基于RBF神经网络的轧辊偏心补偿控制

轧辊偏心是影响轧制过程中带材厚度精度的重要因素,因此轧辊的偏心补偿控制一直是冷轧板厚度控制系统AGC的重要组成部分.为了减少轧辊偏心对带材厚度精度的影响,提出了一种基于径向基(RBF)神经网络的轧辊偏心补偿控制方式,并应用于河北中钢五机架冷连轧的生产现场,提高了整个系统的厚度控制精度.     

一种设定记忆长度的轧辊偏心在线检测算法

轧制控制过程中轧辊偏心信号是影响带钢厚度精度的重要因素.针对该类问题,将基于设定记忆长度的在线反向传播算法用于对偏心信号的检测.通过与普通在线反向传播算法在检测性能上的对比表明:该方法具有学习收敛速度快,抗噪声能力强等特点,可有效使变幅、变相和变频的偏心信号引起的厚度波动减少95%左右,从而准确地补偿由偏心信号引起的厚度偏差,提高轧钢过程中的带钢厚度精度.     

轧辊偏心补偿控制器

介绍一种新研制开发的轧辊偏心补偿控制器。该控制器采用TMS320C25—D型开发／高速处理板的扩展板．配制数据采集和输出电路．可以完成信号采集与处理．然后以电压形式输出补偿偏心的信号。加到液压系统。     

基于PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于神经网络的可逆冷带轧机偏心的检测与补偿

详细讨论了可逆冷带轧机轧辊的偏心问题,分析了偏心产生的原因,并在前人偏心补偿方法的基础之上提出了一种基于神经网络的用于轧辊偏心检测和补偿的方法,进行了仿真研究,提出了轧辊偏心补偿在实际当中的实现方法以及可行性.     

基于迭代学习的轧辊偏心补偿控制

针对轧机普遍存在的轧辊偏心问题,结合偏心信号的特点及补偿控制方法,将一种在工业机器人重复性控制领域广泛使用的迭代学习控制方法应用在轧辊偏心补偿控制中。基于对周期误差数据不断学习,轧机偏心控制系统的压下控制调整更加精准。对构造的轧辊偏心信号进行测试,其相比于快速傅里叶变换补偿方法,迭代学习10～50次后的补偿精度提高20.1%～56.4%;经过迭代学习律参数的优化,迭代学习后补偿精度达到50%以上的同时,收敛速度大幅增加。考虑到在轧机加减速状态时偏心信号频率发生改变,通过迭代学习控制对变频信号进行补偿,经过10次的快速学习补偿,误差评价函数值达到最初的13.6%。利用冷连轧一道次的生产线实际数据进行测试,结果表明迭代学习补偿控制能够在学习过后有效提升偏心补偿精度。研究基于迭代学习控制方法,为轧辊偏心的补偿控制提供一定的参考。     

基于相位补偿的轧辊偏心控制

介绍了鞍山钢铁股份集团有限公司(鞍钢)1 700热连轧AGC系统中抑制轧辊偏心扰动的一种有效的方法--CTA轧制力偏心滤波器,分析了其特点及基于相位补偿控制算法的优越性.试验结果表明,通过对剩余偏心成分的补偿分析,进一步调节控制量,有助于提高偏心控制的效果及轧件厚度的精度,并给出了F3机架轧制力实际的滤波效果.     

轧辊偏心补偿控制系统研究

针对轧辊偏心问题,提出了采用相干时间平均算法进行信号的预处理,以减少或消除随机噪声,提高信噪比;采用快速傅里叶变换方法,对其进行进一步分析处理,得出偏心信号中所含各次正弦波的幅值、频率和相角,从而确定轧辊偏心信号的参数模型;以此为依据,控制轧机的压下系统,实现对轧辊偏心的有效补偿.     

AGC系统中的轧辊偏心问题

本文介绍本钢热连轧厂引进的ＡＧＣ系统中抑制轧辊偏心扰动的一种有效方法──轧制力偏心滤波器，分析了轧制力偏心滤波器的特点及其控制算法的优越性，并给出实际的滤波效果     

冷轧机轧辊偏心补偿信号的给定方法分析

阐述了轧辊偏心补偿的基本原理及常用方法,分析了加入偏心信号以后厚控系统的数学模型.通过仿真,给出了液压AGC系统位置闭环时间常数与偏心补偿量超前相角之间的关系,并对轧制速度变化所引起的超前相角的调整量做出了分析.     

基于EEMD的轧辊偏心补偿控制

针对傅里叶变换、小波算法等传统信号处理方法在非线性信号的提取与重构中存在的缺陷,提出了基于聚合经验模态分解的轧辊偏心信号提取新方法。另外,针对传统自动厚度控制系统(AGC)在偏心补偿控制中的不足,设计了有偏心补偿环节的 AGC系统。新方法将轧制力信号分解为多个不同特征模态函数,从中提取表征偏心信号的特征模态函数,并用此重构偏心信号,最后将新方法重构的偏心信号投入到此系统中控制轧件厚度。仿真及实验结果表明,利用聚合经验模态分解方法重构得到的轧辊偏心模型可以很大程度减小厚度波动,补偿效果优于小波算法。     

基于循环统计量的轧机偏心线性预测及补偿控制

提出了一种轧机偏心特性曲线概念.基于偏心测试信号的循环统计量建立线性预测模型,在线确定轧机偏心补偿量数据,实现轧机偏心的实时直接数据补偿控制.该方法能够准确反映并跟踪轧机偏心扰动的实际变化,满足对轧机偏心信号进行在线实时补偿控制的要求.     

多分辨小波控制器在轧辊偏心控制中的应用

提出了一种用于轧辊偏心控制的多分辨小波控制器,它利用小波对轧制力信号进行多分辨分解.机架的轧制力中包含着许多潜在因素的累积影响,比如压下环节的动特性、轧辊偏心、测量噪声、外部干扰等,这些影响体现在不同的尺度上.通过小波的多分辨分解,这些不同尺度上的信息被区分开来,然后在控制中对轧辊偏心进行补偿.仿真实验表明该方法是有效的.     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

基于RBF神经网络的黄金价格非线性预测

在对黄金市场进行分析时,通常根据黄金价格数据自身特点选取合适的模型进行建模预测,但因黄金价格数据本身的非线性特征比较明显,模型的选取往往较为困难,预测精度不高。利用神经网络的特性,建立了RBF神经网络,有效地解决了模型选择不当的难题。实证表明,RBF神经网络建立的非线性模型预测精度较高。