基于SVM的轧机油膜厚度补偿模型的建立

研究单机架热轧中厚板轧机的油膜厚度补偿问题,利用SVM方法建立了轧机油膜厚度补偿模型,并对回归预测结果进行分析,同时与成熟的基于Reynolds方程的轧机相对油膜厚度补偿方法进行比较,结果表明:采用基于SVM的轧机油膜厚度补偿模型可以对轧机油膜厚度进行良好的补偿,补偿精度较好.     

首钢中厚板轧机AGC计算机控制系统

介绍了首钢中厚板轧钢厂3340mm中厚板轧机液压AGC系统工艺参数和计算机系统的硬件配置和传感器配置,给出了轧机弹跳模型和液压缸HCC的控制原理和液压缸的系统频率响应特性,描述了本系统所采用的头部锁定AGC和绝对AGC的控制策略,并对支撑辊偏心补偿、油膜厚度补偿等厚度控制补偿方法进行了说明。     

基于现场实验支撑辊油膜厚度补偿模型的应用

热轧机支撑辊多采用油膜轴承,由于在轧制过程中支撑辊油膜轴承内油膜厚度发生变化,会造成轧机有载辊缝发生变化,从而导致产品厚度出现偏差。基于现场设备使用范围,提出支撑辊油膜厚度补偿模型的实验方案,根据实际采集不同压力下速度变化引起的辊缝变化量,使用Matlab拟合得到油膜厚度变化量与轧制力变化量、轧制速度变化量的关系,计算出轧制过程中不同轧制速度、压力条件下支撑辊油膜厚度的变化量,进一步对轧机有载辊缝进行补偿。实际应用表明,该支撑辊油膜厚度补偿方法取得了预期效果,轧机运行稳定可靠,可以有效提高带钢的厚度命中率。     

轧钢自动化AGC系统高精度厚度计公式的工程研究

以某中厚板轧钢厂四辊精轧机液压AGC系统为背景,系统地研究了AGC系统核心数学模型———高精度厚度计公式在工程实际中的实现,主要包括:轧机自动清零、轧机自动刚度测试、轧机刚度宽度补偿、油膜厚度测量、轧辊偏心补偿。     

AGC系统高精度厚度计公式的工程研究

以某中厚板轧钢厂四辊精轧机液压AGC系统为背景，系统地研究了AGC系统核心数学模型－－高精度厚度计公式在工程实际中的实现，主要包括：轧机自动清零、轧机自动刚度测试、轧机刚度宽度补偿、油膜厚度测量、轧辊偏心补偿。     

基于油膜力的油膜厚度补偿模型的研究与应用

为了满足轧制中带钢厚度精度的控制要求,必须对由轧制速度变化引起的带钢厚度波动进行油膜补偿.提出了一种基于油膜力的油膜厚度补偿方法,并进行推证,得到适合现场应用的数学模型.以此数学模型为基础,开发了一套完整的数据采集、数据处理和现场应用方法,并将该模型成功应用于热连轧生产中.实际应用表明,对热连轧机组采用该油膜厚度补偿算...     

滑动轴承贫油润滑特性分析

基于广义Reynolds方程,建立圆柱滑动轴承贫油润滑模型,分析了入口油膜厚度对滑动轴承贫油润滑性能的影响。数值计算结果表明:在载荷和转速不变时,供油条件明显影响油膜收敛区的油膜厚度、承载力等参数;随入口油膜厚度的增加,滑动轴承承载区油膜厚度、端泄流量、有效承载面积增加,而轴承偏心率和油膜起始角随供油量的增加而减小。     

一种轧辊静压轴承的瞬态响应分析方法

静压轴承是轧机轧辊中承受径向载荷最直接的部件。对轧辊静压轴承进行瞬态响应分析是轧机设计的关键环节,其动力学特性直接影响到轧机的生产效率及轧制精度。本文在建立静压轴承的Reynolds方程及其边界条件的基础上,分析静压轴承的流量连续状态,并联合能量方程和温-粘关系方程对Reynolds方程进行迭代求解。在考虑油膜力的非线性条件下,运用动态油膜力代替线性刚度、阻尼系数,建立静压轴承的动力学方程,并采用Newmark-β法迭代求解该方程,得到了静压轴承的瞬态响应,为静压轴承动力学分析提供一种新思路。以某型号四腔静压轴承为例进行了瞬态响应计算,结果验证了本方法在进行静压轴承瞬态响应分析的有效性。     

