中厚板生产的轧制力长短期自适应

采用厚度族划分及指数平滑处理的方法对根据实际生产数据回归出的轧件变形抗力参数进行处理,从而实现了轧制力短期自适应。最后以轧制力短期自适应为基础,建立了轧制力长期自适应模型。将上述模型实际应用于3500 mm精轧机过程控制系统中,获得了良好的效果。     

中厚板轧机轧制力自适应模型设计浅析

采用厚度族划分及指数平滑处理的方法,对根据实际生产数据回归出的轧件变形抗力参数进行处理,从而实现了轧制力短期自适应。并以轧制力短期自适应为基础,建立了轧制力长期自适应模型。将上述模型实际应用于南钢3 500 mm精轧机过程控制系统中,获得了良好的效果。     

伽马射线测厚仪与激光测厚仪在中厚板轧制生产中的应用对比

通过对射线测厚仪和激光测厚仪原理、性能、实用中的各种问题进行对比分析,阐述国产激光测厚仪能否完全替代进口射线测厚仪及其应用前景.     

基于实测值的自适应算法在中厚板轧制中的应用

提出了一种应用于中厚板轧制的道次间自适应算法.该算法以实测数据为基础,通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小,做到了真正意义上的以实测数据来校正模型,从而使设定的模型有较好的自学习功能,并在实际应用中表现出较好的学习效果.     

一种应用于中厚板轧制的道次间自适应算法

本文提出了一种应用于中厚板轧制的道次间自适应算法,该算法以实测为基础,通过实测轧制力与实际计算轧制力的比值决定轧制力模型学习量的大小,做到了真正意义上的实测数据来校正模型,从而使设定的模型有较好的自学习功能,并在实际应用中表现出较好的学习效果。     

中厚板弹跳曲线零点漂移对轧制力自适应的影响

分析了中厚板轧制过程中弹跳曲线零点漂移对轧制力自适应的影响，认为在忽略人口厚度波动对轧件塑性影响的前提下，轧制力模型的自适应不受弹跳曲线零点漂移的影响。但如能根据实际生产需要用辊缝零点自适应的方法来计算辊缝零点漂移量，从而消除入口厚度波动对轧件塑性的影响，则可进一步提高轧制力的自适应精度，该方法在实际生产中取得了较好的应用效果。     

结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚板轧机轧制力时存在着较大的误差.为了提高中厚板轧机轧制力的预报精度,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报.应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内.     

HC冷连轧机轧制模型的自适应分析

攀钢冷轧厂主轧机选用了日立公司８０年代初的四机架ＨＣ冷连轧机。轧制模型采用了荷兰霍戈文工厂成熟的表格式轧制模型。具有较高的设定精度,本文简要分析了该模型的自适应系统。     

中厚板轧制过程中力能参数的预报模型

根据给定的热力耦合热边界条件的计算结果 ,建立了轧制中厚板的二维和三维有限元模型并模拟计算了 (2 30 0～ 2 6 30 )mm× (9～ 72 )mm板坯压下量 7～ 19mm ,轧制速度 3 16～ 4 37m/s ,轧制温度 92 9～10 33℃的轧制力 (2 6 6 0 0～ 5 0 0 0 0kN)和轧制力矩 (780～ 32 0 0kN·m)。结果表明 ,轧制力计算值和测量值的相对偏差为 1 30 %～ 9 37% ,轧制力矩的相对偏差为 3 6 9%～ 9 75 %。二维模拟和三维模拟的结果基本一致。     

4 100 mm厚板轧机厚度自适应模型的研究与应用

本文通过对厚度自适应模型的必要性及模型控制原理的分析,介绍了厚度自适应的类型和基本计算公式,并对厚度自适应的数据获取进行了分析。在此基础上,结合实际生产过程,对长期自适应规律进行了较为详细的研究,为厚度控制提供第一手资料,确保钢板厚度控制的精确性。     

Long-and Short-Term Self-Learning Models of Rolling Force in Rolling Process Without Gaugemeter of Plate

.Owing to a lack of gaugemeter and the variety of steel grades and standards in some plate mills,the longand short-term self-learning models of rolling force based on gauge soft-measuring with high precision were brought up.The soft-measuring method and target value locked method were used in these models to confirm the actual exit gauge of passes,and thick layer division and exponential smoothing method were used to dispose the deformation resistance parameter,which could be calculated from the actual data of the rolling process.The correlative mathematical methods can also be adapted to self-learning with gaugemeter.The models were applied to the process control system of AGC (automatic gauge control) reconstruction on 2 800 mm finishing mill of Anyang steel and favorable effect was obtained.     

