einen Mittelwert über die Lebensdauer des Walzgerüsts (1 - 5) bilden, trainiert wird, und
    dass das weitere neuronale Netz (52, 54, 56) mindestens ein ergänzendes neuronales Netz (54, 56) umfasst, das Einflüsse mit Zeitkonstanten im Bereich eines Tages bis weniger Tage berücksichtigt.
  2. Verfahren nach Anspruch 1,
    dadurch gekennzeichnet, dass die mittels des neuronalen Netzes (51) ermittelte oder korrigierte Eingangsgröße (FRi, MRi, FSi, FT0 - FT5, H0 - H4, MS) die Härte (MS) des Metallbandes (7) und/oder die Reibung zwischen dem Metallband (7) und den Walzen des Walzgerüsts (1 - 5) ist.
  3. Verfahren nach Anspruch 1 oder 2
    dadurch gekennzeichnet, dass das neuronale Netz (50), gegebenenfalls auch das weitere neuronale Netz (52, 54, 56), nachtrainiert wird bzw. werden.
  4. Verfahren nach einem der Ansprüche 1 bis 3,
    dadurch gekennzeichnet, dass das ergänzende neuronale Netz (54, 56) auch ein Geschwindigkeitsnetz (56) umfasst, das den Einfluss der Geschwindigkeit (v0 - v5) des Metallbandes (7) auf die Walzkraft (FRi), das Walzmoment (MRi) und/oder die Voreilung (FSi) berücksichtigt.
  5. Verfahren nach Anspruch 4,
    dadurch gekennzeichnet, dass das Geschwindigkeitsnetz (56) mit Daten des aktuellen Metallbandes (7) trainiert wird.
  6. Einrichtung zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 5, mit einem Walzmodell (51), einem dem Walzmodell (51) vorgeordneten neuronalen Netz (50) und einem dem Walzmodell (51) nachgeordneten weiteren neuronalen Netz (52, 54, 56),
    wobei mittels des Walzmodells (51) eine Walzkraft (FRi), ein Walzmoment (MRi) und/oder eine Voreilung (FSi) zumindest in Abhängigkeit von der Härte (MS) eines Metallbandes (7) und/oder der Reibung zwischen dem Metallband (7) und den Walzen eines Walzgerüsts (1 - 5) berechenbar sind,
    wobei mindestens eine der Eingangsgrößen (FRi, MRi, FSi, FT0 - FT5, H0 - H4, MS) des Walzmodells (51) mittels des vorgeordneten neuronalen Netzes (50) ermittelbar oder korrigierbar ist,
    wobei die Walzkraft (FRi), das Walzmoment (MRi) und/oder die Voreilung (FSi) mittels des weiteren neuronalen Netzes (52, 54, 56) korrigierbar sind,
    wobei das weitere neuronale Netz (52, 54, 56) ein Gerüstnetz (52) umfasst, das mit walzspezifischen Daten, die einen Mittelwert über die Lebensdauer des Walzgerüsts (1 - 5) bilden, trainiert wird,
    wobei das weitere neuronale Netz (52, 54, 56) mindestens ein ergänzendes neuronales Netz (54, 56) umfasst, das Einflüsse mit Zeitkonstanten im Bereich eines Tages bis weniger Tage berücksichtigt, und
    wobei anhand der Walzkraft (FRi), des Walzmoments (MRi) und/oder der Voreilung (FSi) das Walzgerüst (1 - 5) steuer- oder voreinstellbar ist.
EP98940053A 1997-07-07 1998-06-24 Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes Expired - Lifetime EP0994757B1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19728979A DE19728979A1 (de) 1997-07-07 1997-07-07 Verfahren und Einrichtung zur Steuerung bzw. Voreinstellung eines Walzgerüstes
DE19728979 1997-07-07
PCT/DE1998/001740 WO1999002282A1 (de) 1997-07-07 1998-06-24 Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes

Publications (2)

Publication Number Publication Date
EP0994757A1 EP0994757A1 (de) 2000-04-26
EP0994757B1 true EP0994757B1 (de) 2005-11-23

