热连轧机轧制力和轧制力矩模型研究

研究了一种适用于热连轧机的新型高精度轧制力和轧制力矩模型,建立了一个轧制力功系数和轧制力矩功系数的新型指数公式,将两个系数的表达式统一起来,仅含"压下率"和"压扁半径与出口厚度之比"两个影响因子,形式简洁,物理意义明显.给出了新型指数公式中待定参数的确定方法,求得的待定参数值对不同钢种和不同精轧机架具有通用性.预测实践表明,新型轧制力和轧制力矩模型提高了热连轧过程中轧制力和轧制力矩的预报精度,可用于热轧板带生产线精轧机架的在线控制.     

热轧非稳态过程轧制力自学习模型优化

为提高热连轧非稳态过程轧制力的预测精度,提出了一种轧制力自学习模型优化方法. 将模型自学习系数分解为层别学习系数和轧制状态学习系数,表征机架间轧制力预报偏差的遗传特性及实际轧辊状态对模型预报的影响.在系数更新过程中,根据层别距离分别对学习系数进行更新,减小了轧制规格切换时轧制力的预报误差.所提方法已成功应用于某热连轧过程,与原模型相比,优化后的自学习方法的预测偏差从2.8%降低到1.4%,均方差从3.3%降低到1.7%,有效提高了非稳态过程轧制力的预测精度和鲁棒性.     

基于神经网络与线性回归的轧制力预报

通过将SIMS轧制力计算公式进行相应简约化处理,避免了模型软件在该公式计算时的重复迭代求解,缩短了计算时间,因此更适合在线软件计算.利用现场实际生产数据反向回归出变形抗力模型中的系数,提高了模型中系数的准确性.用神经网络对变形抗力与应力状态系数的乘积加以修正,进一步提高了轧制力预报的精度.预测结果与实测数据比较表明,轧制力预报误差基本在±5％以内,满足了轧制力预报的精度要求.     

结合模型自学习的BP神经元网络的轧制力预报

为了改善传统轧制力模型的预报精度,首次将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报·分析国内宝山钢铁集团(公司)2050热连轧机组上的精轧轧制力模型及其自学习方法,可知通过自学习后的预测轧制力具有较高的精度,为此将自学习后的模型预测轧制力作为BP神经元网络的一个输入项进行网络的训练,通过大量在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到很大简化·这种方法为人工智能预测轧制力的研究提供一个新的思路·     

热轧带钢精轧过程高精度轧制力预测模型

轧制力模型的计算精度直接影响热轧带钢厚度控制精度,目前大多数轧制力模型都把轧制压力分解成应力状态影响系数和变形抗力的乘积.选用与西姆斯公式吻合较好美坂佳助公式作为应力状态影响系数模型,并考虑残余应变的影响,建立了高精度轧制力预测模型.分析了残余应变对普碳钢和合金钢轧制力的影响,给出了带钢热连轧机组残余应变工程计算方法.现场应用结果表明,该轧制力模型具有较高的预测精度,可以满足在线要求.     

热轧带钢轧制力模型自学习算法优化

根据轧制数量、测量数据质量和轧制力预报误差的影响,建立了轧制力自学习速度因子优化模型. 在长期自学习的判定条件中综合考虑了规格分档的变化以及厚度、宽度的改变量,减少了换规格的次数. 长期自学习系数计算时利用了从前一块钢数据中分离出的设备状态信息,从而改善了模型自学习的连续性. 离线仿真分析结果表明,轧制力计算精度相对于自学习算法优化前有较大的提高.     

基于实测值的自适应算法在中厚板轧制中的应用

提出了一种应用于中厚板轧制的道次间自适应算法，该算法以实测数据为基础，通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小，做到了真正意义上的以实测数据来校正模型，从而使设定的模型有较好的自学习功能，并在实际应用中表现出较好的学习效果。     

基于目标函数的冷连轧轧制力模型参数自适应

为提高轧制力模型的预报精度,提出了一种基于目标函数的轧制力模型参数寻优方法该方法通过建立轧制力模型参数自适应目标函数,以变形抗力和摩擦系数模型中的自适应系数作为寻优参数,采用Nelder-Mead单纯形算法对目标函数进行求解,从而获得满足轧制力精度的模型自适应系数本文提出的轧制力模型参数自适应方法已应用于某1700mm五机架冷连轧机组.现场应用表明:采用轧制力模型参数自适应后,轧制力模型计算值与实测值的均方差由不采用自适应的129%降至32%,证明该参数自适应方法能显著提高轧制力模型预报精度,满足在线控制要求.     

中厚板厚度控制模型的自学习

结合南钢2 500 mm精轧机组改造项目,根据中厚板生产工艺特点,确定合理的弹跳模型和轧制力模型.考虑到弹跳模型具有较高精度以及其自学习不依赖于轧制力模型精度的特点,首先进行弹跳模型的自学习,再利用修正后的弹跳模型计算轧件出口厚度,将其用于轧制力模型的自学习.轧制力模型的自学习主要是修正钢种硬度系数,分短期自学习和长期自学习两部分,分别用于修正本批次钢和本规格钢的硬度系数,短期自学习结果是长期自学习的数据来源,长期自学习结果保存进数据库供以后计算使用.研究结果应用于南钢中板厂后,厚度控制命中率提高了13.3%.     

