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.     

带钢热连轧机组温度模型及其自学习方法

介绍了带钢热连轧机组温度模型以及目前常用的温度模型自学习方法.针对目前常用的温度模型自学习方法的不足,提出了一种分区补偿法用于温度模型自学习,该方法按一定的分配系数将终轧温度偏差分配到各冷却区段,温度偏差分配系数可以根据各机架轧制力情况进行调节,所以在保证终轧温度预测精度的同时,也提高了轧制力的预测精度.这种新型的温度模型自学习方法被成功地应用于天津荣程750 mm精轧机组,取得了较好的应用效果.     

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·     

热连轧精轧机组预设定和自适应研究

以某厂热连轧精轧设定模块为研究对象,在其原有设定模型中添加了另外一种变形抗力模型,通过计算机编写程序,创建回归系数文件,修改输入计算模块,用新添加变形抗力模型回归过的钢种系数对现场生产中与其相近的钢种进行设定计算,比较变形抗力模型添加前后的轧制力预测值偏差。结果表明:添加变形抗力模型后的轧制力计算可以得到比较满意的精度;平滑系数在自适应学习中是十分关键的影响因素,在总结了精轧机组自适应模块中平滑系数的影响因素后,建立平滑系数的动态优化模型,通过编程读取实测数据计算轧制力,比较优化前后的轧制力误差,结果表明对于精轧机组自适应过程,动态优化平滑系数更有助于提高轧制力模型预报精度。     

中厚板轧制力自学习过程层别跳变的自整定方法

在中厚板轧制力预报过程中,为防止自学习系数沿着厚度层别发生跳变,提出了中厚板轧制力自学习过程层别跳变的自整定方法.针对厚度层别表中的每一个厚度节点计算其半宽带,然后根据半宽带计算厚度节点的有效区域,最后找到当前轧制厚度的有效区域并确定它所对应厚度节点的权值,从而得出自整定后的自学习系数.实际应用结果表明,应用该方法后轧...     

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.     

基于置信度和自学习校正的热轧轧制节奏计算

针对目前国内大多数热连轧厂传统在线轧制节奏计算模型控制精度偏低的问题,在宝钢宁波钢铁热连轧厂对传统轧制节奏计算模型进行了分析与研究,提出一种基于置信度和自学习校正的热连轧轧制节奏计算模型改进算法.经过现场大量实测数据验证,采用新算法的轧制节奏计算模型的预报精度较传统模型算法有了大幅度的提高,偏差在±5s范围内的频率达到97.94%,大致成正态分布.新算法在预报带钢在线运行时间上优于传统模型算法.     

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.     

热连轧轧制特性分析及轧制力动态锁定策略

为获得热连轧最优厚度控制策略,进一步提高厚度控制精度,基于轧制特性过程分析,分析轧制过程中辊缝、来料厚度和温度等对出口成品厚度的影响,得到各影响因素的厚度影响系数。针对厚度计AGC和监控AGC存在相互干扰的问题,提出一种动态锁定轧制力控制策略,并将优化后的厚度策略应用于某热连轧厚度控制系统中。研究结果表明:对于典型规格的带钢,平均厚度偏差在±25μm范围内厚度预测精度可达96.8%以上,偏差在±50μm范围内厚度预测精度可达98.8%以上,优于现场控制要求。     

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.     

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%.     

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％.     

中厚板生产的高精度轧制力短期自学习

针对国内大多数企业没有安装测厚仪的现状,提出了中厚板生产中无测厚仪下的高精度轧制力自学习模型.模型通过自然对数法进行厚度族的划分,并将用于轧制力自学习的变形抗力参数按照不同的厚度族进行区分,最后模型采用了指数平滑法对各个厚度族内的变形抗力参数进行处理.以高精度弹跳模型为基础,提出将末道次实际出口厚度锁定为目标值的思想进行了各道次变形抗力参数的回归.将该模型实际应用于国内某3 000 mm轧机的过程控制系统中,获得了良好的效果.     

基于多模态和加权支持向量机的热轧轧制力智能预报

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求.     

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%.     

热连轧宽度自适应模型优化

为提高热连轧粗轧宽度控制精度,提出了一种宽展模型参数自适应方法.该方法将宽展模型中自然宽展系数和狗骨宽展系数作为待优化参数向量,以此为基础对自适应目标函数进行构建,并使用Nelder-Mead算法进行目标函数的最优化求解,得到了满足条件的最优化参数向量,进而完成了宽展系数的优化,提高了轧件的宽度控制精度.本方法已应用于某850 mm热轧粗轧控制系统中,并与传统自适应模型精度进行比较,采用所提出的参数自适应方法后,宽度模型预测值与实测值的偏差由3.05 mm降至1.28 mm,有效地提高了宽度质量.     

冷带非稳态轧制弯辊力设定值的研究与应用

为研究非稳态轧制状态下弯辊力对板形的影响,在理论分析和实际应用的基础上,应用力学和控制方法对在非稳态轧制状态下的弯辊力设定值进行了分析.针对在非稳态轧制状态下轧制力、摩擦力和加减速对冷轧弯辊力的影响,提出了冷轧非稳态弯辊力数学模型表达方式.研究表明,弯辊力通过轧制力对弯辊力的影响系数进行动态调整,轧制速度通过摩擦力来影响弯辊力.该模型成功应用于1450冷轧生产线且取得良好的控制效果,为现场调控非稳态弯辊力提供了有力的理论支持.