一种改善镀锌汽车板表面形貌的光整工艺优化方法

摘要

本发明公开了一种改善镀锌汽车板表面形貌的光整工艺优化方法，建立涉及轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率多个影响因素的粗糙度复制模型；根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型；通过粗糙度预报模型预测设定光整工艺所制备的产品的粗糙度，若预测的粗糙度不满足粗糙度设定要求，则调整设定光整工艺，若预测的粗糙度满足粗糙度设定要求，则按照设定光整工艺对带钢进行光整。通过本发明的光整工艺优化方法，光整后带钢横向粗糙度Ra≤1.0，RPC≥100，Wca0.8＜0.35，外板表面形貌合格率＞95％，生产的汽车外板产品涂装效果更佳。

权利要求

1.一种改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于，包括如下步骤：(1)建立涉及多个影响因素的粗糙度复制模型，所述多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率；

分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝a+bX1+cX2+dX3+eX4；

其中：Y为成品带钢的粗糙度；X1为轧辊粗糙度；X2为单位宽度轧制力；X3为轧制速度；

X4为延伸率；a、b、c、d、e均为设定的系数，且a、b、c、d、e均小于1；

(2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化所述粗糙度复制模型，得到粗糙度预报模型；

(3)通过所述粗糙度预报模型预测设定光整工艺所制备的产品的粗糙度：a)若预测的所述粗糙度满足粗糙度设定要求，则按照所述设定光整工艺对带钢进行光整；

b)若预测的所述粗糙度不满足粗糙度设定要求，则调整所述设定光整工艺，直至预测的所述粗糙度满足粗糙度设定要求，按照所述设定光整工艺对带钢进行光整。

2.如权利要求1所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：所述系数a、b、c、d、e中，|b|＞|a|＞|d|＞|c|，|b|＞|a|＞|e|＞|c|。

3.如权利要求2所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：所述系数a为0.1～0.5；所述系数b为0.4～0.8；所述系数c为0.0001～0.0004；所述系数d为‑

0.005～0.005；所述系数e为‑0.3～0.3。

4.如权利要求1所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：步骤(2)中，所述根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化所述粗糙度复制模型，得到粗糙度预报模型，包括：(2‑1)依照所述粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延伸率之间的关系，建立基于神经网络的表面形貌预报系统；

(2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练所述表面形貌预报系统的神经网络，利用神经网络的原理验证所述表面形貌预报系统的正确性，并根据所述样本集不断修正所述表面形貌预报系统的规则和计算方法。

5.如权利要求1所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：步骤(3)中，所述设定光整工艺包括：控制所述轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

控制所述单位宽度轧制力为2.5KN～7.0KN；

控制所述轧制速度为100m/min～140m/min；

控制所述延伸率为0.8％～1.6％；

控制所述光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

控制入口张力为30KN～60KN，出口张力为35KN～65KN。

6.如权利要求5所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：步骤(3)中，所述控制所述轧辊始粗糙度Ra为2.0μm～2.2μm，包括：对所述轧辊进行磨削工艺和毛化工艺，所述磨削工艺包括粗磨、半粗磨、半精磨、精磨和超精磨，其中半精磨工序中的砂轮转速为20r/min～24r/min；

所述毛化工艺中轧辊的辊面速度为1600mm/min。

7.如权利要求6所述的改善镀锌汽车板表面形貌的光整工艺优化方法，其特征在于：步骤(3)中，根据砂轮直径进行分档：砂轮直径大于750mm为一档，砂轮直径750mm～650mm为二档，针对不同砂轮直径使用不同的磨削工艺参数。

8.一种控制设备，其特征在于：包括存储器和与所述存储器连接的处理器，所述存储器上存储有程序代码，所述处理器用于从所述存储器中读取所述程序代码，以执行权利要求

1‑7中任一项所述光整工艺优化方法。

9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有程序代码，所述程序代码在被处理器执行时，可以实现权利要求1‑7中任一项所述光整工艺优化方法。

说明书

一种改善镀锌汽车板表面形貌的光整工艺优化方法

技术领域

[0001] 本申请属于金属材料加工技术领域，具体涉及一种改善镀锌汽车板表面形貌的光整工艺优化方法。

背景技术

[0002] 随着我国汽车工业的高速发展，高表面级别镀锌类汽车板的国产化需求尤为迫切。但是由于技术水平的限制以及生产经验的匮乏，对于产品表面微观形貌的分析及控制
机理研究相对较少，冷轧高端热镀锌汽车板产品的个性化需求及工艺技术难度主要表现在
以下几个方面：

