热连轧机弯辊力优化设定策略研究及应用

针对传统热轧机板形设定模型仅根据带钢头部的要求来设定弯辊力而可能导致中尾部所需弯辊力超出设备能力极限的问题,提出一种弯辊力优化设定策略。该策略对带钢全长轧制过程进行考虑,根据最近一次同钢种同规格带钢轧制时实际轧制力与凸度的变化,预算本卷带钢全长板形控制所需要的弯辊力调节量,结合弯辊设备的能力极限,为带钢中尾部板形控制预留必要的弯辊力。在上海梅山钢铁股份有限公司热轧厂1780热连轧生产线上的实际应用效果表明,采用该策略后基本消除了带钢尾部中间轧破现象,大幅提高了热轧带钢中尾部轧制的稳定性。     

冷连轧机组弯辊力自动设定的实现

针对大型宽带钢冷连轧机组广泛采用的液压弯辊技术,深入分析了弯辊力对于板形的调控机理．在分析轧辊辊形、带钢宽度和轧制力等因素对弯辊力设定值影响的基础上,建立弯辊力自动设定模型,并得到了现场实测结果的验证．该模型成功地投入运行,实现了冷连轧机弯辊力的计算机自动设定．     

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。     

基于遗传算法的UCM双机架冷轧机弯辊力设定模型

建立了宽带铜6辊紧凑式冷轧机组弯辊力设定综合模型,以提高带铜板形质量．采用大型通用有限元软件建立了辊系弹性变形三维有限元模型,结合工业轧机整体取样,分析了双机架冷轧机多轧程各道次带铜板形比例凸度变化,确定了板形的主要影响因素;以板形良好为目标、双机架弯辊力的相对余量均匀作为约束条件,建立了基于遗传算法的工作辊和中间辊的弯辊力设定数学模型．本模型应用于1500mm6辊UCM大型工业轧机连续轧制试验取得明显改善带钢板形和提高对带钢来料凸度波动变化适应能力的实际效果．     

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.     

热轧窄带钢辊缝预设及头尾厚差预报

在实测的基础上得到了适于窄带热轧生产线的辊缝预报模型。经生产性试验表明，本研究给出的辊缝预设值与现场实测非常接近，将其作为控制窄带精度的手段，可取代目前对人工经验“试调”的依赖，具有重要的实际应用价值；对轧件头尾厚度差的计算不但考虑了奥氏体再结晶软化程度对轧机负荷的影响，还考虑了轧辊弹性压扁与轧制压力的耦合对压力及辊缝的综合影响，从而显著提高了带钢头尾厚差的预报效果。这对控制带钢的通条尺寸、提高产品精度具有重要意义。     

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.     

热轧带钢平整机工作辊的不均匀磨损及其降低措施

以2 250 mm热轧带钢平整机为对象,对工作辊的不均匀磨损进行研究。通过测量发现其工作辊磨损具有“W”形的特征,并分析该磨损与热轧和冷轧平整磨损的异同。结合其磨损特点,构造磨损模式函数,采用遗传算法确定模型参数,得到可满足工程要求的磨损模型。利用该模型计算分析不同窜辊策略时工作辊的磨损情况,针对原策略的不足提出新的窜辊策略并进行工业试验。研究结果表明：不均匀磨损程度减小,工作辊服役期延长。     

冷带非稳态轧制弯辊力设定值的研究与应用

为研究非稳态轧制状态下弯辊力对板形的影响,在理论分析和实际应用的基础上,应用力学和控制方法对在非稳态轧制状态下的弯辊力设定值进行了分析.针对在非稳态轧制状态下轧制力、摩擦力和加减速对冷轧弯辊力的影响,提出了冷轧非稳态弯辊力数学模型表达方式.研究表明,弯辊力通过轧制力对弯辊力的影响系数进行动态调整,轧制速度通过摩擦力来影响弯辊力.该模型成功应用于1450冷轧生产线且取得良好的控制效果,为现场调控非稳态弯辊力提供了有力的理论支持.     

辊式矫直机矫直辊的弯辊模型

将板材在辊式矫直机矫直辊作用下的弯曲,假设为由压下机构作用的弯曲和由弯辊机构作用的弯曲共同作用的结果·根据梁的弹塑性弯曲理论,通过把板材弯曲当作梁的弯曲,并考虑到矫直机在入口处的压弯量,通常使板材弯曲时塑性变形层高度占厚度80%,认为经弯辊作用后塑性变形层高度增加了5%～15%,利用梁的弯曲挠度,建立不同弯曲的弯辊模型,求出了矫直辊的弯辊量·理论计算的弯辊量与实际设定值结果吻合,证明该弯辊量设定模型具有实际应用价值·     

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RBF神经网络的热连轧精轧厚度的预报

采用RBF神经网络方法建立热连轧精轧的厚度模型,通过比较有、无理论模型输入的神经网络厚度模型确定出理论数据在神经网络应用中的重要性。通过比较BP神经网络和RBF神经网络分别建立的厚度模型凸现出RBF神经网络厚度模型的优越性,并在应用过程中解决了过拟合问题。     

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%.     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

基于多神经网络的热连轧轧制力预计算

提出使用BP、RBF混合网络建立的多神经网络来预报热连轧轧制力。工程实例说明,相对于传统数学模型和单神经网络建立的数学模型,多神经网络在预报精度和网络冗余方面占有较大优势。文中建模方法也为．研究多变量复杂工程提出了一条新思路。     

基于遗传算法的热连轧机负荷再分配

以工业轧机为对象,根据热连轧板形前馈的特点,研究提出了基于遗传算法的轧制力负荷再分配的模型.实验数据对比分析结果表明,使用该策略能够获得良好的板形及生产的平稳过渡,可用于热连轧生产.     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

热连轧机轧制力成比例负荷分配的CLAD算法

为了实现热连轧精轧机组负荷分配的在线优化设定,提出一种轧制力成比例负荷分配的新算法CLAD算法(change load ratio by adjusting draft).其要点是通过调整压下量的偏差来使当前轧制力与目标轧制力的偏差最小化.根据轧制力成比例原则建立非线性方程组,结合假设条件,将系数矩阵简化为对角阵,经数学推导给出了新算法的迭代公式和收敛条件.提出一种经验插值法确定初始值,使得负荷分配迭代计算能快速收敛.对宝钢典型轧制案例的模拟计算验证了新算法具有计算速度快、收敛性好等优点,可用于在线计算.     

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GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．