基于神经网络的热轧带钢宽度预报与设定

研究带钢热连轧生产线中成品带钢的宽度预报与设定.由于精轧道次带钢宽度变化与板坯化学成分、立辊侧压量、厚度压缩比、钢板温度、速度及张力等因素有关,所以在宽度预报中,按照轧制顺序将整个轧制过程分为两部分:狗骨轧制和随后的精轧道次,前者用数学机理模型建模,后者引入主成分分析-径向基函数(PCA-RBF)神经网络建模.应用效果表明,经过训练的神经网络模型能够有效提高带钢宽度的预报精度,减小成品带钢的宽度波动.     

热连轧精轧宽度控制技术的研究及应用

在热轧带钢其他尺寸精度普遍较高的情况下,宽度控制精度的提升变得越来越重要。提出了一种新的精轧带钢宽度控制综合解决方案:针对带钢头部宽度控制,开发精轧机架冲击速降自学习模型,以减少带钢头部拉窄现象;通过合理配置精轧活套张力稳定因子,减少带钢中部宽度波动现象;通过精轧宽度反馈控制和宽展预测模型修正功能,提高带钢全长宽度精度。相关研究成果已成功应用于宝钢集团某热轧产线三电自主集成改造项目中,改造后带钢宽度控制精度得到显著提高。     

轧钢厂的精轧工序轧制批量调度的优化模型

轧钢厂生产作业计划是钢铁企业生产管理系统的一个重要组成部分,精轧工序轧制批量调度是生产作业计划的关键在分析轧钢厂生产作业计划的结构的基础上,建立了精轧工序轧制批量调度的旅行商模型。这一模型能够适合于带钢,型钢和钢管的轧制生产批量调度问题。     

热轧带钢精轧过程考虑相变的轧制力模型

对部分在精轧过程发生相变的热轧钢种,当在双相区轧制时,因奥氏体与铁素体的变形抗力随轧制温度的变化规律不同,使得传统轧制力模型的预报误差很大,影响轧制过程参数控制精度.为此,研发了一种适用于精轧过程发生相变的热轧轧制力模型.首先建立了余弦形式的相变体积分数模型,算出不同轧制温度下奥氏体与铁素体的体积分数;接着,建立加权形式的轧制温度对变形抗力影响项的计算公式,较好地模拟出轧件在双相区轧制的变形特性;最后,把该模型用于宝钢1880热轧轧制力预报在线计算,实际生产表明,该模型显著提高了无取向电工钢等精轧相变带钢的轧制力预报精度,改善了轧制稳定性.     

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.     

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.     

热连轧带钢终轧温度的影响因素

在传统传热模型基础上开发了带钢热连轧精轧温度控制模拟软件,系统地分析了穿带速度、带钢粗轧出口温度、带钢机架间厚度、水冷换热系数和工作辊材质等7种因素对带钢精轧出口温度的影响规律;确定了影响带钢终轧温度的主要因素;使用现场实测数据对模拟软件计算精度进行了检验,表明开发的精轧温度控制模拟软件计算精度较高.为建立高精度热连轧带钢温度在线控制模型提供了理论依据.     

冷轧高精度薄带钢生产工艺研究

针对冷轧薄带钢在生产中经常出现的缺陷问题,在分析了冷轧薄带钢通用的压力数学模型及其缺陷的基础上,采用Stone公式构建并分析了冷轧轧制压力数学模型,并重点从生产工艺的角度对冷轧薄带钢的生产工艺进行了分析,对于冷轧薄带钢的生产及其工艺的改进提升具有一定的借鉴意义。     

不对称异径三辊轧机热连轧薄带钢新技术

采用不对移异径三辊轧机进行热连轧薄带钢生产试验研究。结果表明：（１）不对移轧制时由于金属与辊面接触面积减小和单位压力的下降而使轧制压力大幅度降低（４８％－６２％），显著提高了轧制效率；（２）所轧产品量小厚度由原二辊同径轧制的２．７５ｍｍ减小到１．５ｍｍ，产品精度质量也得提高；（３）用这种热轧薄带钢代替冷代带钢制造轻型薄壁焊管，显著降低生产成本，提高经济效益。     