[0003] 1)带钢表面粗糙度窄范围、高精度的控制要求：客户要求带钢表面粗糙度满足0.6μm～1.0μm的公差范围，且要求通卷带钢的单点检测数值均保证在控制范围内；

[0004] 2)对带钢表面高峰值密度Rpc值的控制要求：对于不同延伸率的带钢，由于其表面峰值密度Rpc值的影响机理不同，导致无法满足客户需求。

[0005] 上述原因导致现有光整工艺参数和轧辊磨削毛化工艺仅能达到带钢粗糙度Ra为1.0～1.5，RPC值＜80，且表面形貌无法满足S6级别要求。

发明内容

[0006] 为解决上述技术问题，本发明提供一种以表面形貌为核心，兼顾粗糙度，RPC值和波纹度的改善镀锌汽车板表面形貌的光整工艺优化方法。

[0007] 实现本发明目的所采用的技术方案为，一种改善镀锌汽车板表面形貌的光整工艺优化方法，包括如下步骤：

[0008] (1)建立涉及多个影响因素的粗糙度复制模型，所述多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率；

[0009] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化所述粗糙度复制模型，得到粗糙度预报模型；

[0010] (3)通过所述粗糙度预报模型预测设定光整工艺所制备的产品的粗糙度：

[0011] a)若预测的所述粗糙度满足粗糙度设定要求，则按照所述设定光整工艺对带钢进行光整；

[0012] b)若预测的所述粗糙度不满足粗糙度设定要求，则调整所述设定光整工艺，直至预测的所述粗糙度满足粗糙度设定要求，按照所述设定光整工艺对带钢进行光整。

[0013] 进一步地，步骤(1)中，所述建立涉及多个影响因素的粗糙度复制模型，包括：

[0014] 分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：

[0015] Y＝a+bX1+cX2+dX3+eX4；

[0016] 其中：Y为成品带钢的粗糙度；X1为轧辊粗糙度；X2为单位宽度轧制力；X3为轧制速度；X4为延伸率；a、b、c、d、e均为设定的系数，且a、b、c、d、e均小于1。

[0017] 进一步地，所述系数a、b、c、d、e中，|b|＞|a|＞|d|＞|c|，|b|＞|a|＞|e|＞|c|。

[0018] 进一步地，所述系数a为0.1～0.5；所述系数b为0.4～0.8；所述系数c为0.0001～0.0004；所述系数d为‑0.005～0.005；所述系数e为‑0.3～0.3。

[0019] 进一步地，步骤(2)中，所述根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化所述粗糙度复制模型，得到粗糙度预报模型，包括：

[0020] (2‑1)依照所述粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度
和延伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0021] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练所述表面形貌预报系统的神经网络，利用神经网络的原理验证所述表面形貌预报系统的
正确性，并根据所述样本集不断修正所述表面形貌预报系统的规则和计算方法。

[0022] 进一步地，步骤(3)中，所述设定光整工艺包括：

[0023] 控制所述轧辊始粗糙度Ra为1.8μm～3.8μm，所述基辊粗糙度Ra<0.4μm；

[0024] 控制所述单位宽度轧制力为2.5KN～7.0KN；

[0025] 控制所述轧制速度为100m/min～140m/min；

[0026] 控制所述延伸率为0.8％～1.6％；

[0027] 控制所述光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0028] 控制所述入口张力为30KN～60KN，出口张力为35KN～65KN。

[0029] 进一步地，步骤(3)中，所述控制所述轧辊始粗糙度Ra为2.0μm～2.2μm，包括：

[0030] 对所述轧辊进行磨削工艺和毛化工艺，所述磨削工艺包括粗磨、半粗磨、半精磨、精磨和超精磨，其中半精磨工序中的砂轮转速为20r/min～24r/min；

[0031] 所述毛化工艺中轧辊的辊面速度为1600mm/min。

[0032] 进一步地，步骤(3)中，根据砂轮直径进行分档：砂轮直径大于750mm为一档，砂轮直径750mm～650mm为二档，针对不同砂轮直径使用不同的磨削工艺参数。

