热连轧粗轧区FES宽展模型及其优化

为了满足某厂1580热连轧机宽度控制精度需求,提高宽展模型的广泛适用性,利用ANSYS/LS-DYNA有限元软件,对热轧粗轧区立轧--平轧过程进行了模拟.根据模拟数据,系统地分析了轧件宽度、厚度、轧辊直径、立辊侧压量和厚度压下量对"狗骨"宽展、自然宽展和绝对宽展的影响规律.利用模拟数据并结合现场数据构造了FES(finite element simulation)"狗骨"宽展模型和自然宽展模型,并建立了PSO-BP神经网络(粒子群BP神经网络).最后,FES宽展模型与PSO--BP神经网络相结合预报第1、3和5道次的宽展,其预报值与实测值误差在1mm以内的均达到了99%以上,达到了宽度控制的精度要求.     

热轧带钢短行程控制自适应策略

热连轧生产过程中,短行程是控制轧件头尾宽度的重要手段.为提高短行程的控制精度,提出了一种短行程自适应策略,以短行程关键坐标位置为优化变量并建立目标函数,使用单纯形替换法对目标函数求解,得到了最优宽度补偿曲线,进一步对短行程关键参数进行平滑处理,实现了对短行程曲线关键参数的优化过程,提高了轧件头尾的宽度控制精度.本优化策略已成功应用于某热连轧生产线,实际生产数据表明,采用自适应优化策略之后轧件头尾与中部稳定段的宽度偏差控制在2.0 mm之内达到了90%左右,提高了宽度控制精度,具有良好的实际应用效果.     

基于模糊聚类的PSO-神经网络预测热连轧粗轧宽度

为了提高热连轧粗轧宽度的控制精度,以攀钢热轧板厂实测数据为基础,采用粒子群优化算法训练神经网络并将其用于热连轧粗轧宽度预报,通过模糊聚类分析方法进行数据分析,科学选取学习样本,解决了由于样本多、学习速度慢的问题.实测数据运算表明,这种方法可避免神经网络陷入局部极小,带钢粗轧宽度的预报精度控制在6 mm以内,并且训练速度也有很大程度的改善,神经网络结构也得到优化,具有很大的应用潜力.     

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.     

热连轧精轧宽度控制技术的研究及应用

在热轧带钢其他尺寸精度普遍较高的情况下,宽度控制精度的提升变得越来越重要。提出了一种新的精轧带钢宽度控制综合解决方案:针对带钢头部宽度控制,开发精轧机架冲击速降自学习模型,以减少带钢头部拉窄现象;通过合理配置精轧活套张力稳定因子,减少带钢中部宽度波动现象;通过精轧宽度反馈控制和宽展预测模型修正功能,提高带钢全长宽度精度。相关研究成果已成功应用于宝钢集团某热轧产线三电自主集成改造项目中,改造后带钢宽度控制精度得到显著提高。     

热连轧精轧自然宽展RBF网络预报模型

在分析精轧工艺的基础上,提出精轧自然宽展RBF网络模型,并对该模型进行了仿真验证,结果表明该模型提高了带钢成材率和宽度精度,预测精度高,具有应用价值.     

基于自适应调节极大熵的孪生支持向量回归机

孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.     

基于软测量模型的粗轧厚度预测方法

为提高热连轧粗轧过程各道次厚度控制精度,满足道次动态修正的要求,提出了一种简单有效的厚度软测量模型.基于典型粗轧区的仪表配置,模型从轧件跟踪、数据处理等方面进行了针对性的研究,提出了偶数道次立辊辊缝渐变的策略用于可逆轧制过程中的宽度测量,并通过模型预测得到了轧制过程中各道次的出口厚度.现场实际应用表明,通过软测量模型预报的各道次厚度与实际测量结果吻合较好,各道次的厚度预报偏差在±0.10 mm范围内达到95.2%,满足了现场生产需求.     

多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题.试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能.     

基于二阶泛模型的无模型自适应控制及参数整定

首先充分利用无模型自适应控制(MFAC)边建模、边控制的特点,推导基于二阶“泛模型”的改进无模型自适应控制方法,并推导伪偏导数及控制律的迭代公式,与基于一阶泛模型的MFAC方法相比,改进策略可以使每次迭代的泛模型更加准确,从而进一步提高控制精度.接着,针对改进MFAC的参数整定问题,提出基于优化技术的控制器参数整定方法,运用辨识出的近似模型针对不同的目标函数进行优化,使得其实用范围更加广泛.通过大量仿真实验对比可以看出:经过Jeu-tr型性能指标进行参数优化的改进MFAC控制器动态响应最好,且优化迭代次数较少.因此,控制效果得到显著改善.     

