带钢卷取温度高精度预报模型的研究与开发

针对传统卷取温度模型的固有缺陷，为了提高卷取温度的控制精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热轧带钢卷取温度的预报。离线仿真表明，采用本文所述的方法，能够较准确地预报带钢的卷取温度。     

冷轧带钢局部高点卷取过程起筋控制的建模与仿真

为了研究带钢局部高点卷取起筋的控制方法，利用三维弹塑性变形基本理论，并引入带钢塑性流动因子，建立了弹塑性卷取应力和起筋量模型.基于应力函数假设、S. Timoshenko最小功原理和伽辽金虚位移法建立了起筋带钢的应力场分布和可用于在线计算的起筋临界卷取张力设定模型.仿真结果表明：局部高点在径向累积叠加所引起的带钢张力不均匀分布和轴向压应力是导致带钢起筋的主要原因；起筋量随局部高点高度、卷径和卷取张力增加而增大，薄带钢比厚带钢起筋量增幅明显；临界卷取张力随卷径、带钢厚度和局部高点高度增大而减小.     

CSP地下卷取机工艺结构的优化设计与应用

卷取区域的堆钢始终是制约CSP生产线2.7mm以下薄规格轧制的瓶颈之一.薄带轧制时,如何避免带钢的头部超薄出现(0.55-左右),避免"舌型",实现带钢厚头轧制,是困扰轧钢界的难题,目前还没有根治.因此,本文对地下卷取机的工艺结构进行优化设计,依此来重新规范带钢头部在卷取机卷取时的行走路线.解决卷取区域的堆钢现象.     

热轧带钢轧后冷却过程卷取温度的设定策略

为了提高热轧带钢卷取温度控制精度,针对热轧带钢轧后冷却过程非线性、强耦合性等特性,建立了具有非线性结构特征的热轧带钢轧后冷却过程控制的温度数学模型,并对热轧带钢轧后冷却过程卷取温度的设定策略进行了研究,同时在该模型基础上开发了系统软件,通过现场实际应用对模型功能进行了验证.结果表明,该冷却数学模型的卷取温度设定计算结果...     

热轧带钢层流冷却过程混合智能控制方法

现有热轧带钢层流冷却过程缺少对卷取温度的直接反馈机制,难以将卷取温度控制在一定范围内.将机理模型与案例推理智能技术相结合,提出了由冷却区喷水集管开启阀门总数预设定模型、卷取温度预报模型、前馈补偿模型与反馈补偿模型四个模块组成的混合智能控制方法,并利用某钢厂的实际运行数据进行实验研究.实验结果表明即使在工况条件频繁变化时,提出的层流冷却混合智能控制方法也能够及时、自动调整喷水集管阀门开启总数的设定值,最终将实际卷取温度控制在工艺要求的范围内,从而提高热轧带钢的组织性能.     

传热与相变耦合的卷取温度模型自适应方法

为实现卷取温度模型水冷换热学习系数和奥氏体相变速率学习系数的在线实时滚动优化,采用数学方法对带钢段间温度自适应进行研究.首先,构建一个以带钢段初始学习系数为重心的等边三角形,基于各顶点对应的学习系数,分别利用带钢温度模型预报卷取温度,从而获得学习系数对卷取温度的一阶偏导数增益;接着,根据带钢段实测卷取温度与模型预报值的偏差计算学习系数增量部分的瞬时值,并依据学习速率进行学习计算、有效性检查和平滑处理.最后,将学习系数增量值应用于卷取温度动态设定模型,对冷却区内的所有带钢段的冷却规程进行更新.实际应用表明,卷取温度段间自适应方法能够快速响应轧制速度的变化,对卷取温度进行高精度控制.     

天铁1750热轧层冷模型的调整和优化

天铁1750mm热轧生产线投产以来,二级层流冷却模型系统存在缺陷,不能涵盖所有钢种和规格的冷却策略,造成带钢卷取温度命中率较低、带钢头尾性能不一致等问题。通过对该控制系统参数的优化,大大提高了带钢头尾温度命中率,层流冷却模型更加适应现场的实际情况。     

热连轧控冷过程卷取温度精度的优化

控制冷却是热带钢轧后工艺处理中的关键技术,而卷取温度的精度又是冷却过程控制的核心·结合某热连轧厂控冷层流系统的改造,通过分析原有系统运行时对于厚带钢冷却能力不足、设定精度及纵向温度控制均匀性较差、冷却速率的控制策略单一、更换钢种组别时头几块钢的设定精度较差等方面的原因,在改造过程中有针对性地对冷却装置、冷却控制策略、数学模型进行改进,同时加强了控冷过程机模型自适应的能力,并开发了解析工具用于优化模型参数,提高了卷取温度过程控制的精度·     

热轧带钢轧后冷却控制及其自学习方法

热轧带钢轧后冷却过程中卷取温度的控制精度是保证带钢表面质量和板形良好的一个关键因素,因此温度控制精度的核心是冷却过程控制模型的建立,同时新的数学模型应该具有自学习功能以提高控制精度.以此为出发点,建立了具有非线性结构特征的热轧带钢冷却过程控制的数学模型,并对新模型的自学习能力进行了研究,使该模型能够不断地修正其关键参数以提高温度控制精度,从而增强了模型的自适应性.通过对该冷却过程数学模型的现场实际应用,验证了该冷却数学模型的卷取温度控制能够达到较高的精度,为提高带钢产品质量奠定了基础.     

