Online prediction of wear on rolls of a bar rolling mill based on semi‐analytical equations and artificial 

neural networksYukio Shigaki1 and Marcos Antonio da Cunha2

1CEFET‐MG, Federal Center of Technological Education of Minas Gerais, Brazil.

(yukio@des.cefetmg.br)2GERDAU, Divinopolis mill, 

Brazil(marcos.cunha@gerdau.com.br)

17th Online World Conference on Soft Computing in Industrial Applications (WSC17)

Introduction

• A hot rod rolling process has several rolling mills in tandem, and each mill has grooved rolls that changes and reduces the cross sectional area of the billet into rod until its final form. 

• Tons of rods are produced by this process and the surface and dimensional quality are deteriorated with the wear of the grooves of the rolls. 

• It is not a very easy task to determine exactly when the amount of roll’s wear seems to affect adversely on the rod’s quality, and today its verification is done manually on the rod being rolled at high temperature, around 1000oC. 

• It can be seen that it is a risky operation!

Researchs

• Oike et al. proposed a wear model dependent on roll load, length of the  arc of contact, strip width, thickness reduction, roll diameter, exit strip length and some empirical coefficients.

• Archard developed a relationship between the amount of material lost by wear and the contact length, force and hardness of the roll´s material. 

• Sachs et al. showed that the rolling load is the most important factor when assessing the wear of rolls.

• Shinokura and Takai studied several types of cross‐sections for bar rolling and proposed an equation for the spread of the material of the billet inside the channel, as it has direct impact on the profile of the wear of the channels.

• Lee et al. propose a new analytical model topredict the surface profile of the wear contour of grooved roll in the oval–round (or round–oval) pass rolling process computed by using a linear interpolation of the radius of curvatureof an incoming billet and the radius of rollgroove in the roll axis direction.

• Kim et al. presented a study using neural network to preserve a uniform cross‐sectionalarea of   the output bar production line, considering the wear of the rolls. To predictthe profile of wear on all passes in the processof hot rolling, they proposed a modificationon the Archard’s wear model considering thehardness of the cylinder.

• Byon and Lee have proposed a semi‐analyticalmodel which predicts the contour of wear of thegrooved rolls for oval section to round section in the hot rolling process. In this model the contoursof the wear is assumed to be a second orderpolynomial function that is determined byapplying a linear interpolation to the radius ofcurvature of the workpiece at the entrance of thechannel of the roll and a weighting functionwhich takes into account the rolling load, lengthof contact arc with the rolled rod, the hardness ofthe roll and the tonnage rolled.

• Byon et al. have shown that the prediction ofwear contour is in agreement with thoseobtained experimentally.

• Based on experiments, they have proposed a model that predicts the adjustment of the gap when the groove already have a certain amountof wear. In this study the changes that occur in some process variables during bar rolling in a real situation were not taken into account. 

• In the article by Dong and Zheng, they studiedthe influence of alloying materials of the bar on spread, and found values   20‐30 % higherfor alloyed bars than in ordinary carbon steelbars. Then a greater spread, have a greaterarea of   contact with the roller bar, thuscausing a greater wear of the rolls.

• Some models for determining the wear of rollsuse empirical coefficients as one of variablesof the process. Thus, the online application ofthese models with the suggested empiricalcoefficients by the above mentioned authorsduring the production process of the millwon’t give precise results in the calculation ofthe wear, since the process parameterschanges significantly with time, and thesechanges alter the speed of the wear of rolls.

This work

• This study aims to analyze and correlate thewear occurred with changes in processparameters such as temperature of theworkpiece, roll’s speed, pressure and flow rate of cooling, rolling load, the hardness of thematerial, the mean temperature of coolingwater and rolled tonnage, by two artificial neural networks (ANN). 

• We developed two ANN Multilayer Perceptron(MLP) with two layers being the first with 8 inputs with 5 neurons in the hidden layer and one neuron in the output layer. The second ANN with 5 inputs with 5 neurons in the hidden layer and one neuron in the output layer.

• 12,659 billets were used for training and 5820 billets for model validation.

• The first ANN learns the average electrical current for thousands of hot rolled billets, and is done for ideal conditions, with new rolls. 

• The second ANN calculates empirical coefficients in order to define the spread of the workpiece and then its contour is calculated accurately. 

• The works of Shinokura and Takai , and Byonand Lee  apply constant values for empirical coefficients, limiting its application for other operational data variation during the rolling process. 

• The model presented in this work uses an ANN to adapt them to deal with this variation.

• More than 50,000 billets were monitored and their operational variables collected.

Semi‐analytical models for spread and wear

Experimental data

• The wear contour was measured for 50,000 billets rolled in 2 stands tandem rolling mills. Each reading was done during the maintenance intervals with a dial indicator, and all operational parameters were collected.

Results• Figure 5 shows a comparison between the model trained and new real data for stand number 11 and 9422 workpieces.

Conclusions

• This work has developed ANN and semi‐analytical models in order to calculate the wear and its profile in the grooves for rolls of bar hot rolling mills.

• Preliminary results compared with the prediction of the model for new data has shown that it works very well. A comparison of this model with two other methods in Table 1 shows a better precision. 

• In the near future this model will be prepared to automatically adjust the roll gap, and the human intervention, very risky as shown above, should not be necessary anymore.

References• Oike, Y. Okubo, I., Hirano, H., Umeda, K.: Tetsu‐to‐Hagane 63, S222 

(in Japanese) (1977).• Archard, J.F., Contacts and rubbing of flat surfaces. J. Appl. Phys. 24, 

981–988 (1953).• Shinokura, T. and Takai, K.A.: A new method for calculating spread 

in rod rolling [J], Journal of Applied Metalworking,2, p.94, (1982).• Lee, Y., Choi, S., Kim, Y.H.: Mathematical model and experimental 

validation of surface profile of workpiece in round‐oval‐round pass sequence, Journal of Materials processing Technology. 108, pp.4465‐4470, (2000).

• Kim , D. H., Kim, B. M., Lee,Y.: Application of ANN for the dimensional accuracy of workpiece in hot rod rolling process. Journal of Materials Processing Technology, Volumes 130–131,  214‐218, (2002).

• Kim, D. H., Kim, B. M., & Lee,Y.: Adjustment of Roll Gap for the Dimension Accuracy of Bar in Hot Bar Rolling Process. International Journal of the KSPE, 4, No. 1, 56‐62, (2003).

• Byon, S. M. and Lee, Y.: Experimental and semi‐analytical study of wear contour of roll groove and its applications to rod mill. ISIJ International, Vol. 47, No 47, pp.1006–1015,  (2007).

• Byon, S.M. and Lee,Y.: A study of roll gap adjustment due to roll wear in groove rolling: experiment and modeling. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture vol. 222, No. 7, (2008).

• Byon, S.M. and Lee,Y.: Experimental study for roll gap adjustment due to roll wear in single‐stand rolling and multi‐stand rolling test. Journal of Mechanical Science and Technology, No. 22, 937–945,  (2008).

• Zheng, J. and Dong, Y.: Mechanic Automation and Control Engineering 

(MACE), International Conference on, 26‐28, (2010).• Sydenham, P. H.; Thorn, R.: Handbook of Measuring System Design. John 

Wiley & Sons, (2005).• Kewalramani, M. A.; Gupta, R.: Concrete compressive strength prediction 

using ultrasonic pulse velocity through artificial neural networks. Automation in Construction 15 374‐379, (2006).