[0033] 基于同样的发明构思，本发明还提供了一种控制设备，包括存储器和与所述存储器连接的处理器，所述存储器上存储有程序代码，所述处理器用于从所述存储器中读取所
述程序代码，以执行上述光整工艺优化方法。

[0034] 基于同样的发明构思，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码在被处理器执行时，可以实现上述光整工艺优
化方法。

[0035] 由上述技术方案可知，本发明提供的改善镀锌汽车板表面形貌的光整工艺优化方法，建立涉及多个影响因素，包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸，的粗糙度
复制模型，该模型可以反映出带钢粗糙度与轧辊粗糙度、轧制力、轧制速度和延伸率之间的
关系；根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化该粗糙
度复制模型得到粗糙度预报模型，优化得到的粗糙度预报模型可以更好地与现场生产实际
情况相匹配，以获得极度逼近实际情况的粗糙度预测值；在光整工艺制定后或者运行一端
时间后可以通过上述粗糙度预报模型预测设定光整工艺所制备的产品的粗糙度，若预测的
粗糙度不满足设定要求，则可及时调整设定光整工艺，而不需要等到成品大量制备出来后
再检测调整工艺。

[0036] 本发明提供的改善镀锌汽车板表面形貌的光整工艺优化方法，光整工艺参数的设定及调整以粗糙度预测值作为制定依据，以表面形貌为核心，兼顾粗糙度，RPC值和波纹度，
从而确保产品的质量，实现带钢粗糙度均匀性≤±Ra0.1，RPC≥100，Wca0.8＜0.35，外板表
面形貌合格率＞95％，表面形貌满足S6级别的高要求，生产的汽车外板产品涂装效果更佳。

附图说明

[0037] 图1为本发明实施例中改善镀锌汽车板表面形貌的光整工艺优化方法的流程图；

[0038] 图2为实施例1中粗糙度复制率数据分布图；

[0039] 图3为实施例5中粗糙度复制率数据分布图；

[0040] 图4为实施例6中控制设备的显示界面图。

具体实施方式

[0041] 为了使本申请所属技术领域中的技术人员更清楚地理解本申请，下面结合附图，通过具体实施例对本申请技术方案作详细描述。

[0042] 实施例1：

[0043] 本实施例提供一种改善镀锌汽车板表面形貌的光整工艺优化方法，用于对某一型号镀锌汽车外板进行光整，参见图1，该光整工艺优化方法包括如下步骤：

[0044] (1)建立涉及多个影响因素的粗糙度复制模型，多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率。

[0045] 具体的，本实施例中，通过在历史数据中分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝
0.235+0.665X1+0.000117X2‑0.00417X3‑0.181X4；

[0046] 其中：Y为成品带钢的粗糙度，μm；X1为轧辊粗糙度，μm；X2为单位宽度轧制力，KN；X3为轧制速度；X4为延伸率。

[0047] 经计算，如图2所示，该粗糙度复制模型的粗糙度复制率为50％～74％，平均复制率为62％。

[0048] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型。该步骤的具体内容如下：

[0049] (2‑1)依照粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延
伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0050] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练表面形貌预报系统的神经网络，利用神经网络的原理验证表面形貌预报系统的正确性，
并根据样本集不断修正表面形貌预报系统的规则和计算方法，从而生成一个极度逼近实际
情况的模型，然后再利用训练好的网络模型进行预报。

[0051] (3)进行光整工艺，具体包括：

[0052] (3‑1)设定光整工艺，光整工艺的具体参数如下：

[0053] 轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0054] 单位宽度轧制力为2.5KN～7.0KN；

[0055] 轧制速度为100m/min～140m/min；

[0056] 延伸率为0.8％～1.6％；

[0057] 光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0058] 入口张力为30KN～60KN，出口张力为35KN～65KN。

[0059] 本实施例所加工的钢种所对应的光整工艺的具体参数如下：

[0060] 轧辊始粗糙度Ra为2.0μm～2.4μm，基辊粗糙度Ra<0.4μm；

[0061] 单位宽度轧制力为2.5KN～4.0KN；

[0062] 轧制速度为110m/min～120m/min；

[0063] 延伸率为1.1％～1.3％；

[0064] 光整工艺轧制力为4900KN～5900KN，轧制力中值为5256KN，弯辊力为300KN～450KN；

[0065] 入口张力为45KN～50KN，出口张力为55KN～60KN。

[0066] 在某一具体应用实例中，该型号镀锌汽车外板的光整工艺参数见表1：

[0067] 表1镀锌线光整参数

[0068]