轧制过程工艺参数的测量与分析

变形抗力和摩擦系数是用于设定轧制过程控制模型的重要工艺参数。文章利用在不同润滑条件下得到的实测数据，估计出变形抗力K和摩擦系数μ的值。将估计出的K、μ从参数值应用于轧制过程控制，可以提高连轧过程控制模型的精度。在实验轧机上，应用铝试样实测了板宽、张力和压下率对前滑的影响规律。     

基于正交回归试验法的煤矿剪式抓斗优化设计

煤矿剪式抓斗的挖掘过程是一个复杂的非线性动力学问题,由于动态平衡方程的不确定性使得该类问题的优化设计不易实现.建立了抓斗挖掘过程的数学模型,获得了不同设计参数下的挖掘性能数据样本点,然后构造了三因素五水平正交试验;构建了物料挖掘过程目标函数的二次多项式响应面模型,并采用最小二乘法求解响应面模型中的待定系数向量.利用多目标优化的理想点法对抓斗的几何参数进行优化,获得了一种性能更优的产品.与蒙特卡罗法的计算结果对比表明,该方法具有良好的预测能力,并大大减少了仿真计算的规模.     

基于MBC工具箱的汽车内板件成形多目标优化

摘要： 为了研究成形工艺参数对板料成形回弹量和板料厚度的影响，以某汽车内板件为对象，基于MATLAB软件中MBC (Model Based Calibration)工具箱建立了参数（摩擦系数、压边力、成形阻力系数和板料尺寸）与目标函数（回弹量和板料厚度）之间的数学模型，借助于MBC工具箱中的CAGE优化模块对目标函数进行优化，得到最佳参数组合，即摩擦系数0.125、压边力350 kN、板料尺寸250 mm×360 mm，拉延筋阻力系数分别为20%、10%、6%和35%.同时，通过有限元模拟和实际生产实践，验证了所提出方法的可行性.     

基于多目标遗传算法的热定型工艺参数优化设计

为了解决染整后整理中热定型工艺参数难以定量设计的关键技术难题,将工艺参数优化设计问题视为以成品门幅、克重与客户要求的相应值的绝对误差最小为目标函数,温度、车速、超喂率和上机门幅为优化变量,以根据实际情况中各优化变量的取值范围为约束条件的多目标优化问题。建立多目标优化模型,并基于该模型采用多目标遗传算法,实现了热定型参数精确定量设计。用该方法得到的工艺参数加工弹力布,生产成品的克重、门幅与用户要求指标的偏差小于1%,完全可以满足实际生产要求。     

Integration of a statistical emulator approach with the SCE-UA method for parameter optimization of a hydrological model

Parameter optimization of a hydrological model is an indispensable process within model development and application.The lack of knowledge regarding the efficient optimization of model parameters often results in a bottle-neck within the modeling process,resulting in the effective calibration and validation of distributed hydrological models being more difficult to achieve.The classical approaches to global parameter optimization are usually characterized by being time consuming,and having a high computation cost.For this reason,an integrated approach coupling a meta-modeling approach with the SCE-UA method was proposed,and applied within this study to optimize hydrological model parameter estimation.Meta-modeling was used to determine the optimization range for all parameters,following which the SCE-UA method was applied to achieve global parameter optimization.The multivariate regression adaptive splines method was used to construct the response surface as a surrogate model to a complex hydrological model.In this study,the daily distributed time-variant gain model(DTVGM) applied to the Huaihe River Basin,China,was chosen as a case study.The integrated objective function based on the water balance coefficient and the Nash-Sutcliffe coefficient was used to evaluate the model performance.The case study shows that the integrated method can efficiently complete the multi-parameter optimization process,and also demonstrates that the method is a powerful tool for efficient parameter optimization.     

基于数值模拟的网络安全风险量化参数优化分析

为了解决传统方法无法得到有效参数,导致建立网络安全风险量化模型量化精度低的弊端,通过数值模拟方法研究了网络安全风险量化参数优化问题。针对主机风险计算,依据主机所处状态对风险向量进行定义,通过加权计算得到合理的权重函数,将主机直接风险值和间接风险值结合在一起,获取主机风险值。将主机风险值相加求和,求算数平均值,获取网络在某时刻的平均风险值。针对风险值中的复杂函数,采用引入时延的支持向量机方法建立网络安全风险量化模型,对其进行描述。针对建立的网络安全风险量化模型中的重要参数惩罚因子和核函数宽度系数,采用蚁群算法进行初寻优,对待优化参数进行数值模拟,得到最优惩罚因子为10,最优核函数宽度系数为0.112。结果表明：采用所提方法对网络中主机1进行安全风险量化,得到的结果和主机1实际风险情况相符,研究其它主机可得到相同结论;所提方法对网络安全风险量化值和实际结果最为相符;所提方法量化结果误差最低。可见所提方法参数优化性能优,对网络安全风险量化精度高。