SI-FLAT板形仪激振频率设定

SI-FLAT板形仪是国内宽带钢冷连轧机首次采用的非接触式工业用板形仪,但实际使用过程中发现,对于常轧规格的带钢,其激振频率设定始终为同一固定值,激振力仅随张应力的变化而变化,导致板形控制不稳定,激振频率的设置严重影响着板形检测的精度.本文在分析现场实际生产数据的基础上,提出了激振频率的设置应该遵循的两个基本原则,即振幅控制原则和检测间隔控制原则.为了对带钢振动进行固有频率和受迫振动振幅的分析和计算,采用大型有限元软件ANSYS12.0建立了带钢振动仿真模型,分析了带钢板形、宽度、厚度、张应力等因素所导致的带钢固有频率波动对带钢振幅的影响.研究发现,张应力和板形对带钢固有频率的影响较大.最后,基于振幅控制原则和检测间隔控制原则提出了可行性方案,即通过限制最小张应力,减小板形对测量结果的影响;同时为了控制最小检测间隔,便于对板形的在线控制,激振频率的大小应根据带钢速度进行调节设定.     

宽带钢热连轧机板形板厚增益调度解耦控制

针对板形板厚综合控制的耦合问题，通过分析板形控制系统需要先后投入平坦度反馈控制和动态凸度控制的综合系统特性，采用前馈补偿综合法设计解耦网络以完成动态轧制过程的板形板厚解耦控制。结合1700mm热连轧机实际控制系统，提出采用板形板厚增益调度解耦控制方法适应板形板厚耦合特性随实际轧制条件变化的应用需要，建立的增益调度函数集已在大型工业轧机得到验证与应用。     

GTM在冷轧带钢颤振监测与识别中的应用

研究了GTM算法在冷轧带钢颤振监测识别中的应用，结果表明，通过对轧制过程的工艺参数或振动特征的聚类训练，它能把正常数据和颤振数据分别映射到二维平面的不同输出区域，较好地将两种轧制状态聚类分开；输入数据映像点在平面上的轨迹变化趋势正确而直观地反映了轧制状态的变化，便于及时监测识别出颤振的发生，有利于提高轧制生产率和产品质量。     

运动带钢边裂识别与最小板宽测量

讨论运动带钢边裂识别和最小板宽的测量问题．分析了边裂的特征和边裂起止点的判断条件，讨论了边裂的识别过程和边裂特征参数的提取，对板宽数据进行合成和处理，给出区段中的最小板宽值．     

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.     

基于有效分类的多模态过程故障检测及应用

多模态的故障检测作为复杂的实际问题,得到越来越多的重视.围绕多模态的故障检测问题展开相应关键问题研究,首先提出一种基于K均值聚类算法结合聚类有效性指标求解出最佳模态数方法,通过数值仿真和带钢热连轧生产过程数据进行验证;然后利用模糊C均值算法对训练数据进行模态划分,针对不同模态,利用主成分回归方法建立相应的监测模型,实现对故障的有效检测;最后将该故障检测方法应用到带钢热连轧生产过程.仿真结果表明,不仅实现合理模态划分和识别,而且取得良好的检测效果.     

四辊轧机热轧带钢板形的急停测量实验研究

结合国内某厂6机架热连轧精轧机组实际条件,选取典型产品制定了带钢轧制过程中板形急停后的测量实验方案.根据此方案进行了测量实验,得到带钢机架间板凸度实测值.结合轧制过程中各道次轧制力、弯辊力及辊形曲线等实际数据,采用基于影响函数法的四辊轧机辊系弹性变形软件针对该典型产品的板形控制过程进行计算,分析了轧辊平均凸度计算值与设定值之间存在偏差的原因.将带钢机架间横向厚度分布的计算值与实测值进行比较,二者吻合较好.     

热连轧数据采集的多样本处理策略

热连轧带钢生产过程中,实测数据的处理方式影响到模型自学习的精度,最终影响到产品的控制精度.为解决此问题,建立了针对实测数据的多样本处理策略,采用变异系数的方式排除了高离散性的数据,并通过数据映射的方式将采集到的有效数据进行同步,最终获得了高可信度的自学习源数据,大大提高了模型自学习的有效性及预报精度.将该多样本处理策略应用到国内某热连轧生产线的精轧机组,现场实际应用效果表明:带钢头部的轧制力预报精度达到了233%,满足了自动厚度控制系统的控制要求,提高了产品的质量.     

基于卷积神经网络的热轧带钢力学性能预报

为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于LeNet-5和GoogLeNet卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试。结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15 MPa,预测精度高于BP神经网络和单独的LeNet-5和GoogleNet卷积神经网络模型,所建模型的有效性和准确性均得到了验证。     

冷轧板带钢的生产工艺

介绍了冷轧板带钢的产品特征、轧制工艺特点、冷轧板带钢的生产工艺及冷轧汽车用板带钢的性能控制，并阐述了冷轧板带钢的发展趋势。