层流冷却过程混合智能参数辨识

热轧层流冷却过程带钢温度难以连续检测,其换热系数具有随工况频繁变化而变化、动态特性具有时变、强非线性等综合复杂特性.正确辨识热轧层流冷却过程带钢温度的离散动态模型中的换热系数是提高模型精度的关键.本文将案例推理技术和神经网络技术相结合,提出了混合智能参数辨识方法.采用某钢铁公司热轧层流冷却过程实际运行数据对所提出的方法进行实验研究.结果表明本文提出的混合智能参数辨识方法大大提高了层流冷却过程带钢温度预报精度.     

规则与数据驱动的层流冷却过程带钢卷取温度模型

针对现有层流冷却过程带钢温度模型缺乏换热系数、带钢定位、带钢卷取温度计算的有效方法这一问题,提出了由冷却单元阀门开闭状态模型、带钢冷却单元定位模型、不同换热方式下的带钢温度模型组成的带钢卷取温度动态模型,将案例推理、规则推理、 神经网络等相结合,提出了规则与数据驱动的模型参数智能辨识方法.采用某钢厂实际生产运行数据对所提出的带钢卷取温度动态模型进行了实验研究,实验结果表明本文提出的方法能够有效提高带钢卷取温度模型的精度.     

带钢卷取温度高精度预报的遗传神经网络方法

热轧带钢卷取温度是影响成品带钢性能指标的重要工艺参数之一,其层流冷却控制系统具有高度非线性。影响卷取温度的因素多而且复杂,采用传统的温度预报模型难以达到较高的精度要求。为了满足卷取温度高精度的要求,提出了一种基于数据挖掘技术的遗传神经网络方法。充分发挥数据挖掘的关联分析能力、神经网络的泛化映射能力和遗传算法的全局搜索能力,将三者结合起来,建立了卷取温度预测模型。运用实际现场数据进行测试表明：它能准确地预报卷取温度,具有在线应用的前景。     

基于案例推理的层流冷却过程建模

针对具有非线性,参数时变,分布参数等综合复杂特性的热轧层流冷却过程,将机理建模方法与案例推理技术相结合,通过使用层流冷却过程中带钢的运行工况构造案例,在案例库中检索与其匹配的历史案例,利用实际工况的特征与匹配工况的特征经过推理给出当前工况的模型参数,从而确定层流冷却过程的动态模型.利用这一模型可以预测整个冷却过程中带钢的温度变化过程.通过某钢铁公司热轧层流冷却过程实际数据的实验比较表明所提出的建模方法是有效的.     

热轧带钢层流冷却系统的前馈-反馈控制及其优化

以热轧层流冷却系统为研究对象,对如何提高带钢卷取温度控制精度进行了研究;在带钢冷却模型的基础上,对预设定模块进行了前馈补偿;考虑模型的不确定性和大时滞特性,采用模糊Smith预估器提高了反馈控制的精度;结果证明所采用的这些措施大大提高了卷取温度的控制精度。     

热轧带钢层流冷却控制系统研究与实现

控制冷却是热轧钢材生产过程中控制与改善钢材质量的重要途径,带钢层流冷却温度控制是热轧带钢生产过程中控制冷却经常采用的一种主要技术方法;对层流冷却系统及层流冷却计算机控制系统进行了研究;根据人工神经网络具有处理非线性复杂过程的能力,对神经网络预测控制模型的工作原理进行了研究,并进行了仿真;仿真结果说明了冷却速率、终冷温度都得到了很好的控制,仿真结果接近目标结果。     

热轧带钢卷取温度联合控制算法设计与仿真

在热轧带钢生产线上,卷取温度的精确控制对带钢质量是至关重要的。详细研究了一个实际的热轧带钢卷取温度控制系统。建立了一种简化的动态控制模型,并用一个改进的遗传算法在线调整模型的参数。基于该模型提出了一个包括冷却反馈控制、前馈及自适应联合控制算法的控制器。通过建立一个更精确的仿真系统,达到指导现场生产的目的。实践结果证明提出的控制方法是有效的,仿真系统也具有较大的实际意义。     

基于卷取温度预测的层流冷却优化控制模型

卷取温度对带钢的金相组织影响很大,是决定成品带钢加工性能、力学性能、物理性能的重要工艺参数之一;层流冷却过程具有强非线性、不确定性、时变的特点,采用传统的基于传热机理和统计分析的建模方式难以满足卷取温度优化控制要求;针对某钢铁企业热轧板厂卷取温度控制过程中存在的问题,建立了基于神经网络的卷取温度预测模型,综合考虑多种因素对卷取温度的影响,将该模型预测值与目标卷取温度值的偏差作为原有前馈模型的输入,以提高前馈补偿的控制精度;仿真结果表明,模型预测精度高,具有在线应用前景.     

