热轧层流冷却系统优化与模型参数自适应

针对热轧带钢卷取温度控制的不确定性和时变性, 利用系统优化与模型参数的自适应控制热输出辊道上带钢温度. 从控制模式、冷却策略、段跟踪和模型的再计算以及学习系数的读取等方面对系统进行了优化. 根据实际工艺状况, 实时采集现场数据对层冷模型中的参数进行自适应调整, 并就组别分类、空冷/水冷系数的回归分析进行了研究. 实践结果表明： 采用这种方法能满足现场需要, 卷取温度控制精度较高, 基本在-15～15 ℃范围内;控制效果和带钢性能良好.     

厚规格热轧带钢高精度卷取温度控制模型

卷取温度是影响带钢组织性能的重要工艺参数.在生产实践中，如何提高厚规格带钢卷取温度的控制精度是一个难点.针对厚规格带钢在层流冷却过程中的工况特点，提出了温度场计算模型和对流换热系数模型的改进方法，并开发了一种全新的基于相似策略的自适应模型，以改善卷取温度前馈控制效果.经现场应用证明，本文提出的方案能有效提高厚规格带钢的卷取温度控制精度，其中厚度大于12 mm的带钢平均命中率可达到94.9%.     

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.     

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...     

热连轧带钢层流冷却过程温度场模拟

轧后冷却过程中,卷取温度对带钢最终的微观组织和力学性能有重要影响。针对带钢轧后的层流冷却过程,分别采用有限差分法和有限元法,建立了带钢厚度方向的温度场模型,并将模型计算值与实测值进行对比。结果表明,两种方法建立的模型均能较准确地反映层流冷却过程中带钢的瞬态温度分布,为进一步分析带钢的微观组织转变和力学性能提供了依据。     

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.     

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.     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

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.     

应用神经网络求解层流冷却水冷区热交换系数

采用BP神经网络与数学模型相结合的方法求解热连轧带钢层流冷却水冷区热交换系数·结果表明,采用神经网络计算得出的热交换系数后,卷取温度的计算值与实测值的标准差比原来减少了2389%,其精度高于原数学模型·因此,该方法具有在线应用前景     

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...     

CSP生产线精轧区带钢温度设定模型研究

通过对某钢厂CSP轧制区生产工艺特点的分析,得出带钢温度下降的主要因素为水冷,由此建立基于水冷的带钢温度模型,并利用现场数据回归得到了综合水冷系数。将带钢温度预测值与设定值进行比较,发现水冷带钢温度模型可满足带钢温度设定要求。