[0069] 由上表可知，本实施例的光整工艺使用大轧制力、小张力，可以掩盖镀锌后缺陷，提高表面质量。使用小粗糙度轧辊，可以获得较高RPC值，同时增大轧制力、减少张力，保证
带钢粗糙度在合理范围之内。

[0070] 为控制轧辊始粗糙度Ra对轧辊进行磨削工艺和毛化工艺，其中磨削工艺包括粗磨、半粗磨、半精磨、精磨和超精磨，其中半精磨工序中的砂轮转速为20r/min～24r/min。

[0071] 由于砂轮直径大小对轧辊表面质量及工艺要求有较大影响，本实施例根据砂轮直径进行分档：砂轮直径大于750mm为一档，砂轮直径750mm～650mm为二档，针对不同砂轮直
径使用不同的磨削工艺参数，由于轧辊的差异性及砂轮的持续消耗，可在小范围内微调磨
削参数。

[0072] 本实施例，砂轮的具体磨削工艺见表2、表3和表4：

[0073] 表2砂轮直径750mm以上使用磨削程序

[0074]

[0075] 表3砂轮直径750mm～650mm使用磨削程序

[0076]

[0077]

[0078] 表4超精磨工艺参数

[0079]

[0080] 轧辊使用超精磨工艺流程，以便提高粗糙度均匀性，粗糙度保持能力和来辊的RPC值。

[0081] 毛化工艺的具体参数见表5：

[0082] 表5毛化工艺参数

[0083]

[0084] 毛化工艺中轧辊的辊面速度为1600mm/min，可以减少轧辊毛化过程中的轧辊震动，提高表面粗糙度均匀性。

[0085] (3‑2)通过粗糙度预报模型预测设定光整工艺所制备的产品的粗糙度：

[0086] a)若预测的粗糙度满足粗糙度设定要求，则按照设定光整工艺对带钢进行光整；

[0087] b)若预测的粗糙度不满足粗糙度设定要求，则调整设定光整工艺，直至预测的粗糙度满足粗糙度设定要求，按照设定光整工艺对带钢进行光整。

[0088] 经测定，采用以上光整工艺生产的该型号钢种的Ra＝0.82μm，RPC＝105，Wca＝0.326，均符合客户对汽车外板的表面形貌要求。

[0089] 实施例2：

[0090] 本实施例提供一种改善镀锌汽车板表面形貌的光整工艺优化方法，用于对又一型号镀锌汽车外板进行光整，参见图1，该光整工艺优化方法包括如下步骤：

[0091] (1)建立涉及多个影响因素的粗糙度复制模型，多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率。

[0092] 具体的，本实施例中，通过在历史数据中分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝
0.28+0.665X1+0.00018X2‑0.00476X3‑0.151X4；

[0093] 其中：Y为成品带钢的粗糙度，μm；X1为轧辊粗糙度，μm；X2为单位宽度轧制力，KN；X3为轧制速度；X4为延伸率。

[0094] 经计算，该粗糙度复制模型的粗糙度复制率为52％～72％，平均复制率为61％。

[0095] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型。该步骤的具体内容如下：

[0096] (2‑1)依照粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延
伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0097] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练表面形貌预报系统的神经网络，利用神经网络的原理验证表面形貌预报系统的正确性，
并根据样本集不断修正表面形貌预报系统的规则和计算方法，从而生成一个极度逼近实际
情况的模型，然后再利用训练好的网络模型进行预报。

[0098] (3)进行光整工艺，具体包括：

[0099] (3)进行光整工艺，具体包括：

[0100] (3‑1)设定光整工艺，光整工艺的具体参数如下：

[0101] 轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0102] 单位宽度轧制力为2.5KN～7.0KN；

[0103] 轧制速度为100m/min～140m/min；

[0104] 延伸率为0.8％～1.6％；

[0105] 光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0106] 入口张力为30KN～60KN，出口张力为35KN～65KN。

[0107] 本实施例所加工的钢种所对应的光整工艺的具体参数如下：

[0108] 轧辊始粗糙度Ra为3.4μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0109] 单位宽度轧制力为5.0KN～7.0KN；

