热镀锌机组平整机轧制力预设定模型研究

针对现阶段平整机生产中存在的横型计算成功率低、预设定精度差等问题,在分析平整机原有轧制力模型的基础上,采用理论分析与现场实际数据统计相结合的办法,设计出适合平整机预设定机理模型。采用预设定表格和机理模型结合的方法优化设定平整工艺参数,并通过分析大量生产实际数据不断优化单位张力,以及摩擦系数、变形抗力、张力影响因子等模型参数,提高模型的预设定精度,实现减少手动设定,进而提高产品质量的目标。从模型上线跟踪情况可知,预设定模型的精度较高,对实际生产具有很好的指导效果。     

钨板轧制的轧制力模型研究

为了使钨板轧制过程中的各项轧制参数得到有效控制,对钨板轧制数学模型进行了研究。首先在Gleeble热模拟机上进行热压缩试验,研究了变形抗力与各种变形条件的关系,确定了变形抗力模型：通过550mm轧机轧制钨板时采集到的有关数据,建立了应力状态影响系数数学模型、变形区长度等模型：最终建立了550mm钨板轧机轧制力模型。利用模型计算值与实际测量参数进行了对比,结果比较满意。     

基于生产大数据的薄带钢平整机轧制力设定计算模型

基于镀锌线平整机生产大数据,进行了神经网络模型、回归分析模型、网络模型与回归分析模型相结合的混合算法模型的平整机轧制力预测模型的分析与比较。结果表明,与BP神经网络模型和基于径向基函数RBF神经网络模型相比,广义回归GRNN神经网络模型最优,预测结果相对偏差的标准差在12%左右。神经元网络与数学模型结合的混合算法模型的预测精度比单纯网络模型或回归模型的低。多元线性回归模型优于偏最小二乘回归法模型,除少数钢种外,其预测结果相对偏差的标准差在13%以下,且易于实现,适用性强。将多元线性回归参数的数学模型在平整机上进行了初步应用,结果表明该模型具有一定的应用前景。     

冷轧带钢平整机高精度高速度轧制力模型开发

与普通冷轧相比,平整轧制压下量很小,轧件的弹性变形和工作辊的弹性压扁对轧制压力分布有较大影响,通常的圆弧形轧辊轮廓假设不再合理。文章推导了分段二次曲线分布压力作用下轧辊弹性压扁量的计算模型,考虑轧制速度对变形抗力的影响,采用卡尔曼理论计算轧件的弹塑性变形,研究开发了冷轧带钢平整机轧制压力模型。轧制力计算值与实测值吻合精度高,计算速度快,表明,本模型可以用作平整轧机的轧制力设定模型。     

热轧高强钢平整机轧制力与弯辊力设计研究

基于高强钢平整机的生产特点，结合板形问题，将带材出口前张力与辊间压力横向均匀分布作为目标函数，把保证所有被平整高强钢产品的力学性能满足产品大纲要求作为约束条件，首次提出一套适合热轧高强钢平整机的轧制力、弯辊力范围的计算分析技术，并将其用于宝钢1880mm热轧高强钢平整机工艺规程预制定。其结果对指导该平整机的工艺参数确定发挥了重要作用。     

轧制力预报人工神经网络设定模型的开发

研究了轧制力设定控制的人工智能实现方法。在建立训练及预测数据模式库的基础上开发了轧制力预报人工神经网络软件,同时对实际生产中的历史数据进行了模拟在线预报,达到了较高精度。另外,给出了一种利用人工神经网络进行模拟正交实验的新思路。     

CSP生产线摩擦系数与轧制力模型的研究

在工艺润滑和高速钢工作辊的影响下,CSP生产线的轧制力不能简单地用热轧公式计算。将Sims公式和Hill公式进行加权求和得到应力状态系数,结合CSP生产线生产数据,以预测与实测轧制力差值最小为目标定义目标函数,采用变量轮换的优化方法,找到使得目标函数最小时的摩擦系数。以此摩擦系数为因变量,建立摩擦系数的模型和轧制力数学模型。结果表明:Hill公式更适合CSP轧制力的计算,预测值与实测值的相对误差仅在3%左右,模型精度较高。     

利用轧钢实测数据修正轧制力子模型系数

本文讲述了用轧制过程中的实际数据借助于软件工具来优化和轧制力子模型有密切关系的材料的5个系数,通过优化此5个系数使轧机每一道次的轧制力分配更趋合理,带卷的各项性能指标的稳定性得到了进一步提高。     

CSP生产线轧制力模型研究

根据Sims公式和Bland-Ford-Hill公式计算了武钢CSP生产线7机架的轧制力,并与实际轧制力对比分析,偏差较大。这是由于CSP线采用了工艺润滑,摩擦状态复杂,现有模型不再适用,为此,针对CSP线建立了新的轧制力数学模型。结果表明,新模型计算值与实测值基本吻合,计算精度较好,预报准确率大幅提高。     

1580 mm热连轧带钢精轧轧制力模型研究与改进

为了提高首钢京唐1 580 mm产线精轧轧制力预报精度,对精轧轧制力模型进行了研究,结合现场生产的典型问题,即同一钢种族内化学成分波动、薄规格带钢头部大张力引起精轧模型自学习趋势异常及变形抗力自学习层别跳变引起的轧制力设定偏差,对轧制力基础模型和自学习模型进行了改进。修正了钢种族的划分方法、回归整定了化学成分对变形抗力的影响因子、增加了实测张力修正精轧自学习的方法以及建立了基于双线性插值方法来获取变形抗力自学习系数的方法。改进措施实施后,各机架的轧制力预报精度均有不同程度的提高,且带钢通长的厚度标准差由12.22μm降低至10.5μm以内,指标精度得到显著提升。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于粒子群优化盲源分离方法的电机滚动轴承复合故障诊断

