基于智能增强的轧后水冷模型研究与应用

杨东峰; 沈斌; 王孝敏; 张侃

doi:10.20057/j.1003-8620.N260079

您当前的位置：

首页 >

文章列表页 >

基于智能增强的轧后水冷模型研究与应用

更新时间：2026-10-22

- 基于智能增强的轧后水冷模型研究与应用
- Research and Application of an Intelligently Enhanced Post-Rolling Water Cooling Model
- 特殊钢 2026年页码：1-5
- 作者机构：
  
  江阴兴澄特种钢铁有限公司厚板分厂，江阴 214400
- 作者简介：
  
  杨东峰（1984—），男，本科，高级工程师；E-mail：yangdongfeng@citicsteel.com
- 基金信息：
  
  国家重点研发计划(2023YFB3709903;2023YFB3709904)
- DOI：10.20057/j.1003-8620.N260079
  中图分类号： TG111.5
- 收稿：2026-05-27，
  
  修回：2026-08-16，
  
  录用：2026-08-20，
  
  网络首发：2026-09-17，
- 稿件说明：
移动端阅览
杨东峰,沈斌,王孝敏等.基于智能增强的轧后水冷模型研究与应用[J].特殊钢,

Yang Dongfeng,Shen Bin,Wang Xiaomin,et al.Research and Application of an Intelligently Enhanced Post-Rolling Water Cooling Model[J].Special Steel,
杨东峰,沈斌,王孝敏等.基于智能增强的轧后水冷模型研究与应用[J].特殊钢, DOI：.

Yang Dongfeng,Shen Bin,Wang Xiaomin,et al.Research and Application of an Intelligently Enhanced Post-Rolling Water Cooling Model[J].Special Steel, DOI：.

摘要

轧后冷却控制是热轧钢材组织性能调控的关键环节，其传统物理模型和数据驱动模型受限于机理假设简化、学习效率低、参数难以动态适配等问题，无法精准应对轧制工况时变的复杂场景。提出一种基于智能增强（Intelligent Augmentation， IA）的轧后水冷控制模型，实现算法与经验的深度融合，其核心原理为“机理约束+数据校正+动态反馈”。生产实践表明，该模型有效解决了传统模型鲁棒性差、学习慢的问题，冷却误差控制在±20 ℃以内，学习调整速率相比传统模型提升30%以上，为提升热轧钢材产品质量、推动钢铁工业智能化升级具有重要意义。

Abstract

Post-rolling cooling control is a critical step in regulating the microstructure and properties of hot-rolled steel. Traditional physical models and data-driven models， constrained by simplified mechanistic assumptions， low learning efficiency， and difficulties in dynamic parameter adaptation， fail to accurately address the complex， time-varying conditions during rolling processes. Propose a post-rolling cooling control model based on Intelligent Augmentation （IA）， achieving deep integration of algorithmic and empirical knowledge. Its core principle combines "mechanistic constraints， data correction， and dynamic feedback." Practical applications demonstrate that this model effectively overcomes the limitations of traditional models—poor robustness and slow learning—with cooling control errors maintained within ±20 °C and a learning adjustment rate over 30% faster than conventional approaches. This advancement holds significant importance for improving the quality of hot-rolled steel products and advancing the intelligent transformation of the steel industry.

关键词

Keywords

references

沙孝春，兰勇军，李殿中，等 . 带钢热轧组织性能预测与控制技术应用与发展［J］. 轧钢， 2003 ， 20 （ 3 ）： 23 - 26 .

卢永康，赵宪明，吴保桥，等 . 轧后控冷对重型H型钢组织和性能的影响［J］. 热加工工艺， 2023 ， 52 （ 13 ）： 85 - 88+92 .

王志军 . 中厚板轧后控制冷却控制系统研究［D］. 武汉：武汉科技大学， 2010 .

彭良贵，刘相华，王国栋 . 超快冷却条件下温度场数值模拟［J］. 东北大学学报， 2004 ，（ 4 ）： 360 - 362 .

王海玉，方坤，董立杰，等 . 机理和数据融合的热轧带钢终轧温度预测模型［J］. 轧钢， 2026 ， 43 （ 1 ）： 7 - 13+30 .

Zhao J ， Chen S F ， Liu X J ， et al . Outlier screening for ironmaking data on blast furnaces ［J］. International Journal of Minerals，Metallurgy and Materials ， 2021 ， 28 （ 6 ）： 1001 - 1010 .

片锦香，柴天佑，李界家 . 案例推理及迭代学习在层流冷却控制中的应用［J］. 自动化学报， 2012 ， 38 （ 12 ）： 2032 - 2037 .

彭良贵，王登刚，李杰，等 . 数据驱动的卷取温度模型参数即时自适应设定算法［J］. 工程科学学报， 2020 ， 42 （ 6 ）： 778 - 786 .

张田，张子豪，田勇，等 . 深度学习在中厚板轧后超快速冷却系统中的研究与应用［J］. 东北大学学报（自然科学版）， 2019 ， 40 （ 5 ）： 635 - 640 .

居龙，李洪波，张杰，等 . 基于多目标遗传算法的工作辊温度场计算与分析［J］. 北京科技大学学报， 2014 ， 36 （ 9 ）： 1255 - 1259 .

Engelbart D C . Augmenting human intellect： A conceptual framework （1962）［M］. Ideas That Created the Future . Cambridge， MA， USA ： The MIT Press ， 2021 ： 225 - 236 .

王国栋 . 数字钢铁全国重点实验室在“AI+轧钢”领域的应用探索［J］. 轧钢， 2026 ， 43 （ 1 ）： 1 - 6 .

Hewing L ， Wabersich K P ， Menner M ， et al . Learning-based model predictive control： Toward safe learning in control ［J］. Annual Review of Control， Robotics， and Autonomous Systems ， 2020 ， 3 ： 269 - 296 .

［美］布雷特·金 . 刘林德，冯斌等译. 智能浪潮：增强时代来临［M］. 北京：中信出版社， 2017 . 12 - 26

张田 . 基于超快冷的中厚板温控形变耦合工艺及控冷模型的研究与工业应用［D］. 沈阳：东北大学， 2017 .

崔晨耕 . 神经网络算法与机理模型融合的冷连轧轧制力智能预报模型［J］. 计算机与现代化， 2019 （ 8 ）： 74 - 78+91 .

Zheng J H ， Yang Z Y ， Ge Z Q . Deep extraction and augmentation of non-Gaussian data features for multimode industrial process monitoring ［J］. Chemical Engineering Science ， 2025 ， 311 ： 121652 .

Nguyen H T ， Haugen Ø ， Johnsen E B . Augmentor： A cognitive-inspired approach for context-aware adaptive learning with human guidance ［J］. Journal of Intelligent Manufacturing ， 2025 ： 1 - 22 .

邱碧涛，但斌斌，肖涵，等 . 基于BP神经网络的轧机刚度预测模型［J］. 轧钢， 2024 ， 41 （ 2 ）： 120 - 125 .

浏览量

下载量

CSCD

CNKI被引量

文章被引用时，请邮件提醒。

提交

工具集

关联资源

AISI M3：2粉末工具钢中碳化物在高温保温过程中的演变

H13热作模具钢回火组织演变与力学性能调控

高温扩散退火对6Cr5Mo2V1合金工具钢微观组织的影响

我国模具钢的发展及研究现状

电渣重熔渣系对高品质耐蚀模具钢FS136中夹杂物的影响