基于人工蜂群算法的Elman网络板形预测

针对常规Elman网络泛化能力差的缺点,以及工业生产中对高精度板形预测模型的需要,用人工蜂群算法（ABC）代替误差反传算法训练Elman网络,建立了一个基于Elman网络的板形预测模型．神经网络的隐层节点数通过经验公式和仿真试验来确定．通过仿真验证,用人工蜂群算法训练的Elman网络在同等条件下比常规Elman网络具有更强的泛化能力,其板形预测精度更高．     

基于BP神经网络的CVC冷连轧机板形预测控制模型

将ＢＰ神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于ＢＰ神经网络的板形预测控制数学模型,经用宝钢１４２０ｍｍ冷轧实测数据仿真验证表明该模型具有很高的预测精度。     

三机架冷连轧机液压弯辊控制系统

液压弯辊的液压系统，采用了电液压力伺服系统，电控系统采用了结构简单、编程方便、高可靠性的可编程序控制器，它与主机的ＷＤＰＦ分布式计算机控制系统有机地结合，组成一种新型的自动控制系统，在控制和消除板带材的中浪、边浪及瓢曲等实际问题中取得了良好的效果     

张力计的辊高差对板形检测精度的影响

以一种工程应用的张力计为分析对象,建立了存在辊高差的张力计-带材三维有限元模型. 以辊高差为基本变量,通过改变高低辊位置、带材厚度及带材平均张应力,得到了不同情况下辊高差导致的板形检测误差值及其分布规律.     

基于模糊神经网络的板形板厚综合控制系统

面对板形板厚控制这一复杂、多变量耦合的非线性系统，提出一种基于模糊神经网络的综合控制方案，实现了无模型板形板厚综合控制．仿真结果表明，该控制系统收敛性好、抗干扰性强，取得令人满意的板形板厚控制精度．     

轧制中板形值与冷却液流量控制的关系

通过分析箔材轧制过程中温度的产生和热量的交换情况,建立热平衡方程;由板形的定义和轧制前后体积不变原理建立板形值和热凸度的关系;在此基础上,确定板形值和冷却液流量控制的关系．     

CVC四辊冷轧机板形控制策略探讨

四辊宽带冷轧机在轧制过程中板材的轧制质量,即影响板材形状的因素众多,且多为非线性影响因素,因此,很难针对具体的CVC四辊冷轧机板形轧制过程建立精确的数学分析模型;目前在线使用的PID控制算法难以满足板带轧制机的板形控制的精度要求。在控制环节中,加入模型预测控制理论(MPC),设计预测控制器,采用滚动优化和反馈校正的控制策略,建立一个具有自适应学习功能的板形控制功能模块。     

基于改进激光三角测量法的动态板形图像处理的研究与应用

为了有效避免带钢振动引起的测量误差,提出了一种基于改进的激光三角测量法的动态板形图像处理方法.该方法从钢板矫直的实际应用出发,利用数字图像处理技术完成了板形图像获取、板形图像特征曲线提取以及板形延伸率计算,较好地消除了由于振动带来的延伸率测量误差,延伸率计算结果满足工厂实际应用要求.     

冷轧带钢板形检测信号模式识别方法的进展

结合板形控制技术的发展，阐述了板形检测信号模式识别方法的发展过程。分析比较了各主要模式识别方法的特点。对板形模式识别方法的发展趋势进行了讨论。     

板形模式高斯分解

分析现有板形模式分解方法的缺陷，提出了一种新的板形高斯模式分解．该方法不仅大大提高了板形曲线的拟合精度，而且更加适合于板形调控机构进行板形控制，尤其是板形分段冷却控制系统及局部辊型调节控制系统．