冷连轧过程控制轧制力模型综合参数自适应

轧制力模型是冷连轧过程控制系统的基本模型,影响其预报精度的主要因素是材料的变形抗力和摩擦因数. 本文采用参数自适应方法来提高轧制力的预报精度. 在对轧制力模型进行自适应过程中,将材料的变形抗力作为轧制过程模型的整体属性,各机架根据累计变形程度确定各自的变形抗力. 在此基础上,将摩擦因数看成是各机架的单体属性,各机架取不同的模型参数. 实践证明,这种综合考虑变形抗力和摩擦因数的参数自适应方法可以对二个参数同时进行修正,能有效提高轧制力模型的预报精度.     

谐波驱动系统自适应神经网络动态面控制

针对谐波驱动系统动力学模型中存在的非线性摩擦、柔性变形和外界未知干扰力矩等因素的问题,为了提高系统的位置跟踪精度,提出了一种基于径向基函数(RBF)神经网络的谐波驱动系统自适应动态面控制.采用LuGre摩擦模型描述系统的非线性摩擦特性,用RBF神经网络在线逼近摩擦参数变化和外界未知干扰力矩对系统的影响,并通过李雅普诺夫稳定性理论证明了闭环系统的所有误差最终一致有界.仿真结果表明:与普通动态面控制相比,本控制策略对摩擦参数变化和外界未知干扰力矩具有较强的鲁棒性,提高了系统的位置跟踪精度.     

基于田口法的含间隙传动机构动力学特性分析优化

研究运动副间隙对机构的非线性动态特性的影响;基于间隙矢量模型,建立含间隙旋转副的"碰撞铰"模型,采用修正的非线性弹簧阻尼模型模拟碰撞过程中的法向力、修正的库仑摩擦模型描述碰撞过程中的切向力;将建立的碰撞铰模型嵌入ADAMS动力学分析软件中,研究不同的间隙、销轴半径、接触面的摩擦因数对机构动力学特性的影响。然后运用田口方法,把上述参数作为可控因子,铰接触碰撞过程中的最大接触力作为噪声因子,采用正交试验L9(3~4)进行试验设计分析。研究结果表明:间隙、半径、摩擦因数均能影响机构的动力学特性,间隙对噪声因子的影响最大。该研究方法及分析结果可为多连杆机构的优化设计与可靠性的提高提供参考。     

基于预设性能转台伺服系统的参数估计和自适应控制

针对含参数未知和非线性摩擦动态的转台伺服系统,提出了一种基于预设性能函数的参数估计和自适应控制方法.利用一种连续的摩擦模型表示转台伺服系统的摩擦动态,引入高阶神经网络对其进行逼近.通过构造一种滤波辅助变量获取参数估计误差信息,并将估计误差信息作为参数自适应律的遗漏因子,保证估计值能够快速收敛到真实值.为了提高转台伺服系统的瞬态响应和稳态性能,利用预设性能函数将原始系统的跟踪误差转换为一个新的误差动态,在此基础上设计自适应控制器,实现对期望轨迹的精确跟踪.仿真结果验证了本文所提算法的有效性.      

考虑摩擦力影响的风电齿轮接触问题数值分析

针对风电齿轮在实际应用中由于应力过大导致的失效率高的问题,采用参数化方法精确建立了风电增速齿轮模型,应用ANSYS Workbench软件,在考虑摩擦力影响的情况下,分析了摩擦因数对风电增速齿轮接触应力和接触变形的影响.结果表明:在齿轮啮合过程中,齿根附近出现应力集中,并且出现最大应力值;当摩擦因数小于0.3时,接触应力和接触变形随着摩擦因数的增大而急剧增大,并呈现出线性变化趋势;当摩擦因数大于0.3时,接触应力随着摩擦因数的增大而缓慢增大,而接触变形随着摩擦因数的增大略有减小,呈现出非线性变化趋势.该研究结果对提高风电齿轮强度的分析、改进和优化设计具有一定的参考价值.     

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度，提出一种解析数学模型结合神经网络校正模型的计算方法，建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数；并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律，从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明，采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力，其预测误差小于8．9％，此模型能用于指导生产实践。     

多参数耦合下湿式换挡离合器滑摩特性

以某车辆的湿式换挡离合器为研究对象,分析多参数耦合下湿式换挡离合器的滑摩特性.基于多体动力学和Hertz接触理论,在ADAMS软件中建立和验证离合器动态分析模型,仿真研究接合油压、摩擦副主、从动件初始转速差、摩擦因数,以及摩擦片刚度等因素对湿式换挡离合器滑摩特性的影响规律.结果表明:适当提高接合油压,增大摩擦因数、摩擦片刚度和摩擦副主、从动件初始转速差,可以有效改善湿式换挡离合器滑摩特性.     

基于遗传规划的中厚板轧制力矩的非线性回归

研究热轧中厚板轧制力矩的计算方法. 运用遗传规划法分析中厚板轧制过程的现场数据,找出与轧制力矩密切相关的因素,将其作为自变量生成函数表达式,体现轧制力矩的变化规律,得出轧制力矩非线性回归计算模型和相关参数, 并完成了算法设计和编程实验. 实验结果表明,计算值与实测值的平均相对误差为6.23%. 该模型已应用于临汾钢铁公司2800mm中厚板的轧制生产中.     