中厚板轧制过程中高精度的轧制力预测模型

结合首钢3500mm轧机改造项目，根据中厚板轧制工艺的特点，对影响轧制力的因素进行了详细的解析，包括变形区影响函数、变形率函数和变形速率影响函数等，给出了中厚板轧制过程中高精度的轧制力计算数学模型。分析了残余应变对轧制力计算的影响，得到了不同钢种的残余应变计算模型和轧制力在线计算时的修正策略。现场在线应用结果表明：给出的轧制力模型具有良好的预测精度，预测误差可以控制在5％以内。     

中厚板轧制过程中的温度修正模型

针对中厚板轧制过程中钢板温度场不易精确模拟,传统温度计算模型存在较大计算误差的问题,提出了道次间的钢板温度修正模型。该模型利用上道次的实测数据,如测温仪温度、轧制力等,对钢板的温度场进行修正。并将修正后的钢板温度场应用到后续未轧道次的辊缝修正计算中。实际应用表明,该温度修正模型投入使用后,轧制力预报精度和成品厚度精度有了很大提高。     

中厚板轧制过程智能化温度预报模型

 采用有限元(FEM)程序模拟计算了中厚板轧制过程中的温度变化,得到与实测温度符合甚好的模拟结果。以模拟计算结果为基础,建立了BP神经网络和回归温度预报模型。采用两种模型对中厚板热轧过程中轧件表面温度变化情况进行了预报。结果表明,神经元网络模型的预报值较回归模型更接近FEM模拟计算值和实测值,可将神经元网络模型应用于中厚板轧制过程中轧件表面温度变化的在线预报。     

中厚板生产中的道次修正模型

针对传统板对板的自学习模型不能修正轧件个体差异的缺陷,提出了道次对道次的道次修正模型。该模型利用上道次的实测轧制数据,如实测轧制力、轧制速度、测温仪温度等,通过道次出口厚度再计算模块、钢板温度修正模块和轧制力短期修正模块精确计算出当前钢板的实际状态,然后通过剩余道次再计算模块对后续未轧道次的辊缝进行修正。实际应用表明,该道次修正模型投入使用后,轧制力预报精度和成品厚度精度有了很大提高。     

中厚板轧制过程中的轧制力和轧制力矩数学模型

本文提出了两个新的无量纲参数轧制力功系数和轧制力矩功系数,并通过对这两个参数的回归分析,建立了高精度的轧制压力和轧制力矩数学模型。     

热轧板材时的平均单位压力模型

针对宝鸡有色金属加工１２００四辊可逆板材热轧机，利用冶金测量车测试数据，回归出平均拉应力模型并与有关公式曲线进行了分析比较，随着Ｌｃ／ｈｃ取值不同，实测回归模型曲线与有关公式曲线的误差也随着变化。在Ｌｃ／ｈｃ＝１～２时，实测曲线比较接近于采列柯夫曲线和艾克隆德曲线，其最大误差不超过４％；在Ｌｃ／ｈｃ〉２时，实测曲线较接近西姆斯曲线和斋腾好弘曲线，其最大误差不超过１２％。由于实测压力模型结合了理论无     

Analysis of Process Control Model of Plate MAS Rolling

 Viewpoint that using the identification quantity to identify the long ear disfigurement was brought up, and by calculation, it can be deduced that identification quantity should be set as the quantity of long ear disfigurement of the position which is about 0.2 times of plate width to the plate border. Conception of plate head tiny cell was brought up, and the long ear disfigurement was uncoupled into the product of elongation percentage and length of tiny cell. On the base of prediction of long ear disfigurement, process control model of MAS rolling was built up, and application indicates that it can fit the on-line producing and eliminate the long ear disfigurement commendably