立轧对称-反对称抛物线狗骨模型轧制力的解析

为提高热轧产品质量,必须保证热轧带钢宽度尺寸精度,生产中多采用在粗轧机组处安装立辊轧机来进行控制,但立轧后板坯横断面会产生狗骨形状.首次建立了立轧对称-反对称抛物线狗骨函数模型和运动许可速度场.使用刚塑性第一变分原理,采用变上限积分得到立轧时总功率泛函和轧制力的解析解.将轧制力解析结果与有限元仿真值进行比较,误差在3%以内,与Yun模型比较误差不大于6.3%.采用本文模型预测现场轧制力的精度良好,可以满足现场控制要求.     

热连轧精轧自然宽展RBF网络预报模型

在分析精轧工艺的基础上,提出精轧自然宽展RBF网络模型,并对该模型进行了仿真验证,结果表明该模型提高了带钢成材率和宽度精度,预测精度高,具有应用价值.     

PC轧机轧辊磨损预报

采用分段离散的方法,对宽带钢热连轧过程进行了模拟仿真,分析了PC轧机精轧轧制过程中交叉角、弯辊力对辊间压力和轧制压力分布以及轧辊磨损的影响,并结合轧辊磨损实测数据,对轧辊磨损进行了预报研究,研究结果对于板形控制有一定的借鉴作用.     

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...     

冷轧带钢表面粗糙度影响因素及控制策略

结合电火花毛化轧辊磨损形貌以及轧制界面油膜厚度的分布,建立真实表面接触的带钢表面粗糙度生成模型,研究轧辊全服役期内冷轧界面粗糙度的转印过程,并使用生产数据对模型进行验证。利用所建立的带钢表面粗糙度生成模型,确定不同磨损情况下油膜厚度与粗糙度Ra复印率的拟合关系,以此分析来料厚度、带钢屈服强度、压下率以及轧制速度对成品带钢表面粗糙度的影响。建立以调整成品机架压下率与轧制速度的冷轧带钢表面粗糙度控制策略。研究结果表明:压下率和轧制速度对表面粗糙度的转印行为有明显影响,能够成为调节带钢表面粗糙度复印率的主要手段。     

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.     

轧钢数学模型的设计应用

市场竞争的剧烈,迫使热连轧中的产品质量要求的提高,因此对于轧制中数学模型的设计研究乃当务之急,本文正是结合生产实际,对于粗轧和精轧的数学模型进行了综合设计,特别采用了模型自学习技术,应用效果很好,对于轧钢的设计应用有着很大参考价值。     

干平整中工作辊与带钢表面粗糙度对摩擦系数影响的研究

针对干平整轧制过程中工作辊与带钢表面粗糙度对摩擦系数的影响仅能定性分析、不能满足生产需要的问题,经过大量的现场试验与理论研究,充分结合平整机组的设备与工艺特点,基于粗糙度的基本理论,根据干平整轧制过程中摩擦特点构造了反映工作辊及带钢表面粗糙度与摩擦系数之间一一对应关系的数学模型,提出了相应的模型计算策略,并将其应用到宝钢冷轧薄板厂1 220平整机组的生产实践,定量分析了工作辊及带钢表面粗糙度对摩擦系数的影响,有效地提高了轧制压力的预报精度与产品质量,取得了良好的使用效果,具有进一步推广应用价值。     

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...     

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.     

基于粗糙集和神经网络的薄带钢厚度预测

针对传统数学模型预测精轧出口厚度逐渐不能满足精度要求的现象,提出一种基于粗糙集和神经网络的热轧薄带钢厚度预测方法。该方法通过对精轧出口厚度影响因素进行属性约简,找出主要影响因素,以此作为径向基函数神经网络预测模型的输入,从而提高网络的收敛速度与预测精度。仿真结果显示,粗糙集神经网络预测模型优于传统数学模型,并且样本的预测误差基本控制在-0.05~0.05 mm以内。