凸度板形矢量法在中厚板中的应用

为了有效控制中厚板板形和发挥轧机生产能力,将凸度 板形矢量分析法应用于中厚板轧制规程的计算·首先分析板凸度计算模型并给出相应的在线数学模型,然后分析了凸度 板形矢量法的机理·并基于该方法分析中厚板伸长阶段的轧制特点,将伸长阶段的规程计算分解成三步:伸长阶段前几个道次在轧机能力允许范围内采用大压下量,减少轧制道次;伸长阶段的后3,4个轧制道次,采用凸度 板形矢量法,控制轧件凸度和板形;通过调节总轧制道次数或最大轧制力限制系数,使得最后道次的出口厚度等于目标厚度·通过长期在线应用,表明该方法对板形有较强的控制能力,适合于中厚板的在线计算机过程控制·     

扩展卡尔曼滤波在中厚板轧制道次修正中的应用

大量中厚板轧制的现场实践表明,高精度的厚度尺寸必须通过稳定的在线道次辊缝修正获得.扩展卡尔曼滤波在轧制道次修正中的应用,不但解决了仪表反馈数据的处理问题,并为道次状态的更新提供了一个更为精确的预报模型.对轧制过程中主要模型进行线性化的推导,使得该预报模型可以准确地预报轧制过程中的关键参数,并可通过这些关键参数计算出后续道次的辊缝修正值.研究结果应用于安钢中板厂后,厚度控制命中率提高了14.2%     

修正遗传神经网络预测中厚板轧机轧制力

在实际生产过程中,传统轧制力数学模型存在较大误差,影响计算精度.提出将BP网络与修正遗传算法相结合,利用BP网络的指导性搜索思想和遗传算法的全局搜索能力预测中厚板轧机轧制力,并建立预测模型.同时,根据模型编制相应的程序及界面.以邯钢中板厂、普阳中板厂现场数据为基础,通过数据优选,选择较优数据进行离线轧制力预测,预测精度优于传统的数学模型,预报精度的相对误差可以控制在4%以内,能够满足生产需要.     

提高板材轧机厚度控制精度的研究

针对一具体轧机的厚度控制系统给出了命中目标厚度的理论与方法,在最优轧制规程的基础上给出了轧制规程自适应修正的动态规划数学模型.依据连续性假设,给出了利用同一批钢轧制数据的控制算法;在附录中给出了被控轧机的轧制过程数学模型。     

基于多目标优化的冷轧带钢压下规程优化

轧制规程的计算是轧机连轧生产工艺的核心内容,是轧机生产能力发挥、产品厚度精度及板形质量的基本保证,因此轧制规程的优化尤为重要。本文根据轧制过程的实际需求,结合多目标优化算法,以总能耗最小和带钢板形良好为目标,建立多目标优化数学模型,并从理论上分析,可以取得较好的优化结果,从而优化轧制规程,提高生产能力。     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

基于多目标满意优化的热轧非对称工作辊设计

热轧非对称工作辊可兼顾板形控制和自由规程轧制,其关键参数通常采用经验设计法,缺乏相应的依据.本文提出了热轧非对称工作辊关键参数的理论设计方法.由于设计过程中无法精确给定已知条件,因此把多目标满意优化引入到非对称工作辊的参数设计中,建立了综合满意度目标函数,并用模拟退火遗传算法进行满意度最优值求解.采用满意解代替最优解,使得辊形参数的优化设计结果更具科学性.在某热连轧生产线上的实际应用表明,优化设计的辊形在板形控制和自由规程轧制方面均取得了理想的效果.     

基于径向基神经网络的薄板平整轧制力预报模型

冷轧薄板在平整轧制时具有轧件厚度薄、压下率小的特点,其平整轧制力往往计算困难,精度难以保证.针对上述情况,提出一种基于参数修正的轧制力数学模型来计算其平整轧制力.同时,为进一步提高计算精度,运用RBF(Radial Basis Function)神经网络来预测该平整轧制力数学模型的计算误差,并将该误差与数学模型的计算值相结合,完成对其的修正.离线仿真结果表明,薄板平整轧制力数学模型在经过自身修正参数及RBF神经网络的2次修正后,计算精度可达到6%以内,具有较高的工程应用价值.     

考虑板形的一种带钢轧制规程优化方法

本文采用等储备原则与板形良好原则相结合的方法,对板带轧制规程进行选优计算,并给出了计算框图.     