板带轧制过程考虑滑动与粘着摩擦的轧制力模型

将轧制变形区分为滑动摩擦区和粘着摩擦区,得到适用于带钢热轧过程的改进卡尔曼(KARMAN)微分方程,给出轧制力数值计算公式。结合变形区入口与出口的边界条件,采用龙格-库塔(Runge-Kutta)法交替求解前滑区与后滑区的单位压力分布,2个接触弧角相交处就是中性点,通过对单位压力与摩擦应力进行数值积分得到轧件的轧制力,再根据希齐柯克(Hitchcock)公式迭代计算多次得到最终轧制力。最后,分析新型轧制力模型应用于热连轧机组面临的问题,给出热轧过程摩擦因数对单位压力分布与轧制力的影响规律,并通过布伦特(Brent)方法实现对热轧过程摩擦因数的软测量,指出摩擦因数在1个轧制周期内的演变规律,为热连轧过程摩擦因素在线模型的建立与新型数值轧制力模型的在线应用提供参考。     

非线性动态轧制过程下冷轧机参激振动特性

同时考虑轧制过程中非线性动态轧制力和辊面振纹导致的非线性参激刚度的影响,建立了非线性动态轧制过程下冷轧机参激振动动力学方程.应用多尺度法求解了轧机发生1/2亚谐共振时的幅频特性方程,得到了阻尼、参激刚度对系统亚谐共振的影响规律,并运用奇异性理论讨论了轧机在非自治情况下分岔特性.最后通过采用轧机实际参数进行数值仿真,得到系统各参数对幅频特性以及分岔和混沌特性的影响规律,发现系统参激刚度的变化会使轧机出现了周期运动和混沌等多种不同的运动形态,为进一步抑制轧机振动提供了理论参考.     

板料拉深成形过程中摩擦系数的确定

针对板料拉深成形过程中摩擦系数较难确定的客观情况,提出一种基于人工神经网络的能够快速识别摩擦系数的方法,在概述解析法确定摩擦系数的基础上,建立了识别摩擦系数的人工神经网络模型,用拉深试验机测取的摩擦系数、压边力、拉深力和凸模行程组成样本对其训练,实现了对摩擦系数的快速识别,从而就可以根据摩擦系数的波动,适时调整控制参数,以最佳的工艺参数来完成板料的整个拉深成形过程。实验结果表明,利用人工神经网络能够快速准确地识别出板材拉深成形过程中的摩擦系数。     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义。     

基于椭圆模型和神经网络的人脸姿态估计方法

基于椭圆模型和神经网络方法, 提出一种人脸姿态估计方法. 先采用椭圆模型对人脸边界进行拟合, 确定眼睛和嘴在椭圆中的位置, 再应用BP神经网络对位置参数和人脸姿态参数的关系进行学习, 从而对人脸姿态进行估计. 实验结果表明, 用该方法对较大范围内的人脸转动进行估计, 结果比较准确.     

生物软组织黏弹性参数反演方法研究

针对黏弹性参数反演中的模型选择问题,提出应用黏弹性材料的应力松弛曲线作为待反演的参数,不涉及任何黏弹性本构模型,采用有限元仿真与人工神经网络相结合的方法:通过有限元仿真得到不同应力松弛曲线下的剪切波传播速度,然后将仿真得到的数据作为训练样本输入到人工神经网络中进行训练,建立起生物组织黏弹性参数和剪切波传播速度的神经网络输出模型,有效解决了模型选择问题。最后通过粒子群优化算法反演得到组织的黏弹性参数。     

基于有限元数值模拟的宽厚板热轧过程宽度控制ANN模型

利用商业有限元分析软件DEFORM-3D,建立宽厚板热轧过程中立辊侧压和随后平轧过程的三维热力耦合刚塑性有限元模型.模拟了不同板坯厚度、板坯宽度、立辊压下量和平辊压下率条件下320种立辊侧压和随后平轧过程,探讨了不同工艺参数对调宽效率的影响规律.模拟结果表明,调宽效率随着板坯宽度和立辊压下量的增加而升高,随着板坯厚度和平辊压下率的增加而降低.基于上述有限元数值模拟结果,借助BP人工神经网络,建立了热轧宽厚板立轧-平轧宽度控制模型,经测试,模型预测的调控效率与有限元数值模拟结果符合很好.将宽度控制模型用于宽厚板实际热轧过程的有限元数值模拟,模拟轧件宽度与实测宽度吻合很好.     

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％.     

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%.     

人工神经网络在热轧宽厚板性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型 .在此基础上 ,利用神经网络对热轧管线钢力学性能进行了预测 ,并对预测结果与生产数据进行了比较 .此外 ,还利用神经网络对生产工艺参数进行了优化 .结果表明 ,将神经网络应用于热轧生产进行力学性能预测和工艺参数优化具有一定现实意义