热轧带钢层流冷却控制方法

针对热轧带钢层流冷却终冷温度范围的扩大以及控制精度提高的要求,通过分析影响层流冷却过程的关键性因素如,速度、厚度、喷水量对终轧温度的影响,以及各因素之间相互的作用关系,合理制定出层流冷却的初始值,并建立起层流冷却温度控制的数学模型。运用前馈控制、速度补偿控制的思想以及针对层流冷却特点的线性叠加控制对层流冷却过程进行实时控制。所提出的方法成功运用于某层流冷却生产模型中,实现了终冷温度范围扩大以及控制精度提高的目标。     

宝钢热轧层流冷却模型的研究

一、引言 带钢卷取温度是影响成品带钢组织性能和机械性能的关键因素,近年来随着生产和控制技术的发展及用户对产品质量要求的提高,卷取温度成为与带钢厚度、宽度、板凸度、板平直度并列的衡量热轧带钢产品质量的重要指标。世界上许多热轧厂相继研制开发了新一代卷取温度控制系统,其卷取温度乃至冷却速率的控制已达到很高     

热轧带钢卷取温度的模糊神经网络预测函数控制

本文采用T S模糊神经网络建立了热连轧带钢卷取温度控制模型，并在该模型的基础上提出了一种在线计算量较小、计算速度较快的预测函数控制算法．应用该算法对热连轧带钢卷取温度的精冷区控制进行了仿真研究；结果表明，该控制器能够把带钢卷取温度控制在预定的范围内，控制精度能够满足生产要求．     

基于遗传算法的层流冷却系统优化控制策略

为进一步提高层流冷却系统的控制精度, 不仅要满足对卷取温度的要求, 还要满足控制冷却对冷却速率的要求. 本文以热连轧层流冷却系统的粗调区为研究对象. 综合考虑层流冷却控制系统的两个控制目标: 目标卷取温度与目标冷却速率, 直接将粗调区集管的开闭模式作为染色体的编码, 应用遗传算法搜索粗调区集管开闭的最佳模式. 最后对整个冷却控制系统进行了仿真, 结果表明采用该控制策略明显优于简单的前端密集冷却模式.     

热轧板层流冷却仿真系统的设计

以热轧厂板带轧后的冷却过程为背景,开发层流冷却仿真系统。该系统建立了冷却过程的动态仿真模型,提供了层冷过程的输入变量、输出卷温、控制阀门数以及控制参数的各个显示窗口及画面。该系统已在某厂得到应用,为现场操作人员提供实验的软件环境和优化操作指导。     

一种基于模糊RBF神经网络的Smith预估器

为克服带钢热连轧层流冷却系统中大滞后环节产生的不利影响,提高控制精度,提出了将模糊RBF神经网络与Smith预估器相结合的方法。采用基于改进型模糊C-均值聚类算法的RBF神经网络建立预测模型。获得了较高的精度和较快的学习速度。改进后的模糊C-均值聚类算法具有更好的鲁棒性,且放松了隶属度条件,使得最终聚类结果对预先确定的聚类数目不敏感。将该控制器应用到卷取温度控制中,能把卷取温度控制在598～705℃的范围内,满足了实际生产的需要。     

热轧带钢中板形的计算和控制

热轧带钢中保持良好的板形是生产过程中极其重要的问题。首先,介绍了板形的基础知识包括板形的概念和计算,以及目前生产中板形控制方面实际存在的问题。在此基础上,讨论了影响板形的因素和控制策略,并对由带钢温度引起的缺陷,经过层流冷却获得良好板形的策略做了重点的讨论。从预防的角度阐明了板形的控制方法,并且介绍了一种实际生产中热轧带钢中浪板形控制方法,即PC设定控制方法的具体流程和实际应用效果。