[0110] 轧制速度为120m/min～140m/min；

[0111] 延伸率为1.4％～1.6％；

[0112] 光整工艺轧制力为5900KN～6900KN，轧制力中值为6301KN，弯辊力为420KN～450KN；

[0113] 入口张力为55KN～60KN，出口张力为60KN～65KN。

[0114] 在某一具体应用实例中，该型号镀锌汽车外板的光整工艺参数见表6：

[0115] 表6镀锌线光整参数

[0116]

[0117] 由上表可知，本实施例的光整工艺使用大轧制力、小张力，可以掩盖镀锌后缺陷，提高表面质量。使用小粗糙度轧辊，可以获得较高RPC值，同时增大轧制力、减少张力，保证
带钢粗糙度在合理范围之内。

[0118] 为控制轧辊始粗糙度Ra对轧辊进行磨削工艺和毛化工艺，磨削工艺和毛化工艺的具体内容同实施例1，此处不再赘述。

[0119] 经测定，采用以上光整工艺生产的该型号钢种的Ra＝0.9μm，RPC＝113，Wca＝0.313，均符合客户对汽车外板的表面形貌要求。

[0120] 实施例3：

[0121] 本实施例提供一种改善镀锌汽车板表面形貌的光整工艺优化方法，用于对又一型号镀锌汽车外板进行光整，参见图1，该光整工艺优化方法包括如下步骤：

[0122] (1)建立涉及多个影响因素的粗糙度复制模型，多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率。

[0123] 具体的，本实施例中，通过在历史数据中分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝
0.26+0.725X1+0.00029X2‑0.00426X3‑0.181X4；

[0124] 其中：Y为成品带钢的粗糙度，μm；X1为轧辊粗糙度，μm；X2为单位宽度轧制力，KN；X3为轧制速度；X4为延伸率。

[0125] 经计算，该粗糙度复制模型的粗糙度复制率为54％～79％，平均复制率为65％。

[0126] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型。该步骤的具体内容如下：

[0127] (2‑1)依照粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延
伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0128] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练表面形貌预报系统的神经网络，利用神经网络的原理验证表面形貌预报系统的正确性，
并根据样本集不断修正表面形貌预报系统的规则和计算方法，从而生成一个极度逼近实际
情况的模型，然后再利用训练好的网络模型进行预报。

[0129] (3)进行光整工艺，具体包括：

[0130] (3)进行光整工艺，具体包括：

[0131] (3‑1)设定光整工艺，光整工艺的具体参数如下：

[0132] 轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0133] 单位宽度轧制力为2.5KN～7.0KN；

[0134] 轧制速度为100m/min～140m/min；

[0135] 延伸率为0.8％～1.6％；

[0136] 光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0137] 入口张力为30KN～60KN，出口张力为35KN～65KN。

[0138] 本实施例所加工的钢种所对应的光整工艺的具体参数如下：

[0139] 轧辊始粗糙度Ra为1.8μm～2.0μm，基辊粗糙度Ra<0.4μm；

[0140] 单位宽度轧制力为2.5KN～3.0KN；

[0141] 轧制速度为100m/min～110m/min；

[0142] 延伸率为0.8％～1.0％；

[0143] 光整工艺轧制力为2200KN～3000KN，轧制力中值为2543KN，弯辊力为200KN～250KN；

[0144] 入口张力为30KN～35KN，出口张力为35KN～40KN。

[0145] 在某一具体应用实例中，该型号镀锌汽车外板的光整工艺参数见表7：

[0146] 表7镀锌线光整参数

[0147]

[0148] 由上表可知，本实施例的光整工艺使用大轧制力、小张力，可以掩盖镀锌后缺陷，提高表面质量。使用小粗糙度轧辊，可以获得较高RPC值，同时增大轧制力、减少张力，保证
带钢粗糙度在合理范围之内。

[0149] 为控制轧辊始粗糙度Ra对轧辊进行磨削工艺和毛化工艺，磨削工艺和毛化工艺的具体内容同实施例1，此处不再赘述。

[0150] 经测定，采用以上光整工艺生产的该型号钢种的Ra＝0.84μm，RPC＝132，Wca＝0.275，均符合客户对汽车外板的表面形貌要求。

[0151] 实施例4：

[0152] 本实施例提供一种改善镀锌汽车板表面形貌的光整工艺优化方法，用于对又一型号镀锌汽车外板进行光整，参见图1，该光整工艺优化方法包括如下步骤：

[0153] (1)建立涉及多个影响因素的粗糙度复制模型，多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率。

