蓄热式加热炉钢温预报与炉温优化设定研究

在分析新型蓄热式钢坯加热炉的炉型结构与炉温制度特点的基础上,基于钢坯在炉内 受热辐射和钢坯内热传导的机理,设计了二维非稳态导热钢温预报模型,并给出了适用该模型 的炉温优化策略.该模型能够对出炉钢坯进行网格化钢温预报,具有精度高,通用性强,能够实 现炉内钢坯温度分布的在线预报的特点.仿真研究表明,所提出的炉温优化策略能较大地提高 钢坯的加热质量.     

基于RBF神经网络的钢坯温度预报软测量模型研究

钢坯加热过程是钢铁企业热轧生产中非常重要的工艺环节。钢坯温度预报模型是实现加热炉优化控制的重要基础,用常规仪器很难直接测量出钢坯温度。给出了基于RBF神经网络的软测量模型结构,对钢坯温度进行预报的仿真结果。     

加热炉钢坯温度软测量模型研究

研究基于模糊聚类的钢坯温度神经网络软测量模型.该方法由两个部分组成, FCM(Fuzzy C-Means)聚类算法用来对训练样本进行分类,分布式RBF(Radial Basis Function) 网络对每类样本进行训练.在线测量时,采用自适应模糊聚类算法对新的工况数据进行 隶属度计算.文中将该算法应用于步进式加热炉钢坯温度的预报,仿真结果表明该算法的有 效性.     

小生境粒子群优化的SVM钢坯定重预报

连铸钢坯定重切割,对提高棒材轧制成材率,降低钢坯原材料浪费及能耗具有重要意义.首先针对特定钢流,实验研究了影响钢坯重量的因素,确定了钢坯拉速这一关键影响参数.其次建立了钢坯重量的支持向量机(SVM)回归预测模型,以钢坯拉速作为特征输入量,对钢坯重量进行预测.最后,采用小生境粒子群优化(PSO)方法,优化SVM模型参数,得到PSO优化SVM参数的钢坯重量预测模型.并通过建立神经网络钢坯定重预报模型A及最小二乘钢坯定重预报模型,进行对比研究,研究结果表明,采用小生境粒子群优化后的SVM预报模型可显著提高钢坯定重预报精度.     

基于HPSO的钢坯加热过程炉温优化设定

针对一种蓄热推钢式加热炉三个加热区的炉温稳态优化问题,本文提出了一种混合粒子群优化(HPSO)方法.首先,基于钢坯导热偏微分方程和边界条件,建立钢坯温度预报模型.然后,采用HPSO算法确定最佳稳态炉温,即炉温控制的参考输入.该方法利用混沌机制产生初始种群,通过免疫和克隆来提高粒子群优化(PSO)算法的全局搜索能力和搜索精度.     

钢坯三维温度场预报模型的建立

在钢坯加热的过程中．由于加热炉的炉内热状态复杂,测温技术的局限,难以直接测豉出加热炉内被加热钢坯的温度,以保证适时出钢。因此,本文根据传热学知识,采用BP神经网络对钢坯三维温度场进行预报。仿真结果表明,该模型能够满足实际生产要求。     

热处理炉钢板温度的自适应混沌粒子群算法–最小二乘支持向量机优化预报算法

针对传统传热模型参数调整较复杂和模型精度较低的问题,构建了一种基于改进粒子群算法优化最小二乘支持向量机（least squares SVM,LSSVM）的钢板温度预报模型.首先,对基本粒子群算法进行分析,提出自适应混沌粒子群算法（adaptive chaos PSO,ACPSO）,并通过性能指标定量评价验证算法的有效性、鲁棒性和寻优效率.其次,采用LSSVM建立钢板温度预报模型,并选用径向基函数作为核函数,用ACPSO算法优化该模型参数.最后,结合现场数据进行仿真研究和工程应用,结果表明基于该算法建立的钢板温度预报模型具有较高的预报精度,达到智能调优的目的.     

基于自适应模糊聚类的神经网络软测量建模方法

提出一种基于模糊聚类的神经网络软测量建模方法．该方法采用数据分组训练、自动确定模糊分类数、在线测量时分类中心自适应修正，降低了计算量，提高了建模精度．将该算法用于步进式加热炉钢坯温度预报的仿真结果表明，它能够解决钢坯温度难以在线测量的问题。     

基于改进的混沌PSO算法的钢坯坯壳厚度软测量

钢坯的质量受坯壳厚度的影响,坯壳厚度的实时监测可帮助二冷控制系统提供更好的水量设定值。但钢坯生产过程复杂,直接测量坯壳厚度的成本较高,并且实现困难。针对该问题,提出了基于钢坯二维热传导模型的软测量方法。二维热传导模型的边界条件是影响软测量精度的重要参数,因此基于钢坯表面温度测量值,建立辨识边界条件的优化模型,提出改进的混沌粒子群优化(PSO)算法。仿真实验验证了,改进的混沌PSO算法在收敛速度和收敛精度上得到了提高。基于校正的二维热传导模型得到的坯壳厚度与射钉实验值很接近,软测量精度提高了14.24%。     

基于三次样条权函数神经网络的钢坯温度预报

针对传统神经网络对铜坯温度预报存在的一些缺点,如：隐层数不易确定．网络训练对初值敏感等。该文利用三次样条权函数神经网络建立了钢坯温度预报模型．克服了传统神经网络的缺点。仿真结果表明该模型具有较高的精度。     

精英改进粒子群算法在入库堆垛问题中的应用

针对钢铁企业生产与物流一体化协同管理中入库堆垛问题,基于出库次序A型约束、垛位选择分散性约束等,建立了以均衡库存垛位负载和最大化板坯综合匹配度为目标的联合优化模型。结合问题的特点,基于PSO算法,利用收敛指数判断种群进化状态,并对处于"收敛"状态的种群执行精英学习策略,提高粒子的活性,帮助种群跃出局部最优。最后通过实例仿真说明了模型与算法的有效性和可行性。     

板坯加热炉的递阶计算机控制

本文以作者开发的板坯加热炉离散状态空间模型为基础提出了以启发式搜索方法求解加 热炉炉温设定值最优化问题的原理,并介绍了基于上述原理的加热炉递阶计算机控制系统的 设计与实施.该系统经过一年多连续运行表明其控制准确、性能可靠,降低能耗9%,明显提 高钢坯的加热质量,直接经济效益可达100万元/年以上.     