Family

ID=7834906

Family Applications (1)

Application Number Title Priority Date Filing Date
EP98940053A Expired - Lifetime EP0994757B1 (de) 1997-07-07 1998-06-24 Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes

Country Status (4)

Country Link
EP (1) EP0994757B1 (de)
AT (1) ATE310592T1 (de)
DE (2) DE19728979A1 (de)
WO (1) WO1999002282A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109351785A (zh) * 2018-11-28 2019-02-19 北京首钢冷轧薄板有限公司 一种轧制力优化方法及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE50000754D1 (de) * 1999-03-23 2002-12-19 Siemens Ag Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst
DE102004003514A1 (de) * 2004-01-23 2005-08-11 Sms Demag Ag Verfahren zum Erhöhen der Prozessstabilität, insbesondere der absoluten Dickengenauigkeit und der Anlagensicherheit, beim Warmwalzen von Stahl- oder NE-Werkstoffen
CN108984836B (zh) * 2018-06-12 2022-12-02 中冶南方工程技术有限公司 一种轧制损失力矩的计算方法
CN114951303A (zh) * 2021-02-19 2022-08-30 上海宝信软件股份有限公司 平整机轧制力前馈控制方法、系统及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3136183B2 (ja) * 1992-01-20 2001-02-19 株式会社日立製作所 制御方法
FR2688428B1 (fr) * 1992-03-13 1996-06-21 Lorraine Laminage Dispositif de commande d'un outil d'ecrouissage par laminage leger d'une tole.
JPH05293516A (ja) * 1992-04-17 1993-11-09 Mitsubishi Heavy Ind Ltd 圧延機の圧延荷重推定方法
DE4416317B4 (de) * 1993-05-17 2004-10-21 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
JPH07246411A (ja) * 1994-03-09 1995-09-26 Toshiba Corp 圧延機のロールギャップ補正装置
DE19527521C1 (de) * 1995-07-27 1996-12-19 Siemens Ag Lernverfahren für ein neuronales Netz
DE19641431A1 (de) * 1996-10-08 1998-04-16 Siemens Ag Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109351785A (zh) * 2018-11-28 2019-02-19 北京首钢冷轧薄板有限公司 一种轧制力优化方法及装置

Also Published As

Publication number Publication date
DE19728979A1 (de) 1998-09-10
WO1999002282A1 (de) 1999-01-21
ATE310592T1 (de) 2005-12-15
DE59813227D1 (de) 2005-12-29
EP0994757A1 (de) 2000-04-26