[0154] 具体的，本实施例中，通过在历史数据中分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝
0.25+0.695X1+0.00034X2‑0.00478X3‑0.202X4；

[0155] 其中：Y为成品带钢的粗糙度，μm；X1为轧辊粗糙度，μm；X2为单位宽度轧制力，KN；X3为轧制速度；X4为延伸率。

[0156] 经计算，该粗糙度复制模型的粗糙度复制率为60％～82％，平均复制率为72％。

[0157] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型。该步骤的具体内容如下：

[0158] (2‑1)依照粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延
伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0159] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练表面形貌预报系统的神经网络，利用神经网络的原理验证表面形貌预报系统的正确性，
并根据样本集不断修正表面形貌预报系统的规则和计算方法，从而生成一个极度逼近实际
情况的模型，然后再利用训练好的网络模型进行预报。

[0160] (3)进行光整工艺，具体包括：

[0161] (3)进行光整工艺，具体包括：

[0162] (3‑1)设定光整工艺，光整工艺的具体参数如下：

[0163] 轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0164] 单位宽度轧制力为2.5KN～7.0KN；

[0165] 轧制速度为100m/min～140m/min；

[0166] 延伸率为0.8％～1.6％；

[0167] 光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0168] 入口张力为30KN～60KN，出口张力为35KN～65KN。

[0169] 本实施例所加工的钢种所对应的光整工艺的具体参数如下：

[0170] 轧辊始粗糙度Ra为2.8μm～3.2μm，基辊粗糙度Ra<0.4μm；

[0171] 单位宽度轧制力为4.5KN～5.0KN；

[0172] 轧制速度为110m/min～130m/min；

[0173] 延伸率为1.2％～1.4％；

[0174] 光整工艺轧制力为4500KN～5000KN，轧制力中值为4765KN，弯辊力为345KN～380KN；

[0175] 入口张力为45KN～55KN，出口张力为55KN～60KN。

[0176] 在某一具体应用实例中，该型号镀锌汽车外板的光整工艺参数见表8：

[0177] 表8镀锌线光整参数

[0178]

[0179] 由上表可知，本实施例的光整工艺使用大轧制力、小张力，可以掩盖镀锌后缺陷，提高表面质量。使用小粗糙度轧辊，可以获得较高RPC值，同时增大轧制力、减少张力，保证
带钢粗糙度在合理范围之内。

[0180] 为控制轧辊始粗糙度Ra对轧辊进行磨削工艺和毛化工艺，磨削工艺和毛化工艺的具体内容同实施例1，此处不再赘述。

[0181] 经测定，采用以上光整工艺生产的该型号钢种的Ra＝0.88μm，RPC＝133，Wca＝0.31，均符合客户对汽车外板的表面形貌要求。

[0182] 实施例5：

[0183] 本实施例提供一种改善镀锌汽车板表面形貌的光整工艺优化方法，用于对又一型号镀锌汽车外板进行光整，参见图1，该光整工艺优化方法包括如下步骤：

[0184] (1)建立涉及多个影响因素的粗糙度复制模型，多个影响因素包括轧辊粗糙度、单位宽度轧制力、轧制速度和延伸率。

[0185] 具体的，本实施例中，通过在历史数据中分析轧辊参数和光整工艺对成品粗糙度的影响规律，通过逐步回归建立起涉及多个影响因素的粗糙度复制模型，回归方程为：Y＝
0.486+0.432X1+0.000208X2+0.0031X3+0.220X4；

[0186] 其中：Y为成品带钢的粗糙度，μm；X1为轧辊粗糙度，μm；X2为单位宽度轧制力，KN；X3为轧制速度；X4为延伸率。

[0187] 经计算，如图3所示，该粗糙度复制模型的粗糙度复制率为41％～56％，平均复制率为49％。

[0188] (2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集，优化粗糙度复制模型，得到粗糙度预报模型。该步骤的具体内容如下：

[0189] (2‑1)依照粗糙度复制模型，结合镀锌汽车板的表面形貌控制要求，结合实际生产数据，考虑带钢粗糙度与轧辊粗糙度、轧辊辊径、轧制周期、光整工艺轧制力、轧制速度和延
伸率之间的关系，建立基于神经网络的表面形貌预报系统；

[0190] (2‑2)根据工业现场实测参数和带钢粗糙度相对应的数据关系组成的样本集来训练表面形貌预报系统的神经网络，利用神经网络的原理验证表面形貌预报系统的正确性，
并根据样本集不断修正表面形貌预报系统的规则和计算方法，从而生成一个极度逼近实际
情况的模型，然后再利用训练好的网络模型进行预报。