单机架可逆轧机板形测控系统的研究与设计

为提高鞍钢单机架可逆轧机板形控制系统的自动化水平和产品板形的控制精度,设计开发了采用国产压磁式冷带轧机板形仪的板形测控系统.对该板形测控系统的结构、原理及实现予以详细介绍.针对该轧制板形控制的特点,利用板形功效系数对板形自动控制系统模型进行设计.研究结果表明,利用功效系数方法可以调高板形控制系统的精度.通过板形在线检测系统的投入,使被轧带材板形质量有了较大程度的提高,板形偏差控制在±50μm/m.     

多道次中厚板热轧过程的综合数值解析法模拟

采用微分方程的解析解法和数值解法相结合的思路建立了中厚板热轧过程温度场、变形场和轧制力的综合求解模型.在该模型中,考虑到轧件厚度方向的温度梯度远大于沿宽度和长度方向的温度梯度,因而将热传导方程简化为一维微分方程,基于拉格朗日坐标建立了温度场的级数解法.针对中厚板轧制的速度场特点设定了速度场函数,基于欧拉坐标架建立了应变速率和应变的数值解法,从而解决了多道次轧制过程的温度场与变形场连续计算问题.利用该模型模拟了中厚板12道次热轧的成形过程,给出了轧件温度随时间的连续变化曲线以及各道次的轧制力、应变和应变速率的分布和大小.模拟结果与工业现场实测数据吻合较好.     

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.     

板坯在立轧、平轧道次中的变形研究

作者以纯铅模拟轧制试验为基础,分析了板坯在立轧、平轧时的变形情况,建立了板坯在立轧、平轧时试样宽展的新模型。试验表明,该模型精度较高,可为热轧窄带钢实施计算机宽度的设定及宽度的自动控制提供技术依据。     

热变形对超高强度管线钢组织及变形抗力的影响

运用光学显微镜和电子显微镜对不同热变形条件下组织、析出相进行观察与分析.研究结果表明:在1020℃奥氏体再结晶区轧制时,Nb,Ti以复相形式诱导析出,对组织细化产生一定影响.在保证积累压下量不变的情况下,奥氏体未再结晶区采用大压下量、少道次的轧制工艺对热变形奥氏体晶粒尺寸影响不大,对晶内变形带、亚结构和最终组织形貌及尺寸起到一定的作用.同时分析了再结晶轧制温度及未再结晶区轧制规程对变形抗力的影响     

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.     

中厚板热轧过程中的温度场模拟

针对中厚板轧制过程中温度场不易精确确定,普通温度计算模型计算误差较大或计算较为繁琐的问题,以传热学基本理论为基础,建立了热平衡方程,采用完全隐式差分法对首钢中厚板轧制及冷却过程中的板坯中心温度和表面温度变化进行了模拟.可以得到以下结论:①在轧制过程中,中厚板上表面温度急剧下降,道次间歇期间又有回升的趋势;在层冷过程中,板坯上表面温度迅速下降;②计算的板坯表面温度与实测的表面温度吻合较好,表明该模型可以用来模拟中厚板轧制过程中的温度变化.     

炼钢车间多天车动态调度仿真方案

针对炼钢车间多天车动态调度问题，提出了一种滚动调度策略下的仿真调度方案.模型目标函数考虑了最小化天车调度与工序调度在时间节奏上的偏离度，同时考虑了最小化天车工作量及其差异；约束条件在遵守天车避碰约束的同时，考虑了工位容量约束和重调度各种初始条件对天车调度的约束.模型以基于仿真的启发式方法求解.以某炼钢车间双天车调度为实例进行了仿真实验.实验结果表明，该天车调度方案能够维护工序调度稳定，减少和均匀天车工作量.滚动调度策略下，提出的启发式方法所得解的优化性能最高能达到最优解的96.3%.提出的滚动调度策略下的启发式方法相比于现场采用的实时规则调度方法，调度优化性能提高26.4%.     

塔式起重机臂架腹杆布局及尺寸优化设计

为实现塔式起重机臂架布局和尺寸的优化,提出了桁架结构拓扑及尺寸两阶段优化设计方法.第一阶段先建立臂架的周期性板梁拓扑优化模型,使用周期性SKO方法对腹板进行连续体拓扑优化,得到优化的腹板拓扑构型,并通过提取主应力路径将优化的腹板拓扑结构转化为离散的腹杆布局;第二阶段以臂架腹杆截面半径为设计变量,臂架柔度为目标函数,材料体积为约束条件建立优化模型,基于Lagrange乘子法和库恩塔克条件推导腹杆截面尺寸优化迭代准则,基于欧拉公式推导了腹杆稳定性约束条件以保证尺寸优化过程中臂架稳定性.数值分析结果表明,该优化方法能有效地减轻臂架结构质量,提高臂架的刚度,减少变形并降低结构应力水平.