Similar Documents

Publication Publication Date Title
EP1485216B1 (de) Rechnergestütztes ermittlungsverfahren für sollwerte für profil- und planheitsstellglieder
EP0591291B1 (de) Regelung bei dem herstellen von warmband mittels eines mehrgerüstigen warmbandwalzwerks
DE19522494C2 (de) Verfahren zum Walzen eines Metallbandes
DE4416317B4 (de) Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses
DE4338607B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
EP3271092B1 (de) Verfahren zum herstellen von metallbändern
DE19644132A1 (de) Verfahren zur Optimierung der Bandbreitenverteilung an den Enden eines eine Walzstraße durchlaufenden Bandes
DE19881041B4 (de) Verfahren zur Steuerung und Voreinstellung eines Stahlwerkes oder von Teilen eines Stahlwerkes
EP0994757B1 (de) Verfahren und einrichtung zur steuerung bzw. voreinstellung eines walzgerüstes
DE2713301A1 (de) Verfahren und anordnung zur blechstaerkenregelung bei walzwerken
DE10324679A1 (de) Steuerrechner und rechnergestützes Ermittlungsverfahren für eine Profil- und Planheitssteuerung für eine Walzstraße
EP2483005A1 (de) Verfahren zur modellbasierten ermittlung von stellglied-sollwerten für die asymmetrischen stellglieder der walzgerüste einer warmbreitbandstrasse
DE19729773C5 (de) Verfahren und Einrichtung zum Walzen eines Metallbandes
DE102018200166B4 (de) Steuervorrichtung, Steuerverfahren und Steuerprogramm eines Walzwerks
EP0969937B1 (de) Verfahren und einrichtung zur voreinstellung der planheit eines walzbandes
DE2736233C2 (de) Vorrichtung zur Steuerung der Balligkeit von Walzgut
DE3401894A1 (de) Verfahren zum herstellen von walzband mit hoher bandprofil- und bandplanheitsguete
EP1481742B1 (de) Steuerrechner und rechnergestütztes Ermittlungsverfahren für eine Profil- und Planheitssteuerung für eine Walzstrasse
DE1602168A1 (de) Verfahren und Einrichtung zum Regeln von Walzgut auf konstanten Querschnitt
DE1527610A1 (de) Walzverfahren und Vorrichtung zur Durchfuehrung desselben
EP2483004A1 (de) Verfahren zur modellbasierten ermittlung von stellglied-sollwerten für die symmetrischen und asymmetrischen stellglieder der walzgerüste einer warmbreitbandstrasse
DE60113132T2 (de) Blechbreitenregelung beim warmbandwalzen
WO1997049506A1 (de) Verfahren bzw. einrichtung zur verringerung der kantenanschärfung eines walzbandes
DE19644131C2 (de) Verfahren zum Optimieren der Bandbreitenverteilung an den Enden eines eine Walzstraße in einem oder mehreren Stichen durchlaufenden Bandes
DE19704337A1 (de) Verfahren und Einrichtung zur Verlaufsregelung eines Walzbandes

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 19991217

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE DE FI NL

17Q First examination report despatched

Effective date: 20010620

APBX Invitation to file observations in appeal sent

Free format text: ORIGINAL CODE: EPIDOSNOBA2E

APBZ Receipt of observations in appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNOBA4E

APBF Information on invitation to file observation in appeal deleted

Free format text: ORIGINAL CODE: EPIDOSDOBA2E

APBH Information on receipt of observation in appeal deleted

Free format text: ORIGINAL CODE: EPIDOSDOBA4E

APBX Invitation to file observations in appeal sent

Free format text: ORIGINAL CODE: EPIDOSNOBA2E

APBZ Receipt of observations in appeal recorded

Free format text: ORIGINAL CODE: EPIDOSNOBA4E

APBT Appeal procedure closed

Free format text: ORIGINAL CODE: EPIDOSNNOA9E

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

RIN1 Information on inventor provided before grant (corrected)

Inventor name: SCHAEFFNER, CLEMENS

Inventor name: RIETBROCK, UWE

Inventor name: BRUESTLE, ROLAND

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

APAA Appeal reference recorded

Free format text: ORIGINAL CODE: EPIDOS REFN

APAF Appeal reference modified

Free format text: ORIGINAL CODE: EPIDOSCREFNE

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AT BE DE FI NL

REF Corresponds to:

Ref document number: 59813227

Country of ref document: DE

Date of ref document: 20051229

Kind code of ref document: P

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

26N No opposition filed

Effective date: 20060824

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: NL

Payment date: 20120618

Year of fee payment: 15

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20120820

Year of fee payment: 15

Ref country code: BE

Payment date: 20120710

Year of fee payment: 15

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: AT

Payment date: 20120508

Year of fee payment: 15

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FI

Payment date: 20130613

Year of fee payment: 16

BERE Be: lapsed

Owner name: *SIEMENS A.G.

Effective date: 20130630

REG Reference to a national code

Ref country code: NL

Ref legal event code: V1

Effective date: 20140101

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20130630

REG Reference to a national code

Ref country code: DE

Ref legal event code: R119

Ref document number: 59813227

Country of ref document: DE

Effective date: 20140101

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20140101

Ref country code: NL

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20140101

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: FI

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20140624

REG Reference to a national code

Ref country code: AT

Ref legal event code: MM01

Ref document number: 310592

Country of ref document: AT

Kind code of ref document: T

Effective date: 20140624

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: AT

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20140624