[0191] (3)进行光整工艺，具体包括：

[0192] (3)进行光整工艺，具体包括：

[0193] (3‑1)设定光整工艺，光整工艺的具体参数如下：

[0194] 轧辊始粗糙度Ra为1.8μm～3.8μm，基辊粗糙度Ra<0.4μm；

[0195] 单位宽度轧制力为2.5KN～7.0KN；

[0196] 轧制速度为100m/min～140m/min；

[0197] 延伸率为0.8％～1.6％；

[0198] 光整工艺轧制力为2200KN～6900KN，弯辊力为200KN～450KN；

[0199] 入口张力为30KN～60KN，出口张力为35KN～65KN。

[0200] 本实施例所加工的钢种所对应的光整工艺的具体参数如下：

[0201] 轧辊始粗糙度Ra为1.8μm～2.5μm，基辊粗糙度Ra<0.4μm；

[0202] 单位宽度轧制力为2.5KN～3.0KN；

[0203] 轧制速度为110m/min～120m/min；

[0204] 延伸率为0.8％～1.2％；

[0205] 光整工艺轧制力为2300KN～3600KN，轧制力中值为2618KN，弯辊力为300KN～450KN；

[0206] 入口张力为40KN～45KN，出口张力为50KN～55KN。

[0207] 在某一具体应用实例中，该型号镀锌汽车外板的光整工艺参数见表9：

[0208] 表9镀锌线光整参数

[0209]

[0210] 由上表可知，本实施例的光整工艺使用大轧制力、小张力，可以掩盖镀锌后缺陷，提高表面质量。使用小粗糙度轧辊，可以获得较高RPC值，同时增大轧制力、减少张力，保证
带钢粗糙度在合理范围之内。

[0211] 为控制轧辊始粗糙度Ra对轧辊进行磨削工艺和毛化工艺，，磨削工艺和毛化工艺的具体内容同实施例1，此处不再赘述。

[0212] 经测定，采用以上光整工艺生产的该型号钢种的Ra＝0.93μm，RPC＝101，Wca＝0.28，均符合客户对汽车外板的表面形貌要求。

[0213] 实施例6：

[0214] 基于同样的发明构思，本实施例提供一种控制设备，包括存储器和与存储器连接的处理器，存储器上存储有程序代码，处理器用于从存储器中读取程序代码，以执行上述实
施例1‑5中任一项的光整工艺优化方法。

[0215] 该控制设备具体可为PLC控制器、工控机等。本实施例采用工控机，工控机的控制页面如图4所示。

[0216] 实施例7：

[0217] 基于同样的发明构思，本实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有程序代码，程序代码在被处理器执行时，可以实现上述实施例1‑5中任一项的
光整工艺优化方法。

[0218] 通过上述实施例，本发明具有以下有益效果或者优点：

[0219] 本发明提供的改善镀锌汽车板表面形貌的光整工艺优化方法，针对镀锌汽车板光整工艺，对影响带钢表面形貌例如带钢粗糙度，RPC值，以及光整工艺参数的关系进行了摸
索，形成了一套针对汽车外板的镀锌光整机光整工艺参数。对比小轧制力，大粗糙度轧辊轧
制思路和大轧制力，小粗糙度轧辊轧制思路，本发明采用大轧制力，小粗糙度的轧辊以及光
整工艺参数控制之后带钢表面更细腻，对缺陷的掩盖能力更强。针对镀锌汽车外板通过使
用大轧制力，小粗糙度的控制思路，增加镀锌光整机轧制力有效改善带钢表面的锌流纹、锌
灰锌渣、“毛毛虫”等质量缺陷，同时能够提高轧辊微观形貌特性的复制效率，提高了带钢鲜
映性、储油性以及涂油的均匀性。经过本发明光整工艺后，带钢横向粗糙度可达Ra≤1.0，
RPC≥100，Wca0.8＜0.3，外板表面形貌合格率＞95％，生产的汽车外板产品涂装效果更佳。

[0220] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产
品的形式。

[0221] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0222] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。

[0223] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。

[0224] 尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包
括优选实施例以及落入本申请范围的所有变更和修改。

[0225] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围
之内，则本申请也意图包含这些改动和变型在内。