板坯加热炉的递阶计算机控制

本文以作者开发的板坯加热炉离散状态空间模型为基础提出了以启发式搜索方法求解加热炉炉温设定值最优化问题的原理,并介绍了基于上述原理的加热炉递阶计算机控制系统的设计与实施.该系统经过一年多连续运行表明其控制准确、性能可靠,降低能耗9％,明显提高钢坯的加热质量,直接经济效益可达100万元/年以上.     

基于改进人工蜂鸟算法的VRV空调需求响应功率削减策略

针对夏季用电高峰时期用户对空调设定温度随意调节造成能源浪费以及需求侧对电网控制指令响应不够精确的问题，提出了一种基于功率削减的空调温度分档需求响应调控策略；以某办公建筑VRV空调为研究对象，分别建立该办公建筑空调物理仿真模型以及功耗数学模型，并对模型的准确性进行验证；提出基于不同舒适度和激励电价的VRV空调温度控制档位，构建室内机温度分档调控多目标优化模型，优化目标为调控时期空调实际功率与调控目标值的平均偏差以及负荷聚合商对用户的激励补偿费用同时最小；选取人工蜂鸟算法作为优化算法，针对该算法存在搜索速度慢、寻优精度低、易早熟收敛等缺点，在种群初始化阶段采用Hammersley序列生成更加均匀的初始种群以提高算法的收敛速度与精度，在搜索阶段采用高斯变异算子对蜂鸟位置进行扰动以进一步提升算法的探索能力。运用改进人工蜂鸟算法对模型进行求解，并与人工蜂鸟算法、粒子群算法、灰狼优化算法和鲸鱼优化算法的求解结果进行对比，以证明所提策略的有效性；实验结果表明，应用改进人工蜂鸟算法求解后的结果在保证用户舒适度的条件下最多可将功率调控精度提高83.1%并且将激励费用减小8.36%。     

移动Agent在网格中的路径优化算法研究

用移动Agent作为访问网格服务的任务载体,代表服务或者应用程序在各种网格服务间智能地移动,能充分发挥移动Agent的优势,达到提高效率、减少开销的目的.因为网格环境具有自己的特点,因此提出了动态市场旅行商问题（TSP）模型来充分描述移动Agent在网格环境中行为方式,以及移动Agent在该模型中的路径优化算法,这对于指导不同类型移动Agent在网格中的路径选择是很有实用价值的.     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

ARX-Laguerre模型PID预测控制及其在过热汽温控制中的应用

针对火电厂过热汽温控制的特点,提出了一种基于ARX-Laguerre模型的PID预测控制算法(ALMPCPID),该算法使用增量式的ARX-Laguerre模型作为预测模型,将滚动优化的性能指标改为PID控制器的形式,并利用带遗忘因子的最小二乘递归方法对模型参数进行在线辨识.将ALMPCPID算法应用于过热汽温控制系统...     

A hybrid instance-intensive workflow scheduling method in private cloud environment

Aiming to solve the problem of instance-intensive workflow scheduling in private cloud environment, this paper first formulates a scheduling optimization model considering the communication time between tasks. The objective of this model is to minimize the execution time of all workflow instances. Then, a hybrid scheduling method based on the batch strategy and an improved genetic algorithm termed fragmentation based genetic algorithm is proposed according to the characters of instance-intensive cloud workflow, where task priority dispatching rules are also taken into account. Simulations are conducted to compare the proposed method with the canonical genetic algorithm and two heuristic algorithms. Our simulation results demonstrate that the proposed method can considerably enhance the search efficiency of the genetic algorithm and is able to considerably outperform the compared algorithms, in particular when the number of workflow instances is high and the computational resource available for optimization is limited.

     

空间机械臂电磁制动器温升最优设计及热真空实验

采用遗传算法几何惩罚函数的方法对空间机械臂制动器电磁线圈温升进行了优化设计.首先针对空间机械臂电磁制动器对电磁力、电流以及磁场强度的限制要求,以温升为目标推导出优化模型.然后针对优化模型约束非线性问题,提出遗传算法结合惩罚函数的优化方法.本方法可在解决全局优化问题的同时保证计算过程中的解总是可行解.优化结果显示,线圈温升大大降低.最后,将制动器置于热真空环境模拟设备中,测出电磁制动器线圈温升曲线.实验结果显示,测得温升值与优化设计得出目标温升值基本吻合,验证了方法及设计的正确性.     

Contribution of simulation to the optimization of inspection plans for multi-stage manufacturing systems

In this paper we develop a new mathematical model to optimize inspection plans for multi-stage manufacturing systems with possible misclassification errors. The presented model minimizes total inspection related costs while still assuring a required output quality. Because of the complexity of the proposed mathematical model, a simulation algorithm is presented to model the multistage manufacturing system subject to inspection and to estimate the resulting inspection costs. We use the popular Arena simulation software to implement our simulation algorithm and then we utilize OptQuest, Arena’s built-in optimization package, to find the optimal inspection plan. Finally, a numerical example is presented and simulation experiments are also conducted in order to examine the effects of several model parameters.