一类模型掺数自适应修正算法的分析及改进

通过一个实际的热轧带钢卷取温度控制系统，提炼出一套模型参数自适应修正算法，进而分析了它的特点及收敛性，主伙这种参数自适应修正算法并不能保证参数收敛于所希望的值，这是造成带钢卷取温度控制精度产生波动的一个原因。提出了改进方案，使之成为适于实际应用的控制方法。     

热轧带钢层流冷却温度优化控制策略研究

在热轧带钢生产过程中,卷取温度是影响成品带钢性能的重要参数之一,其精度的高低对带钢质量至关重要.为保证产品具有良好的性能,采用层流冷却装置对热轧后的板带进行冷却控制,喷水系统的设定是层流冷却过程控制的关键.在冷却过程中带钢的温度不能在线连续检测,其过程具有强非线性和时变性,而且在冷却过程中存在相变,因此难以建立精确的数学模型去描述这一冷却过程.随着带钢厚度,精轧出口温度和轧制速度的变化,单独的前馈/反馈控制很难满足高精度的温度控制需要.在本文的研究中,一系列层流冷却控制策略被采用,包括前馈/反馈控制,自适应算法,以及控制带钢整体温度的均匀性策略.实践应用表明这些控制策略得到很好的检验,能有效地提高卷取温度的控制精度和均匀性.     

基于稳态误差的热连轧弹跳方程优化算法

热连轧带钢生产过程中,在停轧、换辊后会出现带钢厚度精度低的情况,影响到带材的成材率.为解决此问题,提出了新的轧辊磨损和热膨胀模型,并引入模型稳态误差量的概念,对弹跳方程进行优化改进.现场实际应用效果表明:换辊后首块钢的厚度偏差在40μm范围内达到90%以上,长时间停轧之后厚度偏差提高到30μm以内,满足自动厚度控制系统(AGC)的控制要求,提高了产品的成材率.并给出了弹跳方程稳态误差的普遍求解方案,模型在线使用效果良好,适于工业推广.     

酒钢不锈钢厂热轧层流冷却控制系统的数学模型

目前酒钢不锈钢厂热轧工序层流冷却系统对板带温度控制的精确度不够,导致带钢性能不符合要求。为了提高目标卷取温度的精度,获得组织性能和机械性能优良的带钢,对酒钢不锈钢热轧厂设备进行改造,通过分析层流冷却控制系统的变量和几种控制模型,并结合本厂实际情况建立了控制系统的数学模型。     

利用神经网络提高热轧带钢卷取温度的控制精度

针对热轧带钢层流冷却过程的复杂性,以国内某热轧厂层流冷却系统为例,分析了层流冷却系统的组成以及相应的空冷和水冷数学模型.采用神经网络与数学模型相结合的方法,对带钢实测卷取温度与目标值的偏差进行了预报,证明利用神经网络能较好预测卷取温度的偏差值,进而对数学模型中的参数进行调整,实现高精度的卷取温度控制.结果表明,卷取温度比传统数学模型控制的标准差降低了21.94%.     

热连轧层流冷却系统速度前馈补偿的优化

结合现场情况介绍了热轧带钢层流冷却设备和控制系统的数学模型,其中数学模型主要包括空冷模型、水冷模型、反馈控制模型和自学习模型.由于某热轧厂采用非匀速轧制工艺制度,带钢在冷却区内既有较大升速又有较大降速,原层流冷却系统不能够适应轧制速度的变化而影响卷取温度控制精度,故需针对轧制速度的变化进行速度前馈补偿控制;从过程自动化...     

热轧带钢轧后冷却控制系统优化

为提高热轧带钢超快冷出口温度和卷取温度控制精度,针对超快冷生产调试过程中出现的问题,对轧后冷却控制系统进行了优化.针对超快冷出口纵向温度偏差较大的问题,提出超快冷换热系数多点自学习方法;采用有限差分方法,分析带钢超快速冷却后的返红现象,并在此基础上提出一种超快冷出口返红补偿方法;提出了对进入冷却区的带钢样本段进行温度再计算的方法,来消除速度波动对轧后冷却温度控制精度的影响.现场应用结果表明,优化后超快冷出口温度和卷取温度控制精度均明显提高.