基于粒子群算法实现容易、精度高、收敛快等优点,将粒子群算法与盲源分离相结合,提出基于粒子群优化的盲源分离方法 (PSO-BSS),并将其应用于电机滚动轴承复合故障诊断中。PSO-BSS方法以峭度的绝对值之和作为目标函数,通过PSO寻找到目标函数的最大值,进而确定最优的分离矩阵。仿真结果表明:PSO-BSS方法能够实现多源复合故障信号的特征分离,并且在分离性能、算法收敛性以及运算速度方面都明显地优于传统的基于遗传算法的机械故障盲源分离方法。最后成功地将PSO-BSS方法应用于实际的滚动轴承内、外圈复合故障盲源分离中,取得良好的分析效果,验证了该方法的工程实用性。     

基于智能切换控制策略的电液位置伺服系统高精度控制研究

为得到较好的电液位置伺服系统的位置控制精度,设计一种采用智能切换控制策略的电液位置伺服系统控制方法。分析电液位置伺服系统的结构,并对其进行数学建模。基于液压缸压力作用,得到液压位置伺服系统的运动方程。在粒子群算法的基础上,借助细菌觅食算法的全局特性,对粒子群算法进行改进,以克服粒子群算法易陷入局部最优的弊端,进而形成智能控制器。以智能控制器为基础,建立智能切换控制策略,以对系统进行实时、准确的控制。实验结果表明:与滑模控制策略相比,在跟踪正弦及不规则目标位置时,所提方法的控制精度分别提高了28.44%和28.66%,验证了所提方法可得到较好的位置控制精度,能为生产效率的提升提供保障。     

基于混合粒子群算法的液压弯辊控制

在带钢轧制过程中,由于液压弯辊伺服控制系统是非线性时变系统,并受多种因素的影响,很难建立精确的数学模型,弯辊也需要对轧制力的变化做出快速的反应,因此控制器的性能是关键因素,本文将粒子群算法和遗传算法相结合,组成新的混合算法并将其应用到某液压弯辊伺服系统的自适应PID控制中,并对此进行仿真研究,取得了较好的控制效果.     

复杂零件温辊轧有限元模拟仿真

以刚塑性有限元模型为基础，用MSC／superform软件对叶片辊轧工艺进行了数值模拟，争忻了坯料轧制过程中辊轧压力与辊轧温度、摩擦系数和变形温度的关系，不同的摩擦系数对辊轧力矩的影响，优化设计工艺参数，为叶片辊轧制坯工艺的制定提供了依据。     

再结晶软化程度对热轧力能的影响及定量化计算

根据棒材热连轧中因再结晶软化不充分所致的残留应变对轧制负荷的影响。对20MnSi钢静态再结晶实验模型进行了验证，结果该模型给出的数据与棒材热连轧时中、精轧阶段变形奥氏体的再结晶规律符合得较好，作为将理论与实验研究应用于生产现场的尝试，一方面利用该模型得到的再结晶软化程度来修正轧制负荷的预报结果使精度得到显著提高，另一方面也为在生产实际中控制与预报该钢种连轧棒材的组织与性能提供了静态再结晶的理论基础。     

挖掘机液压系统非线性摩擦的辨识与补偿

针对挖掘机电液比例控制系统受到液压缸非线性摩擦导致系统稳定性和控制精度降低的现象,提出利用改进粒子群算法和前馈补偿相结合的策略,对控制系统进行优化,以提高系统位移跟踪精度。建立电液系统模型,并用改进的Stribeck模型描述非线性摩擦。通过改进的粒子群算法对模型参数进行辨识优化,根据结构不变性原理设计出一种动态摩擦前馈补偿方法。在此基础上,进行正弦信号、高速工况和低速工况实验。实验结果表明：提出的Stribeck模型和摩擦补偿控制方法可以有效改善低速爬行和平峰现象,并使轨迹追踪精度提高45%左右。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

一种关节型机器人快速收敛的粒子群优化算法

快速收敛性的研究和应用对关节型机器人轨迹规划有着重要的意义和价值。以关节型机器人完成不同动作时轨迹的平滑度和所用的时间为主要优化目标,提出一种快速收敛的粒子群算法。将全局学习因子和局部学习因子联合起来,通过调整比例系数和全局学习因子的比重获得更快的收敛速度。实验结果表明:在迭代次数较少时,所提方法与改进的粒子群算法的应用效果接近;在迭代次数较多时,所提方法优于改进的粒子群算法。     

基于改进粒子群算法的PIDNN解耦控制研究

对于具有非线性、强耦合、大迟滞特点的多输入多输出的非线性系统,传统的控制方法无法对其进行精确解耦,导致控制精度较低。提出一种基于免疫机制的改进粒子群算法,并用此方法对PID神经网络权值进行优化,形成新型PID神经网络控制器。利用两个PID神经网络控制器对双输入双输出耦合系统进行控制以减弱系统的耦合影响。通过仿真结果表明：相对于传统PID解耦控制,该算法具有更好的动态和静态特性。可为控制领域中的解耦问题提供一定的参考。