超薄快速铸轧板形控制

在超薄快速铸轧条件下,板形控制成为实现超薄快速铸轧工艺规程并最终保证产品质量的关键.板形与力辊型、热辊型、布流等众多因素及这些因素间的互相耦合等有关,板形控制模型难以建立.为此,作者研究一种基于人工神经网络技术的超薄快速铸轧过程板形控制方案.该方案采用模块化的设计方法,以西门子可编程序控制器PLC作为底层控制单元,以工控机作为上位机实现铸轧过程的板形监控.实验结果表明该方案实现简单,通讯可靠,适用于同类工业控制系统.     

环冷机内球团矿热过程数学模型

根据能量守恒、流动和传热传质等原理及定律,建立了球团矿冷却和氧化过程的数学模型,采用三对角矩阵算法对模型进行了求解,基于VisualBasic6.0开发了仿真计算软件.依据现场实测数据对建立的数学模型进行了验证,计算值与实测值之间的最大相对误差为4.8%,说明模型正确可信.利用开发的计算软件对球团矿在环冷机内的热过程进行了仿真计算,得到了环冷机内球团料层的温度分布.仿真研究表明,冷却一段风速、料层厚度、球团粒度和环冷机机速是影响环冷机内部球团料层冷却过程的主要因素.在本文研究条件下,合理操作条件为:料层厚度550～800mm,球团粒度7～16mm,冷却一段风速1.2～2.5m.s-1,环冷机机速1.0～1.5m.min-1.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.