带钢热连轧换规格轧制力自学习优化

热连轧带钢生产过程中,轧制力预报精度直接影响到带钢厚度的精度,而轧制力预报精度很大程度上依赖于轧制力自学习.针对换规格时轧制力预报精度偏低的问题,通过对产生轧制力偏差的原因分析,引入基于钢种变形抗力的抛物线偏差曲线的概念、机架设备自学习系数和机架设备状态影响系数.现场实际应用效果表明:换规格后的首块钢的轧制力预报精度与传统方法相比,带钢头部的轧制力预报相对误差减小4%,满足自动厚度控制系统的控制要求,提高了带钢的产品质量,取得了良好的经济价值,适于工业推广.     

冷连轧机轧制力在线计算模型

通过将轧制变形区离散化的方法,在考虑变形区内横截面上张应力、摩擦应力等影响因素沿带钢轧制方向分布规律及其与带钢厚度及压下量的关系的基础上,采用数学模型和神经网络相结合的方法计算了金属变形抗力,建立了冷连轧机轧制力在线计算数学模型. 经大型工业轧机生产实践数据检验,该冷连轧机在线轧制力计算模型预报误差控制在6.1%以内,满足模型在线控制要求,可提高在线控制轧制力模型的计算精度.     

基于小波多分辨分析的新型多RBF网络轧制力设定模型

带钢热连轧生产过程中,影响因素多、关联复杂,轧制过程控制的精确模型难以建立,其中轧制力的预设定是重要问题之一,各种影响因素都会在轧制力的波动中有所体现.本文应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的不同频率成分子信号,并建立了一个多RBF网络模型,模型中每个子网络分别对一个信号成分进行建模,最后子网络输出被综合为轧制力设定信号.因为各个子信号影响因素不同,所以每个子模型输入参数不同，输出参数也不同,能真实地反映轧制力变化内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP网络的10％降低到了5％.     

基于小波分析的多RBF神经网络轧制力设定模型

带钢热连轧生产过程中,轧制力预设定时的轧制力信号影响因素多、关联复杂,难以建立精确的机理模型.为此,文中应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的子信号,并建立了一个多RBF神经网络模型.模型中每个子网络分别对一个子信号进行建模,最后将各子网络输出综合为轧制力设定信号.各个子信号的影响因素不同,每个子模型输入参数和输出参数亦不同,从而能真实地反映轧制力变化的内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP神经网络的10%降低到了5%.     

冷连轧过程控制轧制力模型综合参数自适应

轧制力模型是冷连轧过程控制系统的基本模型,影响其预报精度的主要因素是材料的变形抗力和摩擦因数. 本文采用参数自适应方法来提高轧制力的预报精度. 在对轧制力模型进行自适应过程中,将材料的变形抗力作为轧制过程模型的整体属性,各机架根据累计变形程度确定各自的变形抗力. 在此基础上,将摩擦因数看成是各机架的单体属性,各机架取不同的模型参数. 实践证明,这种综合考虑变形抗力和摩擦因数的参数自适应方法可以对二个参数同时进行修正,能有效提高轧制力模型的预报精度.     

基于遗传算法的热连轧机负荷再分配

以工业轧机为对象,根据热连轧板形前馈的特点,研究提出了基于遗传算法的轧制力负荷再分配的模型.实验数据对比分析结果表明,使用该策略能够获得良好的板形及生产的平稳过渡,可用于热连轧生产.     

立轧对称-反对称抛物线狗骨模型轧制力的解析

为提高热轧产品质量,必须保证热轧带钢宽度尺寸精度,生产中多采用在粗轧机组处安装立辊轧机来进行控制,但立轧后板坯横断面会产生狗骨形状.首次建立了立轧对称-反对称抛物线狗骨函数模型和运动许可速度场.使用刚塑性第一变分原理,采用变上限积分得到立轧时总功率泛函和轧制力的解析解.将轧制力解析结果与有限元仿真值进行比较,误差在3%以内,与Yun模型比较误差不大于6.3%.采用本文模型预测现场轧制力的精度良好,可以满足现场控制要求.     

单位宽度轧制力对热轧带钢凸度的影响规律

为了建立高精度的热轧带钢凸度计算数学模型 ,根据带钢凸度计算理论 ,采用影响函数法开发了四辊轧机带钢凸度影响率计算软件 ,系统地分析了单位宽度轧制力、轧辊直径和压下量对单位宽度轧制力影响率的影响规律·结果表明单位宽度轧制力影响率随带钢宽度的增加呈抛物线变化 ;轧辊直径和压下量对单位宽度轧制力影响率有一定的影响 ;建立了高精度单位宽度轧制力影响率的数学模型 ,确定了单位宽度轧制力影响率基本值及工作辊直径、支撑辊直径、压下量对单位宽度轧制力影响率修正系数的 6次拟合系数 ,为板形控制系统模型的建立及参数优化提供了理论依据     

热轧带钢精轧过程考虑相变的轧制力模型

对部分在精轧过程发生相变的热轧钢种,当在双相区轧制时,因奥氏体与铁素体的变形抗力随轧制温度的变化规律不同,使得传统轧制力模型的预报误差很大,影响轧制过程参数控制精度.为此,研发了一种适用于精轧过程发生相变的热轧轧制力模型.首先建立了余弦形式的相变体积分数模型,算出不同轧制温度下奥氏体与铁素体的体积分数;接着,建立加权形式的轧制温度对变形抗力影响项的计算公式,较好地模拟出轧件在双相区轧制的变形特性;最后,把该模型用于宝钢1880热轧轧制力预报在线计算,实际生产表明,该模型显著提高了无取向电工钢等精轧相变带钢的轧制力预报精度,改善了轧制稳定性.