中厚板头尾厚度超差原因分析

基于四辊中厚板轧机,分析了温度、头部沉入、AGC系统、压力传感器和展宽比对中厚板头尾厚度超差的影响.得出头尾温度过低不仅使钢板塑性系数增加,而且造成头尾厚度增厚的遗传效应,增大了厚度超差的可能性.头部沉入对头部厚度的影响可通过沉入补偿进行消除.咬入阶段AGC系统不投入的影响可通过减小咬钢速度的方法进行部分消除.展宽比过小会加剧头尾厚度增厚,展宽比过大会适当减小头尾厚度.     

支承辊油膜轴承对辊缝的影响(摘要)

饭带轧机支承辊采用油膜轴承可以提高轴承寿命、减小摩擦、增加轧机刚度。但油膜厚度是轧制速度、轧制压力、油的粘度(或温度)等因素的函数,油膜厚度变化引起辊缝变化造成厚度偏差,轧制速度影响尤为明显。在液压压下厚度自动控制系统中常采用油膜厚度补偿环节,一般为开环控制、将有关影响参数信号引入系统经运算转化为辊缝补偿量,自动调节     

轧钢机力能参数神经网络预测

在分析轧机轧制过程中的力能参数的基础上 ,测量并计算了 50 0 mm轧机的轧制力。探讨了用神经网络模型确定轧制力的方法 ,预测了轧制力 ,并将三种方法得到的轧制力进行了比较。结果表明用神经网络模型预测的轧制力误差远小于基于传统数学模型计算的轧制力误差 ,它能较好他反映实际轧制过程的特征。     

辊缝油膜承载力对冷轧机振动的影响

针对某冷轧厂在线轧制过程中轧机的振动问题,从辊缝油膜承载力的角度分析其对轧机振动的影响,得出轧制过程中辊缝间距的减小导致辊缝油膜需提供更大的承载力来维持轧机稳定。从乳化液浓度、轧辊转速、乳化液金属微粒含量方面探讨了增强辊缝油膜承载力的方法,得出乳化液浓度与轧辊转速在增强油膜承载力的同时减小了辊缝的摩擦系数,也易导致轧机振动。通过试验得出,调节乳化液金属微粒含量能够在原有摩擦系数的基础上增强辊缝油膜承载力,从而保证轧机的稳定运行。     

神经网络与有限元结合在轧机板形预报中的应用研究

通过有限元仿真分析,较准确的模拟了带钢轧制过程,获取对轧机板形影响较大的参数值,并将其结果作为训练样本对神经网络进行训练,建立了较为理想的基于神经网络的板形预测模型,实现了轧制过程中的板形参数的预报。仿真结果表明该神经网络与有限元结合的板形预测模型可获得良好的预测精度,弥补了传统板形预测模型的预测精度不能满足板形在线控制要求的缺陷。     

BP神经网络的弯辊力预设定优化

针对国内某厂六辊单机架可逆冷轧机预设定弯辊力与实际轧制过程中弯辊力偏差较大的问题,采用了BP神经网络对其进行优化,结果其精度比回归的弯辊力模型的精度有显著提高,可使弯辊力预设定精度控制在15%以内,并为实现弯辊力的闭环控制奠定了基础。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于MATLAB的BP网络预报2350中板轧制力能参数

应用MATLAB神经网络工具箱训练BP网络的基本原理和方法，建立了2350中板轧机轧制压力和轧制力矩的BP网络。预报计算表明：该BP网络高效简便、计算精度好，所训练好的BP网络预报2350中板轧机的轧制压力和轧制力矩的相对误差小于5％，满足生产控制的要求。     

轧机油膜轴承的失效故障树分析

以轧机油膜轴承为研究对象,分析了引起其发生失效的各个因素,建立了轧机油膜轴承失效故障树。通过对故障树的定量分析,得出了轧机油膜轴承故障树的各阶最小割集,从而确定了锥套损坏、衬套损坏和润滑油变质为轧机油膜轴承失效的主要形式,并提出了预防轧机油膜轴承失效和提高轧机油膜轴承可靠性的相关措施。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。